1.一种基于CNN-BLS网络的雷达辐射源信号识别方法,其特征是包括以下步骤:
步骤1、构建数据集:将侦收设备接收到的雷达辐射源信号进行Choi-Williams时频分析,使雷达信号转化为二维时频图像;
步骤2、对时频图像进行预处理:首先对雷达信号时频图进行灰度化处理降低图像冗余信息,然后使用图像开运算方法对图像进行降噪处理,最后进行归一化处理调整时频图大小;得到预处理后的时频图像集,将预处理后的时频图像集按照预设比例划分为训练集、验证集和测试集;
步骤3、构建改进的CNN-BLS网络:CNN-BLS网络由两部分构成,分为特征提取模块和分类识别模块,使用设计的CNN网络来提取更多的细节特征信息,然后将提取的特征送入宽度学习网络BLS,依靠宽度学习网络快速得到识别分类结果;
步骤4、用步骤2中的训练集样本训练CNN-BLS网络;
步骤5、对雷达辐射源信号进行识别:使用步骤2中的测试集数据输入步骤4训练完的CNN-BLS网络中,完成对雷达辐射源信号的分类识别,获得识别分类结果并计算识别准确率;
步骤3所述的构建改进的CNN-BLS网络,包括特征特征提取模块和分类识别模块;
特征提取模块网络由多层卷积层组成,卷积层使用深度可分离卷积,每一层间使用stride进行下采样以减少数据的维度;为避免在训练过程中各层激活输入值分布发生内部协变量位移,导致反向传播时神经网络底层梯度消失,在每层做非线性变化前,先将激活输入值输入BN层,对激活输入值进行批标准化操作;在网络的中后层使用了大卷积核替代小卷积核,在下采样时使用大卷积核,获取更大的感受野的同时,使网络提取到更多细节特征;卷积核大小为N×N,N取值为正整数3、5、7、……;卷积层层数取值为正整数5、6、7、8、9、……;
在使用特征提取模块充分提取图像中的细节特征后,将提取到的特征送入分类识别模块;分类识别模块由宽度学习网络组成,将特征提取模块中提取到的特征送入宽度学习网络中作为输入矩阵,输入数据通过线性映射变为特征节点,然后将特征节点通过非线性映射变为增强节点,最后通过宽度学习网络输出权重获得分类结果;分类识别流程如下:(a)特征节点生成:特征节点线性映射如式(1)所示:
其中,X是输入矩阵,输入矩阵经过线性函数映射产生第i组映射特征Zi(i=1,2,3….n),是随机权重系数,全部n组特征节点可表示为Zn=[Z1,Z2…Zn];
(b)增强节点生成:特征节点经过非线性函数映射得到增强节点,记为Hj(j=1,2,...,m)如式(2)所示:其中j表示生成增强节点的组数,全部m组增强节点可表示为Hm=[H1,H2,.....,Hm];
(c)获得宽度学习网络的权重:将特征节点和增强节点的输出相连接,设其为输出层的总输入,表示为A,如式(3)所示:Y=[Zn,Hm]Wm=AW (3)
Y是输出层,Wm是权重连接输出层和特征节点及增强节点;将求取宽度学习网络权重问题转化为一个线性方程组问题,通过求取伪逆的方法计算获得权重W;考虑到网络的输入矩阵并非一定可逆,BLS网络权重通过岭回归求伪逆的方法求得,则A的伪逆可由公式(4)求得:于是通过公式(5)可以求出网络的输出连接权重W,进而获得输出结果:
W=A+Y (5)
步骤4所述的训练CNN-BLS网络过程包括;将步骤2中预处理后时频图的训练集样本输入到CNN-BLS网络中训练网络;采用优化算法更新网络权值,采用交叉熵损失函数,设置最大训练轮数Q为大于等于60的正整数;加入学习率衰减策略,学习率衰减周期L为最大训练轮数范围内的任意正整数,每经过L轮训练学习率下降为当前学习率的一半;以验证集识别准确率为标准,保存识别准确率最高的网络模型;通过不断迭代更新网络超参数,当迭代次数达到设置的迭代次数时,完成神经网络的训练过程。