【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及輻射源分選與識別，具體為一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法。
技術(shù)介紹
1、雷達輻射源分選與識別是電子對抗中的關(guān)鍵技術(shù)之一,對于戰(zhàn)場態(tài)勢感知和電子對抗中的目標探測、跟蹤和分類具有重要意義。雷達輻射源分選的目的是在復(fù)雜的電磁環(huán)境中，通過接收到的雷達信號特征，將不同的雷達輻射源區(qū)分開來并加以識別,從而為電子對抗、目標識別和威脅分析提供支撐。脈沖描述字(pulse?descriptorword,pdw)是用于描述雷達脈沖信號特征的重要參數(shù)，包括脈沖到達時間(time?of?arrival,toa)、脈沖寬度(pulse?width,pw)、脈沖到達角(angle?of?arrival,oa)、載波頻率(carrier?frequency,cf)和脈沖幅度(amplitude)，是雷達輻射源信號進行分選和識別中的關(guān)鍵信息。
2、傳統(tǒng)的信號分選研究大多采用預(yù)分選和主分選結(jié)合的方式，使用k-means聚類算法和基于密度的聚類方法dbscan等方式進行初步聚類，再通過統(tǒng)計學(xué)算法進行主分選，但是這些聚類方法需要預(yù)先設(shè)置聚類中心或者閾值等，難以靈活適應(yīng)不同的數(shù)據(jù)分布，并且基于統(tǒng)計學(xué)的累計差值直方圖、序列差值直方圖以及pri變換法等方法計算復(fù)雜度高、耗時長，且隨著現(xiàn)在電子對抗方式更加多變，調(diào)制方式多種多樣，傳統(tǒng)的算法難以處理復(fù)雜的情況。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于，提出了一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，旨在解決現(xiàn)有輻射源信號分選與識
2、為實現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，包括以下步驟：
3、s1、將雷達數(shù)據(jù)輸入仿真程序，構(gòu)建輻射源數(shù)據(jù)集，數(shù)據(jù)集包括輻射源信號的脈沖描述字和對應(yīng)的標簽數(shù)據(jù)，
4、s2、按步驟s1中得到的數(shù)據(jù)集分別仿真得到訓(xùn)練集和測試集數(shù)據(jù)，構(gòu)建一個類別判定模型，訓(xùn)練得到一個特征提取器，訓(xùn)練完成后固定網(wǎng)絡(luò)參數(shù)用于后續(xù)的特征提?。?/p>
5、s3、構(gòu)建一個基于時間序列的分類模型，用提取出來的脈沖重復(fù)間隔訓(xùn)練網(wǎng)絡(luò)，網(wǎng)絡(luò)收斂后固定參數(shù)用于后續(xù)的類別關(guān)聯(lián)；
6、s4、構(gòu)建一個用于不指定類別數(shù)目聚類的基于高斯模型和中國餐館模型的深度貝葉斯聚類模型，利用中國餐館模型得到聚類后的簇，在一個時間周期內(nèi)計算簇間的距離以進行微簇合并；
7、s5、將步驟s4中聚類好的簇輸入基于脈沖重復(fù)間隔構(gòu)建的分類模型，實現(xiàn)類別關(guān)聯(lián)。
8、優(yōu)選的，步驟s1中，所述雷達數(shù)據(jù)包括開機時間、關(guān)機時間、脈沖重復(fù)間隔、載頻、脈寬、幅值、方位角以及參數(shù)分布情況，且雷達輻射源信號參數(shù)分布包括雷達輻射源信號產(chǎn)生的起始時間和結(jié)束時間。
9、優(yōu)選的，步驟s1中，構(gòu)建輻射源數(shù)據(jù)集的步驟如下：
10、1)根據(jù)設(shè)計的輻射源信號的產(chǎn)生時間、載頻、脈寬、幅值、方位角的參數(shù)范圍，構(gòu)建對應(yīng)的輻射源信號數(shù)據(jù)，送入輻射源信號仿真程序，信號參數(shù)描述為pdwi＝{toai,cfi,pwi,pai,aoai}；
11、2)將得到的pdw參數(shù)特征保留載頻、脈寬和方位角，作為特征提取網(wǎng)絡(luò)的訓(xùn)練輸入?yún)?shù)以及深度聚類的輸入?yún)?shù)。
12、優(yōu)選的，步驟s1中，按所需輻射源數(shù)目設(shè)定類別數(shù)目，對于每部輻射源脈沖描述字，選取了產(chǎn)生時間、載頻、脈寬、幅值、方位角五個參數(shù)進行仿真，設(shè)定每一個輻射源的開機時間和關(guān)機時間，同時根據(jù)現(xiàn)有的雷達各特征調(diào)制方式，對每部雷達pri、cf、pw仿真不同的調(diào)制類型，包括固定、參差、捷變以及抖動，并加上一定噪聲干擾模擬現(xiàn)實環(huán)境噪聲和測量誤差。
13、優(yōu)選的，步驟s2中，使用訓(xùn)練集對特征提取器進行訓(xùn)練，優(yōu)化模型參數(shù)以最小化損失函數(shù),訓(xùn)練完成后，固定網(wǎng)絡(luò)參數(shù)用于后續(xù)的特征提取；其中，類別判定模型的輸入為1*3的特征向量，對應(yīng)脈沖描述字中的載頻、脈寬、方位角三個特征，每個輸入對應(yīng)一個雷達輻射源類別的標簽；
14、其中，設(shè)有的特征提取網(wǎng)絡(luò)由線性層構(gòu)成，優(yōu)化器設(shè)置為adam，學(xué)習(xí)率為1e-3，衰減因子為0.1，損失為交叉熵損失，c是類別數(shù)，yi是真實標簽向量中的第i個元素，是模型預(yù)測的概率分布中的第i個元素。
15、優(yōu)選的，步驟s3中，具體步驟包括如下：
16、提取每個類別輻射源信號對應(yīng)的pri序列，生成對應(yīng)類別標簽，構(gòu)建pri數(shù)據(jù)集并按80％和20％的比例分割為訓(xùn)練集和驗證集，構(gòu)建分類網(wǎng)絡(luò)模型使用訓(xùn)練集對特征提取器進行訓(xùn)練，優(yōu)化模型參數(shù)以最小化損失函數(shù)；訓(xùn)練完成后，固定網(wǎng)絡(luò)參數(shù)用于后續(xù)的類別關(guān)聯(lián)。
17、優(yōu)選的，步驟s3中，基于時間序列的分類模型的輸入為1*200的pri向量，每一類的pri數(shù)據(jù)集為連續(xù)時間內(nèi)的每一類雷達提取的pri數(shù)據(jù)按長度200、步長25得到的時間序列切片，輸出為每個pri序列對應(yīng)的雷達類別；
18、其中，設(shè)有的類別關(guān)聯(lián)網(wǎng)絡(luò)由卷積層、線性層、批歸一化層構(gòu)成，優(yōu)化器設(shè)置為adam，學(xué)習(xí)率設(shè)置為可變學(xué)習(xí)率以防止過擬合并加速網(wǎng)絡(luò)收斂，衰減因子為0.1，損失為交叉熵損失，
19、優(yōu)選的，步驟s4中，具體包括如下：
20、測試數(shù)據(jù)的特征輸入特征提取器中，得到數(shù)據(jù)特征向量，將特征向量輸入貝葉斯聚類框架中，計算每一個新數(shù)據(jù)點與存在的簇之間的似然函數(shù)，根據(jù)中餐館過程得到新數(shù)據(jù)點屬于已有簇的概率以及屬于新簇的概率，
21、p＝{p1,p2,p3,…,pc,pc+1}，
22、其中c為現(xiàn)有簇的數(shù)量，c+1表示新簇，得到初步解交織的輻射源脈沖信號；當聚類時間達到tth時，計算每個簇之間的距離，第i和簇和第k個簇的距離表示為：
23、
24、其中，和表示簇ci和簇cj的均值向量，s是樣本的協(xié)方差矩陣，距離小于設(shè)定關(guān)聯(lián)閾值∈時，將第i個簇和第j個簇進行合并，并更新聚類結(jié)果；有效減少增批，提升后續(xù)關(guān)聯(lián)操作的準確率。
25、優(yōu)選的，步驟s5中，將步驟四中得到的聚類結(jié)果的每一個簇對應(yīng)的到達時間信息作差分，按長度200、根據(jù)序列長度設(shè)置可變步長提取聚類得到的每個簇的pri序列，輸入訓(xùn)練好的分類網(wǎng)絡(luò)，由pri序列類別預(yù)測進行決策，得到每一個微簇的類別信息，實現(xiàn)聚類結(jié)果與實際類別的關(guān)聯(lián)。
26、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果：
27、1、本專利技術(shù)引入了深度貝葉斯聚類模型和端到端的類別關(guān)聯(lián)算法。在貝葉斯框架下，結(jié)合中國餐館過程模型和高斯擬合進行聚類，可不需要指定聚類數(shù)目動態(tài)地創(chuàng)建新的聚類，并根據(jù)已有信號特征逐步調(diào)整聚類結(jié)果，提高輻射源信號的分選與識別的靈活性和準確性，適應(yīng)了現(xiàn)實環(huán)境中復(fù)雜多變的信號環(huán)境。
28、2、本專利技術(shù)中，引入了基于pri序列的分類網(wǎng)絡(luò)，識別出聚類簇的所屬類別，實現(xiàn)微簇間的類別關(guān)聯(lián)，實現(xiàn)微簇間的類別關(guān)聯(lián)，將聚類好的簇的pri特征輸入神經(jīng)網(wǎng)絡(luò)進行識別，與傳統(tǒng)的方法相比，克服了雷達輻射源載頻、方位角隨時間發(fā)生較大本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟S1中，所述雷達數(shù)據(jù)包括開機時間、關(guān)機時間、脈沖重復(fù)間隔、載頻、脈寬、幅值、方位角以及參數(shù)分布情況，且雷達輻射源信號參數(shù)分布包括雷達輻射源信號產(chǎn)生的起始時間和結(jié)束時間。
3.根據(jù)權(quán)利要求2所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟S1中，構(gòu)建輻射源數(shù)據(jù)集的步驟如下：
4.根據(jù)權(quán)利要求3所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟S1中，按所需輻射源數(shù)目設(shè)定類別數(shù)目，對于每部輻射源脈沖描述字，選取了產(chǎn)生時間、載頻、脈寬、幅值、方位角五個參數(shù)進行仿真，設(shè)定每一個輻射源的開機時間和關(guān)機時間，同時根據(jù)現(xiàn)有的雷達各特征調(diào)制方式，對每部雷達PRI、CF、PW仿真不同的調(diào)制類型，包括固定、參差、捷變以及抖動，并加上一定噪聲干擾模擬現(xiàn)實環(huán)境噪聲和測量誤差。
5.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識
6.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟S3中，具體步驟包括如下：
7.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟S3中，基于時間序列的分類模型的輸入為1*200的PRI向量，每一類的PRI數(shù)據(jù)集為連續(xù)時間內(nèi)的每一類雷達提取的PRI數(shù)據(jù)按長度200、步長25得到的時間序列切片，輸出為每個PRI序列對應(yīng)的雷達類別；
8.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟S4中，具體包括如下：
9.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟S5中，將步驟四中得到的聚類結(jié)果的每一個簇對應(yīng)的到達時間信息作差分，按長度200、根據(jù)序列長度設(shè)置可變步長提取聚類得到的每個簇的PRI序列，輸入訓(xùn)練好的分類網(wǎng)絡(luò)，由PRI序列類別預(yù)測進行決策，得到每一個微簇的類別信息，實現(xiàn)聚類結(jié)果與實際類別的關(guān)聯(lián)。
...【技術(shù)特征摘要】
1.一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟s1中，所述雷達數(shù)據(jù)包括開機時間、關(guān)機時間、脈沖重復(fù)間隔、載頻、脈寬、幅值、方位角以及參數(shù)分布情況，且雷達輻射源信號參數(shù)分布包括雷達輻射源信號產(chǎn)生的起始時間和結(jié)束時間。
3.根據(jù)權(quán)利要求2所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟s1中，構(gòu)建輻射源數(shù)據(jù)集的步驟如下：
4.根據(jù)權(quán)利要求3所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟s1中，按所需輻射源數(shù)目設(shè)定類別數(shù)目，對于每部輻射源脈沖描述字，選取了產(chǎn)生時間、載頻、脈寬、幅值、方位角五個參數(shù)進行仿真，設(shè)定每一個輻射源的開機時間和關(guān)機時間，同時根據(jù)現(xiàn)有的雷達各特征調(diào)制方式，對每部雷達pri、cf、pw仿真不同的調(diào)制類型，包括固定、參差、捷變以及抖動，并加上一定噪聲干擾模擬現(xiàn)實環(huán)境噪聲和測量誤差。
5.根據(jù)權(quán)利要求1所述的一種基于深度貝葉斯聚類和類別關(guān)聯(lián)的輻射源識別方法，其特征在于：步驟s2中，使用訓(xùn)練集對特征提取器進行訓(xùn)練，優(yōu)化模型參數(shù)以最小化損失函數(shù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王瓊，楊冰艷，王昱，郭鵬，張清源，柏業(yè)超，
申請(專利權(quán))人：南京大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。