文摘
领域的电子对抗、雷达信号的识别是非常重要的。本文使用GNU广播和通用软件无线电外围设备生成10类接近于真实的多脉冲雷达信号,即巴克,混乱,EQFM,弗兰克,移频键控、线性调频,LOFM, OFDM, P1, P2。为了获得多脉冲雷达信号的时频图像(TFI),信号Choi-Williams分布(鹿)转换。针对多脉冲雷达信号TFI的特点,我们设计了一个特色融合提取模块(DFFE),提出了一种新的HRF-Net深基于这个模块的学习模式。有相对较少的参数和计算模型。实验进行了信噪比(信噪比)的−14日∼4 dB。对于−6 dB, HRF-Net达到99.583%的识别结果和网络的识别结果仍然达到97.500%以下−14 dB。与其他方法相比,HRF-Nets相对更好的泛化和鲁棒性。
1。介绍
外部电磁环境变得越来越复杂,这带来了严峻挑战电子侦察和电子对抗系统。在电子对抗的过程中,截获信号的快速、准确识别可以优先控制信息的权利。然而,拦截敌人的信号不仅是一个脉冲信号,而且多脉冲信号,因此识别的多脉冲也是极其重要的。
传统的雷达信号识别技术通常使用脉冲描述字(血栓)与传统的参数和设计特征提取算法和分类器进行识别。文强Zhang et al。1)设计了一个TPOT-LIME算法,它可以从多个方面识别雷达信号。Krzysztof Konopko et al。2)使用能量信号进行时频分析,然后使用一个概率密度函数估计量中提取特征向量,最后用统计分类器识别雷达信号。识别精度更好,但公认的信号类更少。剑郭et al。3)设计一个FCBF-AdaBoost算法来识别雷达信号,取得了良好效果。羌族郭et al。4)设计方法,结合主脊片和云模型和构造特征向量为雷达信号识别,具有较高的识别率。Jingchao李和应5)设计一个熵特征算法。描述的算法不同类型的雷达信号的分布特征提取odd-spectrum香农熵和odd-spectrum指数熵的特性和在低信噪比条件下有较高的识别率。
然而,随着日益严重的外部干扰,很容易被淹没的信号功能外部干扰。传统的雷达信号识别方法还需要进行复杂的功能设计,难以实现高识别结果。与深度学习的发展,卷积神经网络(cnn)已经被广泛使用。网络广泛应用于图像分类、语义分割、目标检测等方向。Muqing Zhang et al。6)设计一个算法基于堆叠autoencoders和支持向量机(SVM)。这个方法获得通过Choi-Williams分布雷达信号的时频图,然后使用堆叠autoencoders自动提取特征,最后通过支持向量机完成信号识别。Shunjun魏et al。7)设计了一种新型的网络结合浅CNN, LSTM,和深度款,对多种雷达信号识别的影响。李绩et al。8)提出了一个IIF-Net深学习模式,在低信噪比条件下取得了良好的识别效果。郭,港等。9)设计了一种改进的AlexNet网络,通过时频分析的信号,在低信噪比条件下整体识别率较高。肖Yihan et al。10)设计了一个功能融合算法,结合改进的CNN,和得到更好的识别结果。
摘要GNU广播,USRP N210,和USRP-LW N210用于生成接近于真实雷达信号具有高可靠性。10类之间的多脉冲雷达信号生成−14和图4 dB在信噪比,也就是说,巴克,混乱,EQFM,弗兰克,移频键控、线性调频,LOFM, OFDM, P1, P2。各种信号用于生成二维TFIs慢性消耗性疾病。不同的雷达信号TFI有较大的重复类似的地区,而独特的功能区域相对较小。为了解决上述困难,本文设计一种特色融合提取模块(DFFE),提出了一种新的高分辨率特性融合提取网络(HRF-Net)基于这个模块。
2。DFFE模块和HRF-Nets
2.1。美国有线电视新闻网
cnn可以自适应地提取目标特性。图1显示了其网络体系结构(11]。王伟et al。12)作了详细的分析和介绍。在语义分割,CNN可以提取图像特征,实现图像进行像素级分类(13]。为了提高识别效果,可以将图像预处理,如超限分辨重建(14),和注意力机制也可以引入改善网络的性能(15]。AlexNet [16)应用ReLU LRN [17),和辍学18在同一时间。Simonyan和Zisserman19)提出了3×3小卷积过滤器在视觉几何组网络(VGGNets)和网络达到19层。但是当网络已经足够训练,网络的性能会降低。剩余净(ResNet) [20.)使用跳过连接来解决这个问题,继续增加网络的深度。
影响ResNet、黄、高et al。21)设计了一个密集的连接机制,可以连接所有层,实现功能重用。王等人结合DenseNet和MobileNet [22设计一个Dense-MobileNet [23),取得了较高的识别率和减少网络参数的数量和计算。
2.2。DFFE模块
TFIs不同雷达信号有较大的重复类似的地区,和特色区域小。因此,本文设计了一种特色融合提取模块(DFFE)。图2显示了它的结构。
首先,在空间维度,MaxPool AvgPool同时进行映射的输入特性。空间维度的特征映射压缩获得两个一维向量,,分别代表了两个通道的权重系数特征图。然后通过ReLU激活函数,这两个频道重量系数都加在一起。执行综合分析突出高度相关通道,抑制了无关紧要的渠道,关注更多的输入通道。然后,我们使用乙状结肠激活函数。最后,一维通道权向量乘以地图输入功能,输入大小保持不变,所以频道重量特性映射着干活。
通道尺寸,MaxPool和AvgPool上执行着干活。通道尺寸压缩获得两个二维空间重量特性矩阵,根据频道维度缝合。功能图2频道。之后,Conv7用于卷积操作。然后,乙状结肠函数用于激活获得一个全面的二维空间重量特性矩阵。它强调高度相关的空间位置和削弱空间位置的相关性,重点区域的输入图像更容易区分。最后,获得二维特征矩阵乘以着干活,保持输入大小不变,所以功能映射Out2,更多的空间和通道,。
随着网络的深化,网络图像信息损失和退化等问题。添加跳过连接可以解决这些问题。因此,我们添加了功能Out2映射到原始输入特征地图”基地。“激活函数ReLU之后,我们获得特征映射Out3完整的信息和更多的空间和渠道解决。接下来,我们进行多尺度特征提取Out3通过使用“Conv7”,“Conv5”,“Conv3”和“Conv1,”。更大的卷积核有更大的接受字段和语义信息表达能力强。卷积核有小接受字段,几何细节信息表达能力强和高分辨率。因此,各种尺寸的卷积核是用于执行功能融合提取Out3,所以得到的高分辨率特性。
2.3。HRF-Nets
DFFE模块的基础上,我们提出三个深卷积神经网络结构,即高分辨率特性融合提取网络(HRF-Nets) HRF-Net157, HRF-Net187, HRF-Net217。其中,C - [MaxPool AvgPool]代表图像的压缩空间维度获取特征地图频道重量系数。S - (MaxPool AvgPool]意味着压缩图片尺寸获得信道特征地图与空间权重系数。表1网络结构。
雷达电子对抗领域具有较高要求的时间延迟,所以网络需要较小的计算成本。许多经典的cnn使用三层完全连接层AlexNet和VGGNets等,具有高计算成本和需要很长时间。因此,本文首先采用全球平均池(差距)24),然后使用单层完整连接,这显然降低计算成本,使网络有相对较高的实时性能。
2.4。网络的复杂性
分类器占据了很大一部分的计算和网络中的参数数量,和分类器的差异极大地影响网络的性能和计算成本。在本文中,10类多脉冲雷达信号的识别。假设网络的最后一层的输出 。参数的使用三层全连接的分类器 ,参数的使用单层完全连接 ,并使用差距的参数数量 。
根据图3可以看出,当网络深度逐渐增加,相同类型的网络参数的数量逐渐增加,表明网络深度影响参数的大小在某种程度上。三层完全连接层VGGNets的分类器。HRF-Nets分类器使用差距加上一个单层完全连接。虽然VGG13网络只有13层,其参数的数量是4.18倍HRF-Net157, HRF-Net187的3.64倍和3.16倍,HRF-Net217。因此,分类器是一个关键因素影响网络参数的数量。的参数SKNet152、SEnet152 ResNet152比HRF-Net157更大。参数ResNet152 HRF-Net157的1.89倍,约2837万的多个参数。
根据图4,可以看出VGGNets有大量的计算。的13-layer VGG网络浮点计算金额113.21亿,这是157 -层HRF-Net的1.56倍。与ResNet152相比,HRF-Net157有更深的深度。但计算ResNet152 HRF-Net157的1.59倍,已增加43.09亿人。这是因为ResNet152使用大量的卷积层。而不考虑偏差,计算卷积的层 。HRF-Nets有许多池层和汇聚层的计算量 。因此,HRF-Net157比ResNet152较小数量的计算。HRF-Net217是30.32%的计算量超过HRF-Net157,和计算的HRF-Net187 HRF-Net157超过15.21%。雷达电子对抗系统需要低延迟,尤其是在小型设备,如导弹。内存不足,硬件条件不支持太多的参数和计算。HRF-Net157相对较小的参数和计算。因此,当信号的识别结果略有不同,HRF-Net157性价比最高,是更好的选择。
3所示。实验结果
3.1。数据集
摘要多脉冲雷达信号是由GNU无线电USRP N210,和USRP-LW N210。当我们拦截拦截敌人的信号,应该是多脉冲信号。因此,本文用4次脉冲生成多脉冲雷达信号。由于噪声的不同分布,雷达脉冲之间的信号并不完全相同。为了获得TFI的雷达信号,信号转换慢性消耗性疾病。不同于SAR图像(25和高分辨率的雷达目标图像26),TFI高清晰度,有利于信号的识别。
不同的时频分析算法有不同的特点。其中,伽柏变换定位时间和频率的同时,可以更好地描述信号中的瞬态结构。它的时频分辨率是完全由高斯窗口。Wegener-Wiley分布(项)分发的能量信号在时频平面上。它有一个很好的时频聚焦。交叉项的干扰,影响它的各种平滑改进方法可以减少交叉项干扰,但降低了时频聚焦。
为了提高识别率的信号,我们需要高分辨率图像。慢性消耗病的最小交叉项干扰的特点,高清晰度和分辨率不同的信号。摘要雷达信号数据集包含10类的信号。有2880个TFIs每个类的信号。我们添加高斯白噪声的信号。−14∼4 dB的信噪比,总共有28800个样本,其中包括21600名在训练集和7200测试集。图5后的TFI信号通过。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(j)
根据图5,可以看出不同的雷达信号TFI有大量的重复类似的地区,而该地区的特点是相对较小的。因此,本文设计一种DFFE模块,该模块可以专注于提取区域特征具有较强的解决和实现改善信号识别率的目的。
3.2。预处理和实验设置
在数据预处理的过程中,我们downsample图像,分辨率是固定到224224年。扩展数据,随机图像水平方向,垂直翻转随机,随机旋转90°。数据扩张增加了图像的复杂性,提高了网络的性能。USRP N210和USRP-LW N210是信号生成的硬件设备。其中,其ADC采样率是100 ms / s, DAC采样率是400 ms / s, LO精度是2.5 ppm。
在实验中,我们设置一些参数。其中,信号的带宽是4 mhz,批量大小是16,最初的学习速率为0.001,体重衰变是5的军医,动量是0.9。实验总共60周期进行,最后的结果是过去10周期的平均值。网络的训练和测试过程是在服务器上实现的。其中,我们使用PyTorch框架。操作系统是Ubuntu 14.04.5 LTS, GPU是GeForce GTX泰坦X,CUDA CUDA 8.0.61。
3.3。实验结果
在这篇文章中,我们添加噪声信号信噪比保持在−14日∼4 dB。然后,我们产生更多的现实的多脉冲雷达信号通过GNU广播和USRP N210, USRP-LW N210。我们使用与不同深度HRF-Net识别多脉冲雷达信号。图6给出了实验结果。
根据图6,当HRF-Nets 8分贝的信噪比,网络识别结果都超过99%。当HRF-Nets -14分贝的信噪比,噪声干扰已经有了一个伟大的对信号的影响。然而,网络的识别结果仍然超过97%,这表明HRF-Nets网络具有良好的鲁棒性。HRF-Net157的识别率是略低(1%)比其他两个网络。它表明,随着网络的深化,它的信号特征提取能力已接近饱和,和信号识别率没有明显改善。HRF-Net217和HRF-Net187比HRF-Net157参数32.46%和14.93%,并比HRF-Net157计算了30.32%和15.21%。从图可以看出6的识别结果HRF-Net217是最好的。与HRF-Net157相比,识别率提高了不超过1%,但网络的计算成本明显增加。通过综合分析,我们认为HRF-Net157性价比最高。我们也比较HRF-Net157与其他CNN网络和表2显示了识别效果。
根据表2的识别性能HRF-Nets时相对较高的信噪比是在-14年和4 dB。随着现代战场电磁环境变得越来越复杂,信号干扰正在增加。在低信噪比条件下雷达信号的识别是更大的意义,及其识别更为困难。对于−14 dB, HRF-Net157的识别结果大约是7%高于VGGNets, VGGNets的计算成本太高,和延迟很长。因此,VGGNets不能应用于低延迟雷达电子对抗领域。
的识别结果10多脉冲雷达,HRF-Net157 ResNet152高出2%,SEnet152, SKNet152。它比ResNet152高出2.418%,而计算和参数HRF-Net157相对较小。虽然ResNet152使用跳过联系,保持信息的完整性。然而,多脉冲雷达信号的TFI特色区域很小,和重复的面积大。当ResNet152提取图像特征,它执行相同的处理图像全局和没有特异性的独特功能区域。DFFE模块着重于提取高分辨率图像的区域特征,提高了网络的识别效果,提高泛化。
表3显示HRF-Net157与其他方法的比较结果,并可以看出CLDNN网络有更好的识别结果的信噪比在−8分贝,达到90%以上,但当信噪比范围内−14日∼−8分贝,其识别率相对贫穷。HRF-Net157有更好的识别速度−14 dB。综合识别率HRF-Net157仍高达97.5%,表明HRF-Net157仍然可以在低信噪比条件下充分提取图像特征,具有抗干扰能力强、鲁棒性好。FCBF-AdaBoost采用传统的特征选择和分类器设计,有很好的识别率的情况下减少干扰。但它主要是图像识别的特定类。在一个多任务和低信噪比环境中,其识别率相对贫穷。CNN-KCRDP, AlexNet, I-CNN结合深度学习识别图像在一定程度上,可以自适应地提取图像特征。他们的认可率HRF-Net157没多大区别,当信噪比高于−6 dB。但是,在更严重的干扰的情况下,被噪声淹没的信号特征。HRF-Net157可以提取更多的功能,更大程度上是通过DFFE模块。 Therefore, when the interference is large, a better recognition effect can still be achieved.
表4显示了不同的信号HRF-Nets的识别结果。在-14分贝的情况下,同一个类的识别结果之间的差异的雷达信号的三个深度HRF-Net只有2%。深化网络增加很多参数和计算,但识别效果并不显著提高。10多脉冲雷达信号中,巴克的识别结果,混乱,弗兰克,OFDM、移频键控、线性调频,EQFM, LOFM HRF-Nets都达到了94%以上。P1和P2的识别效果相对较差,90%左右,波动很大。我们选择HRF-Net157最好的性价比和生成混淆矩阵−14 dB进行进一步分析。
根据图7,可以看出类P1都P2的错误识别。6错误的P2, 5 P1。根据图5可以看到,它的TFI P1和P2有一定程度的相似。对于−14 dB,噪音的干扰主要覆盖图像的特性,让P1和P2相似度的增加,进一步提高了识别的难度。然而,P1和P2的识别率仍然达到90%左右。HRF-Nets提出本文可以集中在提取高分辨率图像特征与小区分区域对图像,获得更好的识别结果。HRF-Net157在-14分贝的综合识别率达到97.500%。
3.4。实验分析
本文提出了三种HRF-Net深度,即HRF-Net157 HRF-Net187, HRF-Net217。根据实验结果,信号的识别率超过99%时信噪比高于6 dB。对于−14 dB,网络的识别结果也达到了97.500%。与网络深度的增加,识别率的差异HRF-Net157, HRF-Net187,和HRF-Net217只有1%,但计算成本明显增加。考虑全面的考虑,我们相信HRF-Net157是最划算的。与其他cnn在比较的过程中,发现的识别率之间HRF-Net157−14 dB和−6 dB高于其他cnn,在低信噪比的情况下更加明显。当与其他方法比较,发现HRF-Net157比其他方法的识别结果的情况下−14 dB。与其他方法相比,发现信号的识别率HRF-Net157高于其他方法条件下−14 dB。它具有更好的鲁棒性。−14 dB, HRF-Nets也有良好的识别效果在不同类型的雷达信号。
根据TFI的多脉冲雷达信号,我们可以看到,不同的图像之间的相似性区域较大,和区分面积小。提取图像特征,因此,在图像的不同区域的重要性应该考虑,重点提取更多的区域特性。网络的深度应该保持温和。图像特征不能完全提取如果网络太浅了。网络的认可率没有明显改变时,网络太深。也有网络退化问题,参数和计算量会显著增加。跳过连接的使用能保持图像信息的完整性。分类器使用缺口,后跟一个单层完整连接,可以大大减少网络的计算成本。摘要DFFE模块设计可以执行特色融合提取的图像。首先,Maxpool和Avgpool用于压缩空间维度与通道权重获得特征图。 Then, Maxpool and Avgpool are used to compress the channel dimensions, and the spatial weight feature map is obtained. Finally, the features of images are extracted by multiscale fusion through Conv1, Conv3, Conv5, and Conv7 to obtain high-resolution features and improve the signal recognition rate.
4所示。结论
在本文中,我们使用GNU广播,USRP N210,和USRP-LW N210产生接近于真实多脉冲雷达信号,然后对回波信号执行转换慢性消耗性疾病TFI。针对多脉冲雷达信号的特性TFI, DFFE模块设计,它可以执行区分融合提取的图像特征。DFFE模块的基础上,我们提出了三个深CNN结构,也就是说,HRF-Net157 HRF-Net187, HRF-Net217。篮网可以识别10类的雷达信号和具有良好的泛化。通过综合比较,我们相信HRF-Net157是最划算的。−14 dB的信噪比的情况下,仍有97.500%的识别率,以更好的鲁棒性和较低的计算成本。在雷达系统中,需要低延迟,HRF-Nets有一定的优势,可以进一步研究领域的雷达干扰识别和雷达辐射源识别。
数据可用性
可以从作者的数据源(电子邮件保护)。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究支持下的湖南省自然科学基金资助2019 jj80105,长沙市自然科学基金在格兰特kq2014111,长沙科技项目拨款kq2004071、湖南省研究生科研创新项目授予CX20200882,格兰特KQTD20190929172704911下深圳科技项目,下的湖南省教育部科研项目20 c1249格兰特。