Professional Documents
Culture Documents
l.19No.
1
2021 年 2 月 Radar
Sci
ence
and
Techno
logy Feb
rua
r 2021
y
DOI: 3969/
10. j.i
s 1672-2337.
sn. 2021.
01.
014
基于神经网络与时域校验的信号分选方法
*
刘峻臣,胡 进
(中国船舶重工集团公司第七二四研究所,江苏南京 211106)
摘 要:针对现有雷达信号预分选方法对参数捷变雷达信号分选准确率不高的技术难题 ,提出了一种
基于深度学习算法的全连接神经网络与时域校验的雷达信号预分选方法。该方法 首 先 提 取 雷 达 数 据 库 中
已知雷达信号的载频、脉宽和脉内调制信息作为单脉冲分选特征,使用全连接神经网络完成单脉冲的识别。
为了避免神经网络将未在雷达数据库中的信号(未知雷达信号)识别为已知雷达信号,在神经网络的输出层
中加入置信度神经元生成置信指数,将置信指数低于阈值的判定为未知雷达信号进行剔除。最后根据分选
结果调用雷达数据库中对应的时域信息(脉冲重复 间 隔),进行 时域 校 验,完 成 雷 达 信 号 预 分 选。仿 真 结 果
表明,该方法在不同信噪比环 境 下 对 参 数 捷 变 雷 达 信 号 有 较 高 的 分 选 准 确 率,并 且 能 有 效 剔 除 未 知 雷 达
信号。
关键词:信号分选;参数捷变;全连接神经网络;置信指数;时域校验
中图分类号:
TN971 文献标志码:
A 文章编号:
1672-2337(
2021)
01-0086-06
A
Met
hod
of
Radar Si
gna
l So
rting Based
on Neur
al
Netwo
rk
and Time
Doma i
n Ver
ifica
tion
Junchen,HU
LIU Jin
(
The t
724h
Res
ear
ch
Ins
tit
ute
of
Chi
na
Shipbu
ildi
ng
Indus
try
Corpo
rat
ion,Nanj
ing 211106,Ch
ina)
Ab str
ac t: Aimi ng at
the t
echnica
l d
iff
icu
lty t
ha tt
heex
ist
ing r
adar s
igna
l pre-sor
ting method has
low accura-
cy of par
ame t
er agi
le radar s
ignals
ort
ing,a f
ull c
y onnec
ted neura
l netwo rk
based on deep
lea
r n
ing algori
thm and
time-doma in veri
fic
ation radar s
ignal
pre-s
ort
ing method i
s proposed.F irst
ly,t his method extrac
ts the c
a r
rier
frequency,pu l
se width and int
ra-pul
se modula
tion inf
ormation o
f the known radar s
ignali
nt
he radar dat
abase as
t
hes
ingl
e pu
lse
so
rti
ng fe
atures,and us
es the
ful
l c
y onnec
ted neura
l networkt
o
comp l
ete
the
ident
if
icat
ion
oft
he
s
ing
le pul
s ,
e.Then in
order
to avo
idt
hatt
he neu
ralne
twork
recogni
z e
s the
si
gnal (
s unknown rada
r s
ignal )
st hat
are
noti
n the
radar dat
abasea
st
he
known rada
r s
ignas,a
l con
fidence
neuroni
sadded
t
o t
he output
laye
r of
the
neura
l network to genera
te a
conf
idenc
e ndex,r
i ee
jct
ing
the deci
sion t
hat the
conf
idence
index i
s below the
t
hre
shold
as an unknown r
adars
igna
l.F i
nal
ly,acco
rding
tot
he
sort
edr
esut,t
l he c
orrespond
ing
time
domaini
n-
f
ormat
ion (puls
e r
epet
it
ioni
nt
erval)in
ther
ada
r dat
abase
is
ca
lled
t pe
o rf
orm t
ime domain
ver
ifi
cat
iont
o
com-
pl
etet
he r
adars
igna
l pre-s
ort
ing.The simul
ation resul
ts show tha
t the
met
hod has h
ighers
or
ting
accur
acyf
or
par
ame t
er-ag
ile
rada
r s
ignals
unde
r d
iff
erent
si
gna l
-to-noi
se rat
io
envir
onment
s and
can
elimi
nate
the
unknown
ra-
da
r s
ignal
s e
ffec
tive
ly.
Ke
y words:s o
rti
ng
signa
ls;pa
rame
ter
ag
ili
ty;f
ull
y c
onne
cted
neu
ral
ne
two
rk;c
onf
idenc
e ndex;t
i ime
do-
ma
in
ver
ifi
cat
ion
号的调 制 方 式 越 来 越 复 杂 多 变 [1-2]。 如 果 能 利 用
雷达数据库中的信 息 对 脉 冲 流 中 的 已 知 信 号 进 行
0 引 言 预分选,将大大提高 雷 达 信 号 分 选 的 效 率,实 现 对
随 着 电 子 信 息 技 术 的 逐 渐 发 展,当 今 电 子 侦 雷达脉冲 流 的 稀 释,降 低 后 续 对 未 知 雷 达 信 号 进
察设备面 临 的 电 磁 环 境 越 来 越 复 杂,一 方 面 体 现 行分选的复杂度 [3]。
在脉冲流 密 度 急 剧 增 加,另 一 方 面 体 现 在 雷 达 信 传统的模板匹配 法 使 用 雷 达 数 据 库 先 验 信 息
*
收稿日期:2020-07-09;修回日期:2020-08-20
2021 年第 1 期 刘峻臣:基于神经网络与时域校验的信号分选方法 87
进行匹配分选 [4],分 选 速 度 较 快,但 无 法 适 用 于 参 双谱是最简单 的 高 阶 谱,运 用 双 谱 分 析,可 以
数捷变的雷达信 号。 聚 类 方 法 将 相 似 度 高 的 雷 达 达 到 有 效 抑 制 高 斯 噪 声 的 目 的。 若 随 机 序 列
信号划分 为 一 类 [
5-6]
,有 较 强 的 自 适 应 能 力,但 是 s(
{ n),
s(n+τ1),…,
s(n+τk-1)}的 k 阶 累 积 量
没有充分利用雷达 数 据 库 的 先 验 信 息 进 行 准 确 识 满足
别。传统的 神 经 网 络 层 数 较 少,将 其 应 用 于 雷 达 ∞ ∞
… cks (
τ1 ,…,
τk-1) < ∞ (
2)
信 号 预 分 选 时 [7],存 在 学 习 速 度 慢、拟 合 精 度 不 ∑
τ1= -∞ τk-1= -∞
∑
高、易陷入局部极小 值,无 法 正 确 剔 除 未 知 雷 达 信 则其 k 阶谱分布为k 阶 累 积 量 的(
k-1)维 离
号等问题。 针 对 以 上 问 题,本 文 同 时 将 脉 间 和 脉 散傅里叶变换,信号的双谱即三阶谱,定义为
内参数 [
作 为 信 号 分 选 特 征,使 用 基 于 深 度 学 习
8] ∞ ∞
( )
Bs(
w1 ,
w2)= ∑ ∑c s
3 (
τ1 , e-jw1τ1+w2τ2
τ2)
算法实现的全连接 神 经 网 络 作 为 分 类 器 实 现 对 已 τ1=-∞ τ2= -∞
知雷达信 号 的 分 选,并 且 在 全 连 接 神 经 网 络 中 引 (
3)
入了置信度神经元 [
9]
来感知未知雷达信号并进行 对变换后的信号沿 时 间 频 率 对 角 面 对 空 间 X
剔除。最后利用雷达 数 据 库 中 信 号 的 脉 冲 重 复 间 进行子空间划分为 X1 , X N ,则 变 换 后 的 信
X2 ,…,
PRI)信息进行时域校验,进 一 步 剔 除 未 知 雷 达
隔( 号 S 在特征子 空 间 Xi 下 的 子 空 间 分 布 概 率 可 表
信号,进而提高分选准确率。 示为
∑E(S)
Xi
1 改进的全连接神经网络 PXi = ,
i=1,
2,…,
N (
4)
∑E(S)
X
基于深度学习算 法 实 现 的 全 连 接 神 经 网 络 是
根 据 信 息 熵 的 定 义,可 以 得 到 子 空 间 分 布 概
一种非线 性 数 据 建 模 工 具,常 用 来 对 输 入 与 输 出
率下信号的信息熵:
间复杂的 关 系 进 行 建 模,具 有 独 特 的 分 布 并 行 处 N
理、非线性 映 射 和 自 适 应 学 习 能 力 等 特 征 [
10]
。该 Hx (
s)=- ∑Pxil
nPxi (
5)
i=1
网络结构包含多个 隐 藏 层,能 以 更 少 模 型 参 数、更 对信号的 维 格 纳 分 布 和 双 谱 分 布 进 行 式 (
4)
快收敛速度和更高拟合精度来逼近现实 [
。全 连
11]
与式 (
5)的 计 算 可 以 得 到 信 号 的 维 格 纳 熵 与 双
接神经网络的训练 分 为 前 向 传 播 和 反 向 传 播 两 个 谱熵。
过程,在前向传播过 程 中,通 过 输 入 特 征 得 到 分 类
结果。反向传播利用 梯 度 下 降 法 对 损 失 函 数 进 行 2 改进的全连接神经网络结构
1.
优化,使损失函数减 小,从 而 实 现 对 神 经 网 络 参 数 本文使用的全连接神经网络结构如图 1 所示。
的调整,不断提高神经网络的分类能力。
1 全连接神经网络输入特征
1.
全连接神经网络 的 输 入 分 别 为 雷 达 脉 冲 信 号
的载频、脉宽,以及文 献 [
12]中 提 出 的 用 以 区 分 雷
达脉内调制模式的维格纳熵和双谱熵。
维 格 纳 分 布 是 时 频 分 析 中 常 采 用 的 方 法,是
一种典型的 Cohen 类时 频 分 析 方 法。 维 格 纳 分 布
定义为信 号 的 中 心 协 方 差 函 数 的 傅 里 叶 变 换,能 图 1 全连接神经网络结构图
充分体 现 信 号 在 能 量 空 间 的 瞬 时 功 率 谱 密 度 特
全 连 接 神 经 网 络 由 输 入 层、隐 藏 层 和 输 出 层
征。信号s(
t)的维格纳分布定义为 组成。输入层有 4 个神经元,输入雷达脉冲的 4 种
1 1 1
∫ ( )( )
∞
Ws(
t,
f)= t+ τs* t- τ e-j2πfτd
s τ 特征,分别为 雷 达 脉 冲 信 号 的 载 频、脉 宽、维 格 纳
2π -∞ 2 2
熵和双谱熵。
(1)
隐藏层一 共 有 4 层,分 别 包 含 32、 128 和
128、
88 雷达科学与技术 第 19 卷第 1 期
32 个神经元,每 一 层 神 经 元 将 上 一 层 输 出 数 据 作 入了一个置信度神经元。
为输 入,乘 以 权 重 W ,再 加 上 偏 置 b,最 后 通 过 置 信 度 神 经 元 连 接 前 一 层 隐 藏 层,在 神 经 元
ReLU 激活 函 数 得 到 下 一 层 神 经 元 的 输 入,公 式 内使 用 S
igmo
id 激 活 函 数 生 成 置 信 指 数 c。 改 进
如下: 后的全连接神经网络的输出概率为
a =ReLU(
1
W a +b ) 烌
1 0 1
P′
j=c·Pj + (
1-c)
yj (
8)
a =ReLU(
2
W 2a
1
+b2) 式中,
Pj 为 So
ftmax 层 输 出 概 率,
yj 为 训 练 样 本
烍 (
6)
a3 =ReLU(
W 3a
2
+b3) 原始标签。当c 较大(置信度高)时,神经网络的预
a =ReLU(
4
W a +b )烎
4 3 4
测结果主 要 取 决 于 So
ftmax 层 的 预 测 概 率,当 c
式中,a 为输入层数据,
0
W 1 ∈R4×32 ,
W 2 ∈R32×128 , 较小(置 信 度 低 )时,神 经 网 络 的 预 测 结 果 主 要 取
3
W ∈R ,W ∈R
128×128 4 128×32
,
b ∈R ,
1 32
b ∈R 2 128
, 决于样本原始标签的类型。
3
b ∈R 128
,
b ∈R32 。
4
输出层使 用 So
ftmax 函 数 进 行 分 类,分 别 输 4 损失函数
1.
出各个类别的 可 能 性 (
0. 0),最 后 选 择 可 能
0~1. 由 于 雷 达 信 号 分 选 属 于 分 类 问 题,所 以 本 文
性得分最 高 的 类 别 作 为 预 测 的 类 别。So
ftmax 层 采用了 So
ftmax s函数用以计算当前迭代中的
Los
的输出概率为 分类损失,损失函数如下:
yi N
e
Pi = K
(
7) og(
Ls =- ∑yjl P′j ) (
9)
yi
∑ i=1
e j=1
图 2 FNNTI方法流程图
1 神经网络训练与测试
4.
4 雷达信号预分选实验 为了验证本文方 法 对 参 数 捷 变 的 雷 达 信 号 的
本文 设 计 的 实 验 仿 真 环 境:Wi
ndow10,
Int
el 分选效果,设定 7 部参数存在混叠并且有一定捷变
CPU 7-4710HQ,
i 8GB 内存,显卡为 NVIDIA Ge- 的雷达信 号 作 为 雷 达 数 据 库 中 已 知 信 号,对 神 经
For
ce GTX 860 M。 编 程 工 具 为:Ma
tlab2014b, 网络进行训练。雷达 数 据 库 已 知 雷 达 信 号 参 数 如
Py
thon3.
7.4,
Tenso
rfl
ow-gpu
1. 0。
14. 表 2 所示。
90 雷达科学与技术 第 19 卷第 1 期
表 2 雷达数据库参数
根据数据库中7 部雷达信号的参数信息,使用
Ma
tlab 对每种信号在信噪 比 5, 15 和 20dB 的
10,
条件下分别生成500 个仿真脉冲,即每种雷达信号
生成 2
000 个脉冲,
7 种雷达信号合计 14
000 个 脉
冲,以雷达型号作为类别标签。
对 全 连 接 神 经 网 络 进 行 训 练 时,分 别 从 每 种
信号的 5, 15 和 20dB 脉 冲 中 随 机 取 450 个 脉
10,
冲,划分为训练集,合计 12
600 个脉冲。 将 剩 余 脉
冲划分为验证集,合计 1
400 个脉冲。将训 练 集 中
(
b)准确率随迭代次数变化曲线
脉冲的载频、脉宽、维 格 纳 熵 和 双 谱 熵 作 为 输 入 特
图 3 改进的全连接神经网络训练效果图
征,使用 指 数 衰 减 型 学 习 率,初 始 学 习 率 设 置 为
2,学习 衰 减 率 为 0.
0. 99,迭 代 次 数 为 7
000 次, 无量纲值,其 数 值 大 小 用 来 衡 量 预 测 值 与 真 实 值
λ
初始值设定为 1. 0,迭代 7 000 次之后,全连接神经 的差异大小。
64% ,神 经 网 络 训
网络在验证集上的准确率为 99. 由全连接神经网 络 的 在 验 证 集 上 的 分 选 结 果
练在验证集上的结果如图3 所示,其中损失函数为 可以看出,全 连 接 神 经 网 络 在 雷 达 参 数 混 叠 且 参
数存在一定捷变的情况下具有很好的分选效果。
2 未知雷达信号判定测试
4.
为了验证分选方法在同时具有已知雷达信号和
未知雷达信号的混合脉冲流中的具体表现,设定 11
部雷达信号,其中 7 部为经过神经网络训练过的雷
达数据库信号,参数如表 2 所示,另外 4 部为未知雷
达信号。未知雷达信号的脉内调制类型与雷达数据
库中已知雷达信号脉内调制类型相似,脉间参数存
(
a)损失值随迭代次数变化曲线
在一定混叠,未知雷达信号参数如表 3 所示。
表 3 未知雷达信号仿真参数
载频/MHz 采样率/ 脉宽/ /μs
PRI
雷达序号 脉内调制类型 编码类型
及调制类型 MHz μs 及调制类型
未知 1 常规调制(
CW) [
15, 17],组变,每组 20 个
16, 无 60 10 200,抖动量 1%
未知 2 线性调频(
LFM) 15,调频带宽 6,载频固定 无 60 15 [
200, 280],参差
240,
未知 3 二相编码(
BPSK) [
8, 15],载频捷变
11, [
1,0,
0,1,
1,1,
0,1,
1,0] 60 10 250,固定
未知 4 四相编码(
QPSK) 15,载频固定 弗兰克编码方式 60 10 300,正弦调制,调制幅度 40
2021 年第 1 期 刘峻臣:基于神经网络与时域校验的信号分选方法 91
11 部雷 达 信 号 分 别 在 5,
10 和 20dB 的 信 噪 表 4 不同信噪比环境下雷达信号分选准确率
由雷达信号预分选的最终结果可以看出,时域
校验利用雷达的时域关联特性,在一定程度上能进
一步剔除未知雷达信号,提高分选准确率。
(
a)So
ftmax 预测值分布直方图
5 结束语
本文利用雷达数据库中雷达信号的脉内和脉间
特征,对加入置信度神经元的全连接神经网络进行
训练,在保证神经网络分选准确率的前提下,增加了
其对未知雷达信号的判别能力。最后对神经网络的
分选结果进行时域校验,进一步提高分选方法的准
确率。仿真实验表明,在不同的信噪比环境下,本文
提出的方法对参数捷变的雷达信号有较高的分选准
b)置信指数c 分布直方图
(
图 4 5dB 信噪比下置信度分布直方图
确性,并且能很好地剔除未知雷达信号,具有一定的
参考价值。
由图 4 可以看出,已知雷达信号和未知雷达信
号最 大 So
ftmax 的 预 测 值 出 现 严 重 混 叠,直 接 对 参考文献 :
So
ftmax预测值设置阈值无法很好地分离已知雷达
1]王杰贵,靳学明 .现代雷达信号分选技术综述[
[ J].雷达
信号和未知雷达信号。未知雷达信号输出的置信指
科学与技术,
2006,4(
2):
104-108.
数c 相对较小,已知雷达信号输出的置信指数c 相
2]韩俊,陈晋 汶,孙 茹 .复 杂 体 制 雷 达 辐 射 源 信 号 识 别 新
[
对较大,两者具有一定的区分性,因此通过对置信指 方法[
J].雷达科学与技术,
2016,14(
1):
76-80.
数c 设置阈值能够剔除一部分未知雷达信号。 3]刘旭波,刘敬蜀,刘斌,等 .随 机 森 林 分 类 用 于 雷 达 信 号
[
将实验 1 中验证 集 的 最 小 c 值 作 为 置 信 指 数 预分选新算法研究[
J].科技导报,
2019,
37(
13):
93-97.
阈值,小于阈值的判 定 为 未 知 信 号,大 于 阈 值 的 使 4]王琨鹏,颜 春 林,杨 辉 .基 于 模 板 匹 配 的 雷 达 辐 射 源 信
[
用 So
ftmax 层的 预 测 结 果 进 行 类 别 判 断,得 到 结 号识别研究[
J].舰船电子对抗,
2014,37(
5):
31-33.