[發明專利]基于深度學習模型與特征聯合的雷達輻射源個體識別方法

有效

• 申請號: 202010778765.3
• 申請日: 2020-08-05
• 公開（公告）號: CN111913156B
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 李建清;劉佳旭;李留章;王宏
• 申請（專利權）人: 電子科技大學
• 主分類號: G01S7/36
• 分類號: G01S7/36;G01S7/02;G06N20/00
• 代理公司: 北京卓恒知識產權代理事務所(特殊普通合伙) 11394
• 代理人: 孔鵬

1.基于深度學習模型與特征聯合的雷達輻射源個體識別方法，其特征在于：包括以下步驟：

1)采集不同雷達發射的內容相同的中頻AD信號數據，并截取信號中各脈沖數據生成雷達輻射源個體識別樣本集；

2)對所述步驟1)中的雷達輻射源個體識別樣本集進行歸一化處理，并劃分成訓練樣本集、驗證樣本集和測試樣本集；

3)構建基于深度學習模型與特征聯合的雷達輻射源個體識別模型；

4)訓練基于深度學習模型與特征聯合的雷達輻射源個體識別模型；

5)用測試樣本集獲得雷達輻射源個體識別模型結果與特征判定結果；

6)用雷達輻射源個體識別模型結果與特征判定結果聯合計算最終識別結果并統計識別準確率；

所述步驟3)具體操作步驟如下：

31)構建基于深度學習模型與特征聯合的雷達輻射源個體識別網絡模型，其由長短期記憶網絡和卷積網絡兩部分組成，結構關系如下：

整體網絡結構包括五層：

第一層為卷積網絡輸入層，能接收的輸入大小設置為(5500，1)，其后接卷積網絡部分；

第二層為自定義函數層，將卷積網絡輸入層每輸出五個樣本點，取第一個樣本點拼接得到長短期記憶網絡輸入，自定義函數層后接長短期記憶網絡部分；

第三層為拼接層，將卷積網絡部分的輸出與長短期記憶網絡部分的輸出拼接起來作為該層輸出；

第四層為第二全連接層，神經元個數設置為M＝128，該層激活函數為線性整流函數Relu，M為使用的特征數目，該層輸出為特征點位置；

第五層為分類層，采用多分類Softmax函數，該層輸出為模型分類結果；

卷積網絡部分包括八層：

第一層為第一卷積層，有64個卷積核，每個卷積核的大小為1×40，卷積步長為1，采用打補丁的方式保證卷積之后的長度與輸入長度一致，該層激活函數為線性整流函數Relu；

第二層為第一批規范化層；

第三層為第二卷積層，有128個卷積核，每個卷積核的大小為1×10，卷積步長為1，采用打補丁的方式保證卷積之后的長度與輸入長度一致，該層激活函數為線性整流函數Relu；

第四層為第二批規范化層；

第五層為第一標志塊，由兩個與第二卷積層參數相同的卷積層連接組成，前一卷積層將第一標志塊輸入作為輸入，其后接后一卷積層，將后一卷積層輸出接到加法器一個輸入端，第一標志塊輸入接到加法器另一輸入端，加法器輸出作為第一標志塊輸出；

第六層為第二標志塊，由兩個與第二卷積層參數相同的卷積層連接組成，前一卷積層將第二標志塊輸入作為輸入，其后接后一卷積層，將后一卷積層輸出接到加法器一個輸入端，第二標志塊輸入接到加法器另一輸入端，加法器輸出作為第二標志塊輸出；

第七層為第一全局平均池化層；

第八層為第一全連接層，神經元個數設置為128，該層激活函數為線性整流函數Relu；

長短期記憶網絡部分包括兩層：

第一層為第一長短期記憶層，神經元個數設置為128，返回最后一層的所有hiddenstate；

第二層為第二長短期記憶層，神經元個數設置為128，返回最后一層最后一個步長的hidden state；

32)設置基于深度學習模型與特征聯合的雷達輻射源個體識別網絡模型的超參數、誤差反向傳播優化算法、修正線性單元激活函數；

33)選擇基于深度學習模型與特征聯合的雷達輻射源個體識別網絡模型損失函數L，所述損失函數L為交叉熵損失函數，其公式如下：

其中，M為雷達輻射源個體識別信號類別總數，c為具體某一類別，y_c為指示變量，若該類別c和樣本類別相同，則y_c為1，否則為0；p_c為對于觀測樣本屬于類別c的預測概率；

所述步驟5)具體操作步驟如下：

51)將訓練樣本集輸入到訓練好的深度神經網絡模型中，得到不同雷達個體的平均特征中心和不同雷達信號距離其平均特征中心的平均距離；

所述不同雷達個體的平均特征中心和不同雷達信號距離其平均特征中心的平均距離，其公式如下：

其中，F_i表示第i個雷達的平均特征中心，表示第i個雷達的信號距離其平均特征中心的平均距離，F_ij表示第i個雷達的平均特征中心第j個特征的值，H_i表示訓練集中第i個雷達的信號總數，f_icj表示第i個雷達的第c個數據的第j個特征的值，f_ic表示第i個雷達的第c個數據的特征點；

52)將測試樣本集輸入到訓練好的深度神經網絡模型中，得到網絡分類識別結果和特征點，并根據特征點和不同雷達個體的平均特征中心得到特征分類識別結果，其計算方式如下：

先分別計算出測試樣本集數據對應特征點與所有雷達個體平均特征中心的特征距離D，再取特征距離D中最短距離對應的雷達個體為特征分類識別結果；

其中，特征距離D的計算方式如下：

其中，D_i表示第i個雷達與測試樣本集數據對應特征點的特征距離，M表示該特征點特征總數，F_ij表示第i個雷達的平均特征中心第j個特征的值，T_j表示測試樣本集數據對應特征點的第j個特征的值；

所述步驟6)具體操作步驟如下：

61)利用網絡分類識別結果和特征分類識別結果進行對比，得到最終識別結果；其具體方法如下：

若兩個識別結果相同，則最終識別結果與這兩種結果相同；

若兩個識別結果不同，則計算出測試樣本集數據對應特征距離D中最短距離D_i，與該雷達信號距離其平均特征中心的平均距離的比值并得到模型分類輸出對應結果的置信度P，

當時，特征分類識別結果更可靠，取特征分類識別結果為最終結果；

當時，網絡分類識別結果更可靠,取網絡分類識別結果為最終結果；

62)將最終識別結果與測試集的真實類別對比，統計最終識別正確率。