[发明专利]基于奇异值分解与一维CNN网络的雷达辐射源识别方法

摘要

本发明公开了一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，主要解决现有技术辐射源识别技术识别时间复杂高、识别精度低的问题。其实现方案为：采用分离算法进行信号分离，并将雷达时间序列拆分为矩阵G；对矩阵G作奇异值分解，并从分解后的Σ矩阵中提取对角元素构成向量λ；将多组雷达数据提取出来的奇异值向量，制成训练集、验证集、测试集；针对向量λ设计一维CNN网络结构；使用训练集对一维CNN网络进行训练；使用验证集测试训练完成网络的性能，判断网络是否可用；将测试集送入训练好的网络，网络输出为辐射源类别。本发明在保证识别率可用的条件下，减少了辐射源识别时间，可用于复杂电磁环境下的雷达辐射源识别。

主权项

1.一种基于奇异值分解与一维CNN网络的雷达辐射源识别方法，其特征在于，包括如下：1)对从接收机接收到的混叠信号进行分离，得到单一雷达信号时间序列xk(t),t＝1,2,...n，n为接收机对雷达信号时间序列的采样点数，将xk(t)作为第k个雷达信号样本，k∈(1,H)，H为接收机接收的总共信号组数；2)将分离后的雷达时间序列xk(t)拆分为N行、M列的二维矩阵G；3)对二维矩阵G进行奇异值分解，使G＝U∑V^T，其中U是一个N*N的方阵，V是一个M*M正交的方阵，V^T是V矩阵的转置；Σ是一个N*M的对角矩阵，该对角矩阵对角线上的元素称为奇异值，对角线外的元素都是0，其具体形式为：Σ＝其中λ_j为奇异值，j∈(1,M)；4)从Σ矩阵中提取对角元素的奇异值，排成一维向量：λ(k)＝[λ1,λ2,...λj...,λM]，其中λj为奇异值，其中λ(k)为第k个雷达数据的奇异值向量；5)将U组雷达数据提取出来的奇异值向量数据集λ＝[λ(1),λ(2),...λ(k)...,λ(U)]，制成训练集λt、验证集λc和测试集λo三部分，其中k∈(1,H)，λ(k)为第k个雷达数据的奇异值向量；6)根据向量λ设计一个由五个卷积层、三个池化层、三个规范化层组成的十六层一维卷积神经网络CNN网络；7)利用5)中提取的训练集λt，对6)设计的一维CNN网络进行训练：7a)按如下公式对权重w、偏置b进行初始化：其中,w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，x∈(‑∞,+∞)间的随机数，nl为一维卷积神经网络CNN网络第l层的输入节点个数；7b)将5)中提取的训练集奇异值向量λt，送入6a)中已经初始化权重、偏置的网络中，逐步进行卷积和池化运算，得到网络输出结果；7c)根据网络输出结果，按如下公式计算网络损失值J(X,y；w)：其中m为batch的样本个数，y为标签，a为网络的输出，λ为惩罚因子，w为网络的权重参数，wT为w的转置；7d)根据损失值，按如下公式对权重、偏置参数进行更新：上式中，w(l)为卷积神经网络第l层的权重，b(l)为卷积神经网络第l层的偏置，l为网络的层数，α为学习率，m为batch的样本个数，λ为惩罚因子，J(X,y；w)为损失函数，▽w(l)为损失函数对l层权重的偏导，▽b(l)为损失函数对l层偏置的偏导；7e)判断迭代次数或者损失值是否达到设定的阈值，若是，则训练结束，执行8)，否则，返回7b)；8)将5)中得到验证集λc送入训练完成的网络，并计算网络在验证集上的识别率，若识别率低于设定的阈值p＝0.9，则返回5)，否则，执行9)；9)将5)中得到测试集奇异值向量λo，送入训练好的神经网络中计算，网络输出结果即为雷达辐射源类别。