[发明专利]一种基于主动增量式微调的雷达信号调制方式识别方法

说明书

本发明属于雷达信号脉内调制类型识别技术领域，具体涉及一种基于主动增量式微调的雷达信号调制方式识别方法。本发明首先将截获的雷达信号进行时频分布处理，得到二维时频图像；接着调整时频图像大小并进行幅度归一化处理；在训练阶段，采用基于池的抽样场景，将雷达信号时频图像样本逐组放入手写识别训练过的预训练模型中，输出其对应各类型的概率，由熵的不确定性抽样策略，寻找有价值的样本进行专家标注，扩大已标注的雷达信号数据集，通过该数据集更新当前网络所有层的参数；识别阶段，将未知雷达信号时频图像放入该网络中，输出层输出最终识别类型。本发明在低信噪比条件下识别率高，大幅度节省不必要的标注成本，具有良好应用前景。

技术领域

本发明属于雷达信号脉内调制类型识别技术领域，具体涉及一种基于主动增量式微调的雷达信号调制方式识别方法。

背景技术

雷达信号脉内调制类型识别是侦察接收机进行威胁等级判定和估计雷达辐射源功能的核心技术。随着雷达技术不断提升，脉冲压缩技术在雷达中广泛使用，使得雷达信号的功率谱密度越来越低，雷达信号的类型也越来越多。因此，雷达信号脉内调制识别算法不仅要在低信噪比下具有良好的识别性能，而且要能识别广泛的信号类型。

传统雷达信号调制类型识别方法由特征提取与分类器两部分构成，其中特征提取部分早期并没有明确定义，而是通过具体雷达信号对象决定合适的信号处理手段，专家针对不同的信号设计出适用的特征提取的算法例如高阶统计量法、循环平稳分析法等，得到区分度较大的不同调制类型的雷达信号特征，再通过像决策树等分类器进行区分判断该特征归属于的调制类型。这类传统信号调制识别方法在稳定的环境下，对少量调制类型的雷达信号体现出了较好的识别效果。但是随着现代战场电子战愈演愈烈，雷达波形设计复杂多变，传统雷达信号特征提取和分类方法弊端开始显现。尽管算法的计算复杂度较高，但信号的特征分析和提取能力依旧相对有限，导致识别系统在低信噪比环境下的识别正确率较差，而且即使算法依靠专家进行设计，不断变化的信号调制类型和日益复杂的调制方法也导致算法的泛化性较差，识别类型严重受限。

随着近年来深度学习在图像分类领域的快速发展，研究者们发现在雷达信号识别算法中加入神经网络，往往可以自动提取信号调制类型特征，且提取得到的特征具有很强的抗噪性，对于多种复杂调制类型信号的识别具有很好的识别正确率。

目前的算法优化思路大致有两种。一种是扩大网络的规模以达到更高的识别正确率，一种是训练更多调制类型的雷达信号以达到更好的识别泛化能力。但是依照上述的两种优化思路，一方面网络规模的扩大导致网络的训练难度增加，数据集一旦不充足就极易出现过拟合的现象；另一方面若增加雷达信号识别方法的识别类型，网络的训练过程需要增加相应类型的雷达信号样本。Qu Z在2018年引入一种新的核函数，使用具有更强抗噪声能力的时频分析方法对雷达信号进行预处理，实现了在信噪比为-6dB时对12种调制信号识别率达到96.1％。但是也加大了网络训练难度，且在标注样本有限的情况下，极易产生过拟合，降低网络识别正确率。Wan J在2019年提出一种基于树结构的机器学习过程优化分类器，可识别12种不同的雷达信号，实现离线训练和在线识别，且在信噪比为-4dB时，系统整体识别率达到94.42％，但是其训练需要超过四万的标注样本。Wu B在2020年提出一种具有注意机制的一维卷积神经网络，根据特征对注意单元识别的重要性进行加权，达到对七种辐射源识别的高精度，但是为了保证识别性能，该模型需要超过十二万的雷达信号标注样本，是早期算法的三倍。

因此目前的基于深度学习的雷达调制类型识别研究思路对雷达脉内调制信号标注样本数量和质量上的要求越来越高，而雷达信号样本由于特殊的军事用途，收集难度较大，且专家标注成本昂贵。因此如何在保证算法在低信噪比环境下具有好的识别性能的同时，降低雷达信号训练样本标注成本是目前亟需解决的问题。

发明内容

本发明的目的在于提供降低人工标注成本的同时，在低信噪比情况下，对广泛的信号类型有良好的识别性能的一种基于主动增量式微调的雷达信号调制方式识别方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：