[发明专利]基于DCNN和Transformer的雷达辐射源识别方法

说明书

本发明公开了一种基于DCNN和Transformer的雷达辐射源识别方法，将Transformer架构引入到雷达辐射源识别领域，并且对架构进行改进，克服了之前学习远程依赖性难题，计算两个位置之间的关联突破之前卷积神经网络的限制。采用注意力机制模型，对于多通道的数据特征提取，通过学习进入全局特征提取前的数据通道特征，学习通道依赖性，凸显特征提取后的各个通道的重要性，提高辐射源时频图的表征能力。本发明提出的方法可以对低信噪比的时频图首先进行局部特征提取，然后考虑关联位置之间的关系考虑全局特征，在信噪比的情况下，综合局部特征跟全局特征，能够有良好的识别效果。

技术领域

本发明属于雷达对抗侦查领域，具体是雷达辐射源信号识别领域涉及到基于DCNN和Transformer的雷达辐射源识别方法。

背景技术

现代电子战争和雷达技术对抗战争中，雷达的作战能力体现了一个国家的军事技术实力，其主要作用是为远程探测和打击敌方目标提供强有力的保证，而雷达辐射源识别是无线电子战争中关键的核心功能，过程是将测得的辐射源信号参数与我们的库内样本预先就存在的参数进行特征对比确认辐射源的特性的过程，最终，对观测和截获的雷达信号进行分析，和识别从而获取对方的战术情报，可以为作战领导提供战场上瞬息万变的战况，从而采取相应的举措。

传统的雷达侦察设备中，识别大多是基于常规的脉冲描述字的使用，包含特征到达方向与时间(DOA/TOA)、射频(RF)、脉宽(PA)、脉冲重复间隔(PRI)等，相关的科研人员将接收到的信号常规的脉冲参数与库内样本的参数模板进行对比完成雷达辐射源识别的工作。现阶段，根据确切消息，大多数发达国家已经开始广泛使用低截获概率雷达(lowprobability of intercept，LPI)，新型雷达配备了更加复杂的波形并且调制参数多样，传统的脉冲描述字识别方法已经不能很好的识别。所以，对雷达辐射源的信号的识别，具有极其重要的意义。

随着人工智能领域深度学习的快速发展，国内外已经将深度学习应用于雷达辐射源识别当中，取代了之前人工提取特征进行识别的过程，并且已经取得良好的效果。有科研人员提出将得到的雷达信号进行时频转换，然后通过对图像进行特征提取，对图像进行去噪归一化等处理来提高识别度。Ming Zhang等利用卷积神经网络挖掘CWD时频图中的抽象特征，这种智能识别系统可以识别八种信号类型，包括BPSK(Barker码编码方式)线性调频、Costas码、Frank码和多时码(T1、T2、T3和T4)，在信噪比为-2dB时，总体识别率为93.7％。周志文利用随机投影和主成分分析的方式对时频图像进行降维，结合深度学习来完成识别任务，并通过实验验证对六种信号识别的有效性。

上述方法存在的关键问题是：首先，电磁环境充斥着各种噪声，在信噪比比较低的状况下，识别准确率不能保证，这在真正的电子战争中，会导致严重的损失；其次，这些方法在识别一些相位调制特征相似的时频特征图时，不能做出正确的判断，往往敌方会利用这一性质，采取难以识别的调制方式进行反对抗，这些因素限制了网络的可利用性。

发明内容

为了解决上述问题，我们提出了一种基于DCNN和Transformer的雷达辐射源目标识别方法，旨在解决现有技术中的低信噪比识别准确率不高的、特征相似的调制方式难以识别的技术问题，该方法首先构建雷达辐射源信号时频图数据集，对时频图进行预处理降低样本中的敏感性；然后构建DCNN局部特征提取模块，经过归一化的数据作为DCNN的输入，通过池化层，捕捉细节特征，然后通过通道注意力机制，对各个通道的特征进行建模分析，对各个通道依赖程度进行调整，调整后的特征作为输出，再用Transformer处理经过通道注意力的特征，弥补DCNN全局建模能力较弱的问题，搭建分类器对雷达辐射源目标分类，对Transformer模型的输出，使用全连接将更有效的特征进行保留，最后采用softmax对网络的输出进行分类；

为实现上述目的，本发明包括以下步骤：

S1，构建数据集；