CN112966544B - 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 - Google Patents
一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 Download PDFInfo
- Publication number
- CN112966544B CN112966544B CN202011593086.5A CN202011593086A CN112966544B CN 112966544 B CN112966544 B CN 112966544B CN 202011593086 A CN202011593086 A CN 202011593086A CN 112966544 B CN112966544 B CN 112966544B
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- sample
- value
- radiation source
- 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.)
- Active
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 16
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 229930194270 alpha-Vitamin Natural products 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000008485 antagonism Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001647769 Mirza Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法,包括以下步骤:步骤一、接收机接收到混叠信号,并对其分离,生成六种常见的雷达辐射源信号数据集,步骤二、信号预处理方法;步骤三,构建ICGAN,步骤四、构建深度残差网络(ResNet),步骤五、将测试集样本输入至上述ResNet,输出雷达辐射源信号分类的识别结果;本发明旨在样本数量不足情况下,提取不同种类雷达辐射源信号特征,并利用ICGAN扩充样本数量,再利用ResNet准确地实现雷达辐射源信号种类的判别;本发明方法不仅可解决样本数量不足的问题,还可提高不同种类雷达辐射源信号的识别率。
Description
技术领域
本发明属于数字通信技术领域,具体涉及一种采用ICGAN与ResNet网络的雷达辐射源信 号分类识别方法。
背景技术
作为电子技术侦察中的重要部分,雷达辐射源的识别一直是通信对抗领域的热门研究课 题。它的主要过程为:测量接收机收到的辐射源信号、对其进行分析处理、据已有的先验信 息识别雷达辐射源个体。传统的信号分析方法主要通过对脉宽、载频等常规参数的分析,再匹配相应的模板来实现,在当今雷达技术持续发展、电磁环境日益发展的局面下,它已经无 法实现较高的效率及准确度,从而远远地落后于识别的需求。经过国内外学者调查研究发现, 发射器内部器件具有其固有的非理想特性,这正是雷达辐射源个体之间存在差异的原因,由 于这种特性对信号的影响极其细微,所以又被称为辐射源指纹,辐射源的指纹识别指的就是通过分析这一细微规律,从而自动地识别雷达辐射源。无论在民用还是军事领域,雷达辐射 源信号的识别都是亟待解决的重要课题。
本发明方法涉及的主要现有技术如下:
1.ResNet结构
ResNet(Residual Neural Network)由微软研究院的Kaiming He等四名华人提出。ResNet 的结构可以加快神经网络的训练,并且提高了模型的准确率。ResNet在网络中加入了Highway Network思想,Highway Network思想是将前一层网络的输出按一定比例保留了一部分,然后 将保留的部分与当前层网络的输入合并,将合并后的数据作为下一层网络的输入,ResNet将 输入信息保留了一部分传到输出,保留了原始数据中的一部分信息,整个网络只需学习输入、 输出差别的部分,降低了学习的难度,并且解决了传统卷积网络在信息传递时存在的信息丢 失、损耗以及梯度消失等问题。ResNet网络原理与构建方法具体见“He K,Zhang X,Ren S,et al.Deep Residual Learning for Image Recognition[J].2015.”。
2.生成对抗网络
生成对抗网络(generative adversarial network,GAN)是由Goodfellow等人在2014年 提出的,它的思想是一种二人零和博弈思想,博弈双方的利益之和是一个常数,它主要由生 成网络G和判决网络D两部分组成。G是一个数据生成网络,它通过输入一个随机噪声z生 成数据样本,然后将生成的数据样本与真实数据进行比对,使得输出数据样本越来越接近于 真实数据,从而捕捉真实数据分布PG;D是一个二分类判决网络,它通过学习真实数据以及 G生成的虚假数据来判断一个样本是否来自与真实数据。生成对抗网络原理与构建方法具体 见“Goodfellow I J,Pouget-Abadie J,Mirza M,et al.GenerativeAdversarial Networks[J].Advances in Neural Information Processing Systems,2014, 3:2672-2680.”。
3.自编码器特征提取方法
自编码器以及稀疏自编码器是一种无监督的机器学习技术,利用神经网络产生的低维输 出来表征高维度空间中的输入数据。自编码器是一个输入和学习目标相同的神经网络,其结 构分为编码器和解码器两部分。给定输入空间和特征空间,自编码器求解两者的映射使输入特征的重建误差达成最小。稀疏自编码器原理与构建方法具体见“NgA.Sparse autoencoder[J].CS294A Lecture notes,2011,72(2011):1-19.”。
针对以上问题,故,有必要对其进行改进。
发明内容
本发明针对现有雷达辐射源识别技术的不足,提出一种采用ICGAN与ResNet网络的雷达 辐射源信号分类识别方法,本发明在样本相对缺失的情况下,精确地提取不同类型的雷达辐射 源信号特征并利用ICGAN扩充样本,再使用ResNet准确地实现雷达辐射源信号类型的判别。
为了达到以上目的,本发明所采用的技术方案是:一种采用ICGAN与ResNet网络的雷达 辐射源信号分类识别方法,包括以下步骤:
步骤1.1,接收机接收到的混叠信号,对其分离后,生成六种典型的雷达辐射源信号数 据集:常规脉冲信号、线性调频信号、二频频率编码信号、四频频率编码信号、二相编码信 号、四相编码信号;每组数据的样本数量相等。
步骤1.2,信号预处理步骤,按以下子步骤完成:
步骤1.2.1,将步骤1.1所得信号数据集,执行希尔伯特变换、及图像灰度化方法,得 到灰度共生矩阵;其中,灰度共生矩阵为复矩阵,维度为N×M,且N为自然数,表示为输入样本的个数;M为自然数,表示为向量维数;
步骤1.2.2,将步骤1.2.1所得的灰度共生矩阵,作为输入参数,输入到改良稀疏自编码器, 实现特征提取,得到特征矩阵;其中,特征矩阵为复矩阵,维度为N×M;
步骤1.3,样本数量扩充步骤,按以下子步骤完成:
步骤1.3.1,构建改进条件生成对抗网络;
步骤1.3.2,输入特征矩阵至ICGAN中进行训练,生成扩充样本;
步骤1.4,将扩充样本与原样本混合,以4:1的比例划分为训练集样本与测试集样本;
步骤1.5,基于ResNet进行雷达辐射源信号分类步骤,按以下子步骤完成:
步骤1.5.1,构建深度残差网络;
步骤1.5.2,对步骤1.4所得到的训练集样本输入到深度残差网络中进行迭代训练,直 至达到训练轮数,得到训练完毕的深度残差网络;
步骤1.5.3,将步骤1.4所得到的测试集样本输入到步骤1.5.2中训练好的深度残差网 络中,输出雷达辐射源信号分类的识别结果。
作为本发明的一种优选方案,在步骤1.3.1,步骤1.3.2中,改进条件生成对抗网络即 为ICGAN,ICGAN以传统的生成对抗网络(GAN)为基础,对判别网络的输入进行了修改;判别 网络的输入不仅为真实样本与真实标签,还将错误样本与错误标签同时作为输入参与到迭代 训练中。
作为本发明的一种优选方案,扩充常规脉冲信号,部分经过预处理的线性调频信号、二 频频率编码信号、四频频率编码信号、二相编码信号、四相编码信号特征矩阵将作为错误样 本与错误标签结合,与真实样本常规脉冲信号特征矩阵一同输入到判决网络。其目的是提高生成样本与其他类型的样本的区分度,使其更加逼近同一条件下的真实样本分布。
作为本发明的一种优选方案,ICGAN的基本结构与特征,采用的ICGAN由生成网络与判 决网络两部分构成,它们均由输入层、全连接层与输出层构成;生成网络的输入为a维噪声 数据,a为正整数,可取值为100等;经过b层BN层与c层全连接层以后生成α维样本数据,b、c皆为正整数,可取值为3等;α为正整数,可取值为784等;将β维真实样本与 1维真实标签输入到判决网络中,同时输入α维生成样本,γ维错误样本与1维错误标签; β、γ皆为正整数,为保证真实样本的数量,β约为γ的三倍,β可取值为784等;经过 b层Dropout层与c层全连接层输出判决结果;生成网络与判决网络中第一层与第二层采用 LeakyReLU为激活函数:
其中,x为神经元的输入,a为实数,可取值为0.01等;
第三层的激活函数设置为Sigmoid函数:
上式中,x为神经元的输入;
步骤2.2,本方法中ICGAN的生成网络与对抗网络的优化器均采用Adam优化器,损失函 数为交叉熵函数:
式中,n表示的是样本个数,y表示的是真实值,表示的是预测值;
实验中动量设置为m,m为实数,可取值为0.5等;学习率为l,l为实数,可取值为0.0015等;每批次样本数量n个,n为实数,可取值为24等;训练批次数为δ次,δ为正 整数,取值范围为1000至3000。每一批次的样本于生成网络与对抗网络中交替训练。
步骤1.5.1,步骤1.5.2中,ResNet网络的构建与训练方法,采用以下步骤完成:
步骤3.1,采用背景技术中ResNet的网络结构,设置1个全连接层、L个卷积层,L为正整数,可取值为15、17等。其中,第一层卷积核大小设置为N1*N1,第二层至第L层卷积 核大小设置为M1*M1;N1为正整数,可取值为5、6、7等;M1为正整数,可取值为2、3、4 等。将残差连接加入到两个卷积层之间。卷积层的激活函数,设置为ReLU函数:
f(x)=max(0,x) (4)
上式中,x为神经元的输入;
步骤3.2,设置ResNet网络训练的批量大小为m1,优化器选择为Adam优化器,学***均差函数:
式中,n表示的是样本个数,y表示的是真实值,表示的是预测值。
作为本发明的一种优选方案,所述步骤1.2.2中,所述改良稀疏自编码器,以传统的稀 疏自编码器为基础,于特征输出层前加设一个诱导判断层作为编码阶段的最后一层;其实现 方法为设置一阈值s,若特征输出层神经元的激活值高于s,则保留其输出值;若激活值低于 s,则将其输入下一神经元的值更改为0;此方法可以将代表性更强的特征于原始训练样本中 提取出来,同时有效地提升训练模型的稳定性。
本发明的有益效果是:对不同种类的雷达辐射信号进行特征提取后,分别通过改进条件 生成对抗网络,扩大了训练样本与测试样本的数量,有效地解决了样本数量不足的问题。本 发明使用的ResNet相对于传统的卷积神经网络,损失率更低,避免了由于极深度条件而造成的性能退化问题,有更加优越的分类效果。
附图说明
图1为本发明实施例流程图;
图2为生成对抗网络基本结构示意图;
图3为本发明实施例采用的改进条件生成网络基本结构示意图;
图4为本发明实施例采用的生成网络与判决网络基本结构示意图;
图5为本发明实施例训练ResNet网络的方法流程图;
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是 本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员 在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
为提高生成对抗网络样本生成的准确度,在此提出改进条件生成对抗网络(ICGAN)。ICGAN 以传统的生成对抗网络(GAN)为基础,对判别网络的输入进行了修改;判别网络的输入不仅为 真实样本与真实标签,还将错误样本与错误标签同时作为输入参与到迭代训练中。
本发明的目的是针对现有雷达辐射源识别技术的不足,在样本数量不足的情况下,精确 地提取不同种类的雷达辐射源信号特征并利用ICGAN扩充样本,再使用ResNet网络准确地实现雷达辐射源信号类型的判别。
(1)获得雷达辐射源数据集步骤
步骤1.1,将从接收机中获得的混叠信号进行分离,生成六种常见的雷达辐射源信号, 分别为常规脉冲信号、线性调频信号、二频频率编码信号、四频频率编码信号、二相编码信 号、四相编码信号,每组数据的样本数量相等。
(2)数据预处理步骤
步骤2.1,对六种不同种类的雷达辐射源信号s(t)执行预处理,作希尔伯特变换,获得 时频图Z(t,f)
步骤2.2,对信号的时频图进行图像图像灰度化处理,转化为灰度图像,得到灰度共生 矩阵。
步骤2.3,对灰度共生矩阵进行向量化操作,可以得到一个M维向量,设每种信号类型 有N个样本,则每组都会产生一个N*M的灰度共生矩阵。
步骤2.4,将所得到的灰度共生矩阵输入到改良稀疏自编码器中,得到由多个特征向量 组成的特征矩阵。
(3)扩充样本步骤
步骤3.1,构建改进条件生成对抗网络。
步骤3.2,如图4所示,本发明实例中使用的生成网络和判决网络均采用三层的全连接 层。为了防止过拟合,在生成网络中加入了BN层,它可以让每一层的训练都从相似的起点出 发,进而对特征进行拉伸,在输入层等价于数据增强。在判决网络中加入Dropout层,它通 过随机丢弃一些神经元从而避免模型过拟合,是深度学习网络中防止过拟合的常用手段。本 发明中的生成网络与判决网络中的优化器均采用Adam优化器。生成网络与判决网络中第一层 和第二层的激活函数为LeakyReLU函数:
其中,x为神经元的输入,在本实例中a取值为0.01。
最后一层的激活函数均采用Sigmoid函数:
上式中,x为神经元的输入。
步骤3.3,将六组特征矩阵分别输入到改进条件生成对抗网络中,生成对应的扩充样本, 增加可用的样本数量。其学习率设置为0.0015,动量为0.5,训练轮数为3000,损失函数均 为交叉熵函数,其表达式如下:
式中,n表示的是样本个数,y表示的是真实值,表示的是预测值。
步骤3.4,将步骤3.3所得样本以4:1比例,划分为训练集样本与测试集样本。
(4)基于ResNet实现分类识别步骤步骤
4.1,构建ResNet,其中包含:卷积层、池化层和全连接层。ResNet包含15个卷积层和 1个全连接层,第1层卷积层的卷积核大小为6×6,第2至15层卷积层的卷积核大小为2×2, 最后1层为全连接层,并使用softmax分类器作为该网络的输出层。学习率设置为0.02,批 量大小为50,优化器选择为Adam。设置卷积层的激活函数为ReLU函数,其数学表达式为:
f(x)=max(0,x) (5)
上式中x为神经元的输入,ReLU函数通过判断0和输入数据x中的最大值作为结果进行 输出,使用该激活函数的模型在计算过程中十分高效。
设置损失函数为均方平均差函数,其表达式如下所示:
式中,n表示的是样本个数,y表示的是真实值,表示的是预测值。
步骤4.2,将训练集输入至设置好参数的ResNet网络进行训练,直至达到设置的迭代次 数,得到训练好的ResNet网络。
步骤4.3,将测试集信号输入至训练好的ResNet网络中,得出雷达辐射源信号的类别, 即分类识别结果。
如图1所示,本发明实施例的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别 方法,主要通过以下步骤完成:步骤一、分离由接收机接收到的混叠信号,生成六种不同的 雷达辐射源信号数据集:常规脉冲信号、线性调频信号、二频频率编码信号、四频频率编码 信号、二相编码信号、四相编码信号;步骤二、信号预处理:对不同类型的信号作希尔伯特变换、图像灰度化处理得到灰度共生矩阵并输入到改良稀疏自编码器中进行特征提取,得到 特征矩阵;步骤三,构建改进条件生成对抗网络并将不同信号类型的特征矩阵分别输入到改 进条件生成对抗网络中进行样本数量扩充,得到样本数量扩充后的特征矩阵,在此基础上以 4:1的比例划分为训练集样本与测试集样本;步骤四、构建深度残差网络,将特征矩阵形式 的信号输入到深度残差网络中进行迭代训练,得到训练好的深度残差网络;步骤五、将测试集样本输入至训练完毕的深度残差网络,输出雷达辐射源信号分类的识别结果。
图3为改进条件生成对抗网络的基本结构。由图2与图3对比可得,ICGAN与GAN最大的区别是在判决网络的输入处添加了错误样本与错误标签的结合,加入此项后可以更好的区 分不同标签的样本,减少了不同标签样本数据之间的混叠现象。
图4为本方法采用的生成网络和判决网络结构实例图。网络结构如图4所示,生成网络 和判决网络均采用3层全连接层,将100维噪声与1维标签连接成101维数据输入到生成网 络中,通过3层全连接层和3层BN层后将维度转为784维生成样本,再将784维错误样本与 生成样本结合输入到对抗网络中,同时将真实样本与真实标签结合成785维数据输入到对抗 网络中。生成网络与判决网络中第一层和第二层的激活函数为LeakyReLU函数,最后一层的 激活函数均采用Sigmoid函数。
图5为卷积神经网络训练流程图。训练过程分为两个阶段:前向传播阶段和反向传播阶 段。前向传播阶段是将数据由低层次向高层次传播的过程;而反向传播阶段是将前向传播的 输出与预期输出的误差从高层次向低层次进行传播训练的过程。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发 明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调 整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括 更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法,其特征在于:包括以下步骤:
步骤1.1,接收机接收到的混叠信号,对其分离后,生成六种典型的雷达辐射源信号数据集:常规脉冲信号、线性调频信号、二频频率编码信号、四频频率编码信号、二相编码信号、四相编码信号;
步骤1.2,信号预处理步骤,按以下子步骤完成:
步骤1.2.1,将步骤1.1所得信号数据集,执行希尔伯特变换、及图像灰度化方法,得到灰度共生矩阵;其中,灰度共生矩阵为复矩阵,维度为N×M,且N为自然数,表示为输入样本的个数;M为自然数,表示为向量维数;
步骤1.2.2,将步骤1.2.1所得的灰度共生矩阵,作为输入参数,输入到改良稀疏自编码器,实现特征提取,得到特征矩阵;其中,特征矩阵为复矩阵,维度为N×M;
步骤1.3,样本数量扩充步骤,按以下子步骤完成:
步骤1.3.1,构建改进条件生成对抗网络;
步骤1.3.2,输入特征矩阵至ICGAN中进行训练,生成扩充样本;
步骤1.4,将扩充样本与原样本混合,以4:1的比例划分为训练集样本与测试集样本;
步骤1.5,基于ResNet进行雷达辐射源信号分类步骤,按以下子步骤完成:
步骤1.5.1,构建深度残差网络;
步骤1.5.2,对步骤1.4所得到的训练集样本输入到深度残差网络中进行迭代训练,直至达到训练轮数,得到训练完毕的深度残差网络;
步骤1.5.3,将步骤1.4所得到的测试集样本输入到步骤1.5.2中训练好的深度残差网络中,输出雷达辐射源信号分类的识别结果。
2.根据权利要求1所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法,其特征在于:所述步骤1.3.1,步骤1.3.2中,改进条件生成对抗网络即为ICGAN,ICGAN以传统的生成对抗网络GAN为基础,对判别网络的输入进行了修改;判别网络的输入不仅为真实样本与真实标签,还将错误样本与错误标签同时作为输入参与到迭代训练中。
3.根据权利要求2所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法,其特征在于:所述常规脉冲信号,部分经过预处理的线性调频信号、二频频率编码信号、四频频率编码信号、二相编码信号、四相编码信号特征矩阵将作为错误样本与错误标签结合,与真实样本常规脉冲信号特征矩阵一同输入到判决网络。
4.根据权利要求3所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法,其特征在于:所述ICGAN的基本结构与特征,采用的ICGAN由生成网络与判决网络两部分构成,它们均由输入层、全连接层与输出层构成;生成网络的输入为a维噪声数据,a为正整数,取值为100;经过b层BN层与c层全连接层以后生成α维样本数据,b、c皆为正整数,取值为3;α为正整数,取值为784;将β维真实样本与1维真实标签输入到判决网络中,同时输入α维生成样本,γ维错误样本与1维错误标签;β、γ皆为正整数,为保证真实样本的数量,β约为γ的三倍,β取值为784;经过b层Dropout层与c层全连接层输出判决结果;生成网络与判决网络中第一层与第二层采用LeakyReLU为激活函数:
其中,x为神经元的输入,a为实数;
第三层的激活函数设置为Sigmoid函数:
上式中,x为神经元的输入;
步骤2.2,本方法中ICGAN的生成网络与对抗网络的优化器均采用Adam优化器,损失函数为交叉熵函数:
式中,n表示的是样本个数,y表示的是真实值,表示的是预测值;
实验中动量设置为m,m为实数,取值为0.5;学习率为l,l为实数,取值为0.0015;每批次样本数量n个,n为实数,取值为24;训练批次数为δ次,δ为正整数,取值范围为1000至3000;每一批次的样本于生成网络与对抗网络中交替训练。
5.根据权利要求1所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法,其特征在于:所述步骤1.5.1,步骤1.5.2中,ResNet网络的构建与训练方法,采用以下步骤完成:
步骤3.1,采用背景技术中ResNet的网络结构,设置1个全连接层、L个卷积层,L为正整数,取值为15、17;其中,第一层卷积核大小设置为N1*N1,第二层至第L层卷积核大小设置为M1*M1;N1为正整数,取值为5、6、7;M1为正整数,取值为2、3、4;将残差连接加入到两个卷积层之间;卷积层的激活函数,设置为ReLU函数:
f(x)=max(0,x) (4)
上式中,x为神经元的输入;
步骤3.2,设置ResNet网络训练的批量大小为m1,优化器选择为Adam优化器,学***均差函数:
式中,n表示的是样本个数,y表示的是真实值,表示的是预测值。
6.根据权利要求1所述的一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法,其特征在于:所述步骤1.2.2中,所述改良稀疏自编码器,以传统的稀疏自编码器为基础,于特征输出层前加设一个诱导判断层作为编码阶段的最后一层;其实现方法为设置一阈值s,若特征输出层神经元的激活值高于s,则保留其输出值;若激活值低于s,则将其输入下一神经元的值更改为0;此方法将代表性更强的特征于原始训练样本中提取出来,同时有效地提升训练模型的稳定性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593086.5A CN112966544B (zh) | 2020-12-29 | 2020-12-29 | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011593086.5A CN112966544B (zh) | 2020-12-29 | 2020-12-29 | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966544A CN112966544A (zh) | 2021-06-15 |
CN112966544B true CN112966544B (zh) | 2024-04-02 |
Family
ID=76271129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011593086.5A Active CN112966544B (zh) | 2020-12-29 | 2020-12-29 | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966544B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429156B (zh) * | 2022-01-21 | 2023-06-20 | 西安电子科技大学 | 雷达干扰多域特征对抗学习与检测识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
CN110334781A (zh) * | 2019-06-10 | 2019-10-15 | 大连理工大学 | 一种基于Res-Gan的零样本学习算法 |
WO2020172838A1 (zh) * | 2019-02-26 | 2020-09-03 | 长沙理工大学 | 一种改进辅助分类器gan的图像分类方法 |
-
2020
- 2020-12-29 CN CN202011593086.5A patent/CN112966544B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
WO2020172838A1 (zh) * | 2019-02-26 | 2020-09-03 | 长沙理工大学 | 一种改进辅助分类器gan的图像分类方法 |
CN109934282A (zh) * | 2019-03-08 | 2019-06-25 | 哈尔滨工程大学 | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 |
CN110334781A (zh) * | 2019-06-10 | 2019-10-15 | 大连理工大学 | 一种基于Res-Gan的零样本学习算法 |
Also Published As
Publication number | Publication date |
---|---|
CN112966544A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Inverse synthetic aperture radar imaging using a fully convolutional neural network | |
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN110109060A (zh) | 一种基于深度学习网络的雷达辐射源信号分选方法及*** | |
CN108121975B (zh) | 一种联合原始数据和生成数据的人脸识别方法 | |
CN108847223B (zh) | 一种基于深度残差神经网络的语音识别方法 | |
CN112765352A (zh) | 基于具有自注意力机制的图卷积神经网络文本分类方法 | |
CN112966667B (zh) | 海面目标一维距离像降噪卷积神经网络识别方法 | |
CN109800768B (zh) | 半监督gan的散列特征表示学习方法 | |
CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
CN113838107B (zh) | 一种基于稠密连接的异源图像自动配准方法 | |
CN112766360A (zh) | 一种基于时序二维化和宽度学习的时间序列分类方法和*** | |
CN114187446A (zh) | 一种跨场景对比学习的弱监督点云语义分割方法 | |
CN114254141A (zh) | 一种基于深度分割的端到端雷达信号分选方法 | |
CN112966544B (zh) | 一种采用ICGAN与ResNet网络的雷达辐射源信号分类识别方法 | |
CN116524253A (zh) | 一种基于轻量级Transformer的甲状腺癌病理图像分类方法 | |
CN113392871B (zh) | 一种基于散射机制多通道扩张卷积神经网络的极化sar地物分类方法 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
CN116482618B (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
Zhai et al. | Few-shot recognition of multifunction radar modes via refined prototypical random walk network | |
CN112560949A (zh) | 基于多级统计学特征提取的高光谱分类方法 | |
Qiu et al. | ESDTW: Extrema-based shape dynamic time warping | |
CN114821335B (zh) | 基于深度特征与线性判别特征融合的未知目标判别方法 | |
CN116486183A (zh) | 基于多种注意力权重融合特征的sar图像建筑区分类方法 | |
CN114998725B (zh) | 基于自适应空谱注意力核生成网络的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |