[发明专利]一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法

说明书

本发明涉及一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法，采集不用型号雷达设备发射的信号数据，对原始数据进行信号数据预处理、归一化处理，构建基于自加权结构化特征选择的雷达辐射源信号精细化特征识别模型，使用辐射源信号数据在上述模型上进行运行测试，对得到的识别结果进行输出，从而得到识别的雷达辐射源信号的类型。采用机器学习中的无监督特征选择为基础进行识别，避免了深度学习中神经网络的构建和数据训练过程。极大降低了模型中的超参的数目，避免了超参的调整，使得模型在实际情况下易于实现。

技术领域

本发明属于电子对抗中雷达辐射源信号处理技术领域，尤其涉及一种基于自加权结构化无监督特征选择的雷达辐射源信号精细化特征识别方法。

背景技术

随着信息时代的到来，移动通信技术、无线网络设备和物联网设施都取得了快速的发展和广泛的关注。近些年来，随着4G技术遍布各个角落，5G技术逐步商用，6G 技术开始前沿研究，越来越多的通信设施进入到人们的生活之中，随之而来的是，逐渐复杂和多变的工作机制，这就需要更加可靠而又安全的加密措施。在现代电子信息战中，通过电子侦察搜索来截获对方更多的战场情报，尤其是雷达辐射源信号，并通过分析从中得到对方辐射源信号的精细化特征信息和所属设备型号，进而掌握到对方辐射源搭载平台的信息，从而为前方的电子对抗和电子干扰提供有力的支援。在信号产生或者捕获信号的过程中，由于信号源设备硬件的缺陷，辐射源信号中就会加入一下细微的特征，且这些特征是唯一的。雷达辐射源信号精细化特征识别技术就是一种通过对捕获到的对方的雷达信号进行精细化特征分析，从而对对方的雷达辐射源设备进行准确识别的技术，在电子战场和军事领域中对电磁频谱的分析和控制起着重要作用，因此，雷达辐射源特征识别技术具有重大的战略意义，占据着电子战的核心位置。

传统的雷达辐射源信号识别技术主要是通过人工进行特征提取和分析特征，这种方法是需要人们有获取到的雷达信号的先验知识，然后人工进行特征分析，再将之与已有的辐射源个体数据库进行匹配，从而识别出辐射源信号。但是由于人工进行特征分析会受到人为因素的影响，因此对辐射源信号信息的表征有一定的局限性，这也就会使得在实际应用中出现问题，主要表现在鲁棒性较差和对特征的表征不充分不全面。近些年来，深度学习技术也是在很多领域表现出了很强的学习训练能力，因此专家也尝试将深度学习引入到辐射源信号识别领域。深度学习之所以能够表现出强大的特征信息表征能力，通常是以充足的训练数据作为代价的。但是在实际应用领域中，尤其是在非协作通信情况下，充足的某一辐射源信号数据是很难获得来进行深度神经网络训练和学习的。

机器学习方法因为其较高的表征能力，近年来，专家们将其引入到辐射源信号识别技术领域。尤其是基于无监督的精细化特征选择，由于其事先不需要知道辐射源信号数据的标签信息而得到广泛关注和研究。传统的无监督特征选择方法是基于一个假设，即辐射源信号中的各个样本精细化数据的权重是一样的，在特征表示中起着同样的作用。然后基于这样的假设对原始辐射源数据进行构图，并同时进行特征选择过程。然而这些方法不能够很好地将在数据中贡献不同的样本进行区分开，而且在噪声较大的时候辐射源识别准确率较低，导致后续效果不理想。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提供一种分析时间较短、收敛速度较快、识别准确率和效率较高的基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法。

技术方案

一种基于自加权结构化特征选择的雷达辐射源信号精细化特征识别方法，其特征在于步骤如下：

步骤1：采集不用型号雷达设备发射的信号数据，同时截取到信号中脉冲数据，生成雷达辐射源信号个体识别样本集，即原始数据；

步骤2：对步骤1中得到的原始数据进行信号数据预处理；

步骤3：对步骤2经过信号预处理的数据进行归一化处理；