[發明專利]一種基于深度學習的輻射源信號多模型綜合分類方法

在審

• 申請號: 202110751828.0
• 申請日: 2021-07-02
• 公開（公告）號: CN113361639A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 王佳銘;洪鼎;趙興海;臧勤
• 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: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于深度學習的輻射源信號多模型綜合分類方法，根據獲取的多種雷達輻射源信號的PDW數據，通過數據清洗與歸一化、無監督聚類和神經網絡學習等步驟，實現輻射源雷達信號類型的智能識別。通過構建基于深度卷積神經網絡、長短時記憶網絡的綜合模型，本發明可以適應各種復雜雷達輻射源信號，實現輻射源信號類型的高精度、智能化的識別，同時模型具備自我優化，多場景泛化的能力。

技術領域

本發明屬于被動探測領域數據處理領域，涉及PDW數據預處理和人工智能分析技術，可應用于輻射源雷達信號的智能分析識別。

背景技術

雷達信號分選是雷達對抗偵察信號處理的重要內容之一，也是進行雷達特征提取、識別以及威脅評估的前提和基礎。雷達對抗偵察接收機輸出到信號處理系統的是密集交疊的脈沖流(即全脈沖，每個脈沖以脈沖描述字PDW的形式表示)。信號分選就是從這種隨機交疊的脈沖流中分離出每一部雷達脈沖列的過程。信號分選是利用同一部雷達信號參數的相關性和不同雷達信號參數的差異性來實現的，通常可用于分選的特征參數包括瞬時參數和二次參數，瞬時參數是通過一次測量就能獲取的參數,包括信號到達方向(DOA)、脈沖到達時間(TOA)、載頻(RF)、脈沖幅度(PA)、脈沖寬度(PW)等；二次參數是經多次測量之后才能獲取的參數，包括脈沖重復間隔(PRI)、天線掃描周期(ASP)等。

傳統信號分選算法如擴展關聯法，差直方圖法，PRI變換法，TOA折疊分選法，都針對一種或幾種信號特征進行分析，產生分選結果后多通過與已知數據比對的方式來確定信號源類別，這種方法存在諸多局限：首先，不同雷達的信號參數會存在不同程度的重疊，需要綜合分析才能加以區分；其二，傳統算法針對每一個應用場景都需要反復調參，泛化性能薄弱；其三，同類的信號源設備在硬件條件上有差異，發射的信號參數也會有波動，給數據比對造成困難；最后，隨著數據庫的逐漸擴大，比對所需的硬件成本、時間成本也相應的提升。

發明內容

為了解決傳統方法存在的問題，本發明提出了一種基于深度學習的輻射源信號多模型綜合分類方法，包括以下4個步驟：

步驟1、通過批歸一化的方式將不同維度的特征變換至統一的尺度范圍內，避免數值過于懸殊導致網絡學習到錯誤的特征；

步驟2、通過無監督聚類的方法將不同輻射源雷達信號加以區分，同時進一步剔除錯誤數據；

步驟3、使用全連接神經網絡判定該信號是否有威脅，如無威脅，則直接輸出識別結果，如存在威脅信號，則進行步驟4進行進一步識別；

步驟4、將區分出的樣本逐個送入18層的殘差卷積神經網絡和長短時記憶網絡進行特征提取和分析，使用模型綜合方法集成兩個模型的輸出來識別輻射源雷達信號類型。

進一步的，所述步驟4中模型綜合方法包括：采用二次級集成法來綜合兩個模型的判定，以兩個模型輸出的分類置信度向量為輸入參數，再使用一個全連接網絡來綜合學習步驟4所述的兩個復雜模型之間的共性和差異，輸出最終的分類結果。

綜上，通過兩種算法的二次集成，本發明構建了一個輻射源雷達信號多模型綜合分類方法，在10分類的任務中達到了95％以上的識別精度，解決了傳統方法多維參數信息割裂、環境適應性差、抗干擾能力不足的缺點，同時具有模型優化能力強，泛用性好等特點。

附圖說明

圖1輻射源信號分類系統流程圖。

圖2殘差卷積神經網絡結構示意圖。

圖3深度全連接網絡結構示意圖。

圖4長短時記憶網絡結構示意圖。

具體實施方式

結合附圖及實施例對本發明作進一步的解釋說明。本發明提出的一種基于深度學習的輻射源信號多模型綜合分類方法，結合實施例對實現過程解釋如下：