[發明專利]基于稀疏時頻檢測卷積神經網絡的雷達輻射源識別方法

有效

• 申請號: 202010919085.9
• 申請日: 2020-09-04
• 公開（公告）號: CN112034434B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 冷鵬飛;王謙誠;黃翔飛;張玉濤
• 申請（專利權）人: 中國船舶重工集團公司第七二四研究所
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出了基于稀疏時頻檢測卷積神經網絡的雷達輻射源識別方法，屬于電子對抗技術領域。本發明以內插、濾波、抽取等處理方法統一不同接收機采樣率，利用短時傅里葉變換，將不同脈寬的輻射源中頻信號轉化為頻率分辨率、時間窗個數固定的時頻圖，以時頻圖作為輻射源特征，用卷積神經網絡實現識別。在網絡訓練時，對時頻矩陣進行特征增強以生成稀疏時頻矩陣，并將其作為訓練樣本完成網絡訓練；訓練完成后，用邊框檢測出稀疏時頻矩陣中輻射源信號，并將檢測邊框內信號映射至各卷積池化層輸出，使得卷積池化層僅對檢測邊框內信號進行處理，降低了識別過程中卷積、池化處理的運算量，且能夠實現對不同脈寬、帶寬雷達輻射源的識別。

技術領域

本發明涉及電子對抗技術領域。

背景技術

雷達輻射源識別技術是現代電子對抗的重要組成部分，在軍事作戰中，通過電子偵察設備捕獲敵方發射的電磁波，利用輻射源識別技術判斷出發射該電磁波雷達的用途或類型，進而可以推斷出敵方平臺的類型或是型號，為我方制定作戰預案提供參考依據，做到先發制敵，取得戰場的主動權。當前，頻率分集、脈沖壓縮、脈沖多普勒、相控陣雷達等新工作體制雷達層出不窮，導致電磁環境高度密集，傳統基于輻射源描述字(emitterdescription words，EDW)的識別方法，難以勝任復雜電磁空間中的輻射源識別任務。由于現代雷達廣泛采用脈沖壓縮體制，因而脈內調制特征可以應用于雷達輻射源識別，常用的脈內分析方法有：瞬時自相關、倒譜技術、譜相關技術、時頻分析等，這些方法均依賴人工經驗進行特征提取與分類器的設計，使得識別系統的維護與更新需消耗一定的人工成本與時間成本。

近年來，隨著深度學習工程應用的興起，機器自動提取特征成為現實，目前基于深度學習的輻射源識別方法主要有以下幾種思路：(1)通過人工特征提取將輻射源信號向量化，再利用深度神經網絡完成識別；(2)將輻射源信號中頻數據作為神經網絡的輸入，直接由神經網絡自動提取輻射源中頻特征，并給出識別結果；(3)對輻射源信號中頻數據做適當的信號預處理，再將預處理后的信號交由神經網絡完成自動特征提取與識別。第一種思路仍依賴于人工經驗，存在傳統人工特征提取方法的固有缺陷；第二種思路過于依賴神經網絡的學習能力，由于敵方輻射源載頻無法精確已知，偵察接收機下變頻后，所截獲的輻射源中存在無效載頻，且不同參數接收機引起的載頻不同，這對神經網絡的學習能力、泛化能力以及網絡規模提出了更高要求；第三種思路為一種折衷選擇，常見方法是利用時頻變換獲得輻射源的時頻圖，再用卷積神經網絡(convolution neural network，CNN)對時頻圖進行處理，但目前這類方法的公開文獻中尚未討論偵察接收機所截獲的輻射源中存在無效載頻、異類輻射源統一時頻圖頻率分辨率等工程問題，本發明在此類方法基礎上，提出了一種基于稀疏時頻檢測卷積神經網絡(STFD-CNN)的雷達輻射源識別方法，將不同脈寬、時寬的輻射源信號，變換為頻率分辨率、時間窗個數固定的時頻圖，通過對時頻圖進行特征增強而構建稀疏時頻矩陣，利用邊框檢測出稀疏時頻矩陣中帶頻率偏移的輻射源信號，訓練完成后，CNN中卷積、池化運算僅需對檢測后輻射源進行處理即可實現輻射源識別。

發明內容

本發明提出了基于稀疏時頻檢測卷積神經網絡(STFD-CNN)的雷達輻射源識別方法，適于電子偵察設備在復雜電磁環境中對敵方雷達輻射源的智能化識別，能夠提升被動偵察系統在現代電磁戰爭中的情報分析能力。

實現本發明的技術解決方案為：以內插、濾波、抽取等處理方法統一不同接收機采樣率，利用短時傅里葉變換，將不同脈寬的輻射源中頻信號轉化為頻率分辨率、時間窗個數固定的時頻圖，以時頻圖作為輻射源特征，用卷積神經網絡實現識別。在網絡訓練時，對時頻矩陣進行特征增強以生成稀疏時頻矩陣，并將其作為訓練樣本完成網絡訓練；訓練完成后，用邊框檢測出稀疏時頻矩陣中輻射源信號，并將檢測邊框內信號映射至各卷積池化層輸出，使得卷積池化層僅對檢測邊框內信號進行處理，降低了識別過程中卷積、池化處理的運算量，且能夠實現對不同脈寬、帶寬雷達輻射源的識別。具體步驟為：

步驟1：利用內插、濾波、抽取將不同偵察設備截獲的輻射源中頻信號采樣率統一；