[发明专利]基于SACNN的雷达辐射源信号识别方法

说明书

本发明公开了基于SACNN的雷达辐射源信号识别方法，它包括：1）构建数据集；2）数据预处理；3）构建SRNN局部特征提取模块；4）构建Attention模块；5）构建CNN全局特征提取模块；6）训练雷达辐射源识别网络；7）对雷达辐射源信号进行识别。本发明构建的网络结构直接采用一维时域雷达辐射源信号进行训练，能够直接提取一维时域雷达辐射源信号的特征并识别，解决了现有雷达辐射源识别方法在低信噪比条件下雷达辐射源信号识别准确率低以及现有基于二维时频图像对雷达辐射源信号识别方法需要时频变换，耗费时间较多，实时性较差的问题。

技术领域

本发明涉及电子对抗技术领域，具体涉及基于SACNN的雷达辐射源信号识别方法。

背景技术

雷达辐射源识别(Radar Emitter Identification， REI)是通过分析处理截获的敌方雷达信号，获取敌方雷达的工作参数和信号特征参数，通过与已知雷达数据库对比，判断雷达的型号、工作模式、位置，进而掌握其作战平台、工作状态、威胁等级等信息，为战场电磁态势感知、威胁告警、作战计划制定等提供情报支持。随着战场电磁环境的日渐复杂，传统的基于脉冲描述字(Pulse Description Words, PDW)参数的识别方法已经不能很好的满足低信噪比条件下雷达辐射源信号识别的要求。而低截获概率(low probability ofintercept，LPI)雷达的出现使雷达辐射源信号识别更加困难。因此，对雷达辐射源信号准确的识别，具有十分重要的现实意义。

雷达辐射源识别的关键是特征提取。近年来，基于机器学习的雷达辐射源识别技术因其具有更强的泛化性和智能性受到研究学者的广泛关注。作为机器学习领域的一个重要研究分支，深度学习及其应用也是人工智能领域的研究热点，在诸如机器翻译、问题回答、图像分类、语音识别、文本分类等领域已经取得了很好的效果。深度学习与传统模式识别方法最大的不同在于它能够从数据中自动提取特征。通过逐层特征变换，将样本在原空间的特征变换到一个新特征空间，用简单模型即可完成复杂的分类任务，从而使分类或预测更容易。

国内外的许多学者将深度学习方法引入到雷达辐射源识别中，以期达到比传统人工识别方法更好的识别效果。Wan J等人提出了一种基于CNN-TPOT的识别方法对二维时频图进行识别，在信噪比为-4dB的条件下对12种信号的总体识别率达到94.42%；Zhang M等人提出了一种混合分类器，包括卷积神经网络(CNN)和埃尔曼神经网络(ENN)两个相对独立的子网络，在信噪比为-2dB的条件下，12种信号的总体识别率达到94.5%；Guo Q等人提出利用深度卷积网络迁移学习的识别方法，将信号转化为时频图并进行预处理后，输入到CNN预训练模型中进行特征提取，最后用SVM分类器得到分类结果，在信噪比为-2dB的条件下，对9类调制信号总体识别率可达97%。

上述方法主要的问题在于：第一，在低信噪比条件下，识别准确率不高，上述文献提到的结果多是在较高的信噪比下得出的，而在战场电磁环境中，这样的信噪比条件是很难达到的；第二，各类信号的识别准确率不平衡，而特征不明显、不容易识别的信号也是最有可能被敌方采用、威胁最大的信号，可能带来严重的后果，由此也限制了这些网络的实际应用。

发明内容

本发明针对现有技术在低信噪比条件下雷达辐射源信号识别准确率较低以及现有基于二维时频图像对雷达辐射源信号识别方法需要时频变换，耗费时间较多，实时性较差的问题，提出一种基于SACNN的雷达辐射源信号识别方法。

基于SACNN的雷达辐射源信号识别方法，它包括：

1）构建数据集

将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；

建立训练集、验证集和测试集：将数据和标签对应随机打乱，按照比例划分训练集、验证集和测试集；

2）数据预处理