本發(fā)明涉及雷達(dá)輻射源識(shí)別領(lǐng)域，具體涉及一種基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法。

背景技術(shù)：

1、雷達(dá)輻射源個(gè)體識(shí)別技術(shù)作為電子對(duì)抗領(lǐng)域的關(guān)鍵技術(shù)之一，能夠?qū)⑼恍吞?hào)雷達(dá)目標(biāo)的不同個(gè)體區(qū)分開(kāi)來(lái)，進(jìn)而對(duì)搭載雷達(dá)的平臺(tái)進(jìn)行鑒別，是雷達(dá)輻射源情報(bào)分析過(guò)程中的核心環(huán)節(jié)之一，有著極其重要的應(yīng)用前景。隨著現(xiàn)代科技的快速發(fā)展和有源相控陣等新體制雷達(dá)的普及，依靠傳統(tǒng)脈沖調(diào)制參數(shù)進(jìn)行雷達(dá)輻射源分選和識(shí)別的經(jīng)典方法已經(jīng)難以奏效。因此，能夠利用單個(gè)脈沖內(nèi)的無(wú)意特征對(duì)輻射源加以區(qū)分的個(gè)體識(shí)別技術(shù)顯得愈發(fā)重要。然而，雷達(dá)輻射源無(wú)意特征的提取一直是個(gè)體識(shí)別的難點(diǎn)之一。

2、個(gè)體識(shí)別的首要任務(wù)是找出能夠表達(dá)個(gè)體獨(dú)特的本征表示，特征的優(yōu)劣直接決定了識(shí)別的效果。然而，雷達(dá)輻射源細(xì)微特征產(chǎn)生機(jī)理復(fù)雜，目前缺少數(shù)學(xué)模型上的支撐，對(duì)這類不穩(wěn)健特征進(jìn)行量化描述變得異常困難。

3、近年來(lái)，伴隨著深度學(xué)習(xí)方法在多個(gè)領(lǐng)域內(nèi)的成功應(yīng)用，其強(qiáng)大的樣本分析和特征提取能力受到了電子對(duì)抗領(lǐng)域內(nèi)學(xué)者們的廣泛關(guān)注，深度學(xué)習(xí)的出現(xiàn)使得雷達(dá)輻射源細(xì)微特征的高維描述和量化成為了可能。深度學(xué)習(xí)利用數(shù)據(jù)驅(qū)動(dòng)思想，不需要人工進(jìn)行特征提取，可以通過(guò)訓(xùn)練網(wǎng)絡(luò)模型從低層級(jí)的物理特征中深度挖掘出高維特征，從而實(shí)現(xiàn)對(duì)復(fù)雜體制雷達(dá)信號(hào)的分離和識(shí)別。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，解決傳統(tǒng)復(fù)雜雷達(dá)信號(hào)特征參數(shù)提取困難而無(wú)法有效進(jìn)行個(gè)體識(shí)別的問(wèn)題。

2、為了達(dá)到上述的目的，本發(fā)明提供一種基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，包括：1)對(duì)原始雷達(dá)輻射源信號(hào)進(jìn)行預(yù)處理，剔除信噪比低于9db的原始雷達(dá)輻射源信號(hào)，并對(duì)預(yù)處理后的不同目標(biāo)的原始雷達(dá)輻射源信號(hào)進(jìn)行樣本標(biāo)注；2)對(duì)預(yù)處理后的原始雷達(dá)輻射源信號(hào)進(jìn)行雙譜分析，生成雷達(dá)輻射源個(gè)體樣本雙譜信號(hào)數(shù)據(jù)集；3)從雷達(dá)輻射源個(gè)體樣本雙譜信號(hào)數(shù)據(jù)集中隨機(jī)選取60％的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集l，選取20％的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集u，剩下的20％的數(shù)據(jù)作為測(cè)試數(shù)據(jù)集；4)構(gòu)建協(xié)同學(xué)習(xí)框架，生成bilstm-resnet18網(wǎng)絡(luò)模型，設(shè)置bilstm-resnet18網(wǎng)絡(luò)模型初始的訓(xùn)練超參數(shù)；5)以訓(xùn)練數(shù)據(jù)集l和驗(yàn)證數(shù)據(jù)集u為輸入，使用交叉熵?fù)p失函數(shù)作為bilstm-resnet18網(wǎng)絡(luò)模型的損失函數(shù)，使用均方根傳遞算法作為bilstm-resnet18網(wǎng)絡(luò)模型的優(yōu)化算法，對(duì)bilstm-resnet18網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；6)當(dāng)訓(xùn)練精度達(dá)到設(shè)定的閾值且不再增加時(shí)，bilstm-resnet18網(wǎng)絡(luò)模型訓(xùn)練完成，得到優(yōu)化的bilstm-resnet18網(wǎng)絡(luò)模型；7)以測(cè)試數(shù)據(jù)集為輸入，利用優(yōu)化的bilstm-resnet18網(wǎng)絡(luò)模型提取雷達(dá)輻射源信號(hào)個(gè)體細(xì)微特征，以softmax函數(shù)作為分類函數(shù)，輸出識(shí)別結(jié)果，將識(shí)別結(jié)果與目標(biāo)樣本標(biāo)注進(jìn)行對(duì)比統(tǒng)計(jì)，計(jì)算識(shí)別準(zhǔn)確率；8)待識(shí)別的雷達(dá)輻射源信號(hào)經(jīng)預(yù)處理、雙譜分析后，輸入到優(yōu)化的bilstm-resnet18網(wǎng)絡(luò)模型中，利用該網(wǎng)絡(luò)模型提取該雷達(dá)輻射源信號(hào)的個(gè)體細(xì)微特征，并輸出識(shí)別結(jié)果及其置信度。

3、上述基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其中，協(xié)同學(xué)習(xí)框架選擇殘差神經(jīng)網(wǎng)絡(luò)resnet18和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)bilstm；resnet18的輸入特征圖為單通道，輸出特征圖通道為64，卷積核大小為7×7，步幅為2，padding為3，激活函數(shù)為relu函數(shù)；bilstm的輸入為單通道，輸出通道為224，卷積核大小分別為2×512、3×512、4×512。

4、上述基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其中，所述步驟5)包括：5-1)將訓(xùn)練數(shù)據(jù)集l分成兩個(gè)數(shù)據(jù)集，即訓(xùn)練數(shù)據(jù)集l1和訓(xùn)練數(shù)據(jù)集l2；5-2)將訓(xùn)練數(shù)據(jù)集l1處理為224×224大小的矩陣，訓(xùn)練數(shù)據(jù)集l2處理為1×50176的序列；5-3)以處理后的訓(xùn)練數(shù)據(jù)集l1作為resnet18網(wǎng)絡(luò)模型的輸入，以處理后的訓(xùn)練數(shù)據(jù)集l2作為bilstm網(wǎng)絡(luò)模型的輸入，使用交叉熵?fù)p失函數(shù)計(jì)算網(wǎng)絡(luò)模型正向傳播的預(yù)測(cè)值與真實(shí)值之間的差值，若損失值過(guò)大，則利用均方根傳遞算法對(duì)網(wǎng)絡(luò)模型權(quán)重更新，經(jīng)過(guò)一個(gè)訓(xùn)練輪次生成resnet18網(wǎng)絡(luò)模型和bilstm網(wǎng)絡(luò)模型；5-4)使用訓(xùn)練生成的resnet18網(wǎng)絡(luò)模型和bilstm網(wǎng)絡(luò)模型分別對(duì)驗(yàn)證數(shù)據(jù)集u進(jìn)行分類；5-5)提取resnet18網(wǎng)絡(luò)模型對(duì)驗(yàn)證數(shù)據(jù)集u分類置信度最高及最低的k個(gè)數(shù)據(jù)合并至訓(xùn)練數(shù)據(jù)集l2中；5-6)提取bilstm網(wǎng)絡(luò)模型對(duì)驗(yàn)證數(shù)據(jù)集u分類置信度最高及最低的k個(gè)數(shù)據(jù)合并至訓(xùn)練數(shù)據(jù)集l1中；5-7)去除驗(yàn)證數(shù)據(jù)集u中2k個(gè)數(shù)據(jù)；5-8)重復(fù)步驟5-3)-步驟5-7)，直至驗(yàn)證數(shù)據(jù)集u為空(即直至驗(yàn)證數(shù)據(jù)集u中的數(shù)據(jù)全部去除)，此時(shí)網(wǎng)絡(luò)模型訓(xùn)練達(dá)到最優(yōu)。

5、與現(xiàn)有技術(shù)相比，本發(fā)明的有益技術(shù)效果是：

6、深度學(xué)習(xí)的出現(xiàn)使得雷達(dá)輻射源細(xì)微特征的高維描述和量化成為了可能，其利用數(shù)據(jù)驅(qū)動(dòng)思想，打破人工特征提取壁壘，通過(guò)訓(xùn)練網(wǎng)絡(luò)模型從低層級(jí)的物理特征中深度挖掘出高維特征，從而實(shí)現(xiàn)對(duì)復(fù)雜體制雷達(dá)信號(hào)的分離和識(shí)別。該方法魯棒性好，可適應(yīng)不同信噪比條件下的數(shù)據(jù)。

技術(shù)特征：

1.基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其特征在于，所述步驟2)包括：

3.如權(quán)利要求1所述的基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其特征在于，協(xié)同學(xué)習(xí)框架選擇殘差神經(jīng)網(wǎng)絡(luò)resnet18和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)bilstm；resnet18的輸入特征圖為單通道，輸出特征圖通道為64，卷積核大小為7×7，步幅為2，padding為3，激活函數(shù)為relu函數(shù)；bilstm的輸入為單通道，輸出通道為224，卷積核大小分別為2×512、3×512、4×512；

4.如權(quán)利要求1所述的基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其特征在于，所述步驟5)包括：

5.如權(quán)利要求1所述的基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其特征在于，交叉熵?fù)p失函數(shù)表示如下：

6.如權(quán)利要求1所述的基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，其特征在于，均方根傳遞算法如下：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于協(xié)同學(xué)習(xí)框架的雷達(dá)輻射源個(gè)體識(shí)別方法，用于實(shí)現(xiàn)復(fù)雜雷達(dá)輻射源的個(gè)體分離和識(shí)別，解決現(xiàn)有技術(shù)在樣本數(shù)量少以及質(zhì)量不高導(dǎo)致識(shí)別準(zhǔn)確率低的問(wèn)題。該方法包括批量對(duì)原始中頻單脈沖數(shù)據(jù)進(jìn)行預(yù)處理和雙譜信號(hào)提取，強(qiáng)化特征表征能力，生成樣本數(shù)據(jù)集；根據(jù)一定比例將樣本數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；選擇了BiLSTM和ResNet18網(wǎng)絡(luò)模型構(gòu)建協(xié)同學(xué)習(xí)框架進(jìn)行了協(xié)同訓(xùn)練，使用交叉熵?fù)p失函數(shù)作為模型的損失函數(shù)；將測(cè)試數(shù)據(jù)集輸入?yún)f(xié)同訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理，最后通過(guò)softmax完成分類識(shí)別，計(jì)算識(shí)別準(zhǔn)確率。本方法在復(fù)雜雷達(dá)輻射源個(gè)體識(shí)別領(lǐng)域具有良好的應(yīng)用前景。

技術(shù)研發(fā)人員：蔡偉,劉則林,張曉峰,林何磊,王宇
受保護(hù)的技術(shù)使用者：上海微波設(shè)備研究所（中國(guó)電子科技集團(tuán)公司第五十一研究所）
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6