[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

本發明公開了一種一維CNN和LSTM的雷達輻射源識別方法，其步驟為：(1)構建CNN局部特征提取模塊；(2)構建LSTM全局特征提取模塊；(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；(5)訓練雷達輻射源識別網絡；(6)對雷達輻射源識別樣本進行識別。本發明構建的雷達輻射源識別網絡，可直接對雷達輻射源時域信號進行特征提取，不需要維度變換，實時性好。同時本發明采用CNN和LSTM模塊提取信號局部特征和全局特征，特征提取更充分，提高了識別率，使得本發明具有更好的實時性和抗噪聲性能。

技術領域

本發明屬于信號處理技術領域，更進一步涉及雷達輻射源識別技術領域中的一種基于一維卷積神經網絡CNN(Convolution Neural Network)和長短期記憶網絡LSTM(LongShort-Term Memory)的雷達輻射源識別方法。本發明可用于電子情報偵察、電子支援和威脅告警系統中對接收的雷達輻射源信號進行識別。

背景技術

雷達輻射源識別技術是電子戰中至關重要的一部分，是電子支援的核心和雷達對抗系統中的關鍵技術。輻射源識別技術通過從偵察信號中獲取目標輻射源的體制、用途、型號等信息，為下一步態勢估計、威脅估計和決策調整提供依據。

隨著雷達技術的發展，特別是新體制、新用途雷達的使用，調制形式變得復雜，調制參數轉換越來越快捷，時空領域范圍內的雷達信號交錯，密度增大，傳統雷達輻射源識別方法不能有效對輻射源進行識別。因此，最新的電子戰系統還對雷達信號的脈內特征進行分析，不少研究人員在這方面做了大量工作，時頻特征、小波包特征、分數階傅里葉變換域特征和小波脊頻特征等參數在輻射源識別領域中都取得了不錯的效果。但這些方法都需要人工提取特征，費時費力，而且人為提取的特征在輻射源識別系統中的有效性和普適性還有待深入研究，因此，整個系統對人為因素的依賴太強。此外，也有一些研究人員提出采用深度學習的方法自動進行特征提取，識別雷達輻射源信號，但目前該方法的識別精度不高，計算量大。

中國人民解放軍戰略支援部隊信息工程大學在其申請的專利文獻“基于擴張殘差網絡的雷達輻射源識別方法及裝置”(專利申請號201910272200，申請公布號CN 110147812A)中提出了一種基于擴張殘差網絡的雷達輻射源識別方法。該方法首先對雷達信號進行時頻分析，將雷達信號時域波形轉換成二維時頻圖像并對其進行了預處理，然后構建擴張殘差深度學習網絡模型，最后利用網絡模型自學習信號時頻圖像特征并進行分類識別。擴張殘差網絡雖然能夠有效提取信號時頻圖像的特征，提取的特征有效性和普適性高，抗噪聲性能好。但是，該方法仍然存在的不足之處是，需要對輻射源信號進行時頻變換，耗費大量時間，實時性不強。

西安電子科技大學在其擁有的專利技術“基于一維卷積神經網絡的雷達輻射源信號的識別方法”(專利申請號201710361523.2，授權公告號CN 107220606 B)中提出了一種基于一維卷積神經網絡的雷達輻射源信號識別方法。該方法首先生成雷達輻射源信號數據集，并對雷達輻射源信號進行預處理，然后構建卷積神經網絡，接著設置網絡參數并訓練卷積神經網絡，之后對輻射源信號進行預測分類，最后計算精度，輸出結果。該方法利用一維卷積神經網絡實現對于輻射源信號的自動特征提取，但是，該方法仍然存在的不足之處是，僅采用一維卷積網絡提取輻射源信號的特征，只涉及信號較短時間內的相關關系，特征提取不夠充分，識別精度低。

發明內容

本發明的目的在于針對上述現有技術存在的不足，提出一種基于一維CNN和LSTM網絡的雷達輻射源識別方法，解決現有雷達輻射源識別方法計算復雜和識別準確率低的問題。