CN112560803A - 基于时频分析与机器学习的雷达信号调制识别方法 - Google Patents
基于时频分析与机器学习的雷达信号调制识别方法 Download PDFInfo
- Publication number
- CN112560803A CN112560803A CN202110092719.2A CN202110092719A CN112560803A CN 112560803 A CN112560803 A CN 112560803A CN 202110092719 A CN202110092719 A CN 202110092719A CN 112560803 A CN112560803 A CN 112560803A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- signal
- pulse
- signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种时频分析与机器学习相结合的雷达信号调制识别方法,属于雷达信号分选识别与机器学习技术领域。该方法包含:对脉冲流信号进行基于多相滤波结构的脉冲处理,估计脉冲载频与到达时间等参数;对提取的脉冲进行时频分析,并对获得的时频图像进行预处理;将预处理后的图像放入残差网络进行训练,对脉内调制方式进行初次识别;对不易识别的调制方式如多相码,再进行时频图特征提取;将提取得到的特征送入随机森林分类器,进行训练与测试;得到最终脉内调制方式识别结果。本发明在低信噪比情况下能对低截获概率雷达信号脉内调制方式进行准确识别,具有抗噪性好,正确识别率较高的特点,且对信号参数变化有较强适应能力,有一定的应用价值。
Description
技术领域
本发明属于雷达信号分选识别与机器学习技术领域,具体涉及一种时频分析与机器学习相结合的雷达信号调制识别方法。
背景技术
在现代化战争中,信息控制权已日益成为战场决胜的关键因素,就雷达电子侦察而言,作战部署依赖于对雷达辐射信号的捕获与信息获取。侦察***在对截获到的辐射源信号进行参数测量分析后,利用收集到的参数信息进行信号分选与识别,对敌方雷达的信息做出有效判断,并根据其调制方式等进行干扰。只有正确识别信号,才能获得主动权,对辐射源的脉内调制方式进行识别是电子对抗的基础。并且,随着无源检测***的发展,低截获概率雷达信号在信息战中的应用越来越广泛,电子战***也对快速有效地识别低截获概率雷达信号有了较强烈的需求。
由于低截获概率雷达信号具有参数变化快、调制方式多样的特点,在对低截获概率雷达信号调制方式进行识别时,一般采用对截获的信号进行特征提取的方法。提取的特征包括时域特征,频域特征,时频特征以及模糊函数主脊特征等。例如提取信号自相关运算后的香农熵、范数熵、奇异值熵;利用welch功率谱构建脉冲序列与正弦信号的相似系数;利用分数阶傅里叶变换提取不同信号在分数域中的差异;在频域去噪并预处理后,提取盒维数以及稀疏性作为特征参数等。
但为识别不同调制方式的信号,需要根据其调制特点进行恰当的特征选取,才能保证信号之间的差异被更好地表征。这也导致未知雷达信号调制识别较为复杂,因为对于未知信号需要提取大量特征才能确保其识别的准确性,不与其它相似的调制方式混淆。选择用于分类的特征与最终的正确识别率有较为密切的关系,若选择的特征在不同调制方式中的区分度不够,易导致信号调制方式出现正确识别率不高的情况。在得到信号特征之后,需对特征进行分类,而随着人工智能的发展,机器学习等方法开始广泛利用,如利用支持向量机,模糊C均值聚类,K近邻算法对提取得到的特征进行分类。这使得雷达信号脉内调制识别得到了较好的效果,但正确识别率仍在较大程度上取决于信号提取特征的效果。
为了降低提取多种特征的复杂度,并随着神经网络的发展,学者们考虑可以直接利用图像在神经网络内部进行特征提取与学习,以省去人工特征提取与筛选的步骤。在降低了操作复杂度的同时,由于机器学习会提取图像的高阶特征,也会相应地提高其正确识别率。而时频分析可以反映信号在时域与频域上的联合分布情况,因此,利用截获信号的时频图放入神经网络进行识别能获得较好的效果。但直接利用神经网络进行时频图分类的正确率与时频图质量有关,若时频图的效果不好或两种调制方式的时频图较为相近则会影响神经网络的学习效果,降低正确识别率。
综上,两方法均存在不足之处,若只考虑特征提取会在特征选取不恰当时影响到正确识别率,而只利用时频图进行神经网络调制识别也会因部分信号时频图相似影响正确识别率。本发明对低截获概率雷达信号调制识别提出了一种有效的方法,通过Choi-Williams分布进行时频分析获得时频图后利用残差网络进行初步分类,再对时频图较为相似的信号进行特征提取,对提取的特征利用随机森林进行分类。实验证明,该方法对常用的低截获概率雷达信号调制方式有较好的识别效果。
发明内容
本发明的目的是对常用低截获概率雷达信号脉内调制进行识别,在信噪比较低的情况下也能获得较高的正确识别率。因此,提出了时频分析与机器学习相结合的脉内调制识别方法。
为实现上述发明目的,本发明的具体内容包括:
A)从获得的脉冲流中基于多相滤波结构提取脉冲信号的到达时间与载频;
B)根据接收***灵敏度判断是否采用采样平均技术对信号进行处理以降低计算量;
C)利用Choi-Williams时频分析获得低截获概率雷达信号的时频图像;
D)利用残差网络对时频图像进行分类;
E)对分类为多相码的信号进行特征提取;
F)针对特征参数集,利用随机森林分类器对多相码信号进行识别。
其具体步骤如下:
步骤1:对截获的脉冲流信号,基于多相滤波结构对信号脉冲进行参数提取。利用自相关累积与中值滤波提升信号的信噪比,降低信号脉冲参数提取的误差。对信道判决后的脉冲信号进行载频、到达时间与脉宽的估计。由于自相关累积会导致脉冲的展宽,信道判决后对得到的脉冲进行前后沿的修正。之后对脉冲前后沿利用一阶相位差法对载频进行估计,并根据修正后的包络起止时间获得到达时间与脉宽参数。
步骤2:在获得信号载频与采样频率之间的关系后,对其是否需要采用采样平均技术的进行判断。若***灵敏度高,则需要对信号采用采样平均技术以降低其计算量。采样平均技术能使得信号获得信噪比上的提高,获得较好的图像质量,从而提高脉内调制特征的正确识别率。
步骤3:经过判断后,根据采样平均技术使用与否进行对信号进行相应处理,并对处理后的信号进行Choi-Williams时频分析,得到时频图像。对图像进行预处理:经过双三次线性插值改变图像的大小,并通过全局阈值法对信号进行二值化,对二值化后图像进行形态学去噪,以提高图像质量。
步骤4:构建残差网络对预处理后得到的时频图像进行学习训练;利用常用的低截获概率雷达信号的时频图进行训练,包括11种常见的低截获概率雷达信号,线性调频信号、跳频信号、多相码信号以及多时码信号(LFM、Costas、Frank、P1、P2、P3、P4、T1、T2、T3、T4)与一种常用信号形式(BPSK)共12种信号。保存训练后的网络用来进行后续测试。由于多相码信号的时频图差异不够明显,导致用残差网络分类时多相码的正确识别率不高。在分类识别时将多相码合并为一类信号,即残差网络共对9类信号进行分类识别,分别为LFM、Costas、Frank、P、T1、T2、T3、T4、BPSK。
步骤5:对识别为多相码的时频图像进行特征提取,主要提取的特征为以下三个部分,一是对多相码时频图中阶梯状以及线状特征进行详细区分,具体特征包括连通域个数,连通域宽度标准差,提取骨架后序列的随机性等;二是斜率的区分,如连通域的倾斜角;三则是模式识别中常用到的伪Zernike矩。
步骤6:在获得特征参数后,组成特征向量集,送入随机森林分类器中进行训练,获得并保存训练好的随机森林结构。在此基础上,对识别分选为多相码的信号进一步分类,得到五种不同多相码调制方式的正确识别率。
由于采用上述技术方案,本发明具有如下有益效果:
本发明针对低信噪比条件下低截获概率雷达信号调制识别算法识别率低特别是多相码识别率低且复杂度高的问题,基于时频图的残差网络与时频图特征提取的方法,先利用残差网络对雷达信号的时频图进行初分类,再对识别为多相码的信号进行特征提取,并利用随机森林分类器进行分类识别。能够有效地在低信噪比情况下对12种雷达信号实现分选识别。仿真结果表明,当信噪比为0dB时,对12种信号(LFM、Costas、Frank、P1、P2、P3、P4、T1、T2、T3、T4、BPSK)正确识别率达到95.3%,抗噪性能好,对信号参数变化有较强的适应能力,对低截获概率雷达信号的调制方式有着较好的正确识别率。
附图说明
图1为本发明的实现流程图
图2为基于多相滤波结构的脉冲参数获取流程图
图3为基于多相滤波结构的门限判决与信道判决结果图
图4为不同信噪比下脉冲信号参数估计均方根误差曲线图
图5为使用采样平均技术后信号时频对比图
图6为信噪比为10dB时低截获概率雷达信号的Choi-Williams时频图
图7为经过预处理后的信号时频图的示意图
图8为不同信噪比下12种信号的正确识别率图
图9为对多相码进行识别时仅使用残差网络和利用特征提取与随机森林的结果示意图
图10为提取不同参数时多相码正确识别率的对比示意图
具体实施方式
下面结合附图、实施例对本发明作进一步详细的描述。
针对低截获概率雷达信号在低信噪比情况下正确识别率不高,本发明实施例中,参照图1,提供了一种基于时频分析与机器学习的方法,具体步骤如下:
步骤1:对截获的脉冲流信号,基于多相滤波结构对信号脉冲进行参数提取;
由于低截获概率脉冲雷达信号需要依靠宽带接收机截获,数字信道化接收机是使用最为广泛的宽带接收机,其基本结构为多相滤波结构。若需对脉冲流信号进行脉冲参数提取,其具体的处理过程如图2所示。对经过多相滤波结构得到的不同子信道信号进行自相关累积以及自适应门限设置,以提高信号的信噪比。在得到每一个子信道的门限判决包络后,根据相邻信道的包络进行信道判决,以确定脉冲所在的真实信道,再对得到的真实脉冲进行载频与到达时间的估计。
步骤1.1:对经过多相滤波后的信号进行自相关累积;
信道化后子信道的输出信号为:
对该信号做N点自相关:
输出信噪比SNR2和进行自相关之前的信噪比SNR1的关系为:
自相关积累提升了输出信噪比,且与自相关点数N有关,N越大,信噪比提升越大。
步骤1.2:自相关累积后对信号进行中值滤波及自适应门限确定;
对子信道接收到的信号序列xij(i为子信道数即i=1,2,...,K/2,j为信号序列长度)进行中值滤波处理,即进行从小到大的排序。排序后得到序列xnj,序列中每一列均为原信号列的重新排列,存在信号的信道因幅度更大而排到后面。当n=1,2,...,K/4时,一般为无信号的序列。对这些数据求均值作为自适应门限的噪底μ。
检测门限VT即可计算得到,为:
步骤1.3:对得到的脉冲包络进行信道判决;
对信道化后得到的子信道数据进行CORDIC算法的求幅与求相,对幅度Ak进行自适应门限检测,提取信号脉冲。对相位进行差分测频,得到脉冲前沿对应的频率,若频率ω属于区间[-π/2,π/2],则生成测频有效标志。在此基础上,对相邻的两个均存在脉冲包络的信道进行幅度比较,幅度较大的信道则为信号所在的真实信道。图3为脉冲流信号经过门限判决与信道判决后的结果图。
步骤1.4:判决后对脉冲参数进行估计;
采用相位差分时域测量法对脉冲信号进行频率估计。根据CORDIC算法获得脉冲前后沿的瞬时相位值,进行差分求得频率,为提高估计准确性,计算其N点相位差再平均。
对信道判决后获得的脉冲包络前后沿根据自相关累加点数进行修正,根据包络的起止时间对到达时间与脉宽进行估计。
实施例中,图4为参数估计的均方根误差与信噪比的曲线图,其中图4(a)为150MHz载频下的频率估计均方根误差曲线,对比了2阶、4阶、8阶相位差分测频与频域FFT测频结果。FFT测频相较于相位差分测频具有更低的均方误差,体现了其在低信噪比情况下测频性能相较于时域差分测频的优越性。且FFT测频时均方根误差变化均是其对应频域分辨率的整数倍。FFT测频与相位差分测频的均方根误差相比大约在0.7MHz左右,两者的误差相差不大。但相位差分算法实时性更佳。图4(b)为脉宽16μs,到达时间10μs,脉冲重复间隔33μs的两个脉冲的到达时间与脉宽的均方根误差曲线。脉冲宽度和到达时间均方根误差,均随信噪比的增大而减小。当输入信噪比大于-6dB时,到达时间的均方误差将小于1μs,拥有较为准确的参数估计效果。
步骤2:判断提取的脉冲信号是否需要进行采样平均处理;
当截获接收机灵敏度高时,采样点数会大大增加。通过对信号按采样点数分成多个组,在每一组中对信号进行平均的技术可减少计算量。其判断条件为真实采样点数与最大可观测频率对应采样点数的关系。接收机最大可观察频率为fmax=(fI+Bs/2),Bs为接收机带通滤波器的带宽。
N1为最大观测频率对应的采样点数,Nc为载波频率所对应的每个周期的采样点数。在Na,Nc较大时,相邻采样点之间的相位差异很小,直接相加并取平均不会产生大的误差。在Nc≥4时,对信噪比产生的影响在1dB以下。接收到信号y(k)与进行采样平均处理后得到的信号ya(n)的关系为:
实施例中,在Nc=4,Na=10,信噪比为-6dB时,分别对是否采用采样平均技术这两种情况,进行了时频分析,得到附图5。采用了采样平均技术得到的时频图背景噪声要远远小于未采用采样平均技术得到的时频图,时频图效果更优越。
步骤3:对信号进行时频分析获取其对应时频图并进行预处理;
根据Choi-Williams分布的交叉项干扰小及时频分辨率较高的特点,对提取的脉内信号进行时频分析,获取相应时频图进行图像预处理及后续分类识别。
步骤3.1:利用Choi-Williams分布进行时频分析。
Choi-Williams分布定义为:
WN(τ)和WM(μ)分别为范围在-N/2≤τ≤N/2和-M/2≤τ≤M/2取1的矩形窗。M与N的大小分别与时间分辨率和频率分辨率相关。
实施例中对12种信号进行了时频分析,图6给出了11种低截获概率雷达信号与1种常用信号在信噪比为10dB时的CWD时频图。12种信号分别为:线性调频信号(LFM)、Costas跳频信号、多相码信号(Frank、P1、P2、P3、P4)、多时码信号(T1、T2、T3、T4)、二相编码信号(BPSK)。由图6可见除多相码信号时频图中线性与阶梯状在低信噪比时不易区分,剩余信号的时频图差异较为明显。
步骤3.2:对获得的时频图进行预处理去噪
低信噪比时,时频图效果较差,通过二值化,形态学去噪等对时频图进行预处理,提高时频图效果。使用全局阈值法对时频图进行二值化:将图像灰度值归一化到[0,1]的范围中,得到新的归一化灰度值H(x,y);根据H(x,y)的最大与最小值的平均值设定初始阈值T;将H划分为大于T和小于等于T的两部分H1和H2,分别计算两组的均值;对两组的均值求平均,将这个值设置为新的阈值T;计算新得到的阈值与前一个阈值的差,当两者之间的差小于自己设定的门限(0.001)时,就将最新的阈值设定为最终阈值,否则重复前面两步来不断更新阈值;对灰度值H进行判断,当其大于最终阈值时置1,否则设为0;
对二值化后得到的二值图像进行进一步的噪声点以及线噪声处理。利用3*3的结构元进行开操作处理,去除大部分噪声。
实施例中,图7为信噪比为-6dB时的P4码图像预处理示意图,包括原始时频图、二值化后时频图及形态学去噪后示意图。预处理后的时频图中,已经去除了大部分线噪声,但由于结构元尺寸的关系,对于部分面积较大的点噪声不能完全去除。总体来看,时频图预处理得到了良好的效果。
步骤4:构建残差网络ResNet18对预处理后得到的时频图像进行学习训练;
将五类多相码信号合为一类信号参与训练,从-6dB至10dB,每2dB下每类信号采用210张时频图参与训练,获得训练完成的残差网络。
步骤5:对多相码时频图进行特征提取;
对残差网络识别为多相码的信号进行进一步的时频图像特征提取,以获得较高的多相码信号正确识别率。
a)对连通域计数:Frank与P3有两条脊线,P1与P4有一条脊线,而Costas跳频信号则根据其跳频序列的设置,拥有很多条脊线。这可以在一定程度上对多相码信号进行区分。但由于存在噪声干扰,可能引起连通域数量统计错误。为了尽可能去除噪声的干扰,统计去除连通域大小小于最大连通域10%后的连通域个数。
b)计算连通域宽度标准差:对连通域大小大于最大连通域20%的连通域连通域进行主成分分析得到旋转角;将该连通域按旋转角进行旋转,即可得到主分量垂直于原x轴的图像G(x,y);对G的每一行相加,得到每一行有多少个像素的宽度,并进行归一化得到r(x);计算r(x)的标准差并计算均值;
c)估计连通域旋转角度:取时频图像中最大连通域对其进行主成分分析,获得连通域的主向量,计算主向量与水平轴的夹角,记为θmax。
d)提取连通域骨架:通过对连通域的骨架进行提取,保留其原本趋势与特点,如线状与阶梯状的连通域差别。A为原始图像,B为结构元,对原图像A利用结构元B进行腐蚀,经过K+1次腐蚀,B将A腐蚀为空集,将前K次A经过B腐蚀的结果减去其与B开操作的结果取并集得到骨架。
e)获取序列Kn:在获得骨架的基础上,通过线性回归方法利用骨架点的坐标获取一条拟合直线,将每一点的横坐标对应于拟合直线上的纵坐标减去对应于骨架上的纵坐标,得到序列Kn,即可利用该序列的数学特征量化信号的骨架特点。
Kn=[y1-p(x1),y2-p(x2)...yn-p(xn)] (17)
f)计算序列Kn的标准差:序列随机性越大,其无序性高,标准差增大。阶梯状脊线与线性脊线相比,更具有规律性。标准差的公式为:
g)计算序列Kn的自相关参数:通过计算该序列的自相关函数,获得序列隐含的周期性规律,自相关函数的公式为:
xcorr(n)=∑iKn(i)Kn(i-m),m=0,1...,N-1 (19)
h)计算图像伪Zernike矩特征:Zernike矩是一个复数正交矩。Zernike矩是基于Zernike多项式的正交化函数,具有图像旋转不变性和优异的抗噪性,并且能够构造任意高阶矩,因此它被广泛应用于目标识别。对于图像A,设其像素点为A(x,y)。
图像质心为:
mpq=∑x∑yA(x,y)xpyq (20)
平移缩放不变中心为:
频移缩放不变矩为:
伪Zernike矩为:
其中,k=(n-s-m)/2,d=(n-s-m-1)/2,同时
步骤6:根据步骤5中提取得到的参数,组成特征参数集,送入随机森林分类器进行分类,且随机森林共使用了500棵树。
综上,通过多相滤波结构对脉冲流信号进行到达时间与载频参数的估计,提取脉冲信号;根据载频与采样频率的关系,对脉冲信号是否利用采样平均技术进行判断;对处理后的信号进行CWD时频分析,获得时频图像并进行预处理;利用预处理后的时频图像训练ResNet18神经网络,对12种低截获概率雷达信号进行初步分类,将五种易混淆的多相码判定为一类信号;对判定为多相码的时频图进行多项特征提取;最后将获得的特征组成特征参数集送入随机森林分类器对五种多相码进行进一步分类。
为了验证本发明的效果,通过以下仿真实验数据进一步说明:
a)仿真参数与仿真条件:对常用的11种低截获概率雷达信号及常用的二相编码信号进行分选识别,分别为线性调频信号(LFM)、Costas跳频信号、多相码信号(Frank、P1、P2、P3、P4)、多时码信号(T1、T2、T3、T4)及二相编码信号(BPSK)。为方便描述,以均匀分布函数U(·)和采样频率fs表示出参数范围。同时,为计算简单,计算量适中,采样频率fs设置为64MHz。详细的仿真参数如表1所示。
表1信号仿真参数设置
根据表中参数,对12种调制方式的低截获概率雷达信号进行仿真分析,信噪比从-6dB到10dB,中间间隔为2dB,信号采用加性高斯白噪声。每种信号在每一信噪比条件下生成300个信号,共2700个信号,因此,总共产生了32400个信号。对于ResNet网络训练阶段,将训练信号集分为两组:训练集为70%(即22680),而验证集为30%(即9720)。验证集用于估计训练阶段的泛化误差,可以相应地更新超参数。选用该信噪比范围的原因是,在训练时若信噪比太低,噪声会淹没掉信号图像,使用此效果不佳的时频图进行训练,会使得网络的训练效果变差,从而影响到识别正确率的大小。针对12种LPI雷达波形,从-6dB至10dB信噪比,以2dB为步长,创建40个测试信号,测试其分选识别正确率。随机森林的棵树为500棵,每次将训练与验证重复10遍,选择效果最好的一次作为分类结果,并保留其训练得到的模型用于测试。
b)仿真1,通过上述仿真条件,进行正确识别率测试,获得结果如附图8所示,除多相码外的信号由于时频图差异较大在-6dB及以上时均可在ResNet网络下获得95%以上的正确识别率。五类多相码信号在0dB时,除P1与P4码外,正确识别率均可达到90%,12类信号在0dB下的正确识别率可达到95.3%。说明本方法在低信噪比情况下也具有较好的分类识别效果。残差网络的训练参数如表2所示。
表2残差网络训练参数
参数 | 数值 |
Network | ResNet |
Use Pretrained | True |
Batch Size | 16 |
Epoch | 50 |
Learning Rate | 0.001 |
Optimizer | SGD(0.9) |
c)仿真2,对比了利用残差网络直接对多相码进行分类和提取特征之后利用随机森林进行分类的两种方法。采用残差网络与特征提取相结合的方法,也是因为考虑到多相码时频图特征不明显,在信噪比较低的情况下不易分辨。此方法会耗费相对较多的时间,但仿真验证了该方法相较于直接使用残差网络对多相码分类,正确率具有一定的提升。图9(a)(b)分别为仅使用残差网络对多相码进行分类时正确识别率和损失函数与信噪比的关系。图9(c)对两种方法进行了正确识别率对比,可以看出两种方法在2dB以上时正确识别率相差不大,说明低信噪比时仅使用残差网络进行多相码识别会因为图像质量的原因导致正确率降低。噪声会影响到ResNet网络的训练效果。这也证明了对多相码信号时频图进行特征提取的必要性。图9(d)与图9(e)为0dB时,两种方法得到的多相码识别混淆矩阵。
d)仿真3,对比了提取不同参数时对多相码正确识别率的影响。具体结果如附图10所示,图示中用于对比的文献[7]与文献[14]提取了不同的特征参数。文献[14]采用的是纹理特征,SVD熵,Zernike矩,灰度共生矩阵等普通的图片特征,文献[7]针对多相码时频图中阶梯状与线状的特性进行了参数提取。但它的特征是基于伪Wigner分布频谱,利用自适应窗来对瞬时频率进行估计,以获得阶梯状和线状特征。由图可见,文献[7]提取特征的效果在SNR较大时与本文正确识别率十分接近,但SNR较低时效果不好。经过分析,在低信噪比情况下,对瞬时频率的估计可能会产生较大误差,从而影响到阶梯状与线状的形态学特征提取。而文献[14]提取的特征识别效果最不理想,不能很好地识别多相码信号。
综上,本发明能通过残差网络与特征提取相结合的方式,在较低的信噪比下对低截获概率雷达信号调制方式进行识别,并具有较高的正确识别率。
Claims (7)
1.一种基于时频分析与机器学习相结合的雷达信号调制识别方法,其特征包括:
A)从获得的脉冲流中基于多相滤波结构提取脉冲信号的到达时间与载频;
B)根据接收***灵敏度判断是否采用采样平均技术对信号进行处理以降低计算量;
C)利用Choi-Williams时频分析获得低截获概率雷达信号的时频图像;
D)利用残差网络对时频图像进行分类;
E)对分类为多相码的信号进行特征提取;
F)针对特征参数集,利用随机森林分类器对多相码信号进行识别。
2.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法,其特征在于A)对脉冲流信号进行脉冲参数估计与脉冲提取时,考虑到低截获概率雷达信号大时宽带宽特性选用了多相滤波结构对脉冲流信号进行处理,经过自相关积累,采用中值滤波思想的自适应门限设置,门限判决与信道判决后,得到脉冲包络;通过瞬时相位差分法进行脉冲前后沿的测频,并对脉冲包络根据自相关累积点数进行修正,获得对应的到达时间等参数。
3.根据权利要求1所述的基于时频分析与机器学***均做判断,当截获接收机灵敏度高时,对应的采样频率较高,导致采样点数过大从而影响后续时频分析的效率,增加运算复杂度。通过对采样点分组求平均的方法可以在信噪比损失不大的情况下,降低时间复杂度,并提升时频图效果。
4.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法,其特征在于C)对处理后的信号进行Choi-Williams时频分析,得到时频图像。对图像进行预处理:经过双三次线性插值改变图像的大小,并通过全局阈值法对信号进行二值化,对二值化后图像进行形态学去噪,提高了图像质量。
5.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法,其特征在于D)利用常用的低截获概率雷达信号的时频图对残差网络进行训练,从而进行初次调制方式识别,除多相码信号时频图差异较大,通过残差网络的学习,可获得较高的正确识别率,且对于一定范围内的参数变动均适用。
6.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法,其特征在于E)中根据多相码连通域数量特点,提取了连通域个数,标准差等参数对图像的形态特征进行了提取;并根据多相码时频图间线状与阶梯状的特点,通过提取骨架并构建拟合直线获取两者差值序列,对线状与阶梯状特点进行量化;通过差值序列的标准差,周期性表征形态上的差异;再对时频图像提取模式识别中常用的高阶伪Zernike矩特征对图像细节进行表征。
7.根据权利要求1所述的基于时频分析与机器学习相结合的雷达信号调制识别方法,其特征在于F)中在获得特征参数后,组成特征向量集,送入由500棵树组成的随机森林分类器中进行训练,获得并保存训练好的随机森林结构;对识别分选为多相码的信号进一步分类,得到五种不同多相码调制方式的正确识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092719.2A CN112560803A (zh) | 2021-01-22 | 2021-01-22 | 基于时频分析与机器学习的雷达信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092719.2A CN112560803A (zh) | 2021-01-22 | 2021-01-22 | 基于时频分析与机器学习的雷达信号调制识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560803A true CN112560803A (zh) | 2021-03-26 |
Family
ID=75035761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110092719.2A Pending CN112560803A (zh) | 2021-01-22 | 2021-01-22 | 基于时频分析与机器学习的雷达信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560803A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297969A (zh) * | 2021-05-25 | 2021-08-24 | 中国人民解放军海军航空大学航空基础学院 | 一种雷达波形识别方法及*** |
CN113343868A (zh) * | 2021-06-15 | 2021-09-03 | 四川九洲电器集团有限责任公司 | 一种辐射源个体识别方法及装置、终端、存储介质 |
CN113406672A (zh) * | 2021-06-17 | 2021-09-17 | 哈尔滨工程大学 | 一种基于自适应加窗的分段线性调频干扰消除方法 |
CN113572568A (zh) * | 2021-08-17 | 2021-10-29 | 中国空间技术研究院 | 低截获波形生成方法 |
CN114095102A (zh) * | 2021-11-18 | 2022-02-25 | 西京学院 | 一种基于时频分析的无人机遥控信号识别方法 |
CN114114227A (zh) * | 2022-01-27 | 2022-03-01 | 安徽京淮健锐电子科技有限公司 | 基于双通道异构融合网络的雷达信号调制类型识别方法 |
CN114710215A (zh) * | 2022-04-08 | 2022-07-05 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
CN114900399A (zh) * | 2022-05-09 | 2022-08-12 | 中山大学 | 一种基于深度学习相位差相关信号检测方法和*** |
CN115980733A (zh) * | 2023-02-15 | 2023-04-18 | 中国人民武装警察部队工程大学 | 一种基于涡旋电磁波雷达的加速运动目标参数估计方法 |
US20230136937A1 (en) * | 2021-10-29 | 2023-05-04 | Wistron Corporation | Data pre-processing method and exercise vital sign detection radar |
-
2021
- 2021-01-22 CN CN202110092719.2A patent/CN112560803A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297969A (zh) * | 2021-05-25 | 2021-08-24 | 中国人民解放军海军航空大学航空基础学院 | 一种雷达波形识别方法及*** |
CN113297969B (zh) * | 2021-05-25 | 2022-11-18 | 中国人民解放军海军航空大学 | 一种雷达波形识别方法及*** |
CN113343868A (zh) * | 2021-06-15 | 2021-09-03 | 四川九洲电器集团有限责任公司 | 一种辐射源个体识别方法及装置、终端、存储介质 |
CN113406672A (zh) * | 2021-06-17 | 2021-09-17 | 哈尔滨工程大学 | 一种基于自适应加窗的分段线性调频干扰消除方法 |
CN113572568A (zh) * | 2021-08-17 | 2021-10-29 | 中国空间技术研究院 | 低截获波形生成方法 |
CN113572568B (zh) * | 2021-08-17 | 2024-05-28 | 中国空间技术研究院 | 低截获波形生成方法 |
US20230136937A1 (en) * | 2021-10-29 | 2023-05-04 | Wistron Corporation | Data pre-processing method and exercise vital sign detection radar |
CN114095102A (zh) * | 2021-11-18 | 2022-02-25 | 西京学院 | 一种基于时频分析的无人机遥控信号识别方法 |
CN114095102B (zh) * | 2021-11-18 | 2023-12-29 | 西京学院 | 一种基于时频分析的无人机遥控信号识别方法 |
CN114114227A (zh) * | 2022-01-27 | 2022-03-01 | 安徽京淮健锐电子科技有限公司 | 基于双通道异构融合网络的雷达信号调制类型识别方法 |
CN114114227B (zh) * | 2022-01-27 | 2022-05-31 | 安徽京淮健锐电子科技有限公司 | 基于双通道异构融合网络的雷达信号调制类型识别方法 |
CN114710215A (zh) * | 2022-04-08 | 2022-07-05 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
CN114710215B (zh) * | 2022-04-08 | 2024-02-02 | 郑州大学 | 一种跳频信号快速盲检测的方法 |
CN114900399A (zh) * | 2022-05-09 | 2022-08-12 | 中山大学 | 一种基于深度学习相位差相关信号检测方法和*** |
CN115980733B (zh) * | 2023-02-15 | 2023-05-23 | 中国人民武装警察部队工程大学 | 一种基于涡旋电磁波雷达的加速运动目标参数估计方法 |
CN115980733A (zh) * | 2023-02-15 | 2023-04-18 | 中国人民武装警察部队工程大学 | 一种基于涡旋电磁波雷达的加速运动目标参数估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN108600135B (zh) | 一种信号调制方式的识别方法 | |
CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
CN108919203B (zh) | 一种雷达有源干扰的识别方法及*** | |
CN109726649B (zh) | 遥感影像云检测方法、***及电子设备 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN114355298B (zh) | 一种雷达复合调制脉冲信号识别方法 | |
CN101482969A (zh) | 基于同质点计算的sar图像去斑方法 | |
Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN110147716A (zh) | 一种基于频域与空域相结合的sar图像内波区域检测方法 | |
CN114282576A (zh) | 基于时频分析及去噪的雷达信号调制格式识别方法及装置 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
CN113297969B (zh) | 一种雷达波形识别方法及*** | |
CN114710215A (zh) | 一种跳频信号快速盲检测的方法 | |
CN112213698B (zh) | 一种基于稀疏表示分类的欺骗干扰识别方法 | |
CN115169406A (zh) | 基于经验模态分解的瞬时相位指纹特征增强方法 | |
CN114580476A (zh) | 一种无人机信号的识别模型构建方法及相应识别方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |