基于卷积去噪和Resnet50的雷达信号调制识别方法与流程

基于卷积去噪和resnet50的雷达信号调制识别方法
技术领域
1.本发明属于雷达通信技术领域，更进一步涉及电子对抗技术领域中的一种基于卷积去噪处理和深度残差神经网络19-resnet50的雷达信号脉内调制识别方法。本发明可用于在低信噪比，多雷达信号调制类别环境下对雷达信号脉内调制类型进行有效识别。


背景技术：

2.雷达信号脉内调制类型识别是电子侦察的重要组成部分。它作为雷达对抗中的一项关键技术，在雷达侦察系统中有着重要的应用，将雷达信号脉内调制类型作为分选参数是提高雷达信号分选识别率的有效途径，雷达信号脉内调制类型也是雷达型号识别、威胁等级评估以及干扰决策的重要参数。随着雷达技术的发展，更低的信噪比，更多的雷达信号调制类别使得雷达信号脉内调制类型识别也变得更加困难，因此，雷达信号脉内调制类型识别技术在电子侦察领域中更加受到重视。
3.石礼盟等人在其发表的论文“基于深度网络的雷达信号调制方式识别”(《兵器装备工程学报》2021,42(6)：190-193+218)中公开了一种利用循环神经网络和卷积神经网络分别提取雷达信号时域和时频域特征的雷达信号调制识别方法。该方法的实现方案是：第一步，对雷达信号进行时频分析：使用二次型时频分析方法choi-williams分布进行时频分析得到雷达信号时频图像。第二步，构建长短时记忆网络和卷积神经网络模型：使用长短时记忆网络提取雷达信号的时域特征，使用卷积神经网络提取雷达信号的时频域特征。第三步，特征合成以及识别：对提取的时域和时频域特征进行合成形成联合特征，通过全连接神经网络实现分类识别。该方法能够实现对常见雷达信号调制类型的识别。但是，该方法仍然存在的不足之处在于，识别的雷达信号调制类别中忽略了低信噪比下信号特征受噪声污染严重的情形，导致雷达信号调制识别类别有限。
4.南京航空航天大学在其申请的专利文献“基于时频分析与机器学习的雷达信号调制识别方法”(申请号：cn 202110092719.2；申请公布号：cn 112560803 a)中提出了一种时频分析于机器学习相结合的雷达信号脉内调制识别方法。该方法的实现的方案是：第一步，使用多相滤波对脉冲流进行脉冲检测，然后对检测后得到的脉冲信号进行choi-williams分析得到雷达信号的时频图像，同时对时频图像进行二值化和形态学去噪处理；第二步，构建残差神经网络对预处理后的时频图像进行初次识别得到除多相码以外的识别结果，第三步，对于多相码的时频图像再次进行特征提取，获取特征参数后送入随机森林分类器中训练，得到多相码信号的识别结果。该方法能够实现对于包括多相码和多时码等较多种类的雷达信号的调制类型识别，同时在较低信噪比下有着较好的识别率。但是，该方法仍然存在的不足之处在于，对于低信噪比下的带噪时频图像的去噪处理未能良好的保留信号的时频特征，并且仅用18层的残差神经网络使得提取到的时频特征不足，导致在低信噪比下识别率较低，识别的雷达信号类型较少。
5.综上所述，由于对于雷达信号时频特征在低信噪比下的提取效果不好，构建的特征提取网络深度不足，所以导致雷达信号脉内调制类型识别在现有方法下的效果并不理
想。


技术实现要素：

6.本发明的目的在于针对上述现有技术的不足，提出一种基于卷积去噪处理和resnet50深度残差神经网络的雷达信号脉内调制识别方法，以解决现有技术在低信噪比下对带噪时频图像去噪处理效果差、网络提取信号特征能力不足而导致的低信噪比下识别率低，识别的雷达信号调制类型少的问题。
7.实现本发明目的的具体思路是：本发明利用卷积去噪自编码器网络实现低信噪比下的雷达信号时频图像去噪，相比于传统的二值化和形态学的图像处理方法，本发明的方法能够使带噪时频图像更好地拟合无噪声时频图像，从而解决低信噪比下时频图像特征提取效果差的问题。本发明使用深度残差神经网络来解决传统卷积神经网络层数增加出现的网络性能退化问题，利用迁移学习策略训练深度残差神经网络resnet50来，从而解决低信噪比下识别率低，识别雷达信号调制类型少的问题。
8.为实现上述目的，发明采用的技术方案包括如下步骤：
9.步骤1，对雷达信号进行时频分析：
10.步骤1.1，分别对19类雷达信号进行choi-williams时频分析，得到该类雷达信号对应的时频图像矩阵；
11.步骤1.2，对每个时频图像矩阵进行归一化处理；
12.步骤2，生成训练集：
13.步骤2.1，选取归一化处理后每类雷达信号的至少240张时频图像，将其中120张带噪时频图像组成样本集，与其对应的120张无噪声时频图像组成样本标签集，将样本集中所有样本及其对应的标签组成训练集1；
14.步骤2.2，选取归一化处理后每类雷达信号的至少200张带噪时频图像组成样本集，图像类别作为样本标签集，将样本集中所有样本及其对应的标签组成训练集2；
15.步骤3，构建卷积去噪自编码器网络：
16.步骤3.1，构建卷积去噪自编码器网络中的编码器，其结构依次串联为：第一卷积层，relu激活层，第二卷积层，relu激活层，第一池化层，第三卷积层，relu激活层，第四卷积层，relu激活层，第五卷积层，relu激活层，第二池化层；将第一至第五卷积层的卷积核个数依次设置为64、64、128、128、256，卷积核的大小均设置为3
×
3，第一、第二池化层均采用最大值池化，池化核的大小均设置为1
×
2，池化步长均设置为1
×
2；
17.步骤3.2，构建卷积去噪自编码器网络中的解码器，其结构依次串联为：第一反卷积层，relu激活层，第二反卷积层，relu激活层，第三反卷积层，relu激活层，第四反卷积层，relu激活层，第五反卷积层，relu激活层，第六反卷积层，relu激活层，第七反卷积层，relu激活层；将第一至第七卷积层的卷积核个数依次设置为128、128、64、32、32、16、3，反卷积核的大小均设置为3
×
3；
18.步骤3.3，将构建的编码器、解码器和sigmoid激活层依次串联形成卷积去噪自编码器网络，搭建的卷积去噪自编码器网络共27层；
19.步骤4，训练卷积去噪自编码器网络：
20.将训练集1输入到卷积去噪自编码器网络中，利用反向传播梯度下降法，迭代更新
网络的各层参数，直到网络的损失函数收敛为止，得到训练好的卷积去噪自编码器网络；
21.步骤5，构建深度残差神经网络19-resnet50：
22.构建一个由残差神经网络、全连接层、softmax激活层串联组成的深度残差神经网络19-resnet50；设置全连接层的输出神经元个数为19个；
23.步骤6，利用迁移学习策略训练深度残差神经网络19-resnet50：
24.步骤6.1，将训练集2输入到训练好的卷积去噪自编码器网络中，输出去噪后的时频图像；
25.步骤6.2，将去噪后的时频图像输入到深度残差神经网络19-resnet50中，使用迁移学习策略，利用反向传播梯度下降法，迭代更新网络的各层参数，直到网络的交叉熵损失函数收敛为止，得到训练好的深度残差神经网络19-resnet50；
26.步骤7，识别雷达信号脉内调制类型：
27.步骤7.1，采用与步骤1相同的方法，将待识别的所有样本进行时频分析和归一化处理，将归一化处理后的样本输入到训练好的卷积去噪自编码器网络中，输出去噪后的时频图像；
28.步骤7.2，将去噪后的时频图像输入到深度残差神经网络模型19-resnet50中进行分类识别，输出雷达信号的脉内调制类型。
29.本发明与现有技术相比有以下优点：
30.第1，本发明利用卷积去噪自编码器网络实现低信噪比下的雷达信号时频图像去噪，克服了现有技术在低信噪比下时频图像特征提取效果差的不足，提高了雷达信号时频特征图像质量，使得本发明能在低信噪比环境下对雷达信号脉内调制类型进行识别分类。
31.第2，本发明使用迁移学习策略训练深度残差神经网络19-resnet50，从而克服了卷积神经网络在网络层数增加时出现的网络退化的缺陷，所以可以充分利用更深的网络层数提取更深的图像分类特征，使得本发明在低信噪比环境下对多种雷达信号脉内调制类型的识别有很高的识别准确率。
附图说明
32.图1为本发明的流程图；
33.图2为信噪比-5db时19类雷达信号的原始时频图和去噪时频图；
34.图3为本发明的仿真效果对比图；其中，图3(a)为不同信噪比下的识别准确率图，图3(b)和图3(c)分别为在-5db和0db信噪比下的混淆矩阵示意图。
具体实施方式
35.为了更清楚地说明本发明，下面结合实施例和附图作进一步的详细描述。
36.参照图1，对本发明实施例的具体实现步骤做进一步详细描述。
37.步骤1，对雷达信号进行时频分析。
38.本发明的实施例选取了19类雷达信号分别为线性调频信号(lfm)、频率分集信号(freqdiversity)、频率编码信号(fsk)、非线性调频信号(qfm、sfm、tfm)、跳频信号(costas)、多相码信号(frank、p1、p2、p3、p4)、多时码信号(t1、t2、t3、t4)以及复合调制信号(lfm+bpsk、fsk+bpsk)。
39.步骤1.1，分别对19类雷达信号进行choi-williams时频分析，得到该类雷达信号对应的时频图像矩阵。
40.步骤1.2，按照下式，分别对每个时频图像矩阵进行归一化处理，归一化转换函数为：
[0041][0042]
其中，xn′
表示归一化处理后的第n个图像矩阵，xn表示第n个图像矩阵，max(xn)表示求第n个图像矩阵xn的最大值。
[0043]
步骤2，生成训练集。
[0044]
步骤2.1，选取归一化处理后每类雷达信号的至少240张时频图像，将其中120张带噪时频图像组成样本集，与其对应的120张无噪声时频图像组成样本标签集，将样本集中所有样本及其对应的标签组成训练集1。
[0045]
步骤2.2，选取归一化处理后每类雷达信号的至少200张带噪时频图像组成样本集，图像类别作为样本标签集，将样本集中所有样本及其对应的标签组成训练集2。
[0046]
步骤3，构建卷积去噪自编码器网络。
[0047]
步骤3.1，构建卷积去噪自编码器网络中的编码器，其结构依次串联为：第一卷积层，relu激活层，第二卷积层，relu激活层，第一池化层，第三卷积层，relu激活层，第四卷积层，relu激活层，第五卷积层，relu激活层，第二池化层；将第一至第五卷积层的卷积核个数依次设置为64、64、128、128、256，卷积核的大小均设置为3
×
3，第一、第二池化层均采用最大值池化，池化核的大小均设置为1
×
2，池化步长均设置为1
×
2。
[0048]
步骤3.2，构建卷积去噪自编码器网络中的解码器，其结构依次串联为：第一反卷积层，relu激活层，第二反卷积层，relu激活层，第三反卷积层，relu激活层，第四反卷积层，relu激活层，第五反卷积层，relu激活层，第六反卷积层，relu激活层，第七反卷积层，relu激活层；将第一至第七卷积层的卷积核个数依次设置为128、128、64、32、32、16、3，反卷积核的大小均设置为3
×
3。
[0049]
步骤3.3，将构建的编码器、解码器和sigmoid激活层依次串联形成卷积去噪自编码器网络，搭建的卷积去噪自编码器网络共27层。卷积去噪自编码器先通过卷积网络构建编码器提取带噪时频图像的深度特征，然后通过反卷积层构建解码器还原图像的原始特征和恢复图像原本尺寸。
[0050]
步骤4，训练卷积去噪自编码器网络。
[0051]
步骤4.1，将训练集1中的样本数据输入到卷积去噪自编码器网络中，初始学习率设置为1e-3，优化器采用具有自适应学习率优化能力的adam函数，批尺寸大小为16，利用反向传播梯度下降法，迭代更新网络的各层参数，直到网络的损失函数收敛为止，得到训练好的卷积去噪自编码器网络模型。
[0052]
所述损失函数如下：
[0053][0054]
其中，n表示批标准化处理中的批尺寸大小，yk表示卷积去噪自编码器网络输出的第k个图像，xk表示输入卷积去噪自编码器网络的第k个带噪图像，||
·
||f为f范数操作。
[0055]
本发明的实施例中，使用训练好的卷积去噪自编码器网络对19类雷达信号的带噪时频图像进行去噪处理，输出去噪后的时频图像。图2(a)至图2(s)分别为信噪比-5db时线性调频信号、频率分集信号、频率编码信号、二次调频信号、正弦调频信号、正切调频信号、costas跳频信号、frank信号、p1信号、p2信号、p3信号、p4信号、t1信号、t2信号、t3信号、t4信号、lfm+bpsk复合调制信号以及fsk+bpsk复合调制信号的时频图像。图2(a)至图2(s)中每组图像的左侧为带噪时频图像，右侧为去噪后的时频图像。结合带噪时频图像和去噪后的时频图像，可见每组去噪后的时频图像均消除了带噪时频图像中的大部分噪声，同时还原了信号的原始时频特征，取得了良好的去噪效果。
[0056]
步骤5，构建深度残差神经网络19-resnet50。
[0057]
构建一个由残差神经网络、全连接层、softmax激活层串联组成的深度残差神经网络19-resnet50。所述残差神经网络结构采用现有技术resnet50网络中的残差神经网络，全连接层的输出神经元个数为19个。
[0058]
步骤6，利用迁移学习策略训练深度残差神经网络19-resnet50。
[0059]
步骤6.1，将训练集2输入到训练好的卷积去噪自编码器网络中，输出去噪后的时频图像。
[0060]
步骤6.2，将去噪后的时频图像输入到深度残差神经网络19-resnet50中，使用迁移学习策略，训练时初始学习率设置为0.01，采用交叉熵函数作为网络的损失函数，使用sgd函数作为优化器，批尺寸大小为8，利用反向传播梯度下降法，迭代更新网络的各层参数，直到网络的损失函数收敛为止，得到训练好的深度残差神经网络19-resnet50。
[0061]
所述迁移学习策略为：在训练前期先对替换的全连接神经网络进行训练，19-resnet50网络中的残差神经网络中的网络参数不做变动，加载模型的参数即为19-resnet50网络在imagenet数据集训练收敛后得到的参数，待模型收敛后，再对整个深度残差神经网络19-resnet50进行训练实现参数更新。
[0062]
步骤7，识别雷达信号脉内调制类型。
[0063]
步骤7.1，采用与步骤1相同的方法，将待识别的所有样本进行时频分析和归一化处理，将归一化处理后的样本输入到训练好的卷积去噪自编码器网络中，输出去噪后的时频图像。
[0064]
步骤7.2，将去噪后的时频图像输入到深度残差神经网络模型19-resnet50中进行分类识别，输出雷达信号的脉内调制类型。
[0065]
下面结合仿真实验对本发明的效果做进一步的说明：
[0066]
1.仿真实验条件：
[0067]
本发明的仿真实验的硬件平台为：处理器为intel i7 11800h cpu，主频为2.3ghz，内存16gb。
[0068]
本发明的仿真实验的软件平台为：windows 10操作系统、matlab 2018b以及python3.7。
[0069]
本发明仿真实验中所使用的19类雷达信号的调制参数设置如表1所示：
[0070]
表1.19类雷达信号的调制参数一览表
[0071]
[0072][0073]
将采样率fs设置为200mhz，信号长度为256到512之间的随机值，根据表1设置雷达信号的调制参数，信噪比从-5db到10db，间隔为5db，噪声采用加性高斯白噪声，每类雷达信号在每个信噪比下产生300张时频图像，共22800张时频图像，训练集包含15200张时频图像，测试集包含7600张时频图像，利用测试集对本发明的雷达信号调制类型识别效果进行测试。
[0074]
2.仿真内容及其结果分析：
[0075]
本发明仿真实验是采用本发明的方法通过上述仿真条件，对19类雷达信号调制类型的识别效果进行测试，获得的识别准确率测试结果如图3(a)所示，统计-5db和0db信噪比
下的实验测试结果形成的混淆矩阵示意图分别为图3(b)和图3(c)。
[0076]
下面结合图3的仿真图对本发明的效果做进一步的描述。
[0077]
图3(a)为采用本发明方法，分别在-5db、0db、5db和10db信噪比环境下对19类雷达信号脉内调制类型的识别准确率绘制的折线图。图3(b)为采用本发明方法，在-5db信噪比环境下统计实验测试结果得到的混淆矩阵。图3(c)为采用本发明方法，在0db信噪比环境下统计实验测试结果得到的混淆矩阵。
[0078]
由图3(a)中可以看出，随着信噪比的提高，采用本发明方法对19类雷达信号脉内调制类型的识别准确率也在上升，在信噪比为-5db的条件下识别准确率达到了91.2％；在信噪比为0db时，识别准确率提高到了98.4％，证明本发明方法在低信噪比环境下的雷达信号脉内调制类型有理想的识别效果。
[0079]
由图3(b)中可以看出，在信噪比为-5db时，本发明的方法对于大部分的雷达信号脉内调制类型的识别准确率均达到了95％以上，对于多相码(frank、p1、p3、p4)和线性调频信号(lfm)，多时码中的t2和t4信号容易产生混淆，这是因为这几类雷达信号的时频特征相近，因此在低信噪比环境下受噪声影响导致图像特征丢失从而使得对这几类信号的识别效果变差。
[0080]
由图3(c)中可以看出，随着信噪比的提高，在0db信噪比环境下，本发明的方法对于除p4信号外的雷达信号调制类型识别准确率均达到了96％以上，证明本发明的方法在低信噪比下对于19类雷达信号中较难区分的信号类型也有着很好的表现。
[0081]
以上仿真实验结果表明：本发明方法通过利用卷积去噪自编码器、深度残差神经网络以及迁移学习策略相结合的方式，能够在低信噪比，雷达信号种类多的环境下对雷达信号脉内调制类型进行识别，有着良好的表现，具有很高的识别准确率。

技术特征：
1.一种基于卷积去噪和resnet50的雷达信号调制识别方法，其特征在于，利用训练好的卷积去噪自编码器网络对低信噪比下的雷达信号带噪时频图像进行去噪处理，利用训练好的深度残差神经网络19-resnet50提取去噪处理后的时频图像分类特征；该方法具体步骤包括如下：步骤1，对雷达信号进行时频分析：步骤1.1，分别对19类雷达信号进行choi-williams时频分析，得到该类雷达信号对应的时频图像矩阵；步骤1.2，对每个时频图像矩阵进行归一化处理；步骤2，生成训练集：步骤2.1，选取归一化处理后每类雷达信号的至少240张时频图像，将其中120张带噪时频图像组成样本集，与其对应的120张无噪声时频图像组成样本标签集，将样本集中所有样本及其对应的标签组成训练集1；步骤2.2，选取归一化处理后每类雷达信号的至少200张带噪时频图像组成样本集，图像类别作为样本标签集，将样本集中所有样本及其对应的标签组成训练集2；步骤3，构建卷积去噪自编码器网络：步骤3.1，构建卷积去噪自编码器网络中的编码器，其结构依次串联为：第一卷积层，relu激活层，第二卷积层，relu激活层，第一池化层，第三卷积层，relu激活层，第四卷积层，relu激活层，第五卷积层，relu激活层，第二池化层；将第一至第五卷积层的卷积核个数依次设置为64、64、128、128、256，卷积核的大小均设置为3
×
3，第一、第二池化层均采用最大值池化，池化核的大小均设置为1
×
2，池化步长均设置为1
×
2；步骤3.2，构建卷积去噪自编码器网络中的解码器，其结构依次串联为：第一反卷积层，relu激活层，第二反卷积层，relu激活层，第三反卷积层，relu激活层，第四反卷积层，relu激活层，第五反卷积层，relu激活层，第六反卷积层，relu激活层，第七反卷积层，relu激活层；将第一至第七卷积层的卷积核个数依次设置为128、128、64、32、32、16、3，反卷积核的大小均设置为3
×
3；步骤3.3，将构建的编码器、解码器和sigmoid激活层依次串联形成卷积去噪自编码器网络，搭建的卷积去噪自编码器网络共27层；步骤4，训练卷积去噪自编码器网络：将训练集1输入到卷积去噪自编码器网络中，利用反向传播梯度下降法，迭代更新网络的各层参数，直到网络的损失函数收敛为止，得到训练好的卷积去噪自编码器网络；步骤5，构建深度残差神经网络19-resnet50：构建一个由残差神经网络、全连接层、softmax激活层串联组成的深度残差神经网络19-resnet50；设置全连接层的输出神经元个数为19个；步骤6，利用迁移学习策略训练深度残差神经网络19-resnet50：步骤6.1，将训练集2输入到训练好的卷积去噪自编码器网络中，输出去噪后的时频图像；步骤6.2，将去噪后的时频图像输入到深度残差神经网络19-resnet50中，使用迁移学习策略，利用反向传播梯度下降法，迭代更新网络的各层参数，直到网络的交叉熵损失函数收敛为止，得到训练好的深度残差神经网络19-resnet50；
步骤7，识别雷达信号脉内调制类型：步骤7.1，采用与步骤1相同的方法，将待识别的所有样本进行时频分析和归一化处理，将归一化处理后的样本输入到训练好的卷积去噪自编码器网络中，输出去噪后的时频图像；步骤7.2，将去噪后的时频图像输入到深度残差神经网络模型19-resnet50中进行分类识别，输出雷达信号的脉内调制类型。2.根据权利要求1所述的基于卷积去噪和resnet50的雷达信号调制识别方法，其特征在于，步骤1.1中所述的19类雷达信号指的是线性调频信号、频率分集信号、频率编码信号、二次调频信号、正弦调频信号、正切调频信号、costas跳频信号、frank信号、p1信号、p2信号、p3信号、p4信号、t1信号、t2信号、t3信号、t4信号、lfm+bpsk复合调制信号以及fsk+bpsk复合调制信号。3.根据权利要求1所述的基于卷积去噪和resnet50的雷达信号调制识别方法，其特征在于，步骤1.2中所述的归一化处理是由下式实现的：其中，x
n
′
表示归一化处理后的第n个图像矩阵，x
n
表示第n个图像矩阵，max()表示求矩阵的最大值。4.根据权利要求1所述的基于卷积去噪和resnet50的雷达信号调制识别方法，其特征在于，步骤4中所述的卷积去噪自编码器网络的损失函数如下：其中，n表示批标准化处理中的批尺寸大小，y
k
表示卷积去噪自编码器网络输出的第k个图像，x
k
表示输入卷积去噪自编码器网络的第k个带噪图像，||
·
||
f
表示f范数操作。5.根据权利要求1所述的基于卷积去噪和resnet50的雷达信号调制识别方法，其特征在于，步骤5所述的残差神经网络是采用现有技术resnet50网络中的残差神经网络。6.根据权利要求1所述的基于卷积去噪和resnet50的雷达信号调制识别方法，其特征在于，步骤6.2所述的迁移学习策略为：在训练前期先对19-resnet50网络中的全连接层进行训练，19-resnet50网络中的残差神经网络中的网络参数不做变动，加载模型的参数即为19-resnet50网络在imagenet数据集训练收敛后得到的参数，待模型收敛后，再对整个深度残差神经网络19-resnet50进行训练实现参数更新。

技术总结
本发明公开了一种基于卷积去噪和Resnet50的雷达信号调制识别方法，本发明的实现方案为：对雷达信号进行时频分析；生成训练集；构建卷积去噪自编码器网络；训练卷积去噪自编码器网络；构建深度残差神经网络19-Resnet50；利用迁移学习策略训练深度残差神经网络19-Resnet50；识别雷达信号脉内调制类型。本发明利用卷积去噪自编码器网络实现了低信噪比下的雷达信号时频图像去噪，提高了雷达信号时频特征图像质量；本发明利用深度残差神经网络19-Resnet50提取更深的图像分类特征，能够在低信噪比环境下对多种雷达信号脉内调制类型进行识别，具有抗噪能力强，识别雷达信号种类多，识别正确率高的优点。识别正确率高的优点。识别正确率高的优点。


技术研发人员：董春曦 葛鑫 郑晓波 高智鑫 黄程 董阳阳 饶鲜 王贤骅
受保护的技术使用者：中国电子科技集团公司第二十九研究所
技术研发日：2023.02.22
技术公布日：2023/9/25