[发明专利]一种基于自动化深度学习的雷达波形识别方法及系统

说明书

本发明涉及一种基于自动化深度学习的雷达波形识别方法及系统，该方法基于用于对雷达波形信号进行分类识别的分类器，该分类器基于改进的DARTS(Differentiable Neural Network Architecture Search，可微分神经架构搜索)算法进行目标神经网络结构的搜索；基于DARTS算法生成第一搜索网络；在第一搜索网络上增加分支结构生成第二搜索网络；分类器基于第二搜索网络进行目标神经网络结构的搜索。针对设计高性能的网结构需要反复试验架构及调整参数，将自动化深度学习引入到雷达波形的识别当中，使用了目前最快的搜索算法DARTS来设计分类模型；并针对DARTS搜索结果不稳定、且在架构验证阶段性能下降的等问题，提出一种带有分支结构的架构搜索方法，减小了搜索阶段与验证阶段的结构差异，改善了DARTS的性能。

技术领域

本发明涉及高精度地图领域，尤其涉及一种基于自动化深度学习的雷达波形识别方法及系统。

背景技术

雷达波形识别是雷达对抗侦察系统中的关键技术之一，是判断敌方武器威胁情况的重要依据。然而，随着战场电磁环境日益复杂，特别是以LPI(Low Probability ofIntercept，低截获率)雷达等各种新体制雷达装备应用，使得雷达侦察信号变的越来越困难。并且在侦察过程中还极易受到噪声干扰，使得雷达侦察系统在低信噪比下识别能力差、特征参数提取困难、准确性不高。

传统基于PDW(Pulse Description Words，脉冲描述字)的分选识别方法由于没有考虑时域、频域和空域之间的相关性，算法的局限性日益突出，已经无法适应现代复杂信号环境，研究者们开始更多地关注雷达信号的脉内特征。早期的雷达信号脉内调制类型相对简单，研究者主要是从时域和频域提取特征，主要方法有时域自相关法、数字中频处理法调制域分析法、谱相关法及相位差分法等。然而随着雷达信号调制方式复杂度的提高及信号环境的日益恶劣，这些方法逐渐暴露出抗噪性能差、适用信号类型有限等问题，已不能满足当前对雷达波形识别的要求。新一代的雷达对抗侦察系统在保留PDW功能的基础上，又相继提出了高阶累积量法、模糊函数法、小波变换法及时频分析法等方法，这些方法主要通过对信号采用某种变换，使得各信号之间特征区分明显，从而达到信号分类识别的目的。但是由于浅层特征的提取适应性较差，这些方法需要手动设计提取特征，其性能很大程度上取决于提取的特征数量和质量，而这些提取的特征通常依赖于研究人员的经验，不一定就是最优方案。越来越多的雷达信号类型使手动提取特征变得越来越困难，当需要识别更多新的雷达信号时，就必须重新设计新的适合的特征提取方法。因此如何能够自动快速找到有利于信号识别的特征，提高泛化性能成为了重点关注的问题。

近年来，由于深度学习可以应用无监督或半监督特征学习算法来实现自动特征提取，并已广泛用于信号处理，包括模式识别、目标检测、语音和图像识别等领域。为了改善传统雷达信号脉内识别算法中人工提取特征的缺点，研究者们开始尝试将深度学习理论引入到了雷达波形识别中，取得了较好的效果。基于深度学习的雷达波形识别技术，可以通过计算机学习数据库中的样本，首先通过时频分析生成雷达波形的时频图像，然后采用深度学习模型自动挖掘深层次特征，实现对不同雷达波形的分类识别。通常深度学习模型具有更好的鲁棒性和泛化能力，提取的潜在特征比依靠人工经验提取的特征更能反映信号的本质信息，特别适用于高维、非线性特征参数分类等问题，这些对于存在于大量噪声中的雷达信号的识别都十分有利。作为深度学习的重要内容，CNN(Convolutional neural network，卷积神经网络)凭借其自身优势在图像识别领域取得了良好的效果。由于通过时频分析生成的二维数据可以更好地满足CNN对输入数据的要求，因此在特征提取中得到了广泛的应用。然而，在较低信噪比下时频图像容易被噪声污染，严重影响了对雷达波形的识别准确率，一些研究者相继提出了对信号的降噪方法。这些方法主要分为一维和二维的信号处理方法，包括数字式平均、自适应滤波、自相关检测、图像形态学和阈值滤波等。这些降噪算法虽然有一定的效果，但绝大多数降噪算法都难以应用在较低信噪比条件下，有的也只能适用于单一的某种特定信号样式，效果不佳。