[发明专利]基于迁移学习的工作模式开集的雷达辐射源个体识别方法

说明书

本发明公开了一种基于迁移学习的工作模式开集的雷达辐射源个体识别方法，包括如下步骤：S1、采集不同雷达在不同模式下发射的中频AD信号数据；S2、对样本进行归一化并划分成原始训练样本集、原始验证样本集；S3、生成测试样本集；S4、分别得到训练样本集和验证样本集；S5、构建基于迁移学习的工作模式开集的雷达辐射源个体识别模型；S6、训练深度神经网络模型；S7、用测试样本集获得雷达辐射源个体模型识别结果并统计识别准确率。利用迁移学习的方法强调将雷达的不同工作模式混淆在一起，从而使得辐射源个体的识别不会受到工作模式的影响，在雷达辐射源识别中能够达到较高的识别准确率。

技术领域

本发明属于信号处理技术领域，具体涉及雷达信号处理技术领域，特别涉及一种基于迁移学习的工作模式开集的雷达辐射源个体识别方法。

背景技术

雷达辐射源个体识别是近年来通信对抗领域一个重要的研究课题，它主要通过对接收机截获的辐射源信号进行测量、分析，并根据已有的先验信息辨识个体的过程，是电子侦察的重要环节。早期雷达辐射源个体识别主要通过载频、脉宽和脉冲重复周期等常规参数进行模板匹配实现。随着雷达技术水平的提高，新体制雷达不断出现，电磁环境日益密集复杂，传统基于外部特征参数测量的方法已经难以满足快速、准确区分辐射源个体的需求。雷达辐射源个体的差异是由发射机内部器件固有的非理想特性导致的，这种非理想特性对信号的影响是细微的。这些细微特性被称为辐射源指纹，而自动地识别一个辐射源即被称为辐射源的指纹识别。随着非法占用电磁频谱以及无线电干扰的情况日益增多，通信辐射源个体识别成为通信安全领域亟待解决的重要课题。同时，在军事领域，雷达辐射源个体识别对分析敌方通信网、确定辐射源威胁等级以及对敌实施电子打击等同样具有重要意义。

迁移学习(Transfer Learning)是一种机器学习方法，是把一个领域(即源领域)的知识，迁移到另外一个领域(即目标领域)，使得目标领域能够取得更好的学习效果。

目前已有的机器学习方面的雷达辐射源个体识别方法基本都只能识别对应雷达辐射源已经出现过的工作模式，而对于指定雷达没有出现过的工作模式的识别正确率较低或不能识别。

浙江大学在其申请的专利文献“一种基于雷达脉冲序列的雷达辐射源个体识别系统”(申请号201911095867.9，申请公布号CN110988804A)公开了一种基于雷达脉冲序列的雷达辐射源个体识别系统。该发明对原始雷达脉冲序列进行小波分解从而获得多尺度输入，采用加权的集成学习算法建立雷达辐射源个体识别模型。采用不断根据损失函数更新分类树参数的方式优化模型，从而对辐射源个体进行识别。该方法虽然提出了一种雷达辐射源个体识别算法，但是对数据的预处理过于复杂，导致特征丢失较多，并且其采用的是训练集与测试集使用工作模式相同的数据划分方式，对某一辐射源出现新的工作模式时识别效果可能较差。

中国人民解放军战略支援部队信息工程大学在其申请的专利文献“基于无意调相特性的雷达辐射源个体识别方法及装置”(申请号201910945109.5，申请公布号110632572A)公开了一种基于无意调相特性的雷达辐射源个体识别方法。该发明利用卷积网络提取无意调相序列的联合特征,实现雷达辐射源个体识别，且利用了贝塞尔曲线拟合无意调相,降低了噪声影响。该方法虽然提出了一种雷达辐射源个体识别方法，但是该方法仍然存在的不足之处是：采用了复杂的预处理步骤，这会极大程度降低模型的信号识别速度，在对识别速度要求较高的情况下并不适用。并且该方法也未对新的工作模式进行处理，在处理这种情况时可能效果较差。

发明内容

本发明的目的在于克服现有技术的不足，提供一种利用迁移学习的方法将雷达的不同工作模式混淆在一起，从而使得辐射源个体的识别不会受到工作模式的影响，能够达到较高的识别准确率的基于迁移学习的工作模式开集的雷达辐射源个体识别方法。

本发明的目的是通过以下技术方案来实现的：基于迁移学习的工作模式开集的雷达辐射源个体识别方法，包括如下步骤：

S1、采集不同雷达在不同模式下发射的中频AD信号数据，生成雷达辐射源个体识别样本集；