基于深度学习的PRI联合脉内信息辐射源信号识别方法.pdf

《基于深度学习的PRI联合脉内信息辐射源信号识别方法.pdf》由会员分享，可在线阅读，更多相关《基于深度学习的PRI联合脉内信息辐射源信号识别方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010027623.3 (22)申请日 2020.01.10 (71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路2号 (72)发明人 武斌吴东彬李靖怡李鹏 荆泽寰杨瑞 (74)专利代理机构 西北工业大学专利中心 61204 代理人 陈星 (51)Int.Cl. G01S 7/02(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的PRI联合脉内信息辐射源信 号识别方法 (57。

2、)摘要 本发明提出一种基于深度学习的PRI联合脉 内信息辐射源信号识别方法， 以雷达辐射源信号 脉内调制信息以及PRI脉间调制信息特点为基 础， 通过多层感知机网络及一维CNN网络分别对 雷达辐射源信号的PRI脉间信息和脉内信息进行 特征提取， 将两个特征向量组合之后进行识别， 从而提高雷达信号识别效率。 权利要求书2页 说明书6页 附图1页 CN 111239692 A 2020.06.05 CN 111239692 A 1.一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其特征在于： 包括以下 步骤： 步骤1： 构建辐射源信号原始数据集； 所述辐射源信号原始数据集中信号的脉内调制。

3、方式包括五类： 线性调频信号、 非线性 调频信号、 二相编码信号、 固定频率信号、 二频编码信号； 其中线性调频信号根据带宽分为 m1种， 非线性调频信号根据窗函数分为m2种， 二相编码信号根据巴克码位数分为m3种， 固定 频率信号根据载频分为m4种， 二频编码根据频率分为m5种； 所述辐射源信号原始数据集中信号的PRI脉间调制方式有五类： 包括固定、 抖动、 正弦、 滑变、 驻留与切换； 脉内调制方式线性组合PRI脉间调制方式共产生5*(m1+m2+m3+m4+m5)种信号， 每种信号 标记有对应的脉内调制方式与脉间调制方式的组合标签； 每种信号产生K个样本， 共5K*(m1 +m2+m3+。

4、m4+m5)个样本， 每个样本长度包含多个脉冲信号； 步骤2： 对步骤1构建的辐射源信号原始数据集加上不同信噪比的噪声， 得到N个具有不 同信噪比噪声的辐射源信号数据集， 再加上步骤1中的辐射源信号原始数据集， 共得到N+1 个辐射源信号数据集， 每个数据集中包含5K*(m1+m2+m3+m4+m5)个样本； 步骤3： 构建多层感知机网络， 利用N+1个辐射源信号数据集分别对多层感知机网络进 行训练， 得到训练好的多层感知机网络模型； 训练好的多层感知机网络模型输出辐射源信 号的PRI脉间信息特征向量； 构建CNN网络， 利用N+1个辐射源信号数据集分别对CNN网络进 行训练， 得到训练好的C。

5、NN网络； 训练好的CNN网络输出辐射源信号脉内调制信息特征向量； 步骤4： 采用全连接网络结构将训练好的多层感知机网络模型输出与CNN网络输出相连 接， 全连接网络结构输出联合特征向量； 在全连接网络结构后接softmax分类器完成整个网 络结构的搭建； 步骤5： 将实际截获的信号分为两个支路， 分别输入训练好的多层感知机网络模型和 CNN网络中， 最终softmax分类器输出分类识别结果。 2.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 利用某一个辐射源信号数据集对CNN网络进行训练时， 先对该辐射源信号数据集 中的每个样本进行截取， 只取属。

6、于同一脉冲的信号数据对CNN网络进行训练。 3.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 利用某一个辐射源信号数据集对多层感知机网络进行训练时， 先对该辐射源信 号数据集中的每个样本进行等间隔采样， 以获得样本中的多个脉冲信号数据， 然后利用得 到的多个脉冲信号数据对多层感知机网络进行训练。 4.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 步骤3中， 根据预先仿真试验， 确定多层感知机网络输出收敛时的迭代次数， 并依 此设置多层感知机网络的迭代次数； 当利用某一个辐射源信号数据集对多层感知机网络进。

7、 行训练时， 当达到设置的迭代次数后， 停止训练， 然后再利用下一个辐射源信号数据集对多 层感知机网络进行训练， 直至N+1个辐射源信号数据集均对多层感知机网络进行了训练。 5.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 步骤3中， 根据预先仿真试验， 确定CNN网络输出收敛时的迭代次数， 并依此设置 CNN网络的迭代次数； 当利用某一个辐射源信号数据集对CNN网络进行训练时， 当达到设置 权利要求书 1/2 页 2 CN 111239692 A 2 的迭代次数后， 停止训练， 然后再利用下一个辐射源信号数据集对CNN网络进行训练， 直至N +1。

8、个辐射源信号数据集均对CNN网络进行了训练。 6.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 步骤3中， 采用六层感知机网络。 7.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 步骤3中， CNN网络采用由三个卷积层、 三个池化层、 一个全连接层、 一个Flatten 层， 一个Dropout层组成的九层一维卷积神经网络CNN网络。 8.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 步骤2中， 分别选取-10dB、 -5dB、 0dB、 5dB、 10dB。

9、共5个信噪比点， 叠加在步骤1构建 的辐射源信号原始数据集中， 得到5个具有不同信噪比噪声的辐射源信号数据集。 9.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其 特征在于： 步骤3中， 多层感知机网络和CNN网络均采用adagrad算法作为优化函数。 10.根据权利要求1所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其特征在于： 步骤3中， 多层感知机网络中采用线性整流函数ReLU作为激活函数。 权利要求书 2/2 页 3 CN 111239692 A 3 基于深度学习的PRI联合脉内信息辐射源信号识别方法 技术领域 0001 本发明属于信号处。

10、理技术领域， 特别涉及一种雷达辐射源识别方法， 可用于电子 情报侦察、 电子支援和威胁告警系统中。 背景技术 0002 雷达辐射源信号识别是雷达电子对抗中一个重要组成部分， 在电子情报侦察、 电 子支援和威胁告警系统中的发挥中重要的作用。 0003 随着电子技术的发展， 各种新型复杂体制雷达不断出现， 使得电子环境复杂多变， 对辐射源的精确识别带来了越来越严峻的挑战。 传统基于脉冲描述字即载频、 脉冲宽度、 脉 冲幅度、 到达时间和到达角的方法， 在当代电磁信号密度大或复杂多变环境中， 缺陷越来越 明显。 0004 目前， 考虑到脉内特征作为重要的脉冲参数有助于提高辐射源识别率， 诸多学者 提。

11、出了在保留原始PDW功能基础上添加许多脉内特征分析的方法， 如时域分析法、 频域分析 法、 瞬时自相关法、 模糊函数切片法和谱相关法等。 但这些现有技术存在有两方面缺点： 第 一个是算法识别率低， 即已有算法大多依赖人为选取特征， 特征的好坏决定识别率的高低， 无法适应日益复杂的电磁环境； 第二个缺点是时间复杂度高， 现在伴随数据维度的不断升 高， 已有算法识别时间越来越长， 对于实时性要求高的系统无法应用。 0005 针对这些缺点， 有学者提出了基于时频变换与二维CNN网络的雷达辐射源识别方 法， 此方法是将一维雷达序列通过时频变换转换到时频图， 再基于时频图采用二维CNN的方 法实现雷达辐。

12、射源识别。 该方法虽说可以有效提高识别率， 但对于雷达参数细化， 种类增多 的情况识别效率低， 且时间复杂度较高。 发明内容 0006 本发明针对雷达辐射源信号识别现有技术存在的不足， 提出一种基于深度学习的 PRI联合脉内信息辐射源信号识别方法， 以雷达辐射源信号脉内调制信息以及PRI脉间调制 信息特点为基础， 通过多层感知机网络及一维CNN网络分别对雷达辐射源信号的PRI脉间信 息和脉内信息进行特征提取， 将两个特征向量组合之后进行识别， 从而提高雷达信号识别 效率。 0007 本发明的技术方案为： 0008 所述一种基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其特征在于： 包 。

13、括以下步骤： 0009 步骤1： 构建辐射源信号原始数据集； 0010 所述辐射源信号原始数据集中信号的脉内调制方式包括五类： 线性调频信号、 非 线性调频信号、 二相编码信号、 固定频率信号、 二频编码信号； 其中线性调频信号根据带宽 分为m1种， 非线性调频信号根据窗函数分为m2种， 二相编码信号根据巴克码位数分为m3种， 固定频率信号根据载频分为m4种， 二频编码根据频率分为m5种； 说明书 1/6 页 4 CN 111239692 A 4 0011 所述辐射源信号原始数据集中信号的PRI脉间调制方式有五类： 包括固定、 抖动、 正弦、 滑变、 驻留与切换； 0012 脉内调制方式线性组。

14、合PRI脉间调制方式共产生5*(m1+m2+m3+m4+m5)种信号， 每种 信号标记有对应的脉内调制方式与脉间调制方式的组合标签； 每种信号产生K个样本， 共 5K*(m1+m2+m3+m4+m5)个样本， 每个样本长度包含多个脉冲信号； 0013 步骤2： 对步骤1构建的辐射源信号原始数据集加上不同信噪比的噪声， 得到N个具 有不同信噪比噪声的辐射源信号数据集， 再加上步骤1中的辐射源信号原始数据集， 共得到 N+1个辐射源信号数据集， 每个数据集中包含5K*(m1+m2+m3+m4+m5)个样本； 0014 步骤3： 构建多层感知机网络， 利用N+1个辐射源信号数据集分别对多层感知机网 。

15、络进行训练， 得到训练好的多层感知机网络模型； 训练好的多层感知机网络模型输出辐射 源信号的PRI脉间信息特征向量； 构建CNN网络， 利用N+1个辐射源信号数据集分别对CNN网 络进行训练， 得到训练好的CNN网络； 训练好的CNN网络输出辐射源信号脉内调制信息特征 向量； 0015 步骤4： 采用全连接网络结构将训练好的多层感知机网络模型输出与CNN网络输出 相连接， 全连接网络结构输出联合特征向量； 在全连接网络结构后接softmax分类器完成整 个网络结构的搭建； 0016 步骤5： 将实际截获的信号分为两个支路， 分别输入训练好的多层感知机网络模型 和CNN网络中， 最终softma。

16、x分类器输出分类识别结果。 0017 进一步的， 利用某一个辐射源信号数据集对CNN网络进行训练时， 先对该辐射源信 号数据集中的每个样本进行截取， 只取属于同一脉冲的信号数据对CNN网络进行训练。 0018 进一步的， 利用某一个辐射源信号数据集对多层感知机网络进行训练时， 先对该 辐射源信号数据集中的每个样本进行等间隔采样， 以获得样本中的多个脉冲信号数据， 然 后利用得到的多个脉冲信号数据对多层感知机网络进行训练。 0019 进一步的， 步骤3中， 根据预先仿真试验， 确定多层感知机网络输出收敛时的迭代 次数， 并依此设置多层感知机网络的迭代次数； 当利用某一个辐射源信号数据集对多层感 。

17、知机网络进行训练时， 当达到设置的迭代次数后， 停止训练， 然后再利用下一个辐射源信号 数据集对多层感知机网络进行训练， 直至N+1个辐射源信号数据集均对多层感知机网络进 行了训练。 0020 进一步的， 步骤3中， 根据预先仿真试验， 确定CNN网络输出收敛时的迭代次数， 并 依此设置CNN网络的迭代次数； 当利用某一个辐射源信号数据集对CNN网络进行训练时， 当 达到设置的迭代次数后， 停止训练， 然后再利用下一个辐射源信号数据集对CNN网络进行训 练， 直至N+1个辐射源信号数据集均对CNN网络进行了训练。 0021 进一步的， 步骤3中， 采用六层感知机网络。 0022 进一步的， 步。

18、骤3中， CNN网络采用由三个卷积层、 三个池化层、 一个全连接层、 一个 Flatten层， 一个Dropout层组成的九层一维卷积神经网络CNN网络。 0023 进一步的， 步骤2中， 分别选取-10dB、 -5dB、 0dB、 5dB、 10dB共5个信噪比点， 叠加在 步骤1构建的辐射源信号原始数据集中， 得到5个具有不同信噪比噪声的辐射源信号数据 集。 0024 进一步的， 步骤3中， 多层感知机网络和CNN网络均采用adagrad算法作为优化函 说明书 2/6 页 5 CN 111239692 A 5 数。 0025 进一步的， 步骤3中， 多层感知机网络中采用线性整流函数ReLU。

19、作为激活函数。 0026 有益效果 0027 本发明具有如下优点： 0028 第一， 本发明采用两路分支网络， 针对雷达辐射源信号脉内信息和PRI脉间信息的 特点， 分别设计不同的网络结构进行特征提取， 再将两路特征组合进行识别， 提高了网络的 识别率。 0029 第二， 本发明数据集在常见雷达信号基础上进行拓展， 其中脉内调制方式进行参 数细化， 拓展到m1+m2+m3+m4+m5种脉内调制的雷达信号； PRI脉间调制方式采用5种； 脉内调制 与PRI脉间调制进行线性组合， 共产生5*(m1+m2+m3+m4+m5)种雷达信号， 丰富了雷达数据集。 0030 第三， 两种网络中均采用adag。

20、rad算法作为优化函数， 大幅度提升网络优化性能， 显著降低了收敛代数， 提高了识别率。 0031 第四， 采用reLU激活函数代替传统SGD随机梯度下降法， 加速网络训练过程， 同时 防止网络神经元过饱和或因层数过深导致的过拟合， 提高网络的泛化能力。 0032 本发明的附加方面和优点将在下面的描述中部分给出， 部分将从下面的描述中变 得明显， 或通过本发明的实践了解到。 附图说明 0033 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解， 其中： 0034 图1是本实施例的实现流程图。 具体实施方式 0035 下面详细描述本发明的实施例， 所述实施例。

21、是示例性的， 旨在用于解释本发明， 而 不能理解为对本发明的限制。 0036 参照图1， 本实施例中的基于深度学习的PRI联合脉内信息辐射源信号识别方法， 其实现步骤如下： 0037 步骤1： 用MATLAB软件仿真构建辐射源信号原始数据集； 0038 所述辐射源信号原始数据集中信号的脉内调制方式包括五类： 线性调频信号、 非 线性调频信号、 二相编码信号、 固定频率信号、 二频编码信号。 0039 其中线性调频信号根据带宽分为4种， 非线性调频信号根据窗函数分为2种， 二相 编码信号根据巴克码位数分为4种， 固定频率信号根据载频分为4种， 二频编码根据频率分 为4种， 这样共计18个分类。 。

22、所述辐射源信号原始数据集中信号的PRI脉间调制方式有五类： 包括固定、 抖动、 正弦、 滑变、 驻留与切换。 18种脉内调制方式线性组合5种PRI脉间调制方式 共产生90种信号， 每种信号标记有对应的脉内调制方式与脉间调制方式的组合标签； 每种 信号产生1000个样本， 共90000样本， 每个样本长度包含多个脉冲信号， 本实施例中取40000 个点。 0040 本实施例中： 0041 二频编码信号有四种载频分别为500Hz、 1000Hz； 500Hz、 750Hz； 250Hz、 750Hz； 说明书 3/6 页 6 CN 111239692 A 6 250Hz、 500Hz； 编码方式采。

23、用13位巴克码， 脉宽为0.08s， 码元宽度为0.0061s； 0042 固定频率信号载频有四种分别为1000Hz， 1100Hz， 1200Hz， 1300Hz； 0043 线性调频信号载频为1000Hz， 带宽有四种分别为100Hz， 200Hz， 300Hz， 400Hz； 0044 非线性调频信号采用余弦调制， 载频为1000Hz， 窗函数有两种分别为汉宁窗、 布拉 克曼窗； 0045 二相编码信号载频为1000Hz， 编码方式有四种分别采用5位、 7位、 11位、 13位巴克 码， 脉宽为0.08s； 0046 5种不同的PRI脉间调制信息， 其参数设置如下： 0047 固定： P。

24、RI固定为0.2s； 0048 滑变： PRI0.2-0.1/15n(n1,2,15)； 0049 正弦： PRI0.2+0.1COS(2 /15n)(n1,2,15)； 0050 抖动： 抖动系数为0.3， 抖动PRI中心为0.2； 0051 驻留与切换： PRI选取 0052 0.15,0.15,0.15,0.15,0.15,0.2,0.2,0.2,0.2,0.2,0.25,0.25,0.25,0.25, 0.25。 0053 步骤2： 对步骤1构建的辐射源信号原始数据集加上不同信噪比的噪声， 分别选取- 10dB、 -5dB、 0dB、 5dB、 10dB共5个信噪比点， 得到5个具有不。

25、同信噪比噪声的辐射源信号数据 集， 再加上步骤1中的辐射源信号原始数据集， 共得到6个辐射源信号数据集， 每个数据集中 包含90000个样本。 每个数据集中选取前90的样本作为训练集， 后10的样本作为验证 集。 0054 步骤3： 构建多层感知机网络， 利用6个辐射源信号数据集分别对多层感知机网络 进行训练， 得到训练好的多层感知机网络模型； 训练好的多层感知机网络模型输出辐射源 信号的PRI脉间信息特征向量。 0055 这里我们采用六层感知机网络， 并根据预先仿真试验， 确定六层感知机网络输出 收敛时的迭代次数， 并依此设置六层感知机网络的迭代次数， 本实施例中设置的迭代次数 为200， 。

26、批处理个数为50。 0056 六层感知机网络第一层是输入层， 第二层是神经元个数为6的全连接层， 第三层是 神经元个数为32的全连接层， 第四层是神经元个数为64的全连接层， 第五层是神经元个数 为64的全连接层， 第六层是神经元个数为32的全连接层。 0057 由于直接将某一个辐射源信号数据集中的训练样本全部输入多层感知机网络， 会 导致训练时间过长， 且多层感知机网络是用于输出辐射源信号的PRI脉间信息特征向量， 所 以对某一个辐射源信号数据集而言， 先对辐射源信号数据集中的每个样本进行等间隔采 样， 以获得样本中的多个脉冲信号数据， 然后利用得到的多个脉冲信号数据对多层感知机 网络进行训。

27、练。 0058 当利用某一个辐射源信号数据集对多层感知机网络进行训练时， 当达到设置的迭 代次数后， 停止训练， 然后再利用下一个辐射源信号数据集对多层感知机网络进行训练， 直 至6个辐射源信号数据集均对多层感知机网络进行了训练。 0059 在进行多层感知机网络训练时， 本实施例选用AdaGrad算法作为网络优化算法， 算 法表示如下： 说明书 4/6 页 7 CN 111239692 A 7 0060 计算梯度： 0061 0062 累计平方梯度： 0063 0064 计算更新： 0065 0066 应用更新： 0067 + 0068 上述算法中， r为梯度累积变量， r的初始值为0。 为全。

28、局学习率， 根据需要进行设 置。 为小常数， 为了数值稳定大约设置为10-7。 0069 而激活函数选用线性整流函数ReLU， 线性整流激活函数的数学模型表示如下： 0070 (x)max(0,x) 0071 其梯度函数如下： 0072 0073 构建CNN网络， 利用6个辐射源信号数据集分别对CNN网络进行训练， 得到训练好的 CNN网络； 训练好的CNN网络输出辐射源信号脉内调制信息特征向量。 0074 根据预先仿真试验， 确定CNN网络输出收敛时的迭代次数， 并依此设置CNN网络的 迭代次数， 本实施例中设置的迭代次数为200， 批处理个数为50。 0075 本实施例中， CNN网络采用。

29、由三个卷积层、 三个池化层、 一个全连接层、 一个 Flatten层， 一个Dropout层组成的九层一维卷积神经网络CNN网络。 第一层是八个模板大小 为1*3的卷积层， 第二层是模板大小为3的池化层， 第三层是16个模板大小为1*3的卷积层， 第四层是模板大小为3的池化层， 第五层是32个模板大小为1*3的一维卷积层， 第六层是模 板大小为3的池化层， 第七层是Flatten层， 第八层是1*32的全连接层， 第九层是Dropout层。 0076 由于某一个辐射源信号数据集中的单个训练样本中包括多个脉冲数据， 如果将多 个脉冲数据输入CNN网络， 脉间特征会影响CNN网络对脉内调制信息的特。

30、征提取， 所以对某 一个辐射源信号数据集而言， 先对该辐射源信号数据集中的每个样本进行截取， 只取属于 同一脉冲的信号数据对CNN网络进行训练。 0077 当利用某一个辐射源信号数据集对CNN网络进行训练时， 当达到设置的迭代次数 后， 停止训练， 然后再利用下一个辐射源信号数据集对CNN网络进行训练， 直至6个辐射源信 号数据集均对CNN网络进行了训练。 0078 步骤4： 采用全连接网络结构将训练好的多层感知机网络模型输出与CNN网络输出 相连接， 全连接网络结构输出联合特征向量； 在全连接网络结构后接softmax分类器完成整 个网络结构的搭建； 0079 步骤5： 将实际截获的信号分为两个支路， 分别输入训练好的多层感知机网络模型 和CNN网络中， 最终softmax分类器输出分类识别结果。 0080 尽管上面已经示出和描述了本发明的实施例， 可以理解的是， 上述实施例是示例 说明书 5/6 页 8 CN 111239692 A 8 性的， 不能理解为对本发明的限制， 本领域的普通技术人员在不脱离本发明的原理和宗旨 的情况下在本发明的范围内可以对上述实施例进行变化、 修改、 替换和变型。 说明书 6/6 页 9 CN 111239692 A 9 图1 说明书附图 1/1 页 10 CN 111239692 A 10 。