[發(fā)明專利]一種基于自適應(yīng)海鳥算法的雷達信號開集識別方法

在審

• 申請?zhí)枺?/td>: 202310476478.0
• 申請日: 2023-04-27
• 公開（公告）號: CN116628471A
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計）人: 葉方;白能;馬靜;李超;張威;孫騫
• 申請（專利權(quán)）人: 哈爾濱工程大學(xué);北京仿真中心
• 主分類號: G06F18/213
• 分類號: G06F18/213;G01S13/88;G06F18/214;G06F18/24;G06N3/0442;G06N3/08
• 代理公司: 哈爾濱市陽光惠遠知識產(chǎn)權(quán)代理有限公司 23211
• 代理人: 姜明君

本申請公開了一種基于自適應(yīng)海鳥算法的雷達信號開集識別方法，屬于信號識別技術(shù)領(lǐng)域，通過樣本篩選算法篩選出可靠樣本構(gòu)建雷達信號樣本庫，基于雷達信號樣本庫構(gòu)建自適應(yīng)閾值，提高方法的識別率以及增強其普適性；同時設(shè)計自適應(yīng)海鳥算法對自適應(yīng)閾值權(quán)重尋優(yōu)，構(gòu)建探索方向因子，結(jié)合螺旋優(yōu)化搜索與直線優(yōu)化搜索，擴大搜索范圍以及加強搜索能力，加入隨迭代次數(shù)改變的自適應(yīng)權(quán)重與自適應(yīng)步長，平衡了全局搜索能力與局部搜索能力，提升了雷達信號開集識別方法的可靠性，進一步設(shè)計并訓(xùn)練LSTM網(wǎng)絡(luò)，對特征進行提取并得到嵌入向量，增強了網(wǎng)絡(luò)的泛化性和適應(yīng)性，提升了雷達信號開集識別方法準確性和普適性，有效提高未知信號識別的準確率。

技術(shù)領(lǐng)域

本申請涉及一種基于自適應(yīng)海鳥算法的雷達信號開集識別方法，屬于信號識別技術(shù)領(lǐng)域。

背景技術(shù)

傳統(tǒng)的基于深度神經(jīng)網(wǎng)絡(luò)的雷達信號識別方法大都是閉集識別，即假設(shè)可以獲得所有的訓(xùn)練數(shù)據(jù)，并且將全部數(shù)據(jù)用于訓(xùn)練，訓(xùn)練完成后得到用于任務(wù)的模型。但是隨著復(fù)雜調(diào)制類型的雷達信號逐漸增多，當(dāng)出現(xiàn)新的調(diào)制類型的雷達信號時，傳統(tǒng)的閉集識別的方法無法對新類型信號進行及時有效的判別。

度量學(xué)習(xí)依據(jù)特征嵌入空間中的樣本距離實現(xiàn)分類，增強了適應(yīng)性，但同類樣本特征不夠聚集，不同類樣本特征不夠分散，類別區(qū)分的界限模糊，且閾值的確定依賴于專家經(jīng)驗，存在可靠性差和識別效率低的問題。

張劭在《基于深度學(xué)習(xí)的未知調(diào)制類型的信號識》中基于度量學(xué)習(xí)的思想對未知信號進行識別，但其判別需要未知信號樣本的積累，且識別準確率低。林萬杰在論文《基于深度學(xué)習(xí)的未知輻射源個體識別的研究》中改進深度度量學(xué)習(xí)中的經(jīng)典算法Triplet?Loss解決輻射源個體識別中的未知判別問題，但其在距離判決時依據(jù)經(jīng)驗選取判決閾值，使得可靠性不夠以及不具備泛化性。

發(fā)明內(nèi)容

本申請的目的在于提供一種基于自適應(yīng)海鳥算法的雷達信號開集識別方法，解決低截獲概率雷達識別時，經(jīng)驗閾值選取不佳導(dǎo)致識別率低和泛化性差的問題，增強識別方法的可靠性、泛化性和適應(yīng)性，有效提高未知雷達信號識別的準確率。

為實現(xiàn)上述目的，本申請第一方面提供了一種基于自適應(yīng)海鳥算法的雷達信號開集識別方法，包括：

獲取訓(xùn)練集、驗證集和測試集，其中，所述訓(xùn)練集包括若干已知雷達信號，所述驗證集和所述測試集均包括若干未知雷達信號；

構(gòu)建LSTM網(wǎng)絡(luò)，基于所述訓(xùn)練集對所述LSTM網(wǎng)絡(luò)進行訓(xùn)練并得到特征提取網(wǎng)絡(luò)；

根據(jù)所述特征提取網(wǎng)絡(luò)分別獲取所述訓(xùn)練集和所述驗證集的嵌入向量，利用UMAP算法分別對所述訓(xùn)練集和所述驗證集的嵌入向量進行降維處理并得到相應(yīng)低維特征；

根據(jù)所述訓(xùn)練集的低維特征，利用基于距離的樣本篩選算法篩選出可靠樣本以構(gòu)建已知雷達信號樣本庫；

根據(jù)所述樣本庫和所述驗證集的低維特征，構(gòu)建用于未知雷達信號識別的自適應(yīng)閾值；

通過設(shè)計自適應(yīng)海鳥算法對所述自適應(yīng)閾值進行權(quán)重尋優(yōu)，結(jié)合螺旋優(yōu)化搜索與直線優(yōu)化搜索并設(shè)計自適應(yīng)權(quán)重與自適應(yīng)步長，同時引入探索方向因子進行迭代計算得到最優(yōu)權(quán)重；

根據(jù)所述特征提取網(wǎng)絡(luò)和基于所述最優(yōu)權(quán)重的自適應(yīng)閾值對所述測試集進行未知雷達信號的識別。

在一種實施方式中，所述基于所述訓(xùn)練集對所述LSTM網(wǎng)絡(luò)進行訓(xùn)練并得到特征提取網(wǎng)絡(luò)包括：

分別對所述訓(xùn)練集中的已知雷達信號和所述驗證集中的未知雷達信號做小波散射變換，得到訓(xùn)練集的散射特征和驗證集的散射特征；

將所述訓(xùn)練集的散射特征作為訓(xùn)練數(shù)據(jù)對所述LSTM網(wǎng)絡(luò)進行訓(xùn)練，得到所述特征提取網(wǎng)絡(luò)，其中，所述特征提取網(wǎng)絡(luò)包括輸入層、LSTM層、第一全連接層、第二全連接層和softmax層。