[發明專利]基于遷移學習的工作模式開集的雷達輻射源個體識別方法

有效

• 申請號: 202011258729.0
• 申請日: 2020-11-12
• 公開（公告）號: CN112308008B
• 公開（公告）日: 2022-05-17
• 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: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.基于遷移學習的工作模式開集的雷達輻射源個體識別方法，其特征在于，包括如下步驟：

S1、采集不同雷達在不同模式下發射的中頻AD信號數據，生成雷達輻射源個體識別樣本集；

S2、對雷達輻射源個體識別樣本進行歸一化，并將樣本集劃分成原始訓練樣本集、原始驗證樣本集；

S3、采集所有雷達在隨機工作模式下發射的中頻AD信號數據，截取脈內信號數據生成測試樣本集；所述隨機工作模式包括步驟S1中已經出現過的工作模式以及步驟S1中沒有出現過的新的工作模式；

S4、將原始訓練樣本集中同一雷達在不同工作模式下的信號組成兩兩一對，得到訓練樣本集；將原始驗證樣本集中的同一雷達不同工作模式的信號組成兩兩一對，得到驗證樣本集；

S5、構建基于遷移學習的工作模式開集的雷達輻射源個體識別模型；具體實現方法為：

S51、構建基于遷移學習的工作模式開集的雷達輻射源個體識別網絡模型；構建的基于遷移學習的工作模式開集的雷達輻射源個體識別網絡模型結構如下：

第一層為卷積網絡輸入層，接收的輸入大小設置為(10000,1)；

第二層為第一卷積層，有32個卷積核，每個卷積核的大小為1x39，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，激活函數為線性整流函數leakyRelu；

第三層為第一批規范化層；

第四層為第二卷積層，有64個卷積核，每個卷積核的大小為1x9，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，激活函數為線性整流函數leakyRelu；

第五層為第二批規范化層；

第六層為第三卷積層，有32個卷積核，每個卷積核的大小為1x9，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，激活函數為線性整流函數leakyRelu；

第七層為第四卷積層，有64個卷積核，每個卷積核的大小為1x9，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，激活函數為線性整流函數leakyRelu；

第八層為加法層，將第七層輸出與第五層輸出相加；

第九層為第一全局平均池化層；

第十層為第一全連接層，神經元個數設置為128，激活函數為線性整流函數Relu，dropout＝0.2；

第十一層為第二全連接層，神經元個數設置為128，激活函數為線性整流函數Relu，dropout＝0.2；

第十二層為特征層，神經元個數設置為M＝128，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；

第十三層為分類層，多分類函數取Softmax函數，該層輸出為模型分類結果；

S52、設置基于遷移學習的工作模式開集的雷達輻射源個體識別網絡的超參數和優化算法；

S53、選擇基于遷移學習的工作模式開集的雷達輻射源個體識別網絡模型損失函數L；損失函數L為交叉熵損失函數與均值差異函數的綜合函數，其中交叉熵損失函數表示如下：

其中，M為雷達輻射源個體識別信號類別總數，c表示具體某一類別；y_c為指示變量，為0或1：如果類別c和樣本的類別相同，則y_c為1，否則y_c為0；p_c表示對于觀測樣本屬于類別c的預測概率；

均值差異函數表示如下：

其中，F₁表示數據對中第一個數據的特征，F₂表示數據對中第二個數據的特征，|| ||_L1表示矩陣的L1范數，上標T表示矩陣的轉置，H為數據的特征長度；

總損失函數L表述如下：

L＝λ₁×L₁+λ₂×L₂

其中，λ₁、λ₂分別為兩個函數的權重值；

S6、訓練深度神經網絡模型；包括以子步驟：

S61、打亂訓練樣本集和驗證樣本集中所有樣本對的排列順序，將訓練樣本集和驗證樣本集輸入到深度神經網絡模型中；

S62、通過Adam優化算法對損失函數L進行迭代優化，設置學習率下降機制和早停機制，迭代優化完成后，得到訓練好的深度神經網絡模型；

設置學習率下降機制的方式為：當驗證集的Loss值在5個周期內都不下降時，將學習率減半；

設置早停機制的方法為：當達到深度神經網絡設置的訓練次數或驗證集的Loss值在15個周期內都不下降時，完成對神經網絡的訓練；

S7、用測試樣本集獲得雷達輻射源個體模型識別結果并統計識別準確率。