DRFM间歇采样下基于时频分析与深度学习的信号识别方法

drfm间歇采样下基于时频分析与深度学习的信号识别方法
技术领域
1.本发明涉及一种drfm间歇采样下基于时频分析与深度学习的信号识别方法，属于无线电引信对抗领域。


背景技术：

2.随着信号发射技术的发展，不同频率不同调制类型的信号充斥在电磁空间中，形成复杂的战场电磁环境。无线电引信是利用目标电磁散射特性对目标进行探测，对弹药实施起爆控制的一种特殊装置。无线电引信的电子对抗过程是一个动态博弈的过程，敌我双方在复杂的电磁空间中展开激烈的电磁频谱争夺。目前，在无线电引信的电子对抗过程中，drfm干扰是主流的干扰手段。随着drfm干扰技术的普及，许多学者针对drfm干扰提出许多抗干扰手段来消除干扰的影响，保护目标回波信息的完整性。例如，通过交替改变调频引信发射信号的调制率来提高调频引信抗drfm干扰的能力。随着无线电引信抗干扰技术的发展，当前单一策略的drfm干扰技术的干扰效果势必会降低。
3.在干扰过程中引入认知无线电技术能够提高无线电引信干扰机的认知水平和环境感知能力，并为干扰决策提供信息支持。自动调制识别是一种常用的认知无线电技术，能够识别盲源信号的调制类型。在无线电引信的干扰过程中，利用自动调制识别技术获取目标信号的调制类型信息，根据信号调制类型动态地调整干扰策略和干扰方式，能够提高认知干扰水平和干扰效果。自动调制识别广泛地应用在频谱感知、盲源信号分类和干扰防护等领域。2018年，s.liu(“radar emitter recognition based on sift position and scale features”)提出一种基于尺度不变特征变换(sift)的方法提取信号的调制特征，利用支持向量机对提取的特征进行分类，实现对多种信号的调制类型识别。但是通过人工提取信号特征的自动调制识别方法依赖于较强的先验知识。当信号调制类型增加、调制样式更加复杂时，不能取得很好的识别效果。2022年，h.yu(“radar emitter multi-label recognition based on residual network”)通过短时傅里叶变换提取信号的归一化时频图像，再使用深度降噪模型对图像进行降噪处理，最后将降噪后的时频图像输入到残差神经网络中进行分类，实现较低信噪比下的信号调制类型识别。但是当前的自动调制识别方法并不适用于drfm干扰过程中间歇采样的应用场景。在使用drfm干扰的无线电引信电子对抗过程中，接收机通过间歇采样的方式获取目标信号。目标信号会呈现出时频域截断的特点。相较于一般场景下用于自动调制识别的信号，在drfm干扰场景下通过间歇采样获得的信号更加复杂，携带的信息量更少，更难对信号进行调制类型识别。


技术实现要素：

4.针对无线电引信的drfm干扰等间歇采样场景下的信号调制类型识别问题。本发明主要目的是提供一种drfm间歇采样下基于时频分析与深度学习的信号识别方法，利用间歇采样的方式获取无线电引信信号；通过平滑伪魏格纳-维利分布spwvd提取目标信号的时频图像；构建基于vision transformer骨干网络的无线电引信信号自动调制识别模型；通过
预训练加微调的方式训练自动调制识别模型作为分类器，对接收到的无线电引信信号进行分选识别，进而能够在drfm干扰等间歇采样场景下实现对多种无线电引信信号的分选识别。
5.本发明的目的是通过下述技术方案实现的。
6.本发明公开的drfm间歇采样下基于时频分析与深度学习的信号识别方法，包括如下步骤：
7.步骤一、基于数字射频存储drfm的无线电引信干扰机，根据不同的干扰转发策略，采用间歇采样的模式获取时频域截断的无线电引信信号，并通过下变频处理，得到下变频处理后的目标信号。
8.基于数字射频存储drfm的无线电引信干扰机采用收发分时天线获取目标信号和转发干扰信号。在发射干扰信号过程中，不会接收信号。因此，在drfm干扰设备工作过程中，形成间歇采样和转发干扰的工作模式。
9.通过间歇采样获得的目标信号会呈现出时频域截断的特点。间歇采样的采样方式与干扰转发策略有关。drfm干扰转发策略有三种，分别为直接转发、重复转发和循环转发策略。不同的干扰转发策略获得的时域信号截断效果不同，信号长短不同。不同干扰转发策略下的信号截断样式有以下特点。在间歇采样直接转发的过程中，无线电引信干扰机接收到目标信号后，直接对目标信号进行转发。此时，间歇采样获得的时域信号是间断连续的。在间歇采样重复转发的过程中，无线电引信干扰机接收到目标信号后，先对同一段信号进行多次重复拼接，再将拼接后的干扰信号进行转发。在间歇采样循环转发的过程中，无线电引信干扰机接收到目标信号后，依次将之前获得信号进行拼接，随后再将拼接的干扰信号进行转发。在循环转发过程中，会周期性地重复信号拼接过程，并不对上个周期中存储的信号进行转发。
10.根据不同的干扰转发策略，无线电引信接收机通过间歇采样的形式获取时频域截断的目标信号，并对目标信号进行下变频处理，得到下变频处理后的目标信号。
11.步骤二、采用平滑伪魏格纳-维利分布spwvd，对步骤一下变频处理后的目标信号进行时域和频域加窗平滑处理后，抑制交叉项的产生，增强信号的时频特性，生成信号的spwvd时频图像。
12.spwvd对信号进行时域和频域加窗平滑处理后，抑制交叉项的产生，增强信号的时频特性。
13.对于离散信号x(n)，其中n＝0,1,2,
…
,n-1，则其spwvd运算表达式为：
[0014][0015]
其中t(m)代表时域的平滑窗函数，g(k)代表频域的平滑窗函数，使用的时域窗函数和频域窗函数均为汉明窗。
[0016]
通过间歇采样的方式获得无线电引信信号的时间序列后，使用式(1)的时频分析方法对时间序列进行时频分析，得到信号的spwvd时频图像。
[0017]
步骤三、基于vision transformer骨干网络建立无线电引信信号自动调制识别模型，该模型由编码器、解码器和输出层组成，且编码器和解码器使用masked autoencoders的算法结构。时频图像输入到编码器中，编码器对时频图像进行位置编码和随机掩码处理，
并通过transformer结构提取时频图像的特征，并输出图像的特征图。解码器通过拟合特征图与原始时频图像之间的差异重构时频图像，通过最小化重构时频图像与原始时频图像之间的差异训练基于vision transformer的无线电引信信号自动调制识别模型的特征提取能力和图像重构能力。解码器重构时频图像后，输出一维特征向量给到输出层。输出层对一维特征向量进行降维和分类处理，得到一维识别向量代表无线电引信信号的调制类型。基于vision transformer的无线电引信信号自动调制识别模型的训练过程采用预训练加微调的训练方式，降低模型的训练成本，提高模型的训练效率。预训练过程中使用完整的、没有标签的无线电引信信号的时频图像进行时频重构训练，该训练过程中不对无线电引信信号进行调制类型识别。微调训练过程先通过参数迁移将预训练的基于vision transformer的无线电引信信号自动调制识别模型的参数迁移到微调模型中，初始化微调模型。再使用少量的、通过间歇采样获取的无线电引信信号的时频图像对基于vision transformer的无线电引信信号自动调制识别模型进行调制类型识别训练。
[0018]
步骤3.1、基于vision transformer骨干网络建立无线电引信信号自动调制识别模型；
[0019]
基于vision transformer的无线电引信信号自动调制识别模型由编码器、解码器以及输出层组成。编码器和解码器使用masked autoencoders的算法结构，并且均由transformer块级联而成。编码器和解码器顺序连接。
[0020]
为了平衡模型结构复杂度与识别效果，降低计算成本并提高识别准确率。作为优选，编码器由12层的transformer块组成，其中多头注意力的头数为12。解码器由8层的transformer块组成，其中多头注意力的头数为16。
[0021]
transformer块完全基于注意力机制，没有使用任何卷积层或者循环神经网络层。在一个transformer块中具有两个归一化层ln、一个多头注意力层以及一个多层感知机。第一个ln层与多头注意力层级联组成残差结构，第二个ln层与多层感知机级联组成残差结构，两个残差结构顺序连接。在transformer块中，多头注意力层由多个自注意力层和一个全连接层组成，全连接层会将每个自注意力层的输出进行汇聚，得到整体的输出。多头注意力增强网络的稳定性和鲁棒性。多层感知机由两个全连接层、一个高斯误差线性单元激活函数gelu层以及两个暂退dropout层组成。通过暂退层随机舍弃部分特征，能够提高网络的鲁棒性，抑制模型的过拟合现象。gelu是线性整流函数relu的变体。gelu激活函数具有比relu激活函数更好的非线性性能，能够显著地提升模型性能。
[0022]
gelu激活函数表示为
[0023][0024]
输出层与解码器连接，由全连接层和softmax激活函数层组成。解码器的输出经过全连接层后得到长度为n的一维概率向量，n代表无线电引信信号调制类型的总数。再由softmax激活函数层进行一维概率向量的处理，以最大化输出的概率。softmax激活函数能够将未规范化的预测变换为非负数并且总和为1。基于vision transformer的无线电引信信号自动调制识别模型输出一个由0和1组成的一维识别向量代表无线电引信信号的调制类型。
[0025]
步骤3.2、使用预训练加微调的方式训练基于vision transformer的无线电引信
信号自动调制识别模型，降低模型的训练成本，提高模型的识别性能；
[0026]
使用预训练加微调训练的方式对基于vision transformer的无线电引信信号自动调制识别模型进行训练，该模型在预训练过程使用的训练数据是没有标签的、时频域连续且完整的时频图像。自动调制识别模型通过随机舍弃部分时频图像块的方式模拟间歇采样的过程。在预训练过程中，模型使用的损失函数是均方误差mse：
[0027][0028]
其中yi代表实际的样本分布，代表预测的样本分布。
[0029]
通过时频重构的方式拟合解码器生成的时频图像与实际时频图像之间的差异来训练模型的特征提取能力。由于预训练过程使用的是未带有标签的、时频域完整的时频图像。因此，预训练过程中并不会对无线电引信信号进行调制类型识别。
[0030]
微调训练过程中，模型的初始参数由预训练模型迁移得到。微调模型使用的训练数据是通过间歇采样获取的、少量的、带有标签的时频图像。微调训练中使用的损失函数是交叉熵损失函数：
[0031][0032]
其中yi代表实际的类别，代表预测的类别。
[0033]
交叉熵损失函数用于多分类任务中，被用来计算预测值与真实值之间的差距。通过拟合基于vision transformer的无线电引信信号自动调制识别模型预测的无线电引信信号的调制类型与真实调制类型之间的误差，来训练模型对于无线电引信信号调制类型识别的能力。预训练过程和微调训练过程使用的优化算法是adamw。adamw通过增加正则化权重改善基于vision transformer的无线电引信信号自动调制识别模型的泛化性能，并且保持模型快速收敛的能力。
[0034]
步骤四、将步骤二的spwvd时频图输入到步骤三中训练好的基于vision transformer的无线电引信信号自动调制识别模型中，通过所述模型进行信号调制类型的分选，对不同体制的无线电引信信号进行识别，提高drfm间歇采样场景下对无线电引信信号的识别精度和效率。
[0035]
采用基于vision transformer的无线电引信信号自动调制识别模型对步骤二的spwvd时频图进行信号分选识别的具体步骤为：
[0036]
步骤4.1：基于vision transformer的无线电引信信号自动调制识别模型的编码器将输入的无线电引信信号的时频图像分割为大小相等的图像块；
[0037]
步骤4.2：编码器对所有的图像块进行位置编码，并且随机地去除部分图像块；
[0038]
步骤4.3：编码器通过transformer结构提取剩余图像块的特征；
[0039]
步骤4.4：根据位置编码对特征图中空缺的部分进行补零；
[0040]
步骤4.5：无线电引信信号自动调制识别模型的解码器根据补零后的特征图重构原有的时频图像，并输出一维特征向量；
[0041]
步骤4.6：无线电引信信号自动调制识别模型的输出层对解码器输出的一维特征向量进行降维和分类处理，并最大化预测概率。
[0042]
步骤4.7：输出层输出一维识别向量代表无线电引信信号的调制类型，实现对不同体制无线电引信信号的分选识别。
[0043]
有益效果：
[0044]
1、本发明公开的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法，为了提高信号预处理效果，使用spwvd时频分析方法提取信号的时频图像，显著抑制交叉项的产生，提高自动调制识别的信号预处理效果，改善信号的可分辨性。
[0045]
2、本发明公开的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法，通过使用位置编码和随机掩码的方式，模拟drfm间歇采样场景下获得信号的时频域特点，通过特征提取和时频重构的方式提高自动调制识别算法的特征提取能力，使其能够适用于drfm间歇采样等场景。
[0046]
3、本发明公开的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法，采用预训练加微调的方式训练基于vision transformer的无线电引信信号自动调制识别模型，预训练过程使用未经处理的完整时频图像，并通过时频重构和随机掩码的方式提取信号特征。通过参数迁移将预训练模型的参数迁移到微调模型中，微调过程仅需使用少量的、间歇采样获取的时频图像进行训练。预训练加上微调的训练方法提高基于vision transformer的无线电引信信号自动调制识别模型的训练效率，显著地降低训练成本。
[0047]
4、本发明公开的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法，利用spwvd提取信号的时频图像，训练基于vision transformer的无线电引信信号自动调制识别模型作为分类器，联合信号处理算法与深度学习算法，提高drfm间歇采样场景下对无线电引信信号的识别精度和效率。
附图说明
[0048]
图1是本发明的drfm间歇采样下基于时频分析与深度学习的信号识别方法的工作流程图；
[0049]
图2是本发明的间歇采样直接转发的示意图；
[0050]
图3是本发明的间歇采样重复转发的示意图；
[0051]
图4是本发明的间歇采样循环转发的示意图；
[0052]
图5是本发明实例中信号预处理过程的spwvd时频图；其中，图5(a)为完整信号的spwvd时频图；图5(b)为间歇采样直接转发模式下获得的信号的spwvd时频图。
[0053]
图6是本发明的基于vision transformer的无线电引信信号自动调制识别模型的结构图；
[0054]
图7是本发明实例中基于vision transformer的无线电引信信号自动调制识别模型对不同调制类型的无线电引信信号的识别混淆矩阵；
[0055]
图8是本发明实例中基于vision transformer的无线电引信信号自动调制识别模型对不同调制类型的无线电引信信号的识别准确率随信噪比变化的曲线。
具体实施方式
[0056]
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
[0057]
实施例1：
[0058]
为了验证本方法可行性，以五种无线电引信信号的调制识别为例，对本实例方法给出具体步骤。如图1所示，本实例公开的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法，具体实现步骤如下：
[0059]
步骤一、基于数字射频存储drfm的无线电引信干扰机，根据不同的干扰转发策略，采用间歇采样的模式获取时频域截断的无线电引信信号，并通过下变频处理，得到下变频处理后的目标信号。
[0060]
基于数字射频存储drfm的无线电引信干扰机采用收发分时天线获取目标信号和转发干扰信号。在发射干扰信号过程中，不会接收信号。因此，在drfm干扰设备工作过程中，形成间歇采样和转发干扰的工作模式。
[0061]
通过间歇采样获得的目标信号会呈现出时频域截断的特点。间歇采样的采样方式与干扰转发策略有关。drfm干扰转发策略有三种，分别为直接转发、重复转发和循环转发策略。不同的干扰转发策略获得的时域信号截断效果不同，信号长短不同。单次采样的时间长度与单次转发干扰的时间长度相同的情况下，不同干扰转发策略下的信号截断样式有以下特点。
[0062]
如图2所示，在间歇采样直接转发的过程中，无线电引信干扰机接收到目标信号后，直接对目标信号进行转发。如图3所示，在间歇采样重复转发的过程中，无线电引信干扰机接收到目标信号后，先对同一段信号进行多次重复拼接，再将拼接后的干扰信号进行转发。如图4所示，在间歇采样循环转发的过程中，无线电引信干扰机接收到目标信号后，依次将之前获得信号进行拼接，随后再将拼接的干扰信号进行转发。在循环转发过程中，会周期性地重复信号拼接过程，并不对上个周期中存储的信号进行转发。
[0063]
根据不同的干扰转发策略，无线电引信接收机通过间歇采样的形式获取时频域截断的目标信号，并对目标信号进行下变频处理，得到下变频处理后的目标信号。
[0064]
步骤二、采用平滑伪魏格纳-维利分布spwvd，对步骤一下变频处理后的目标信号进行时域和频域加窗平滑处理后，抑制交叉项的产生，增强信号的时频特性，生成信号的spwvd时频图像。
[0065]
spwvd对信号进行时域和频域加窗平滑处理后，抑制交叉项的产生，增强信号的时频特性。
[0066]
对于离散信号x(n)，其中n＝0,1,2,
…
,n-1，那么其spwvd运算表达式为：
[0067][0068]
其中t(m)代表时域的平滑窗函数，g(k)代表频域的平滑窗函数，使用的时域窗函数和频域窗函数均为汉明窗。
[0069]
通过间歇采样的方式获得无线电引信信号的时间序列后，使用式(5)的时频分析方法对时间序列进行时频分析，得到信号的spwvd时频图像。
[0070]
图5是通过spwvd时频分析获得的信号时频图，其中，图5(a)为完整信号的spwvd时频图，图5(b)为间歇采样直接转发模式下获得的信号的spwvd时频图。
[0071]
步骤三、基于vision transformer骨干网络建立无线电引信信号自动调制识别模型，该模型由编码器、解码器和输出层组成，且编码器和解码器使用masked autoencoders
的算法结构。时频图像输入到编码器中，编码器对时频图像进行位置编码和随机掩码处理，并通过transformer结构提取时频图像的特征，并输出图像的特征图。解码器通过拟合特征图与原始时频图像之间的差异重构时频图像，通过最小化重构时频图像与原始时频图像之间的差异训练基于vision transformer的无线电引信信号自动调制识别模型的特征提取能力和图像重构能力。解码器重构时频图像后，输出一维特征向量给到输出层。输出层对一维特征向量进行降维和分类处理，得到一维识别向量代表无线电引信信号的调制类型。基于vision transformer的无线电引信信号自动调制识别模型的训练过程采用预训练加微调的训练方式，降低模型的训练成本，提高模型的训练效率。预训练过程中使用完整的、没有标签的无线电引信信号的时频图像进行时频重构训练，该训练过程中不对无线电引信信号进行调制类型识别。微调训练过程先通过参数迁移将预训练的基于vision transformer的无线电引信信号自动调制识别模型的参数迁移到微调模型中，初始化微调模型。再使用少量的、通过间歇采样获取的无线电引信信号的时频图像对基于vision transformer的无线电引信信号自动调制识别模型进行调制类型识别训练。
[0072]
步骤3.1、基于vision transformer骨干网络建立无线电引信信号自动调制识别模型；
[0073]
图6是基于vision transformer的无线电引信信号自动调制识别模型的网络结构与算法流程。根据其网络结构，使用python3.9构建基于vision transformer的无线电引信信号自动调制识别模型。基于vision transformer的无线电引信信号自动调制识别模型的编码器由12层的transformer块组成，其中多头注意力的头数为12，解码器由8层的transformer块组成，其中多头注意力的头数为16。
[0074]
步骤3.2、使用预训练加微调的方式训练基于vision transformer的无线电引信信号自动调制识别模型，降低模型的训练成本，提高模型的识别性能；
[0075]
使用预训练加微调的训练方式对基于vision transformer的无线电引信信号自动调制模型进行训练。模型在预训练过程使用的训练数据是没有标签的、时频域连续且完整的时频图像，如图5(a)所示。由于预训练过程使用的是未带有标签的、时频域完整的时频图像。因此，预训练过程中并不会对无线电引信信号进行调制类型识别。微调训练过程中，模型的初始参数由预训练模型迁移得到。微调模型使用的训练数据是通过间歇采样获取的、少量的、带有标签的时频图像，如图5(b)所示。
[0076]
步骤四、将步骤二的spwvd时频图输入到步骤三中训练好的基于vision transformer的无线电引信信号自动调制识别模型中，通过所述模型进行信号调制类型的分选，对不同体制的无线电引信信号进行识别，提高drfm间歇采样场景下对无线电引信信号的识别精度和效率。
[0077]
本发明实例以间歇采样直接转发干扰为研究对象，通过实验验证本发明提出的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法的有效性和识别效果。本发明实例选取五种无线电引信信号进行实验验证。无线电引信信号包括三角波线性调频引信信号trifm、正弦波调频引信信号sinfm、锯齿波调频引信信号stwfm、伪码调相引信信号psd、伪码调相脉冲多普勒引信信号pspd。通过使用间歇采样直接转发的方式获得无线电引信信号的时域波形。再使用spwvd获得引信信号的时频分布图像。实验数据在matlab环境下生成。各种无线电引信信号的具体参数设置见表1。间歇采样直接转发的参数设置见表2。
[0078]
表1不同调制类型的无线电引信信号的参数
[0079][0080]
表2间歇采样的参数
[0081][0082]
预训练过程中，使用的是时频域完整的时频图像数据集。该数据集参数如表1所示，信噪比范围为-15db～0db，其中每种无线电引信信号的样本量为6000份，并未对该数据集中的样本做任何标签处理。微调训练过程中，使用的是通过间歇采样获得的时频域截断的时频数据集。该数据集参数如表1和表2所示，信噪比范围是-15db～0db，其中每种无线电引信信号的样本量为300份，训练集和测试集的比例为2:1。预训练和微调训练过程中的学习率均为0.000125，样本批次数为32。微调过程的训练周期数为50。
[0083]
图7为本发明实例中基于vision transformer的无线电引信信号自动调制识别模型对不同调制类型的无线电引信信号的识别混淆矩阵。其中的时频图像数据来自微调数据集。混淆矩阵中，对角线的数值代表模型预测的调制类型与信号实际的调制类型一致，对角线数值越大，代表模型的识别性能越好。如图7所示，基于vision transformer的无线电引信信号自动调制识别模型对于不同调制类型的无线电引信信号均取得很好的识别效果。
[0084]
图8是本发明实例中基于vision transformer的无线电引信信号自动调制识别模型对不同调制类型的无线电引信信号的识别准确率随信噪比变化的曲线。其中的时频图像数据来自信噪比范围为-20db～0db，变化步长为2db的验证数据集，该数据集的参数如表1和表2所示，且未用于模型的训练过程。如图8所示，基于vision transformer的无线电引信信号自动调制识别模型对三角波线性调频引信信号的识别率一直保持在90％以上。模型对于伪码调相引信和伪码调相脉冲多普勒引信信号的调制识别准确率在-20db～-16db的范围内迅速提升，当信噪比高于-16db时，识别准确率达到95％以上。模型对于正弦波调频和锯齿波调频引信信号的识别准确率在-20db～-12db的范围内迅速提升，当信噪比高于-12db时，识别准确率达到95％以上。通过分析不同信噪比下基于vision transformer的无线电引信信号自动调制识别模型对不同调制类型的无线电引信信号的识别准确率，验证本发明提出的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法的有效性以及识别性能。在低信噪比下，本发明提出的一种drfm间歇采样下基于时频分析与深度学习的信号识别方法能够准确地识别不同无线电引信信号的调制类型。
[0085]
以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.drfm间歇采样下基于时频分析与深度学习的信号识别方法，其特征在于：包括如下步骤，步骤一、基于数字射频存储drfm的无线电引信干扰机，根据不同的干扰转发策略，采用间歇采样的模式获取时频域截断的无线电引信信号，并通过下变频处理，得到下变频处理后的目标信号；步骤二、采用平滑伪魏格纳-维利分布spwvd，对步骤一下变频处理后的目标信号进行时域和频域加窗平滑处理后，抑制交叉项的产生，增强信号的时频特性，生成信号的spwvd时频图像；步骤三、基于vision transformer骨干网络建立无线电引信信号自动调制识别模型，该模型由编码器、解码器和输出层组成，且编码器和解码器使用masked autoencoders的算法结构；时频图像输入到编码器中，编码器对时频图像进行位置编码和随机掩码处理，并通过transformer结构提取时频图像的特征，并输出图像的特征图；解码器通过拟合特征图与原始时频图像之间的差异重构时频图像，通过最小化重构时频图像与原始时频图像之间的差异训练基于vision transformer的无线电引信信号自动调制识别模型的特征提取能力和图像重构能力；解码器重构时频图像后，输出一维特征向量给到输出层；输出层对一维特征向量进行降维和分类处理，得到一维识别向量代表无线电引信信号的调制类型；基于vision transformer的无线电引信信号自动调制识别模型的训练过程采用预训练加微调的训练方式，降低模型的训练成本，提高模型的训练效率；预训练过程中使用完整的、没有标签的无线电引信信号的时频图像进行时频重构训练，该训练过程中不对无线电引信信号进行调制类型识别；微调训练过程先通过参数迁移将预训练的基于vision transformer的无线电引信信号自动调制识别模型的参数迁移到微调模型中，初始化微调模型；再使用间歇采样获取的无线电引信信号的时频图像对基于vision transformer的无线电引信信号自动调制识别模型进行调制类型识别训练；步骤四、将步骤二的spwvd时频图输入到步骤三中训练好的基于vision transformer的无线电引信信号自动调制识别模型中，通过所述模型进行信号调制类型的分选，对不同体制的无线电引信信号进行识别，提高drfm间歇采样场景下对无线电引信信号的识别精度和效率。2.如权利要求1所述的drfm间歇采样下基于时频分析与深度学习的信号识别方法，其特征在于：步骤一实现方法为，基于数字射频存储drfm的无线电引信干扰机采用收发分时天线获取目标信号和转发干扰信号；在发射干扰信号过程中，不会接收信号；因此，在drfm干扰设备工作过程中，形成间歇采样和转发干扰的工作模式；通过间歇采样获得的目标信号会呈现出时频域截断的特点；间歇采样的采样方式与干扰转发策略有关；drfm干扰转发策略有三种，分别为直接转发、重复转发和循环转发策略；不同的干扰转发策略获得的时域信号截断效果不同，信号长短不同；不同干扰转发策略下的信号截断样式有以下特点；在间歇采样直接转发的过程中，无线电引信干扰机接收到目标信号后，直接对目标信号进行转发；此时，间歇采样获得的时域信号是间断连续的；在间歇采样重复转发的过程中，无线电引信干扰机接收到目标信号后，先对同一段信号进行多次重复拼接，再将拼接后的干扰信号进行转发；在间歇采样循环转发的过程中，无线电引信
干扰机接收到目标信号后，依次将之前获得信号进行拼接，随后再将拼接的干扰信号进行转发；在循环转发过程中，会周期性地重复信号拼接过程，并不对上个周期中存储的信号进行转发；根据不同的干扰转发策略，无线电引信接收机通过间歇采样的形式获取时频域截断的目标信号，并对目标信号进行下变频处理，得到下变频处理后的目标信号。3.如权利要求2所述的drfm间歇采样下基于时频分析与深度学习的信号识别方法，其特征在于：步骤二实现方法为，spwvd对信号进行时域和频域加窗平滑处理后，抑制交叉项的产生，增强信号的时频特性；对于离散信号x(n)，其中n＝0,1,2,
…
,n-1，则其spwvd运算表达式为：其中t(m)代表时域的平滑窗函数，g(k)代表频域的平滑窗函数，使用的时域窗函数和频域窗函数均为汉明窗；通过间歇采样的方式获得无线电引信信号的时间序列后，使用式(1)的时频分析方法对时间序列进行时频分析，得到信号的spwvd时频图像。4.如权利要求3所述的drfm间歇采样下基于时频分析与深度学习的信号识别方法，其特征在于：步骤三实现方法为，步骤3.1、基于vision transformer骨干网络建立无线电引信信号自动调制识别模型；基于vision transformer的无线电引信信号自动调制识别模型由编码器、解码器以及输出层组成；编码器和解码器使用masked autoencoders的算法结构，并且均由transformer块级联而成；编码器和解码器顺序连接；为了平衡模型结构复杂度与识别效果，降低计算成本并提高识别准确率；作为优选，编码器由12层的transformer块组成，其中多头注意力的头数为12；解码器由8层的transformer块组成，其中多头注意力的头数为16；transformer块完全基于注意力机制，没有使用任何卷积层或者循环神经网络层；在一个transformer块中具有两个归一化层ln、一个多头注意力层以及一个多层感知机；第一个ln层与多头注意力层级联组成残差结构，第二个ln层与多层感知机级联组成残差结构，两个残差结构顺序连接；在transformer块中，多头注意力层由多个自注意力层和一个全连接层组成，全连接层会将每个自注意力层的输出进行汇聚，得到整体的输出；多头注意力增强网络的稳定性和鲁棒性；多层感知机由两个全连接层、一个高斯误差线性单元激活函数gelu层以及两个暂退dropout层组成；通过暂退层随机舍弃部分特征，能够提高网络的鲁棒性，抑制模型的过拟合现象；gelu是线性整流函数relu的变体；gelu激活函数具有比relu激活函数更好的非线性性能，能够显著地提升模型性能；gelu激活函数表示为输出层与解码器连接，由全连接层和softmax激活函数层组成；解码器的输出经过全连接层后得到长度为n的一维概率向量，n代表无线电引信信号调制类型的总数；再由softmax激活函数层进行一维概率向量的处理，以最大化输出的概率；softmax激活函数能够将未规
范化的预测变换为非负数并且总和为1；基于vision transformer的无线电引信信号自动调制识别模型输出一个由0和1组成的一维识别向量代表无线电引信信号的调制类型；步骤3.2、使用预训练加微调的方式训练基于vision transformer的无线电引信信号自动调制识别模型，降低模型的训练成本，提高模型的识别性能；使用预训练加微调训练的方式对基于vision transformer的无线电引信信号自动调制识别模型进行训练，该模型在预训练过程使用的训练数据是没有标签的、时频域连续且完整的时频图像；自动调制识别模型通过随机舍弃部分时频图像块的方式模拟间歇采样的过程；在预训练过程中，模型使用的损失函数是均方误差mse：其中y
i
代表实际的样本分布，代表预测的样本分布；通过时频重构的方式拟合解码器生成的时频图像与实际时频图像之间的差异来训练模型的特征提取能力；由于预训练过程使用的是未带有标签的、时频域完整的时频图像；因此，预训练过程中并不会对无线电引信信号进行调制类型识别；微调训练过程中，模型的初始参数由预训练模型迁移得到；微调模型使用的训练数据是通过间歇采样获取的、少量的、带有标签的时频图像；微调训练中使用的损失函数是交叉熵损失函数：其中y
i
代表实际的类别，代表预测的类别；交叉熵损失函数用于多分类任务中，被用来计算预测值与真实值之间的差距；通过拟合基于vision transformer的无线电引信信号自动调制识别模型预测的无线电引信信号的调制类型与真实调制类型之间的误差，来训练模型对于无线电引信信号调制类型识别的能力；预训练过程和微调训练过程使用的优化算法是adamw；adamw通过增加正则化权重改善基于vision transformer的无线电引信信号自动调制识别模型的泛化性能，并且保持模型快速收敛的能力。5.如权利要求4所述的drfm间歇采样下基于时频分析与深度学习的信号识别方法，其特征在于：采用基于vision transformer的无线电引信信号自动调制识别模型对步骤二的spwvd时频图进行信号分选识别的具体步骤为，步骤4.1：基于vision transformer的无线电引信信号自动调制识别模型的编码器将输入的无线电引信信号的时频图像分割为大小相等的图像块；步骤4.2：编码器对所有的图像块进行位置编码，并且随机地去除部分图像块；步骤4.3：编码器通过transformer结构提取剩余图像块的特征；步骤4.4：根据位置编码对特征图中空缺的部分进行补零；步骤4.5：无线电引信信号自动调制识别模型的解码器根据补零后的特征图重构原有的时频图像，并输出一维特征向量；步骤4.6：无线电引信信号自动调制识别模型的输出层对解码器输出的一维特征向量进行降维和分类处理，并最大化预测概率；
步骤4.7：输出层输出一维识别向量代表无线电引信信号的调制类型，实现对不同体制无线电引信信号的分选识别。

技术总结
本发明公开的DRFM间歇采样下基于时频分析与深度学习的信号识别方法，属于无线电引信对抗领域。本发明实现方法为：基于数字射频存储DRFM的无线电引信干扰机采用收发分时天线获取目标信号和转发干扰信号；利用间歇采样的方式获取无线电引信信号；通过平滑伪魏格纳-维利分布SPWVD提取目标信号的时频图像，显著抑制交叉项的产生，提高自动调制识别的信号预处理效果，改善信号的可分辨性；构建基于Vision Transformer骨干网络的无线电引信信号自动调制识别模型；通过预训练加微调的方式训练自动调制识别模型作为分类器，对接收到的无线电引信信号进行分选识别，进而能够在DRFM干扰等间歇采样场景下实现对多种无线电引信信号的分选识别。信号的分选识别。信号的分选识别。


技术研发人员：郝新红 伊光华 代健 闫晓鹏 刘洋天 韩燕文 安泰 陈秀梅
受保护的技术使用者：北京理工大学
技术研发日：2023.06.28
技术公布日：2023/9/23