基于双通道卷积神经网络的雷达信号识别

doi:10.16183/j.cnki.jsjtu.2021.209

基于双通道卷积神经网络的雷达信号识别

全大英^,, 陈赟, 唐泽雨, 李世通, 汪晓锋, 金小萍

中国计量大学信息工程学院,杭州 310018

Radar Signal Recognition Based on Dual Channel Convolutional Neural Network

QUAN Daying^,, CHEN Yun, TANG Zeyu, LI Shitong, WANG Xiaofeng, JIN Xiaoping

College of Information Engineering, China Jiliang University, Hangzhou 310018, China

责任编辑: 石易文

收稿日期: 2021-06-15

基金资助:

浙江省自然科学基金项目(LQ20F020021)
浙江省电磁波信息技术与计量检测重点实验室开放式项目(2019KF0003)

Received: 2021-06-15

作者简介 About authors

全大英(1979-),男,浙江省丽水市人,高级工程师,从事无线测试系统设计、电子侦察信号处理和智能频谱测量计量研究.E-mail:stu_cjlu_sp@outlook.com.

摘要

为解决在低信噪比下特征提取困难、雷达信号识别率低的问题,提出了一种基于Choi-Williams分布(CWD)和多重同步压缩变换(MSST)的双通道卷积神经网络模型.模型通过对雷达信号进行CWD和MSST时频分析,分别获取二维时频图像并进行预处理,然后送入双通道卷积神经网络进行深度特征提取,最后将两路通道获取的特征进行融合,通过卷积神经网络分类器实现对雷达信号的分类识别.仿真结果表明:在信噪比为 -10 dB时,所提模型整体识别准确率能达到96%以上,其在低信噪比下表现优异.

关键词： 低信噪比; Choi-Williams分布; 多重同步压缩变换; 双通道卷积神经网络

Abstract

In order to solve the problems of difficult feature extraction and low recognition rate of radar signal at low signal-to-noise ratios, a dual channel convolutional neural network model based on Choi-Williams distribution (CWD) and multisynchrosqueezing transform (MSST) is proposed, which obtains two-dimensional time-frequency images by CWD and MSST time-frequency analyses on radar signals. Respectively, the time-frequency images are preprocessed and sequencely fed to a dual channel convolutional neural network for deep feature extraction. Finally, the features acquired by the two channels are fused, and the radar signal is classified and recognized through the convolutional neural network classifier. The simulation results show that when the signal-to-noise ratio is -10 dB, the overall recognition accuracy can reach above 96%, which is excellent at low signal-to-noise ratios.

Keywords： low signal-to-noise ratios; Choi-Williams distribution (CWD); multisynchrosqueezing transform (MSST); dual-channel convolutional neural network

PDF (4098KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

全大英, 陈赟, 唐泽雨, 李世通, 汪晓锋, 金小萍. 基于双通道卷积神经网络的雷达信号识别[J]. 上海交通大学学报, 2022, 56(7): 877-885 doi:10.16183/j.cnki.jsjtu.2021.209

QUAN Daying, CHEN Yun, TANG Zeyu, LI Shitong, WANG Xiaofeng, JIN Xiaoping. Radar Signal Recognition Based on Dual Channel Convolutional Neural Network[J]. Journal of Shanghai Jiaotong University, 2022, 56(7): 877-885 doi:10.16183/j.cnki.jsjtu.2021.209

随着各种各样的军用探测与干扰设备被广泛投入使用,现代电子战环境日益复杂,电子侦察系统的工作难度不断提高^[1].雷达信号识别是电子侦察的关键因素^[2],准确识别雷达信号可以有效获取敌方军事部署情况,争取战争的主动权^[3].因此,在现代电子战中,如何有效识别雷达信号具有非常重要的研究意义.

雷达信号的脉内调制特征分析是影响雷达信号脉内调制类型识别精度的重要因素^[4].传统分析方法中时频分析法被广泛用于浅层特征的提取^[5].文献[6]基于图像增强、阈值二值化和数学形态学等一系列图像处理方法,提取雷达信号平滑伪Wigner-ville时频分布的形状特征并分析,在信噪比大于 -3 dB时,除Frank码外,识别准确率达到90%以上.文献[7]基于矩阵变换的方法,设计了一种多尺度中心点检测方法,对内容波形进行定位和识别,在信噪比大于0 dB时,整体平均识别准确率达到90%以上.文献[8]基于模糊函数,通过构建序列并求相像系数的方法,在信噪比为 -2 dB时,整体平均识别准确率达到91.2%.文献[9]基于多重同步压缩变换,对变换后的时频分布图进行纹理特征和矩特征提取,通过支持向量机(SVM)实现雷达信号的自动调制识别,在信噪比为 -2 dB时,整体平均识别准确率达到96.5%.

随着人工智能、机器学习等技术的快速发展,得益于AlexNet、VGGNet、GoogLeNet、ResNet等经典神经网络模型在图像处理上的优异表现^[10],许多学者开始致力于通过神经网络对雷达信号进行深度特征提取.文献[11]基于多重同步压缩变换(MSST)时频变换,将变换后的时频图像送入GoogleNet进行雷达信号识别,在信噪比为 -4 dB时,整体平均识别准确率可以达到91%以上.文献[12]基于时频特征提取和残差神经网络,计算信号的伪Wigner-Ville分布(PWVD)并提取Zernike矩,使用残差神经网络分类器实现雷达信号识别,在信噪比为 -2 dB时,整体平均识别准确率达到93%以上.文献[13]首先利用卷积神经网络进行信号特征提取,将提取到的特征送入长短期记忆网络并通过深度神经网络输出识别类型,在信噪比为 -6 dB时,整体平均识别准确率达到90%以上.深度神经网络模型的引入极大地提高了电子侦察系统对雷达脉内调制类型识别的精度,但现代战争中雷达信号信噪比低,调制类型多样,如何在低信噪比、多种调制类型的情况下提高雷达信号识别的精度还值得进一步研究.

因此,本文提出了一种基于双通道卷积神经网络的雷达信号自动分类识别方法.首先,选取时频分析效果较好的Choi-Williams分布(CWD)和MSST分别提取信号浅层特征,并将一维时间信号变换为二维时频图像.其次,对得到的两类时频图像进行预处理并作为双通道卷积神经网络的输入,通过卷积神经网络提取信号深度特征.最后融合两路通道的特征,通过Softmax分类器实现雷达信号分类识别.相较于单通道卷积网络,双通道卷积网络有效提高了在低信噪比、多种脉内调制类型的情况下雷达信号识别的准确率.

1 雷达信号预处理

1.1 数据集简介

典型雷达信号脉内调制方式包括:连续波(CW)、线性调频(LFM)、非线性调频(NLFM)、双相移相键控(BPSK)、正交相移键控(QPSK)、频移键控(FSK)以及LFM/BPSK、LFM/FSK、BPSK/FSK混合调制信号等.

本文通过MATLAB对以上9种典型雷达信号进行仿真,利用信号参数值在一定的范围内波动的方法,使仿真信号更接近原始雷达信号,并采用基于采样频率f_s的均匀分布U(·)统一表示.例如U(1/3, 1/2)为参数在(f_s/3, f_s/2)范围之间的随机数.本文取f_s=20 MHz,详细的仿真波动参数设置如表1所示.其中:f_c为载波频率;f₀为初始频率;B为带宽;f_min为基准频率.

表1 信号仿真波动参数

Tab.1 Fluctuation parameters for signal simulation

雷达信号	仿真参数	取值范围
CW	f_c	U(1/8, 1/4)
LFM, NLFM	f₀	U(1/16, 1/8)
	B	U(1/16, 1/8)
BPSK	f_c	U(1/8, 1/4)
QPSK	f_c	U(1/8, 1/4)
FSK	f_min	U(1/24, 1/20)
LFM/BPSK	f_min	U(1/24, 1/20)
	B	U(1/16, 1/8)
LFM/FSK	f_min	U(1/24, 1/20)
	B	U(1/16, 1/8)
BPSK/FSK	f_min	U(1/24, 1/20)

新窗口打开| 下载CSV

1.2 信号时频变换

由于高斯白噪声的影响,在雷达时域信号上能够获取的有效特征较少,现阶段对雷达信号特征的获取主要集中在变换域^[14].通过对雷达信号进行时频分析,可以有效降低高斯白噪声的影响,放大不同调制信号之间的差异,获取更多的有效特征.同时,使用时频分析的方式可以将一维的时域信号变换为二维时频图像,方便后期卷积神经网络进行深度特征的提取.

常用雷达信号时频变换的方法有:短时Fourier变换(STFT)、Wigner-Ville分布(WVD)、CWD等.CWD时频分析作为WVD时频分析的一种改进方法,通过变换不同的核函数,使得CWD时频分析具有较好时频聚集性,在相对高信噪比下具有非常优异的时频分析能力,并且可以有效抑制二次型变换在处理多分量复杂信号时产生的交叉项干扰.而MSST作为一种对STFT多次执行同步压缩处理的改进算法,通过在频率方向对STFT的结果进行压缩,提高时频聚集性,作为一种线性时频工具,MSST不存在交叉项干扰,在相对低信噪比下可以弥补CWD时频变换因交叉项干扰导致的时频图像恶化严重的问题.因此,本文选取CWD和MSST作为雷达信号的时频分析方法,以获得更丰富的信号浅层特征,有效提高模型识别准确率.

1.2.1 基于CWD的雷达信号时频分析

CWD由文献[15-16]于1989年提出,其在所有未处理的Cohen 类分布中表现出了最小的交叉干扰,以及在不同时间或频率上对信号的高分辨率和识别精度.因此,CWD在雷达信号时频分析中被广泛应用.其数学表达式为

(1)C(t, f)=∬

\sqrt{\frac{σ}{4 π τ^{2}}}

k(u, τ)×s

(u + \frac{τ}{2})

s^*

(u - \frac{τ}{2})

e^-j2π^fτdudτ

(2)k(u, τ)=exp

[- \frac{σ {(u - t)}^{2}}{4 τ^{2}}]

式中:t为时间;f为频率;s $(u + \frac{τ}{2})$ s^* $(u - \frac{τ}{2})$ 为信号s(u)的瞬时自相关,u为信号s(u)的自变量,τ用于表示信号进行自相关;C(t, f)为CWD时频分析的输出;k(u, τ)为核函数;σ为衰减因子.其中,参数σ是一个可控因子,它决定了滤波器的带宽,通过控制σ值可以有效抑制交叉干扰.本文中取σ=1,以平衡交叉干扰和信号分辨率.

图1给出了9种典型雷达信号在信噪比为8 dB时的CWD时频图像,其中N₁为采样点数.从图1中可以看出,不同脉内调制类型雷达信号的CWD时频图像具有较高的区分度,能够较好地体现信号间的差异性.CWD的应用大大提高了雷达信号特征分析的能力.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 CWD时频变换

Fig.1 CWD time frequency transformation

1.2.2 基于MSST的雷达信号时频分析

MSST是由文献[17-18]在2018年提出的一种新的时频分析方法.MSST首先利用STFT获取雷达信号的时频分布图;其次,对时频分布图进行多次同步压缩,提升时频分布图的聚集性;最后通过函数迭代优化算法流程,减轻计算负担.作为一种线性时频工具,MSST不存在交叉项的干扰,在雷达信号分析处理上具有广阔的应用前景^[9].图2给出了9种典型雷达信号在信噪比为8 dB时的MSST时频图.由图2可知,经MSST时频变换,不同脉内调制类型的雷达信号特征在时频图上差异显著.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 MSST时频变换

Fig.2 MSST time frequency transformation

选取信号s(u)的表达形式为

(3)s(u)=A(t)e^j[^φ⁽^t⁾⁺^φ'⁽^t⁾⁽^u^-^t^)]

式中:A(t)为信号幅度;φ(t)为瞬时相位;φ(t)+φ'(t)(u-t)为相位的1阶泰勒级数展开.

对信号s(u)进行STFT,时频分布可表示为

(4)G(t, w)=

\int_{- \infty}^{+ \infty}

g(u-t)A(t)e^j[^φ⁽^t⁾⁺^φ'⁽^t⁾⁽^u^-^t^)]e^-j^w⁽^u^-^t⁾du=A(t)e^j^φ⁽^t⁾×

\int_{- \infty}^{+ \infty}

g(u-t)e^j[^φ'⁽^t⁾⁽^u^-^t^))-j^w⁽^u^-^t^)]d(u-t)=A(t)e^j^φ⁽^t⁾

\hat{g}

(w-φ'(t))

式中:w为角频率;g(·)为窗函数; $\hat{g}$ (·)为窗函数的傅里叶变换.

对上式求偏导,则有:

(5)∂_tG(t,w)=∂_t(A(t)e^j^φ⁽^t⁾

\hat{g}

(w-φ'(t)))=A(t)e^j^φ⁽^t⁾

\hat{g}

(w-φ'(t))jφ'(t)=G(t, w)jφ'(t)

当G(t, w)≠0时,瞬时频率估计 $\hat{w}$ (t, w) 可表示为

(6)

\hat{w}

(t,w)=

\frac{\partial_{t} G (t, w)}{j G (t, w)}

再对时频分布进行同步压缩处理(SST),其数学表达式可表示为

(7)T(t,η)=

\int_{- \infty}^{+ \infty}

G(t,w)δ(η-

\hat{w}

(t,w))dw

式中:δ(·)为冲激函数;η为SST的输出频率.

通过执行 SST可以从频率方向压缩 STFT 的结果,进而提高时频谱的能量聚集程度.对得到的时频分布继续执行N次SST,则有:

(8)T^N(t,η)=

\int_{- \infty}^{+ \infty}

T^N-1(t,w)δ(η-

\hat{w}

(t,w))dw

式中:T^N(t,η)为迭代N次SST输出的结果.

1.3 时频图像预处理

由于现代电子战环境复杂,各种干扰设备导致接收到的信号中含有大量噪声干扰,尽管时频变换能有效降低噪声的影响,但得到的时频图像中仍然含有大量的干扰信息.为增强识别效果,在载入网络前,通常需要对时频图像进行预处理^[19].图3为CW时频图像在信噪比为 -2 dB时预处理前后的对比图.对原始时频图像的预处理流程如下:

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 时频图像预处理前后效果对比

Fig.3 Comparison of time frequency transformation images before and after preprocessing

(1) 裁剪原始时频图像,将图像的边框及无用部分去除.

(2) 将裁剪后的图像转化为灰度图.

(3) 采用维纳滤波去除掉灰度图像中的噪声点.

(4) 使用双三次插值法将图像大小调整为224像素×224像素.

(5) 二值化图像后进行归一化处理.

由图3可以看出,时频图像经过预处理后,在保留信号完整信息的同时,大幅度去除了噪声信息.

2 基于双通道卷积神经网络的雷达信号识别

2.1 双通道卷积神经网络模型

基于雷达信号经时频变换后得到的时频图像,利用卷积神经网络在图像处理上的显著优势并结合双通道的模型可以从不同时频图像中融合更多有效特征的特点,本文提出一种基于双通道卷积神经网络的模型.该模型主体结构如图4所示,将时频图像作为模型的输入,通过由2个卷积模块和1个全连接模块构成的隐层进行特征提取,融合两路特征后,通过Softmax分类器实现信号分类识别.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 模型主体结构

Fig.4 Structure of main model

基于该网络模型的信号识别算法流程如下:

(1) 将训练集的时频图像传入网络作为模型的输入.

(2) 在2个卷积模块中,对输入图像进行多次卷积、池化操作,获取图像的特征矩阵,并通过Dropout (Dropout为网络训练过程中防止过拟合的正则化参数) 来防止过拟合.

(3) 将获取到的图像特征矩阵进行展平,通过激活函数为ReLU的全连接层转化为一维的特征向量.

(4) 在特征融合层,将两个通道得到的特征向量相融合,使特征向量包含更多的有效信息.

(5) 得到的融合特征送入Softmax分类器进行分类识别,并保存相应的模型参数.

(6) 载入保存的模型参数,导入测试集对模型性能进行测试.

本文研究的雷达脉内调制类型识别属于多分类问题,因此在训练过程中选取交叉熵函数作为损失函数,优化函数选取Nadam函数,批处理的大小设为64,迭代次数设为50.初始学习率设为0.002,且每迭代一次学习率调整为原来的90%,在有效避免陷入局部最优的同时防止因学习率太大导致网络训练的损失值在最优解附近振荡,当损失值连续多次不再改变时,停止训练并保存模型.网络模型的主要参数如表2所示.

表2 网络模型主要参数

Tab.2 Key parameters of network model

模块名	网络名	核大小	核个数	步长	激活函数	Dropout
卷积模块1	卷积层	5×5	8	1	ReLU	—
	池化层	2×2	—	2	—	—
	卷积层	4×4	16	1	ReLU	—
	池化层	2×2	—	2	—	0.3
卷积模块2	卷积层	3×3	32	1	ReLU	—
	池化层	2×2	—	2	—	—
	卷积层	1×1	32	1	ReLU	—
	池化层	2×2	—	2	—	0.3

新窗口打开| 下载CSV

2.2 识别准确率分析

在复杂的电磁环境下,信号传输过程中不可避免地会受到噪声的干扰,本文假定噪声为高斯白噪声,信噪比定义为信号与噪声功率之比.为了探究识别准确率和信噪比之间的关系,本文取信噪比范围 -20~0 dB,以2 dB为步长,仿真生成9种典型的脉内调制信号.在每个信噪比下,9种典型脉内调制信号分别生成 1000 个样本.将生成的样本经CWD和MSST变换的时频图像预处理后,取80%作为训练集,20%作为测试集.9种典型雷达识别准确率如图5所示.由图5可知,在信噪比大于 -8 dB 时,各种信号识别准确率都高于90%.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 各种信号识别准确率

Fig.5 Recognition accuracy of multiple type of signals

为了验证双通道模型的有效性,本文首先对比了CWD、MSST双通道卷积神经网络与各自单通道卷积神经网络的识别准确率.仿真结果如图6所示.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 双通道与单通道识别准确率对比

Fig.6 Recognition accuracy comparison of dual channel model and single channel model

由图6可以看出,单通道的情况下,在 -20~-16 dB, 基于MSST的卷积神经网络识别准确率要高于基于CWD的卷积神经网络.在 -14~-6 dB,基于CWD的卷积神经网路识别准确率要高于基于MSST的卷积神经网路.而本文提出的基于双通道的卷积神经网络较好地融合了两种时频变换的优势,识别准确率始终高于各自单通道模型,尤其在 -14 dB,本文的模型识别准确率相较于单通道的CWD提高了10.85%,相较于单通道的MSST提高了12.57%,有效地验证了双通道模型的有效性.

为了进一步验证本文提出的基于双通道卷积神经网络模型的性能,本文还选取了文献[8]提出的基于模糊函数相像系数的方法和文献[11]提出的基于GoogLeNet迁移深度学习网络的方法作对比.其中,基于文献[8]的对比实验,在信噪比 -10~10 dB 之间,9种仿真信号以2 dB为步长,在每个信噪比下每类信号生成 1000 个样本,求得样本模糊函数相像系数后,通过KFCM算法进行分选识别,其中初始聚类数目c=2,最大可能类别个数c_max=9,迭代次数为50,停止条件为损失值ε≤0.001,核函数为高斯径向基核.基于文献[11]的对比实验,在信噪比 -10~10 dB之间,9种仿真信号以2 dB为步长,在每个信噪比下每类信号生成 1000 个样本,基于MSST经预处理转化为224像素×224像素×3通道的RGB图像,其中80%用于训练,10%用于测试,10%用于验证.其中采用了Inception的GoogLeNet模型深度共有22层,训练迭代6次.对比实验的结果如图7所示.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 不同算法识别准确率对比

Fig.7 Recognition accuracy comparison of different algorithms

从图7可以看出,在 -10~10 dB,本文提出的基于双通道卷积神经网络的识别准确率始终高于对比的两种方法,且在信噪比为 -10 dB的情况下,基于双通道卷积神经网络的识别准确率可以达到96%,而相像系数模型和迁移网络模型仅为79.30%和89.18%.此外,通过计算本文模型和迁移深度学习网络模型的算法复杂度发现,本文模型参数数目为3.25×10⁶,浮点运算次数为1.45×10⁸,而迁移深度学习网络模型参数数目为6.79×10⁶,浮点运算次数为1.503×10⁹,在算法复杂度上本文模型也具有显著优势.

2.3 抗混淆性能分析

在验证模型有效性之后,对模型识别结果进行抗混淆性能分析.在信噪比为 -14 dB 时,信号混淆矩阵如图8所示.由图8可知,模型对9种调制类型的信号识别准确率均能达到60%以上.其中,对NLFM和QPSK信号的识别效果最好,识别准确率可以达到100%.而对BPSK和LFM/BPSK信号识别效果不佳,仅有64%和61%.从整体而言,模型的抗混淆比较出色,但对于BPSK和LFM/BPSK信号的识别能力还有待进一步提高.

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 混淆性能分析

Fig.8 Confusion performance analysis

2.4 鲁棒性分析

本文在混合信噪比和混合信号参数两种情况下,对模型的鲁棒性进行验证.

(1) 混合信噪比下的鲁棒性验证.

在信噪比从 -12~-6 dB的范围内,以2 dB为步长,在不同单一信噪比下每类信号训练集选取800个信号样本,测试集选取200个信号样本.先取高信噪比下训练后保存的网络模型参数在低信噪比的测试集测试,再取低信噪比下训练后保存的网络模型参数在高信噪比的测试集测试,通过测试集的识别准确率来验证算法鲁棒性.实验结果如表3所示.

表3 鲁棒性实验

Tab.3 Robustness experiment

保存模型/dB	测试数据/dB	识别准确率/%
-8	-10	96.24
-6	-8	97.85
-6	-10	96.72
-12	-8	92.57
-10	-6	98.44
-12	-10	91.14

新窗口打开| 下载CSV

由表3可知,当测试集信噪比大于 -10 dB,该模型的识别准确率始终高于90%,在混合信噪比的情况下,本文提出的模型具有较好的鲁棒性.

(2) 混合信号参数下的鲁棒性验证.

本文训练和测试的数据集参数都基于采样频率f_s的均匀分布U(·)设定,且f_s=20 MHz.为了验证模型的鲁棒性,控制信号类型和参数设置方式不变,令f_s=200 MHz,生成新的测试集对训练好的网络模型进行测试,测试结果如图9所示.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 混合信号参数鲁棒性验证

Fig.9 Robustness verification of mixed signal parameters

从图9可以看出,模型对以采样频率f_s=200 MHz 为基准的相对高频宽带信号的识别准确率与本文以采样频率f_s=20 MHz为基准的信号识别准确率非常相近,在混合信号参数情况下,本文提出的模型具有较好的鲁棒性.

3 结语

提出一种基于双通道卷积神经网络的雷达信号脉内调制方式识别方法,该方法利用CWD、MSST时频变换获取时频图像,经图像预处理后,分别作为双通道模型的输入,送入卷积神经网络进行自动特征提取,在对两个通道的特征进行融合后通过神经网络分类器进行分类识别.在低信噪比下显著提高了雷达信号脉内调制方式的识别准确率,为低信噪比条件下的雷达信号脉内调制方式识别提供了一种新的可行性方案.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

王军锋, 刘兴钊.

合成孔径雷达运动目标检测的研究进展

[J]. 上海交通大学学报, 2018, 52(10): 1273-1279.

[本文引用: 1]

WANG

Junfeng

, LIU

Xingzhao

Development in SAR moving-target detection

[J]. Journal of Shanghai Jiao Tong University, 2018, 52(10): 1273-1279.

[本文引用: 1]

[2]

IGLESIAS

, GRAJAL

, ROYER

, et al.

Real-time low-complexity automatic modulation classifier for pulsed radar signals

[J]. IEEE Transactions on Aerospace and Electronic Systems, 2015, 51(1): 108-126.

DOI:10.1109/TAES.2014.130183 URL [本文引用: 1]

[3]

李波波, 幸涛.

基于报文数据的雷达侦察系统侦察能力评估

[J]. 现代信息科技, 2020, 4(23): 54-57.

[本文引用: 1]

Bobo

, XING

Tao

Evaluation on reconnaissance capability of radar reconnaissance system based on message data

[J]. Modern Informationn Technology, 2020, 4(23): 54-57

[本文引用: 1]

[4]

孟磊, 曲卫, 蔡凯, 等.

基于机器学习的雷达辐射源识别方法综述

[J]. 兵器装备工程学报, 2020, 41(10): 16-21.

[本文引用: 1]

MENG

Lei

, QU

Wei

, CAI

Kai

, et al.

Overview of radar emitter identification based on machine learning

[J]. Journal of Ordnance Equipment Engineering, 2020, 41(10): 16-21.

[本文引用: 1]

[5]

JIANG

, REN

Y H

, LIU

, et al.

A method of radar target detection based on convolutional neural network

[J]. Neural Computing and Applications, 2021, 33(16): 9835-9847.

DOI:10.1007/s00521-021-05753-w URL [本文引用: 1]

[6]

ZHU

J D

, ZHAO

Y J

, TANG

Automatic recognition of radar signals based on time-frequency image character

[C]∥IET International Radar Conference 2013. Xi’an, China: IET, 2013: 1-6.

[本文引用: 1]

[7]

LIU

Z P

, WANG

L D

, FENG

Y T

, et al.

A recognition method for time-frequency overlapped waveform-agile radar signals based on matrix transformation and multi-scale center point detection

[J]. Applied Acoustics, 2021, 175: 107855.

DOI:10.1016/j.apacoust.2020.107855 URL [本文引用: 1]

[8]

陈昌孝, 何明浩, 徐璟, 等.

基于模糊函数相像系数的雷达辐射源信号分选

[J]. 电波科学学报, 2014, 29(2): 260-264.

[本文引用: 3]

CHEN

Changxiao

, HE

Minghao

, XU

Jing

, et al.

Radar emitter signal sorting based on resemblance coefficient of ambiguity function

[J]. Chinese Journal of Radio Science, 2014, 29(2): 260-264.

[本文引用: 3]

[9]

王功明, 陈世文, 黄洁, 等.

基于多重同步压缩变换的雷达辐射源分选识别

[J]. 现代雷达, 2020, 42(3): 49-56.

[本文引用: 2]

WANG

Gongming

, CHEN

Shiwen

, HUANG

Jie

, et al.

Radar emitter sorting and recognition based on multi-synchrosqueezing transform

[J]. Modern Radar, 2020, 42(3): 49-56.

[本文引用: 2]

[10]

VERMA

, AGRAWAL

Deep neural network in medical image processing

[M]∥Handbook of deep learning in biomedical engineering. Amsterdam, USA: Elsevier, 2021: 271-292.

[本文引用: 1]

[11]

王功明, 陈世文, 黄洁, 等.

基于迁移深度学习的雷达信号分选识别

[J]. 计算机科学与应用, 2019, 9(9): 1761-1788.

[本文引用: 3]

WANG

Gongming

, CHEN

Shiwen

, HUANG

Jie

, et al.

Radar signal sorting and recognition based on transferred deep learning

[J]. Computer Science and Application, 2019, 9(9): 1761-1788.

DOI:10.12677/CSA.2019.99198 URL [本文引用: 3]

[12]

谢存祥, 张立民, 钟兆根.

基于时频特征提取和残差神经网络的雷达信号识别

[J]. 系统工程与电子技术, 2021, 43(4): 917-926.

[本文引用: 1]

XIE

Cunxiang

, ZHANG

Limin

, ZHONG

Zhaogen

Radar signal recognition based on time-frequency feature extraction and residual neural network

[J]. Systems Engineering and Electronics, 2021, 43(4): 917-926.

[本文引用: 1]

[13]

WEI

S J

, QU

Q Z

, SU

, et al.

Intra-pulse modulation radar signal recognition based on CLDN network

[J]. IET Radar, Sonar & Navigation, 2020, 14(6): 803-810.

DOI:10.1049/iet-rsn.2019.0436 URL [本文引用: 1]

[14]

ALASKAR

Deep learning-based model architecture for time-frequency images analysis

[J]. International Journal of Advanced Computer Science and Applications, 2018, 9(12): 486-494.

[本文引用: 1]

[15]

FENG

Z P

, LIANG

, CHU

F L

Recent advances in time-frequency analysis methods for machinery fault diagnosis: A review with application examples

[J]. Mechanical Systems and Signal Processing, 2013, 38(1): 165-205.

DOI:10.1016/j.ymssp.2013.01.017 URL

[16]

LIU

Y J

, XIAO

, WU

H C

, et al.

LPI radar signal detection based on radial integration of Choi-Williams time-frequency image

[J]. Journal of Systems Engineering and Electronics, 2015, 26(5): 973-981.

DOI:10.1109/JSEE.2015.00106 URL

[17]

, WANG

Z H

, ZHAO

Multisynchrosqueezing transform

[J]. IEEE Transactions on Industrial Electronics, 2019, 66(7): 5441-5455.

DOI:10.1109/TIE.2018.2868296 URL

[18]

D X

, JIA

H Y

, YE

Y C

, et al.

High power microwave signal detection based on second order multisynchrosqueezing transform

[J]. Journal of Physics: Conference Series, 2020, 1617(1): 012049.

DOI:10.1088/1742-6596/1617/1/012049 URL

[19]

Z Y

Modulation recognition of communication signals based on deep learning joint model

[J]. Journal of Physics: Conference Series, 2021, 1856(1): 012042.

DOI:10.1088/1742-6596/1856/1/012042 URL [本文引用: 1]

合成孔径雷达运动目标检测的研究进展

2018

... 随着各种各样的军用探测与干扰设备被广泛投入使用,现代电子战环境日益复杂,电子侦察系统的工作难度不断提高^[1].雷达信号识别是电子侦察的关键因素^[2],准确识别雷达信号可以有效获取敌方军事部署情况,争取战争的主动权^[3].因此,在现代电子战中,如何有效识别雷达信号具有非常重要的研究意义. ...

合成孔径雷达运动目标检测的研究进展

2018

Real-time low-complexity automatic modulation classifier for pulsed radar signals

2015

基于报文数据的雷达侦察系统侦察能力评估

2020

基于报文数据的雷达侦察系统侦察能力评估

2020

基于机器学习的雷达辐射源识别方法综述

2020

... 雷达信号的脉内调制特征分析是影响雷达信号脉内调制类型识别精度的重要因素^[4].传统分析方法中时频分析法被广泛用于浅层特征的提取^[5].文献[6]基于图像增强、阈值二值化和数学形态学等一系列图像处理方法,提取雷达信号平滑伪Wigner-ville时频分布的形状特征并分析,在信噪比大于 -3 dB时,除Frank码外,识别准确率达到90%以上.文献[7]基于矩阵变换的方法,设计了一种多尺度中心点检测方法,对内容波形进行定位和识别,在信噪比大于0 dB时,整体平均识别准确率达到90%以上.文献[8]基于模糊函数,通过构建序列并求相像系数的方法,在信噪比为 -2 dB时,整体平均识别准确率达到91.2%.文献[9]基于多重同步压缩变换,对变换后的时频分布图进行纹理特征和矩特征提取,通过支持向量机(SVM)实现雷达信号的自动调制识别,在信噪比为 -2 dB时,整体平均识别准确率达到96.5%. ...

基于机器学习的雷达辐射源识别方法综述

2020

A method of radar target detection based on convolutional neural network

2021

Automatic recognition of radar signals based on time-frequency image character

2013

A recognition method for time-frequency overlapped waveform-agile radar signals based on matrix transformation and multi-scale center point detection

2021

基于模糊函数相像系数的雷达辐射源信号分选

2014

... 为了进一步验证本文提出的基于双通道卷积神经网络模型的性能,本文还选取了文献[8]提出的基于模糊函数相像系数的方法和文献[11]提出的基于GoogLeNet迁移深度学习网络的方法作对比.其中,基于文献[8]的对比实验,在信噪比 -10~10 dB 之间,9种仿真信号以2 dB为步长,在每个信噪比下每类信号生成 1000 个样本,求得样本模糊函数相像系数后,通过KFCM算法进行分选识别,其中初始聚类数目c=2,最大可能类别个数c_max=9,迭代次数为50,停止条件为损失值ε≤0.001,核函数为高斯径向基核.基于文献[11]的对比实验,在信噪比 -10~10 dB之间,9种仿真信号以2 dB为步长,在每个信噪比下每类信号生成 1000 个样本,基于MSST经预处理转化为224像素×224像素×3通道的RGB图像,其中80%用于训练,10%用于测试,10%用于验证.其中采用了Inception的GoogLeNet模型深度共有22层,训练迭代6次.对比实验的结果如图7所示. ...

... 其中,基于文献[8]的对比实验,在信噪比 -10~10 dB 之间,9种仿真信号以2 dB为步长,在每个信噪比下每类信号生成 1000 个样本,求得样本模糊函数相像系数后,通过KFCM算法进行分选识别,其中初始聚类数目c=2,最大可能类别个数c_max=9,迭代次数为50,停止条件为损失值ε≤0.001,核函数为高斯径向基核.基于文献[11]的对比实验,在信噪比 -10~10 dB之间,9种仿真信号以2 dB为步长,在每个信噪比下每类信号生成 1000 个样本,基于MSST经预处理转化为224像素×224像素×3通道的RGB图像,其中80%用于训练,10%用于测试,10%用于验证.其中采用了Inception的GoogLeNet模型深度共有22层,训练迭代6次.对比实验的结果如图7所示. ...

基于模糊函数相像系数的雷达辐射源信号分选

2014

基于多重同步压缩变换的雷达辐射源分选识别

2020

... MSST是由文献[17-18]在2018年提出的一种新的时频分析方法.MSST首先利用STFT获取雷达信号的时频分布图;其次,对时频分布图进行多次同步压缩,提升时频分布图的聚集性;最后通过函数迭代优化算法流程,减轻计算负担.作为一种线性时频工具,MSST不存在交叉项的干扰,在雷达信号分析处理上具有广阔的应用前景^[9].图2给出了9种典型雷达信号在信噪比为8 dB时的MSST时频图.由图2可知,经MSST时频变换,不同脉内调制类型的雷达信号特征在时频图上差异显著. ...

基于多重同步压缩变换的雷达辐射源分选识别

2020

Deep neural network in medical image processing

2021

... 随着人工智能、机器学习等技术的快速发展,得益于AlexNet、VGGNet、GoogLeNet、ResNet等经典神经网络模型在图像处理上的优异表现^[10],许多学者开始致力于通过神经网络对雷达信号进行深度特征提取.文献[11]基于多重同步压缩变换(MSST)时频变换,将变换后的时频图像送入GoogleNet进行雷达信号识别,在信噪比为 -4 dB时,整体平均识别准确率可以达到91%以上.文献[12]基于时频特征提取和残差神经网络,计算信号的伪Wigner-Ville分布(PWVD)并提取Zernike矩,使用残差神经网络分类器实现雷达信号识别,在信噪比为 -2 dB时,整体平均识别准确率达到93%以上.文献[13]首先利用卷积神经网络进行信号特征提取,将提取到的特征送入长短期记忆网络并通过深度神经网络输出识别类型,在信噪比为 -6 dB时,整体平均识别准确率达到90%以上.深度神经网络模型的引入极大地提高了电子侦察系统对雷达脉内调制类型识别的精度,但现代战争中雷达信号信噪比低,调制类型多样,如何在低信噪比、多种调制类型的情况下提高雷达信号识别的精度还值得进一步研究. ...

基于迁移深度学习的雷达信号分选识别

2019

... 基于文献[11]的对比实验,在信噪比 -10~10 dB之间,9种仿真信号以2 dB为步长,在每个信噪比下每类信号生成 1000 个样本,基于MSST经预处理转化为224像素×224像素×3通道的RGB图像,其中80%用于训练,10%用于测试,10%用于验证.其中采用了Inception的GoogLeNet模型深度共有22层,训练迭代6次.对比实验的结果如图7所示. ...

基于迁移深度学习的雷达信号分选识别

2019

基于时频特征提取和残差神经网络的雷达信号识别

2021

基于时频特征提取和残差神经网络的雷达信号识别

2021

Intra-pulse modulation radar signal recognition based on CLDN network

2020

Deep learning-based model architecture for time-frequency images analysis

2018

... 由于高斯白噪声的影响,在雷达时域信号上能够获取的有效特征较少,现阶段对雷达信号特征的获取主要集中在变换域^[14].通过对雷达信号进行时频分析,可以有效降低高斯白噪声的影响,放大不同调制信号之间的差异,获取更多的有效特征.同时,使用时频分析的方式可以将一维的时域信号变换为二维时频图像,方便后期卷积神经网络进行深度特征的提取. ...

Recent advances in time-frequency analysis methods for machinery fault diagnosis: A review with application examples

2013

LPI radar signal detection based on radial integration of Choi-Williams time-frequency image

2015

Multisynchrosqueezing transform

2019

High power microwave signal detection based on second order multisynchrosqueezing transform

2020

Modulation recognition of communication signals based on deep learning joint model

2021

... 由于现代电子战环境复杂,各种干扰设备导致接收到的信号中含有大量噪声干扰,尽管时频变换能有效降低噪声的影响,但得到的时频图像中仍然含有大量的干扰信息.为增强识别效果,在载入网络前,通常需要对时频图像进行预处理^[19].图3为CW时频图像在信噪比为 -2 dB时预处理前后的对比图.对原始时频图像的预处理流程如下: ...

〈

〉