[發(fā)明專利]基于改進UNet3+網(wǎng)絡的雷達信號調(diào)制類型識別方法

有效

• 申請?zhí)枺?/td>: 202110407587.8
• 申請日: 2021-04-15
• 公開（公告）號: CN113050042B
• 公開（公告）日: 2023-08-15
• 發(fā)明（設計）人: 田潤瀾;董會旭;李霜
• 申請（專利權(quán)）人: 中國人民解放軍空軍航空大學
• 主分類號: G01S7/02
• 分類號: G01S7/02;G01S7/36;G06F18/213;G06F18/2415;G06N3/0464;G06N3/08
• 代理公司: 長春市東師專利事務所 22202
• 代理人: 張鐵生;劉瑩

本發(fā)明公開了一種基于改進UNet3+網(wǎng)絡的雷達信號調(diào)制類型識別方法，它包括：1、將偵收設備偵收到的雷達輻射源信號進行采樣并截取固定長度，作為數(shù)據(jù)并打上標簽2、對數(shù)據(jù)的標簽進行獨熱編碼；3、將讀取的數(shù)據(jù)按比例分為訓練集、驗證集、測試集，并使用隨機種子將其打亂；4、將處理好的數(shù)據(jù)輸入到改進的網(wǎng)絡模型中；5、設置學習率動態(tài)調(diào)整機制；6、設置早停機制；本發(fā)明保留UNet3+網(wǎng)絡特征融合能力的同時降低了網(wǎng)絡的復雜度，并引入注意力機制優(yōu)化模型性能，構(gòu)建了一個新的網(wǎng)絡模型，對比一些經(jīng)典網(wǎng)絡模型，訓練總用時更短，在低信噪比條件下能更加有效識別輻射源信號,可以適應復雜的電磁環(huán)境。

技術(shù)領(lǐng)域

本發(fā)明涉及電子對抗技術(shù)領(lǐng)域，具體涉及基于改進UNet3+網(wǎng)絡的雷達信號調(diào)制類型識別方法。

背景技術(shù)

輻射源信號識別是電子對抗偵察的一項重要內(nèi)容，識別敵方雷達信號，獲取戰(zhàn)場態(tài)勢信息，為戰(zhàn)役指揮決策和戰(zhàn)術(shù)打擊提供了重要的判斷依據(jù)。早期電磁環(huán)境相對簡單，信號調(diào)制類型相對較少，傳統(tǒng)的雷達輻射源識別方法往往需要人工提取特征，從時域、頻域等角度與雷達數(shù)據(jù)庫對比，能夠較為準確地識別雷達信號。研究人員利用條件證據(jù)理論，提出了一種融合先驗信息的雷達輻射源識別方法；也有人提出了基于小波網(wǎng)絡對不同脈沖重復間隔模式的雷達信號識別方法。這些方法能較為準確地識別不同類型的信號，識別速度相對較快，但是傳統(tǒng)的雷達輻射源識別方法的特征選擇依賴于人的專業(yè)知識，具有不完備性，且選取的特征大多數(shù)無法適應如今復雜的信號類型，識別能力較低。近年來，隨著新體制雷達的不斷增多，信號調(diào)制類型增加，給雷達輻射源識別帶來巨大的困難，如何在復雜的電磁環(huán)境中準確的識別信號成為亟待解決的問題。

隨著機器學習的快速發(fā)展，機器學習被廣泛應用于雷達信號識別領(lǐng)域。雖然有人利用修正的Rife算法得到較精確的載頻和頻率偏移量，但這兩個參量作為支持向量機的兩個特征向量，利用分類器識別出不同的輻射源個體。另有的研究人員提的一種向量神經(jīng)網(wǎng)絡并將其用于雷達輻射源識別，雖取得了很好的效果，然而機器學習在雷達輻射源型號識別中也存在一些問題：(1)對有交迭的不完整的數(shù)據(jù)，識別精度不高；(2)需要大量的訓練樣本才能具有較好的泛化能力。

深度學習（deep?learning，DL）作為機器學習中的分支，近年來在計算機視覺、智能控制、自然語言處理等領(lǐng)域廣泛應用，因其優(yōu)異性能，許多學者將其引入到電子對抗領(lǐng)域中來。使用主成分分析方法對雷達信號的偽WVD和CWD時頻圖像進行特征提取，并分別用多層感知機、徑向基函數(shù)神經(jīng)網(wǎng)絡、概率神經(jīng)網(wǎng)絡三種分類器對信號進行識別，但是在低信噪比條件下，部分信號的識別并不理想；利用AlexNet?網(wǎng)絡模型對信號的時頻圖進行分類識別，通過對信號轉(zhuǎn)化的二維圖像的識別，在識別精度上有所提升，但不適合樣本量較大的情況。

發(fā)明內(nèi)容

本發(fā)明的目的克服上述問題，而提供的基于改進UNet3+網(wǎng)絡的雷達信號調(diào)制類型識別方法。

1、基于改進UNet3+網(wǎng)絡的雷達信號調(diào)制類型識別方法，它包括：

一、數(shù)據(jù)預處理

1、將偵收設備偵收到的雷達輻射源信號進行采樣并截取固定長度，作為數(shù)據(jù)并打上標簽；

2、對數(shù)據(jù)的標簽進行獨熱編碼；

3、將讀取的數(shù)據(jù)按比例分為訓練集、驗證集、測試集，并使用隨機種子將其打亂；

二、神經(jīng)網(wǎng)絡提取特征

4、將處理好的數(shù)據(jù)輸入到改進的網(wǎng)絡模型中，優(yōu)化器采用Adam，損失函數(shù)采用交叉熵損失函數(shù)，設置初始學習率為0.0001，?最大訓練輪數(shù)為50輪；

5、設置學習率動態(tài)調(diào)整機制；

6、設置早停機制；

步驟4所述的網(wǎng)絡模型，包括：