[發明專利]基于一維CNN和LSTM的雷達輻射源識別方法

在審

• 申請號: 202011160727.8
• 申請日: 2020-10-27
• 公開（公告）號: CN112115924A
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 武斌;殷雪鳳;李鵬;張葵;王釗;荊澤寰;袁士博
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.基于一維CNN和LSTM的雷達輻射源識別方法，其特征在于，利用雷達輻射源數據集對構建的CNN和LSTM的神經網絡進行訓練，將待識別的雷達輻射源信號輸入訓練好的神經網絡進行識別，該方法的步驟如下：

(1)構建CNN局部特征提取模塊：

(1a)搭建一個6層的CNN局部特征提取模塊，其結構依次為：第一卷積層→第一池化層→第二卷積層→第二池化層→第三卷積層→第三池化層；

(1b)將第一至第三卷積層中卷積核的個數分別設置為32，32，64，卷積核的大小分別設置為4×1，3×1，3×1，步長均設置為1，激活函數為eLU函數，第一至三池化層均采用最大池化方式，池化區域核的大小分別設置為5×1，4×1，4×1，步長均設置為4；

(2)構建LSTM全局特征提取模塊：

(2a)搭建一個3層的LSTM全局特征提取模塊，其結構依次為：LSTM層→第一全連接層→第二全連接層；

(2b)將LSTM層、第一全連接層、第二全連接層的神經元個數分別設置為64，64，6；

(3)將局部特征提取模塊和全局特征提取模塊連接成雷達輻射源識別網絡；

(4)生成訓練集：

(4a)生成一個包括常規脈沖信號、線性調頻信號、非線性余弦調頻信號、二相編碼信號、二頻編碼信號和四頻率編碼信號6種不同調制類型信號的數據集，每種信號在-8dB到14dB范圍內隨機選擇加入不同的信噪比，每個信噪比下每種調制類型信號至少生成500個樣本，每個樣本的采樣點數為4097；

(4b)利用z-score歸一化算法，對數據集中的每個樣本進行歸一化預處理，將預處理后的所有樣本組成訓練集；

(5)訓練雷達輻射源識別網絡：

將訓練集的樣本輸入到雷達輻射源識別網絡中，利用Adam算法迭代更新網絡的權值15次，得到訓練好的雷達輻射源識別網絡；

(6)對雷達輻射源樣本進行識別：

(6a)利用z-score歸一化算法，對電子偵察接收機采集的待識別的每個雷達輻射源樣本進行歸一化預處理；

(6b)將預處理后的待識別雷達輻射源樣本依次輸入到訓練好的雷達輻射源識別網絡中，得到每個樣本的識別結果。

2.根據權利要求1所述的基于一維CNN和LSTM的雷達輻射源識別方法，其特征在于，步驟(1b)中所述激活函數為eLU函數的數學模型表示如下：

其中，f(x)表示網絡的輸入值x經過激活函數eLU后的響應，α表示預設取值為1.0的參數，e^x表示以自然常數e為底的指數操作。

3.根據權利要求1所述的基于一維CNN和LSTM的雷達輻射源識別方法，其特征在于，步驟(4b)、步驟(6a)中所述的z-score歸一化算法的具體步驟如下：

第一步，按照下式，計算每個輸入樣本的均值：

其中，表示第j個輸入樣本的均值，N表示第j個輸入樣本的采樣點總數，表示第j個輸入樣本中第i個采樣點的幅度值，Σ表示求和操作；

第二步，按照下式，計算每個輸入樣本的標準差：

其中，s_j表示第j個輸入樣本的方差；

第三步，按照下式，計算每個輸入樣本中每個采樣點的歸一化值：

其中，表示第j個輸入樣本中第i個采樣點的歸一化值。

4.根據權利要求1所述的基于一維CNN和LSTM的雷達輻射源識別方法，其特征在于，步驟(5)中的所述的Adam算法如下：

m←β₁m+(1-β₁)g

v←β₂v+(1-β₂)g²

其中，g表示當前迭代時損失函數L(θ)的梯度，←表示賦值操作，表示梯度算子，L(θ)表示對雷達輻射源識別網絡進行迭代訓練時當前迭代的損失函數，θ表示對雷達輻射源識別網絡進行迭代訓練時當前迭代的權重，m表示初值為0的梯度g的一階矩估計，β₁表示取值為0.9的一階矩估計的指數衰減率，v表示初值為0的梯度g的二階矩估計，β₂表示取值為0.999的二階矩估計的指數衰減率，T表示轉置操作，α表示預設取值為0.001的參數，ε表示取值為10^-8的平滑常數。