基于深度学习的雷达辐射源识别技术研究
基于深度学习的雷达辐射源识别技术研究
1 摘要
时频分析(参考博文)作为处理非平稳信号的有力工具,能够将一维的时域信号映射为时间和频率的联合分布。通过将信号转化为二维时频图像,从图像识别的角度完成辐射源信号的识别。而深度学习模型能够对信号或者图像进行自动的特征提取,省去了人工提取的步骤 ,逐渐成为雷达辐射源信号脉内特征提取的一种新方法。本文应用深度学习中的卷积神经网络来实现雷达辐射源信号的识别,主要工作如下:
- 在研究信号时频分析的基础上,提出了基于时频图像和卷积神经网络的雷达辐射源信号识别方法 。该方法首先通过时频变换将一维的雷达信号转化为二维的时频图像, 然后利用数字图像处理技术对时频图像进行预处理,最后采用卷积神经网络实现信号的分类识别。对不同调制方式和相同调制方式的两种数据集进行了仿真实验。
- 提出了基于一维卷积神经网络的辐射源信号识别方法 。该方法只需对原始信号做简单的预处理,从而省去时频变换耗费的大量时间。文中对不同调制方 和相同调制方式的两种数据集进行了仿真实验 。
**
2 雷达信号建模与仿真
侦察机接收到的信号模型为:
x (t) 表示接收到的雷达信号,s (t)为理想信号,n(t)是噪声,一般为高斯白噪声,T 则是脉冲宽度。
2.1 常规脉冲信号
常规脉冲信号载频固定,且没有对频率和相位进行调制,其信号模型为:
其中A 信号的幅度,fc 为载频,T 为脉冲宽度,φ为初相,n(t)为噪声,信号的瞬时频率恒定为一个常数,下图表明其频率不变性。
2.2 线性调频信号
线性调频信号(LFM)信号频率随时间呈现线性变化,具有良好的速度分辨率和距离分辨率,其信号模型为:
其中A为信号幅度,T 为脉冲宽度,n(t)为干扰噪声,φ表示信号的相位,f(t)是一种非线性函数,信号的瞬时频率是一条随时间呈非线性变化的曲线。
(a)为一个正弦调频的NLFM 的时域波形,密度变化显示出其频率随时间有一定的变化;(b)则是NLFM 的频域波形,信号分布在一个频带范围内,且形状比较杂乱。
2.3 相位编码信号
相位编码信号(PSK)保持载频不变,通过将码字信息调制在载波的相位中来对信号的相位进行变化,通常采用伪随机序列来实现相位编码(常用编码的伪随机序列有:巴克码、组合巴克码、Frank 码、互补码以及P1、P2、P3、P4 码等),其信号模型的表达式为:
其中 Φi∈{2π(m-1)/M,m=1,2…M},M 为相位数,N 为码元数, Tp 为码元宽。
(a)表现出来一条近似于正弦的曲线,只是相位上会有一些跳变;(b)二相编码信号的频域曲线的频谱范围相较于常规脉冲信号有一定的扩展。
2.4 频率编码信号
频率编码信号(FSK)是指脉冲序列的载频不再保持恒定,而是以一定规律或随机方式进行跳变,其主要特点是信号的不同子脉冲具有不同的频率,且其间隔能够使得各个子脉冲间的频谱互不重叠。其信号模型为:
其中,M 为频率数目,N 为码元数, Tp 为码元宽度,φ 为
初相。由于子脉冲频率的跳变性,FSK 信号的瞬时频率呈现出断裂的阶梯形式。
(a)给出的是二频编码信号的时域波形,明显的密度变化表明了其频率的变化;(b)则是其频域表示,显示出其具有两个频率分量。
3 深度学习的建模与分析
3.1 深度学习介绍
3.2 卷积神经网络
(下述具体内容见笔记本,稍后整理博文)
- 局部感受野
- 权值共享
- 池化
- **函数
3.3 卷积神经网络的训练
- Softmax回归
- 前向传播算法
- 反向传播算法
- 防止过拟合
4 基于时频分析和卷积神经网络的信号识别
雷达辐射源信号是一种非平稳信号,传统的傅里叶变换难以刻画其局部特征。
基于时频图像和卷积神经网络的辐射源识别流程图
4.1 时频分析
傅里叶变换只是将信号分解成单独的频率分量来揭示信号频率和能量之间的整体变换,但是傅里叶变换并不具有时间局域化的能力,能量谱无法给出这些频率出现的准确时间。
时频分析通过时频联合函数描述信号频谱在时间上的变化。常用于非平稳信号的时频分析方法主要分为两类:一类是“核函数分解”形式的短时傅里叶变换、Gabor 变换和小波变换等方法,这些变换满足线性叠加原理;另外一类则为时频能量密度表示,一般满足“二次叠加原理”,常见的有Wigner-Ville 分布以及对其改进的Cohen 类时频分布等。具体内容见博文,此处不再赘述。
4.2 时频图像预处理
时频图像预处理流程
分析:首先对彩色图像做灰度化处理得到灰度图像,然后通过高斯滤波器(图像平滑)(噪声主要是高斯白噪声)对时频灰度图像进行去噪,最后采用最近邻插值法(图像归一化)对原始图像进行一定比例的缩放,进一步减少输入图像的数据规模以及网络的训练时间。
4.3 仿真与分析
两组网络模型:
- cov1由6个5x5 的卷积核组成,Relu**,池化层为2x2均值采样;cov2由12个卷积核大小为5x5组成,池化层为2x2均值采样,之后是全连接层和输出层;
- 池化层大小依次改为3x3 和4x4,其他保持不变。
灰度图像尺寸:64x64
七组调制方式: 常规脉冲、LFM、NLFM、二相编码、二频编码、四频编码以及四相编码。
信噪比变化从-10dB 到6dB,间隔2dB,共9个信噪比点,每个信噪比点上产生1200 个信号,仿真过程中取每种信号相同信噪比下的1000 张时频图像,共计7000 张时频图像作为训练集,剩余200 累计1400 张则作为测试集。
网络参数设置: 卷积神经网络的学习率为0.01,批量大小为10,迭代次数为50 次。
由上图可以看出,模型1优于模型2,因为在池化卷积核太大时会丢失较多的特征。
下表是模型一在不同调制方式的识别率:
对比试验:输出的灰度图像尺寸为32x32
相同调制方式:信号调制方式均为LFM,信号的载频设为100MHz,采样频率300MHz,信号带宽依次10MHz、20MHz、30MHz、40MHz,信号用LFM1、LFM2、LFM3、LFM4 表示。同样在-10~6dB 的信噪比范围内进行仿真,每隔2dB 产生1200 个雷达辐射源信号,累计4800 个信号样本(同一信噪比下),然后做时频变化,也是用每种信号相同信噪比下的1000 张时频图像,共计4000张作为训练集,余下作为测试集。
5 基于一维卷积神经网络的信号识别
基于时频图像和卷积神经网络的雷达辐射源信号识别面临两个问题:
- 转变为时频图像需要复杂的运算,数据量大时耗时大;
- 时频图像维度大训练时间长,维度小丢失大量特征。
一维卷积神经网络优势: 减少了数据生成和网络训练的时间
一维卷神经网络信号识别流程图
5.1 一维卷积神经网络
一维卷积神经网络的特征图不再是二维的平面,而是一维的特征向量,池化层也变成了在一个维度上做下采样处理。
5.2 仿真分析与数据预处理
5.2.1 预处理步骤:
5.2.2 网络结构设计
(1)浅层网络CNN_1D_1,只设计了一个卷积层和一个池化层,加上全连接层、输入输出一共只有四层,其中卷积核大小为15x1,共有6 个,池化层大小为6x1。
(2)浅层网络CNN_1D_2 修改了CNN_1D_1 卷积层和池化层的大小,将卷积核改为33x1,池化层变为3x1。
(3)深层网络CNN_1D_3 第一层包含6 个33x1 的卷积核;第二层是8x1 的池化层;第三层有12 个5x1 的卷积核;第四层池化层大小为4x1;第5 层为由12 个5x1 卷积核构成,再加上全连接层和输出层。
5.2.3 不同调制方式:
网络参数:设置卷积神经网络的学习率为0.01,批量大小为10,迭代次数为500 次。
七个不同调制信号在同一信噪比下的平均识别率
5.2.4 相同调制方式 : LFM1、LFM2、LFM3、LFM4表示。同样在-10~6dB 的信噪比范围内进行实验。每隔2dB 产生1200 个雷达辐射源信号样本并对信号做预处理工作,总共累计4800 个信号样本。
不同调制参数LFM 信号体现在带宽上。设置卷积神经网络的学习率为0.01,批量大小为10 ,迭代次数为 500次。
注意: 在SNR=-10dB时,不同调制方式和相同调制方式的经过去噪和归一化的频域图像都有些相似,在识别过程中容易造成混淆。
5.3 算法对比(二维和一维)
性能对比:
因为时频分析能够提供更多的信号特征,所以二维卷积神经
网络的识别率尤其是低信噪比下的识别率要较高于一维网络。
针对不同调制方式的信号,一维卷积神经网络效果只是略差与二维网络;而对于相同调制方式识别效果则不同,在信噪比较较低时,二维网络要远远优于一维。效率对比:
一维的迭代次数多,但是相对于二维的速度会快一点。
总结: 在信噪比较高的时候可以采用一维卷积神经网络来实现雷达辐射源信号的识别,而在低信噪比下或者是识别相同调制方式信号的时候使用二维卷积神经网络训练时频图像的方法则能够取得更优的识别效果。
如果博文能给你带来思路和灵感,那就点个赞吧,ღ( ´・ᴗ・` )
思考:需要解决的问题:
- 低信噪比下的识别问题;