基于LPINet的低截获概率雷达信号脉内调制识别方法

摘要

本发明公开了一种基于LPINet的低截获概率雷达信号脉内调制识别方法。该方法包含：通过时频分析获得12种低截获概率雷达信号的时频图像；并对时频图像进行预处理；在聚合残差神经网络基础上加入膨胀卷积和压缩激励结构以保持特征图的分辨率和提升模型的通道学习能力；使用交叉熵损失联合中心损失的方法对模型进行训练。本发明克服低信噪比低截获概率雷达信号脉内调制识别准确率低的问题；通过预处理降低时频图像中的背景噪声和空白频带的干扰；能够解决深度模型学习能力弱、泛化能力低、聚类效果差等问题；同时可以应用到具有更多类别雷达辐射源识别，具有很强适应性和推广性。

说明书

技术领域

本发明涉及雷达信号处理技术，特别是涉及一种基于LPINet的低截获概率雷达信号脉内调制识别方法。

背景技术

随着电磁环境日益复杂多变，电磁空间的控制权成为战争胜负的关键因素，其目的 是削弱敌方的装备效能，并确保我方的电子装备性能。但随着现代雷达辐射源的快速发展，尤其是以低截获概率雷达信号可防止被非合作截获接收机截获和检测，基于脉冲描 述字和专家库匹配的辐射源识别方法的传统电子侦察设备无法满足战场需求。因此亟需 从信号的变换域中提取更多的脉内特征，但人工构造的特征存在泛化能力弱、低信噪比 条件下无法适用和适用范围有限等缺点。

随着深度学习的快速发展，近年来，各种深度学习技术也被引入到了低截获概率雷 达信号脉内调制识别中。因为时频分析可以有效地体现信号在时、频域上的联合特征，所以可利用深度学习从时频图像中提取深层特征，以提升识别性能。但仍然存在一些不足：(1)因时频图像中噪声和冗余频带的干扰，深度学习模型不能充分挖掘不同类型信号时频图像中的差异，会降低正确识别率；(2)目前的神经网络，通过卷积操作提取多尺度 空间信息，而没有重视通道维度的信息，所以添加压缩激励结构使模型可以自动学习到 不同通道特征的重要程度；(3)训练中使用多分类交叉熵损失函数具有很好的分类效果， 但是无法有效缩小类内差距。

发明内容

发明目的：本发明的目的是提供一种基于LPINet的低截获概率雷达信号脉内调制识别方法，以减弱时频图像上背景噪声干扰和位置分布差异，强化网络神经元的感受野 和重置了通道维度的权重，并能有效完成在低信噪比下对低截获概率雷达信号的分类任 务。

技术方案：本发明的基于LPINet的低截获概率雷达脉内调制识别方法，包括以下步骤：

S1、对低截获概率雷达信号进行Choi-Williams时频分析，构建低截获概率雷达信号的时频图像集；

S2、对时频图像集进行预处理，首先，将时频图像集中的所有时频图像进行灰度化处理并采用二维维纳滤波对灰度化后的时频图像进行平滑处理；其次，采用归一化边际 频率分布去除无信号能量区域对平滑处理后的时频图像进行自适应裁剪；然后，对自适 应裁剪后的时频图像大小进行调整，得到预处理后的时频图像集；

将预处理后的时频图像集按照预设比例划分为训练集、验证集和测试集；

S3、构建LPINet模型，采用中心损失函数和交叉熵损失函数构建联合损失函数，设置LPINet模型超参数和优化器；

S4、使用训练集和验证集对LPINet模型进行训练；

S5、针对训练好的LPINet模型，使用测试集测试LPINet模型的识别准确率和聚类效果。

进一步的，步骤S1中低截获概率雷达信号包括LFM，Costas，BPSK，Frank，T1～T4和P1～P4；Choi-Williams表达式为：

其中，t为时间，x(s)为输入信号，ω为角频率，ε为比例因子，

进一步的，步骤S2中归一化边际频率分布表达式如下：

其中，C

对归一化后的边际频率分布生成分组数为N的直方图。

进一步的，步骤S2中时频图像大小调整的方法为：通过双线性插值将自适应裁剪后的时频图像进行大小调整。

进一步的，步骤S3中建立的LPINet模型包括卷积层、第一池化层、4个压缩激励 残差结构，第二池化层，全连接层和Softmax分类器，其中在最后两个压缩激励残差结 构中分别使用膨胀因子不同的膨胀卷积代替普通卷积，以维护特征图空间分辨率；压缩 激励残差结构包括压缩激励结构和聚合残差结构。

进一步的，步骤S3中构建的联合损失函数为：

其中，m为一次训练批次的样本数量；

进一步的，步骤S3中LPINet模型超参数包括批次大小、优化器和学习率。

本发明的基于LPINet的低截获概率雷达脉内调制识别系统，包括：

雷达信号分析及数据集构建模块，用于对采集的低截获概率雷达信号进行 Choi-Williams时频分析，构建低截获概率雷达信号的时频图像集；

预处理模块，用于对时频图像集进行灰度化处理、平滑滤波处理、自适应裁剪及调整时频图像大小，其中，平滑滤波处理采用二维维纳滤波；

数据集划分模块，将预处理后的时频图像集按照预设比例划分为训练集、验证集和 测试集；

LPINet模型构建模块，构建LPINet模型，并采用中心损失函数和交叉熵损失函数构建联合损失函数，设置LPINet模型超参数和优化器；

模型训练模块，采用训练集和验证集对LPINet模型进行训练；

模型测试模块，采用测试集对训练好的LPINet模型进行测试。

本发明的一种装置设备，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行上述基于LPINet的低截获概率雷达脉内调制识别方法的步骤。

本发明的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至 少一个处理器执行时实现上述基于LPINet的低截获概率雷达脉内调制识别方法的步骤。

有益效果：与现有技术相比，本发明方法首先消除分布在时频图像上背景噪声，再裁剪去无信号区间并重新调整图像尺寸，进而放大了不同类型信号特征差异。然后在聚 合残差网络的基础上，加入了膨胀卷积以维护感受野和压缩激励结构以增强通道相关性， 构建了LPINet。最后，训练网络时使用联合损失函数，使样本实现了更好的聚类效果。 实验结果表明，本发明对于12种低截获概率雷达波形，在信噪比低至-8dB时，整体识 别准确率为98.08％，具有更强的识别能力和泛化能力。

附图说明

图1为本发明方法流程图；

图2为本发明中12类雷达信号的时频分布图像示意图；

图3为本发明中预处理模块示意图；

图4为本发明中残差压缩激励块结构示意图

图5为本发明中LPINet示意图；

图6为仿真实验中时频图像预处理方法性能对比示意图；

图7为仿真实验中模型输入图片尺寸影响识别性能对比示意图；

图8为仿真实验中四种识别方法提取的特征可视化示意图；

图9为仿真实验中四种识别方法在不同信噪比下的正确识别率比较。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的描述。

如图1所示，本发明的一种基于LPINet的低截获概率雷达信号脉内调制识别方法，包括以下步骤：

S1、对低截获概率雷达信号进行Choi-Williams时频分析，构建低截获概率雷达信号的时频图像集；

采用Choi-Williams时频分析获得12类雷达信号的时频图像，Choi-Williams表达式 为：

其中，C(t,ω)为时频矩阵，t为时间，ω为角频率，ε为比例因子，

实施例中对12类雷达信号进行了时频分析，图2中(a)～(l)分别给出了12类 雷达信号在信噪比为10dB时的时频图像。12类雷达信号分别为：LFM，Costas，BPSK， Frank，T1～T4和P1～P4。

S2、对时频图像集进行预处理，将预处理后的时频图像集按照预设比例划分为训练 集、验证集和测试集；

为了保留时频图像中仅包含调制信息的区间和降低后续模型的训练时间，对时频图 像进行预处理：首先，将原始时频图像转化为灰度图；然后，通过二维维纳滤波平滑背景噪声；其次，通过边际频率分布的裁剪去除时频图像中的无信号分布区域；最后，经 过双二次线性插值固定图像的大小，得到维度为224×224的灰度时频图像。

具体如图3所示，包括以下步骤：

S21、对时频图像灰度化，并进行二维维纳滤波处理，去除背景噪声的影响；

虽然Choi-Williams可以体现时频域联合特征，但在低信噪比下时频图像中仍然分 布有大量背景噪声，这会影响后续的识别。因此，使用二维维纳滤波对灰度时频图像的背景噪声进行平滑处理，去除背景噪声的影响；其局部邻域参数设置为40×40。

S22、对S21处理后的时频图像进行自适应裁剪，删除时频图像中的冗余频带；

灰度化的时频图像经过平滑处理后，虽然较大程度抑制了背景噪声，但为了进一步 突出不同调制类型信号之间的微小差异，本发明采用归一化边际频率的直方图分布去除 无信号能量区域。归一化边际频率分布表达式如下：

其中，C

对归一化后的边际频率分布生成分组数为N的直方图，本实施例中分组数为100，选取分组号r＝45为初次门限；即将归一化后的边际频率分布平分为100组集合，选取 第45组数据的均值为门限，C

S23、图像大小调整；对自适应裁剪后的时频图像重置图像大小以适应网络输入；

为了降低模型的训练时间，通过双线性插值将自适应裁剪后的图像大小调整为224×224，作为后续模型的输入。

实施例中，图3为SNR＝-8dB时的T1编码图像预处理后的时频图像，步骤分别为 原始时频图像、灰度化、二维维纳滤波、图像自适应裁剪和图像大小调整。总体来看， 经过上述预处理后的时频图像更好地体现了信号的时频微小特征。

S24、数据集划分；

对于每种雷达信号，在每个信噪比下各产生300个的单脉冲信号，将预处理后的时频图像集按照预设比例划分为训练集、验证集和测试集；

本实施例中，将预处理后的32 400个单脉冲信号样本，分为训练集、验证集和测试集：训练集为70％，验证集为15％和测试集15％。测试集的信噪比范围为-10dB到10 dB，其中-10dB和10dB用于分析模型的泛化能力。

S3、构建低截获概率网络(LPINet)模型，确定联合损失函数，设置LPINet模型 超参数，模型超参数包括：批次大小、优化器和学习率；

S31、构建LPINet模型；

LPINet模型包括卷积层、第一池化层、4个压缩激励残差结构，第二池化层，全连接层和Softmax分类器，其中在最后两个压缩激励残差结构中分别使用膨胀因子不同的 膨胀卷积代替普通卷积，以维护特征图空间分辨率；压缩激励残差结构包括压缩激励结 构和聚合残差结构。

a)压缩激励残差结构，参照图4：

压缩激励残差结构将聚合残差网络和压缩激励结构结合。其输出形式为：

其中，X为上一级模块输出的特征向量，Y表示当前模块的输出特征向量，L为拓 扑结构，G为分组卷积的分组数，SE(·)为压缩激励结构属于注意力机制。

b)LPINet模型，参照图5：

本发明构建的LPINet模型结构如图5。输入为消除背景噪声和冗余区间的时频图像， 其维度为224×224，输出为LPINet模型的分类结果。

S32、确定联合损失函数；

虽然交叉熵损失函数在多分类任务中具有很好的效果，但其并没有强调类间分离和 类内聚合。因此，本发明提出在交叉熵损失函数基础上联合中心损失函数监督模型训练的方法，中心损失函数作为一种辅助训练的损失函数，可以提升最终的聚类效果。综上， 最终采用的联合损失函数表示为：

其中，m为一次训练批次的样本数量；

联合损失函数可以在增大类间距离的同时，缩小类内距离，从而获得更好的聚类效 果。

S33、设置模型超参数辅助模型训练；

本发明采用PyTorch 1.8.1，Jupyter Lab和CUDA 11.1。硬件设施包括Intel(R)Core i7-10700 CPU 2.90GHz CPU，NVIDIA GeForce GTX 1660和16GB内存。训练中的优化器为Adam，批次大小为128，总共迭代90，初始学习率为0.01。

S4、使用训练集和验证集对LPINet模型进行训练，并保存训练稳定后的LPINet模型；

模型训练时，首先初始化模型的参数，然后通过前向传播计算联合损失函数值，最后利用反向传播算法更新模型参数，不断重复上述操作直到最大迭代数，同时利用优化 器Adam降低训练过程中损失函数值，使预测分布和目标分布越来月接近，从而提升模 型的训练精度。

使用训练集和验证集训练模型，其中学习率设置动态调整，即连续五次识别准率不 降低将学习率降低30％。同时，采用提前停止技术，可以保存训练过程中的最佳模型参数。

S5、针对训练好的LPINet模型，使用测试集测试LPINet模型的识别准确率和聚类效果；

使用训练好的LPINet模型对测试集进行分类识别，得到12类低截获概率雷达信号的正确识别率曲线和聚类分布图；具体的：

模型参数确定后，首先使用测试集测试每类信号在每种信噪比条件下的准确率，然 后从测试集中每类选取90个样本，并使用t-分布随机嵌入邻域可视化算法将模型提取的高维特征降至二维，便于后续分析聚类效果。

综上，通过对12类低截获概率雷达信号进行时频分析和图像预处理后，训练LPINet 模型，由于信号类型较多，且某些信号之间相似度较高，在训练过程中容易使信号的类 内间距较大。因此，在交叉熵损失基础上联合中心损失函数，使训练结构获得更好的聚 类效果，并提升雷达信号分类的准确率。

本发明的基于LPINet的低截获概率雷达脉内调制识别系统，包括：

雷达信号分析及数据集构建模块，用于对采集的低截获概率雷达信号进行 Choi-Williams时频分析，构建低截获概率雷达信号的时频图像集；

预处理模块，用于对时频图像集进行灰度化处理、平滑滤波处理(本发明采用二维维纳滤波)、自适应裁剪及调整时频图像大小；

数据集划分模块，将预处理后的时频图像集按照预设比例划分为训练集、验证集和 测试集；

LPINet模型构建模块，构建LPINet模型，并采用中心损失函数和交叉熵损失函数构建联合损失函数，设置LPINet模型超参数和优化器；

模型训练模块，采用训练集和验证集对LPINet模型进行训练；

模型测试模块，采用测试集对训练好的LPINet模型进行测试。

本发明的一种装置设备，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行上述基于LPINet的低截获概率雷达脉内调制识别方法的步骤，并达到如上述方法一致的技术效果。

本发明的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至 少一个处理器执行时实现上述基于LPINet的低截获概率雷达脉内调制识别方法的步骤， 并达到如上述方法一致的技术效果。

为了验证本发明的效果，通过以下仿真实验数据进一步说明：

a)仿真参数和仿真条件：

为了使仿真数据更好地符合实际情况，针对12种低截获概率雷达信号，在信号中加入高斯白噪声。信号动态参数范围如表1所示，其中，U(·)为均匀分布。

表1低截获概率雷达信号仿真参数

b)仿真实验1，比较不同预处理方法对识别准确率的影响。预处理方法(a)将平滑滤 波后的时频图像进行二值化处理，并调整大小为224×224；预处理方法(b)即本发明所提 出的时频图像预处理方法，不仅降低了背景噪声干扰，裁去时频图像中的无信号频带区间，同样以224×224作为模型输入尺寸；预处理方法(c)为仅将维纳滤波后的时频图像调整大小后输入模型。实验结果如图6所示，表明本实施例中的预处理方法能有效提升识 别精度，这是因为预处理方法(a)中二值化图像信息丢失严重，进而导致在SNR低于 -4dbB时,识别准确率严重降低，预处理方法(c)中虽然已经消除了时频图像中背景噪声干 扰，但是还受到位置分布差异的影响，导致低信噪比条件下正确识别率低于本发明所提 出的预处理方法。

c)仿真实验2，探讨LPINet输入层的大小分别为56×56、112×112和224×224时，对识别效果的影响。如图7所示，当输入为224×224时，获得最佳分类准确率。这是因 为输入尺寸越小(如56×56)，时频图像将丢失更多的细节信息(如BPSK信号时频图像末 端的跳频)，这将导致具有类似时频特征的信号在噪声影响下难以识别。

d)仿真实验3，将本发明提出的识别方法(a)与识别方法(b)、(c)和(d)比较。

不同识别方法采用的预处理方法均不相同，分别从各自的测试集(-8dB)中每类选取 90个样本，并使用t-分布随机嵌入邻域可视化算法将四种方法提取的高维特征降至二维， 便于后续可视化分析。图8(a)～(d)中不同的颜色和形状代表了不同类型的雷达信号，其中具有相似特征的雷达信号在二维特征平面中相互接近。

识别方法(b)采用的是将平滑滤波后的时频图像进行二值化和缩放处理，但低信噪比 条件下二值化信息严重损失，再使用CNN提取特征，最终用于分类的特征图大小仅为5×5，无法较大程度保留信号的微小特征，使得二维特征空间中聚类效果特别差，即分 类效果不理想，如图8(b)所示。

识别方法(c)和识别方法(d)都是采用相同的预处理操作，再分别采用残差网络和扩张 残差网络进行特征提取和分类。但是在低信噪比条件下，开运算操作无法有效处理时频 图像中的背景噪声，分类的特征图尺寸分别为7×7和28×28，所以这两种方法的聚类效果是明显优于识别方法(b)。但是对于具有相似特征3组信号(BPSK和T1码，LFM、 P1、P2、P3、P4和Frank，T2、T3和T4码)易出现混淆情况，如图8(c)-(d)所示。由 于识别方法(d)最终用于分类的特征图尺寸大于识别方法(c)，所以图8(d)相较于图8(c) 具有较好聚合性，说明用于分类的特征尺寸越大，越有利于学习信号的细微特征。

本发明提出的识别方法(a)，提取的特征比其他识别方法具有更强的识别能力和聚类 效果，得益于本发明在四个方面的改善：1)消除时频图像中的背景噪声和裁去无信号能量区间；2)LPINet基于聚合残差网络提取时频图像特征；3)通过压缩激励结构强化 通道特征指向性，并利用膨胀卷积维持图像分辨率；4)在交叉熵损失的基础上联合中 心损失函数监督模型训练，可以在增大类间距离的同时缩短类内差距，从而体现更好的 聚类效果，如图8(a)。

e)仿真实验5，显示四种识别方法在不同信噪比条件下的识别正确率。由图9(a)～(l)可知，识别方法(a)在低信噪比条件下能取得更好的识别性能。