【技术实现步骤摘要】
本专利技术属于辐射源个体识别，具体涉及一种基于多通道注意力机制卷积模型的雷达个体识别方法。
技术介绍
1、随着辐射源种类和数量日益增多，空间电磁环境复杂度进一步提升，辐射源个体识别难度不断加大，目前已成为信号处理领域的研究热点之一。
2、原始的辐射源识别方法是基于人工的辐射源个体识别方法。该方法通过提取信号的幅度、频率、相位参数的均值、偏差、方差等统计参数，或使用原始信号的时域、频域、相位谱信息与相关属性，获取辐射源个体特有的无意调制信息，从而实现辐射源个体识别。基于人工的辐射源个体识别方法原理清晰、特征明确、鲁棒性强，但随着物联网技术的快速发展，设备类型和数量急剧增加，导致上述方法出现复杂度较高、泛化性较差、识别率较低等问题，已逐渐难以满足大规模数据和高实时性的要求。因此，部分学者提出了使用神经网络的辐射源识别算法以解决上述问题。
3、在基于神经网络的辐射源个体识别及其相关领域研究方法中，主要分为卷积神经网络(cnn)、循环神经网络(rnn)主要是lstm、以及其他网络架构或上述基本神经网络层的组合形式。文献“徐雄.采用改进型alexnet的辐射源目标个体识别方法.telecommunication engineering，2018，58(6)”在cnn网络结构中直接使用信号的原始时域波形图像作为输入，使用类alexnet为代表的深度卷积网络结合多维度特征进行识别，在对13个ads-b辐射源个体进行识别时，准确率达到98.3％。文献“秦嘉.基于深度学习的通信辐射源个体识别.北京：北京邮电大学，2019.
4、然而，上述文献中用于辐射源识别的时频域图像特征或i/q信号特征在原信号采样率较高时需要较为复杂的数据预处理过程，且数据量较大，因此极大增加了辐射源识别时的计算复杂度。同时，上述网络模型在低信噪比条件下的辐射源识别准确率较低，网络模型的鲁棒性较差。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于多通道注意力机制卷积模型的雷达个体识别方法，使用辐射源信号的脉冲描述字序列作为辐射源个体识别特征，并使用基于多通道注意力机制卷积模型对辐射源进行个体识别，提高了其自适应特征提取能力，并增强了网络模型的鲁棒性。
2、本专利技术采用的技术方案为：一种基于多通道注意力机制卷积模型的雷达个体识别方法，具体步骤如下：
3、s1、建立雷达辐射源脉冲描述字参数数据集；
4、s2、基于深度卷积网络alexnet架构，并结合se多通道注意力机制模块，构建初始化的神经网络模型，并进行参数初始化；
5、s3、设置训练步骤s2所述神经网络模型的超参数与训练方法；
6、s4、基于步骤s3，使用步骤s1得到的数据集作为数据来源，并按照8：2的比例将其划分为训练集与测试集，使用训练集数据训练步骤s2初始化的神经网络模型；
7、s5、基于步骤s4得到训练好的神经网络模型，对步骤s4中所述的无标签的测试集数据进行分类识别，并在漏脉冲与数据测量误差环境下分别进行测试，得到辐射源个体识别结果，完成雷达个体识别，同时评价其分类准确率。
8、进一步地，所述步骤s1具体如下：
9、所述雷达辐射源脉冲描述字参数数据集规模为m×6×n，输入神经网络的数据格式为单通道三维矩阵。
10、其中，数据集的第一维度m为空间电磁信号组数，即不同辐射源的数据组数，数据集的第二个维度6表示脉冲描述字pdw参数的种类，数据集的第三个参数n表示侦察帧的时间采样即每项pdw参数具有n个测量结果。
11、所述pdw参数包括：载波频率、脉冲幅度、脉冲宽度、到达时间、到达角度(俯仰角)、到达角度(方向角)。所述数据集中共包括m类不同个体的辐射源，数据集中不同个体辐射源的各pdw参数统计分布具体如下：
12、(1)载波频率：m类辐射源独立同分布，辐射源样本中的载波频率具有arf～brf ghz均匀分布，分布的概率密度函数表达式如下：
13、
14、载波频率具有幅度为arf的余弦无意调制x[n]，表达式如下：
15、x[n]＝arf×rand×cos[2π(4i)x](i＝1,2,3,...,m)
16、其中，arf表示无意调制幅度，rand表示一个在0～1范围内的随机数值，i表示数据集中不同个体的辐射源的个体编号，从1至m。
17、(2)脉冲幅度：m类辐射源独立同分布，辐射源样本中的脉冲幅度具有apa～bpa均匀分布，分布的概率密度函数表达式如下：
18、
19、脉冲幅度具有幅度为apa的余弦无意调制x[n]，表达式如下：
20、x[n]＝apa×rand×cos[2π(4i)x](i＝1,2,3,...,m)
21、其中，apa表示无意调制幅度。
22、(3)脉冲宽度：m类辐射源独立分布，辐射源样本中的脉冲宽度分布的概率密度函数表达式如下：
23、
24、其中，σpw表示脉冲宽度所属的高斯分布标准差，μpw表示脉冲宽度所属的高斯分布均值。
25、脉冲宽度具有幅度为apw的余弦无意调制x[n]，表达式如下：
26、x[n]＝apw×rand×cos[2π(4i)x](i＝1,2,3,...,m)
27、其中，apw表示无意调制幅度。
28、(4)到达时间：m类辐射源独立同分布，辐射源样本中的到达时间分布的概率密度函数表达式如下：
29、
30、其中，σtoa表示到达时间所属的高斯分布标准差，μtoa表示到达时间所属的高斯分布均值。
31、(5)到达角度(俯仰角)：m类辐射源独立同分布，辐射源样本中的到达角度(俯仰角)具有adoa-el～bdoa-el均匀分布，其分布的概率密度函数表达式如下：
32、
33、(6)到达角度(方向角)：m类辐射源独立同分布，其具有adoa-az～bdoa-az均匀分布，其分布的概率密度函数表达式如下：
34、
35、进一步地，所本文档来自技高网...
【技术保护点】
1.一种基于多通道注意力机制卷积模型的雷达个体识别方法，具体步骤如下：
2.根据权利要求1所述的一种基于多通道注意力机制卷积模型的雷达个体识别方法，其特征在于，所述步骤S1具体如下：
3.根据权利要求1所述的一种基于多通道注意力机制卷积模型的雷达个体识别方法，其特征在于，所述步骤S2具体如下：
4.根据权利要求1所述的一种基于多通道注意力机制卷积模型的雷达个体识别方法，其特征在于，所述步骤S3具体如下：
5.根据权利要求1所述的一种基于多通道注意力机制卷积模型的雷达个体识别方法，其特征在于，所述步骤S4中，使用训练集数据训练步骤S2初始化的神经网络模型，具体如下：
6.根据权利要求1所述的一种基于多通道注意力机制卷积模型的雷达个体识别方法，其特征在于，所述步骤S5具体如下：
【技术特征摘要】
1.一种基于多通道注意力机制卷积模型的雷达个体识别方法，具体步骤如下：
2.根据权利要求1所述的一种基于多通道注意力机制卷积模型的雷达个体识别方法，其特征在于，所述步骤s1具体如下：
3.根据权利要求1所述的一种基于多通道注意力机制卷积模型的雷达个体识别方法，其特征在于，所述步骤s2具体如下：
4.根据权利要求1所述的一种基于多通道注...
【专利技术属性】
技术研发人员：刘宇明，李晋，王谋，余显祥，崔国龙，孔令讲，田润澜，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。