CN110187321B - 基于深度学习的复杂环境下雷达辐射源特征参数提取方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，属于电子侦察领域。包括：初始特征提取、分类神经网络构建、稀疏自编码器构建以及特征矩阵拼接；本发明将分类神经网络识别与稀疏自编码器神经网络识别想结合的方法，深入分析和研究辐射源信号的本质，探索新的特征参数，构建更有助于信号识别的特征向量，提升了复杂环境下雷达辐射源信号的识别能力。

Description

基于深度学习的复杂环境下雷达辐射源特征参数提取方法

技术领域

本发明属于电子侦察领域，具体涉及一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法。

背景技术

目标识别是电子侦察领域的关键环节，其中主要任务是辐射源信号的特征参数提取。此方面的理论成果有：瞬时自相关法、小波变换法、模糊函数脊特征法、小波包和熵特征法等，它们从不同的角度、不同的层面对雷达目标识别进行了研究。

目前雷达辐射源特征参数提取存在的问题如下：

现有的方法主要针对特定的信号，而在多种信号复合的复杂环境情况下，目前的算法不够满足实际需求。

对于目前现有的特征参数及识别方法，在电磁环境简单的情况下比较有效，但在低信噪比条件下(如：SNR≤2dB)识别效果不佳，还不能满足多种脉内调制信号同时存在情况下的识别要求。

识别的目的是获知发射该信号的武器类型并判断其威胁等级，然而对于辐射源的识别，目前考虑得较少。

从以上分析可知，深入研究辐射源信号的本质，探索更适用于信号识别的特征向量，对实现复杂环境下雷达辐射源信号的识别具有重要意义。

发明内容

本发明的目的在于：提供了一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，解决了复杂环境下雷达辐射源特征参数提取效果不佳，无法满足识别要求的问题。

本发明采用的技术方案如下：

一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，包括：

初始特征提取：提取辐射源和装载平台的参数信息作为初始特征；

分类神经网络构建：输入初始特征，构建“初始特征-神经网络中间层A-辐射源和装载平台类别”上层分类神经网络结构，通过神经网络中间层A输出映射初始特征与辐射源、装载平台类别关系的特征矩阵A；

稀疏自编码器网络构建：初始特征同时作为输入输出量，构建“初始特征-编码器-神经网络中间层B-解码器”下层稀疏自编码器网络结构，通过神经网络中间层B输出初始特征被深度提炼后的内在属性特征矩阵B；

特征矩阵拼接：将反映初始特征、辐射源和装载平台类别的关系特征矩阵A与反映初始特征自身内在属性的特征矩阵B拼接起来，得到最终的复杂环境特征参数。

进一步地，所述初始特征针对辐射源的参数包括雷达的载频、脉宽、到达角、脉冲重复频率、天线扫描周期，结合通信和干扰等信号的脉冲到达时间、脉冲包络参数、脉内调制参数、幅度、频谱参数；

所述初始特征针对装载平台的参数包括装载平台移动速度、空间位置参数。

进一步地，所述分类神经网络中的信息朝一个方向传播，所述神经网络中间层A的训练方式采用有监督学习的方式。

进一步地，所述稀疏自编码器网络中，编码器用于对初始特征进行降维处理，提炼初始特征的内核信息；解码器用于训练编码器，判断编码器提炼的信息是否准确，是否获得与初始特征相同信息量的特征，并将输出的误差反馈回初始特征，以此训练神经网络中间层B，输出初始特征被深度提炼后的特征矩阵B。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明采用分类神经网络和稀疏自编码神经网络相结合的方法，分类神经网络根据初始特征输入量得到映射初始特征与辐射源、装载平台类别关系的特征矩阵A，稀疏自编码神经网络根据初始特征输入量得到初始特征被深度提炼后的内在属性特征矩阵B，将两个特征矩阵拼接得到最终的特征参数，深入分析和研究辐射源信号的本质，探索新的特征参数，从而构建更有助于信号识别的特征向量，提升复杂环境下雷达辐射源信号的识别能力。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：

图1是本发明特征参数提取流程图；

图2是本发明稀疏自编码器网络示意图；

图3是相对熵取值变化示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，包括：

初始特征提取：提取辐射源和装载平台的参数信息作为初始特征；

分类神经网络构建：输入初始特征，构建“初始特征-神经网络中间层A-辐射源和装载平台类别”上层分类神经网络结构，通过神经网络中间层A输出映射初始特征与辐射源、装载平台类别关系的特征矩阵A；

稀疏自编码器网络构建：初始特征同时作为输入输出量，构建“初始特征-编码器-神经网络中间层B-解码器”下层稀疏自编码器网络结构，通过神经网络中间层B输出初始特征被深度提炼后的内在属性特征矩阵B；

特征矩阵拼接：将反映初始特征、辐射源和装载平台类别的关系特征矩阵A与反映初始特征自身内在属性的特征矩阵B拼接起来，得到最终的复杂环境特征参数。

具体地，特征参数提取流程如图1所示：

步骤一、首先提取初始特征信息：针对辐射源，考虑雷达的载频、脉宽、到达角、脉冲重复频率、天线扫描周期等参数，结合通信和干扰等信号的脉冲到达时间、脉冲包络参数、脉内调制参数、幅度、频谱等测量参数，组成初始的特征参数；针对装载平台，则直接选取其移动速度、空间位置等特征作为初始特征参数；

综合辐射源和状态平台的初始特征参数信息，综合得到初始特征输入量。

步骤二、将初始特征作为输入量，构建“初始特征-神经网络中间层A-辐射源和装载平台类别”上层分类神经网络结构，上层分类神经网络中的信息是朝一个方向传播，没有反向的信息传播，以有监督学习的方式训练神经网络中间层A，最终通过神经网络中间层A输出映射初始特征与辐射源、装载平台类别关系的特征矩阵A；

具体地，分类神经网络中各个神经元按照接收信息的先后分为不同的组，每一个组看作一个神经层，每一神经层中的神经元接收上一层神经层中神经元的输出信号，并继续将信号输出到下一神经层中的神经元；每一神经层作为输入信号中数据信息的高维表示，可以看作一个非线性函数，通过将简单非线性函数多次复合，实现输入信号到输出信号的复杂映射；

分类神经网络中的神经元不仅接收其他神经元输出的信号，同时还根据辐射源和装载平台类别比较接收自己的反馈信号，通过反馈信号修改神经网络中间层A的参数，让中间层更好的提取特征参数。

步骤三、将初始特征同时作为输入量和输出量，构建“初始特征-编码器-神经网络中间层B-解码器”下层稀疏自编码器网络结构，稀疏自编码器网络中编码器对初始特征进行降维处理，提炼初始特征的内核信息；解码器训练编码器，判断编码器提炼的信息是否准确，是否获得与初始特征相同信息量的特征，并将输出的误差反馈回初始特征，以此训练神经网络中间层B，输出初始特征被深度提炼后的特征矩阵B。

具体地，稀疏自编码器是一种无监督机器学习算法，通过计算自编码的输出与原输入的误差，不断调节自编码器的参数，最终训练出模型；自编码器可以用于压缩输入信息，提取有用的输入特征。

自编码器分为编码器和解码器，编码器将d维特征转化到p维特征，解码器将p维特征重构回d维特征，当满足p<d时，自编码器用作降维特征提取，加上编码稀疏性和取值范围等约束条件，得到有意义的输出量。

如图2所示：用{x1，x2，x3，···}表示输入无标签数据，即初始特征输入量，目标是输出得h_W,b(x)≈x，也就是说稀疏自编码器是在尝试逼近一个恒等函数，使得输出

接近于输入x；

当神经网络中间层B中的神经元数量小于输入量时，迫使自编码器神经网络去学习输入数据的“压缩”表示；当神经网络中间层B的神经元数量较多时，通过给自编码神经网络施加稀疏性约束条件以达到压缩输入信息，提取输入特征的效果。

可以理解的是，所谓稀疏性可以解释为：当神经元的输出接近于1的时候认为它被激活，而输出接近于0的时候认为它被抑制，那么使得神经元大部分时间处于被抑制状态的限制被称作稀疏性限制。

用b_j表示神经网络中间层B中神经元j的激活度，b_j[x(i)]表示在给定输入x(i)的情况下，神经元j的激活度，则神经元j的平均激活度

表示如下：

式中，m表示输入x的数量。

则神经网络约束条件的稀疏性参数ρ：

其中，ρ通常是一个接近于0的较小的值。

进一步，为了实现稀疏性限制，需要限制

与ρ的值保持在较小范围内，设置惩罚因子如下：

式中，S₂表示神经网络中间层B中的神经元数量；

基于相对熵，惩罚因子表示为：

其中，

是一个以ρ为均值和一个以

为均值的两个伯努利随机变量之间的相对熵；

当

时，

并且随着

与ρ之间的差异增大而呈现单调递增。

设定稀疏性参数ρ＝0.2，

随着

的变化如图3所示；可知，相对熵在

时达到它的最小值0，而当

靠近0或者1的时候，相对熵则变得非常大，趋向于∞，因此最小化惩罚因子可以使得

靠近ρ。

从而得到稀疏自编码器神经网络的总体代价函数为：

式中，β表示控制稀疏性惩罚因子的权重，此算法可以将初始数据维度大幅降低。

自编码器通过编码器到神经网络中间层B再到解码器，层与层之间互相全连接。通过最小化重构错误，可以有效地学习网络参数，以此获得想要的特征参数。

步骤四、将反映初始特征、辐射源和装载平台类别关系的特征矩阵A，与反映初始特征自身内在属性的特征矩阵B拼接起来，得到最终的复杂环境特征参数。

本发明将分类神经网络识别与稀疏自编码器神经网络识别想结合的方法，深入分析和研究辐射源信号的本质，探索新的特征参数，构建更有助于信号识别的特征向量，提升了复杂环境下雷达辐射源信号的识别能力。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，其特征在于，包括：

初始特征提取：提取辐射源和装载平台的参数信息作为初始特征；

分类神经网络构建：输入初始特征，构建“初始特征-神经网络中间层A-辐射源和装载平台类别”上层分类神经网络结构，通过神经网络中间层A输出映射初始特征与辐射源、装载平台类别关系的特征矩阵A；

稀疏自编码器网络构建：初始特征同时作为输入输出量，构建“初始特征-编码器-神经网络中间层B-解码器”下层稀疏自编码器网络结构，通过神经网络中间层B输出初始特征被深度提炼后的内在属性特征矩阵B；

特征矩阵拼接：将反映初始特征、辐射源和装载平台类别的关系特征矩阵A与反映初始特征自身内在属性的特征矩阵B拼接起来，得到最终的复杂环境特征参数；

所述稀疏自编码器网络中，编码器用于对初始特征进行降维处理，提炼初始特征的内核信息；解码器用于训练编码器，判断编码器提炼的信息是否准确，是否获得与初始特征相同信息量的特征，并将输出的误差反馈回初始特征，以此训练神经网络中间层B，输出初始特征被深度提炼后的特征矩阵B。

2.根据权利要求1所述的一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，其特征在于：所述初始特征针对辐射源的参数包括雷达的载频、脉宽、到达角、脉冲重复频率、天线扫描周期，结合通信和干扰信号的脉冲到达时间、脉冲包络参数、脉内调制参数、幅度、频谱参数；

所述初始特征针对装载平台的参数包括装载平台移动速度、空间位置参数。

3.根据权利要求1所述的一种基于深度学习的复杂环境下雷达辐射源特征参数提取方法，其特征在于：所述分类神经网络中的信息朝一个方向传播，所述神经网络中间层A的训练方式采用有监督学习的方式。

Images