[發(fā)明專利]基于深度學習模型與特征聯(lián)合的雷達輻射源個體識別方法

有效

• 申請?zhí)枺?/td>: 202010778765.3
• 申請日: 2020-08-05
• 公開（公告）號: CN111913156B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設計）人: 李建清;劉佳旭;李留章;王宏
• 申請（專利權(quán)）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(chǎn)權(quán)代理事務所(特殊普通合伙) 11394
• 代理人: 孔鵬

一種基于深度學習模型與特征聯(lián)合的雷達輻射源個體識別方法，其步驟為：1)采集不同雷達發(fā)射的中頻AD信號數(shù)據(jù)，截取脈內(nèi)信號數(shù)據(jù)生成雷達輻射源個體識別樣本集；2)對雷達輻射源個體識別樣本進行歸一化處理并劃分成訓練樣本集、驗證樣本集與測試樣本集；3)構(gòu)建基于深度學習模型與特征聯(lián)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(lián)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(jié)果與特征判定結(jié)果；6)用雷達輻射源個體識別模型結(jié)果與特征判定結(jié)果聯(lián)合計算最終識別結(jié)果并統(tǒng)計識別準確率。本發(fā)明具有普適性強，不需要人工特征提取和大量先驗知識，具有復雜度低，分類結(jié)果準確穩(wěn)定的優(yōu)點。

技術領域

本發(fā)明屬于雷達信號處理技術領域，具體涉及到一種基于深度學習模型與特征聯(lián)合的雷達輻射源個體識別方法。

背景技術

雷達輻射源個體識別是近年來通信對抗領域一個重要的研究課題，它主要通過對接收機截獲的輻射源信號進行測量、分析，并根據(jù)已有的先驗信息辨識個體的過程，是電子偵察的重要環(huán)節(jié)。早期雷達輻射源個體識別主要通過載頻、脈寬和脈沖重復周期等常規(guī)參數(shù)進行模板匹配實現(xiàn)。隨著雷達技術水平的提高，新體制雷達不斷出現(xiàn)，電磁環(huán)境日益密集復雜，傳統(tǒng)基于外部特征參數(shù)測量的方法已經(jīng)難以滿足快速、準確區(qū)分輻射源個體的需求。雷達輻射源個體的差異是由發(fā)射機內(nèi)部器件固有的非理想特性導致的，這種非理想特性對信號的影響是細微的，這些細微特性被稱為輻射源指紋，而自動地識別一個輻射源即被稱為輻射源的指紋識別。隨著非法占用電磁頻譜以及無線電干擾的情況日益增多，通信輻射源個體識別成為通信安全領域亟待解決的重要課題，同時，在軍事領域，雷達輻射源個體識別對分析敵方通信網(wǎng)、確定輻射源威脅等級以及對敵實施電子打擊等同樣具有重要意義。

中國在先專利申請?zhí)?01911095867.9的一種基于雷達脈沖序列的雷達輻射源個體識別系統(tǒng)，公開了一種基于雷達脈沖序列的雷達輻射源個體識別系統(tǒng)，該發(fā)明對原始雷達脈沖序列進行小波分解從而獲得多尺度輸入，采用加權(quán)的集成學習算法建立雷達輻射源個體識別模型，采用不斷根據(jù)損失函數(shù)更新分類樹參數(shù)的方式優(yōu)化模型，從而對輻射源個體進行識別。該方法雖然提出了一種雷達輻射源個體識別算法，但是對數(shù)據(jù)的預處理過于復雜，導致特征丟失較多，并且對雷達輻射源信號的時序特性挖掘不夠，信號的時序特點得不到利用。

專利申請?zhí)?01910945109.5的基于無意調(diào)相特性的雷達輻射源個體識別方法及裝置，公開了一種基于無意調(diào)相特性的雷達輻射源個體識別方法，該發(fā)明利用卷積網(wǎng)絡提取無意調(diào)相序列的聯(lián)合特征，實現(xiàn)雷達輻射源個體識別，且利用了貝塞爾曲線擬合無意調(diào)相，降低了噪聲影響。該方法雖然提出了一種雷達輻射源個體識別方法，但是該方法仍然存在不足之處：進行了復雜的預處理，保留的原始信息大量減少，在提取特征時提取到的特征減少，會在一定程度上降低識別的準確率。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對上述現(xiàn)有技術的不足，提出一種基于深度學習模型與特征聯(lián)合的雷達輻射源個體識別方法，用于快速高準確度的實現(xiàn)雷達輻射源個體的識別。該方法解決了傳統(tǒng)雷達輻射源個體識別對信號時序特征利用不足的問題，并簡化了傳統(tǒng)方法的復雜數(shù)據(jù)預處理，保留了更多的信號原始信息，同時將模型預測結(jié)果與根據(jù)特征的判斷結(jié)果聯(lián)合計算，得到更加可靠的雷達輻射源個體識別結(jié)果。

為了解決上述技術問題，本發(fā)明通過以下方式來實現(xiàn)：

基于深度學習模型與特征聯(lián)合的雷達輻射源個體識別方法，包括以下步驟：

1)采集不同雷達發(fā)射的內(nèi)容相同的中頻AD信號數(shù)據(jù)，并截取信號中各脈沖數(shù)據(jù)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(gòu)建基于深度學習模型與特征聯(lián)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(lián)合的雷達輻射源個體識別模型；