摘 要: 為了提高神經(jīng)網(wǎng)絡(luò)對分布復(fù)雜的雷達(dá)信號類型的識別率,提出一種結(jié)合小波變換,、互信息特征選擇及神經(jīng)網(wǎng)絡(luò)的分類新方法,。首先利用小波變換對信號進(jìn)行特征提取,然后通過基于互信息的特征選擇來對特征進(jìn)行選擇,,最后把選擇出的特征作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本對其進(jìn)行輻射源類型的識別,。仿真結(jié)果顯示,該方法能夠利用較少的特征值得到較高的識別正確率,。
關(guān)鍵詞: 小波變換,;雷達(dá)信號;特征選擇,;神經(jīng)網(wǎng)絡(luò)
0 引言
在復(fù)雜的信號環(huán)境中,,雷達(dá)信號的識別與參數(shù)提取已經(jīng)得到了高度的重視,在軍用領(lǐng)域和民用領(lǐng)域都具有廣泛的應(yīng)用前景[1-4]。因此,,提高雷達(dá)輻射源識別能力對許多戰(zhàn)略的實(shí)施有重大的意義,。傳統(tǒng)的識別方法主要有數(shù)據(jù)庫匹配法、增量學(xué)習(xí)算法,、神經(jīng)網(wǎng)絡(luò)法等,。然而這些方法運(yùn)算復(fù)雜,識別率低,,已經(jīng)難以滿足由于軍事技術(shù)的迅猛發(fā)展而出現(xiàn)的越來越多的新體制的雷達(dá)[5-6],。
為了解決這一問題,本文提出一種結(jié)合小波變換,、貪婪算法及神經(jīng)網(wǎng)絡(luò)的新方法對雷達(dá)輻射源進(jìn)行識別,。先通過小波變換提取信號的瞬時頻率、瞬時相位,,再利用基于互信息的特征選擇方法選取具有最小誤識率的特征參數(shù)構(gòu)成新的特征集,,最后利用神經(jīng)網(wǎng)絡(luò)分類器對特征集進(jìn)行分類識別。通過計算機(jī)仿真實(shí)驗(yàn)驗(yàn)證了此方法具有較高的識別率,,有一定的參考價值,。
1 識別信號步驟及方法
在綜合電子戰(zhàn)系統(tǒng)中,雷達(dá)輻射源識別包括雷達(dá)輻射源載體識別,、信號識別,、威脅等級確定和識別可信度的估計[7]。為了正確識別輻射源,,除了通常的脈幅,、脈寬、射頻,、載頻外,,還應(yīng)該密切注意雷達(dá)輻射源的脈內(nèi)特性、頻率調(diào)變特性和相干特性等[8],。雷達(dá)輻射源信號處理的流程如圖1所示,。
從圖1可知,雷達(dá)輻射源識別流程一般分為:信號預(yù)處理,、特征提取,、分類識別[9]。本文主要利用小波變換來進(jìn)行信號的特征提取,,然后利用基于互信息的特征選擇進(jìn)行特征值選擇以降低維數(shù),,最后利用神經(jīng)網(wǎng)絡(luò)來對得到的參數(shù)值進(jìn)行訓(xùn)練來識別信號。其流程圖如2所示,。
1.1 基于小波變換的特征提取
在數(shù)學(xué)上,,任意實(shí)信號s(t)均可表示為以下的形式[10]:
則其解析信號可以近似表示為:
其中:
利用Morlet小波提取出雷達(dá)信號的脈內(nèi)特征。由相位穩(wěn)定原理可以計算出信號小波的變換系數(shù):
因?yàn)?img src="http://files.chinaaet.com/images/2016/02/24/6359191786819300003434110.jpg" title="G}2}{KCRO3DW)0Y5X(N%@_4.jpg" alt="G}2}{KCRO3DW)0Y5X(N%@_4.jpg"/>,所以在小波脊線上ts(b,,a)=b,,得:
其中,(b,,a)=arg[WTs(b,,a)]。
則小波脊為:
由式(9),、(10)得出信號的瞬時幅度As(b),、瞬時相位s(b)和瞬時頻率ws如式(12)~(14)所示:
其中,w0為小波基函數(shù)的中心頻率,。
1.2 基于互信息的特征選擇
特征選擇是特征空間降維的重要手段,,為了降低分類模型的復(fù)雜度,、加快分類器的訓(xùn)練速度并提高其泛化能力,,將特征屬性通過特征選擇之后再作為數(shù)據(jù)挖掘的輸入。
根據(jù)Fano準(zhǔn)則[11],,類別C的誤識率為:
當(dāng)互信息I(X,,C)最大時,誤識率最低,,其中H(C)和類別數(shù)N是一定的,。特征矢量和輸出類別C的互信息I(F,C)可由熵H(F)及條件熵H(C|F)表示:
本文主要利用PG互信息估計方法和HMI特征選擇準(zhǔn)則相結(jié)合的一種新的特征選擇方法[12],。其基本步驟如下:
?。?)設(shè)定一個特征集F和空集合S;
?。?)取fi∈F,,計算fi和C的互信息值I(F,C),;
?。?)選擇I(f1,C)的最大值的屬性fi,,并將其作為第一個特征賦值給空集S,;
(4)將特征集F中剩余的值fj與fi配成特征對,,然后計算特征對與C的互信息值I(fi,,fj;C),;
?。?)選擇具有最大互信息值的特征值,將其賦值給空集S作為第二個特征值;
?。?)不斷循環(huán)重復(fù),,直到滿足終止條件為止,然后輸出特征集S,。
其中,,終止條件是如下3個條件之一:
(2)|S|≥k或者|F|=0,,|F|和|S|是指屬性中的個數(shù),;
。
1.3 基于BP神經(jīng)網(wǎng)絡(luò)的信號識別
特征提取只是提取了一些有分類意義的重要參數(shù),,將雷達(dá)信號變成了特征向量,。而分類器設(shè)計的目的是提取出的特征向量按照一定的分類準(zhǔn)則歸入到不同的雷達(dá)信號類別中,進(jìn)而實(shí)現(xiàn)信號的自動識別,。神經(jīng)網(wǎng)絡(luò)分類器能夠獲得較高的識別率,,具有強(qiáng)大的識別能力和適應(yīng)環(huán)境的能力,有更好的穩(wěn)健性和錯容性,,被廣泛應(yīng)用在信號識別中[13-14],。圖3是分類器的結(jié)構(gòu)圖。
在圖3中,,L1層是神經(jīng)網(wǎng)絡(luò)的輸入層,,神經(jīng)元個數(shù)與選擇出的特征參數(shù)集的數(shù)目是一樣的,分別作為各特征值得輸入,;L2層為隱含層,;L3層是輸出層,神經(jīng)元個數(shù)與待分類識別的雷達(dá)信號的數(shù)目相同,。
本文首先利用互信息的特征選擇法對提取出的特征參數(shù)進(jìn)行特征選擇以降低維數(shù),,提高識別的正確率,再利用基于BP神經(jīng)網(wǎng)絡(luò)的分類器進(jìn)行最后的識別,。
BP神經(jīng)網(wǎng)絡(luò)中有兩種傳播的信號:函數(shù)信號和誤差信號,。其中函數(shù)信號通過輸入層及隱含層求出加權(quán)和,然后從該層輸出,,在輸出之前經(jīng)過隱含層的激活函數(shù)處理,。隱含層和輸出層的輸入信號、激活函數(shù)和偏置決定著每個節(jié)點(diǎn)的輸出,。誤差信號由輸出神經(jīng)元產(chǎn)生,,通過該神經(jīng)元原來的連接通道反向傳播,網(wǎng)絡(luò)中的每個神經(jīng)元以某種形式涉及誤差信號函數(shù)來對誤差信號進(jìn)行計算,。圖4是BP神經(jīng)網(wǎng)絡(luò)中函數(shù)信號及誤差信號的傳播情況,,其中函數(shù)信號為實(shí)線,,誤差信號為虛線。
BP算法作為一種有監(jiān)督式的學(xué)習(xí)算法,,其思想主要是:首先將學(xué)習(xí)樣本輸入,,為了使輸出向量和期望向量盡可能相似,要使用反向傳播算法反復(fù)地調(diào)整訓(xùn)練網(wǎng)絡(luò)的權(quán)值與偏差,,直到網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時,,訓(xùn)練便完成了,然后保存網(wǎng)絡(luò)權(quán)值及偏差,。BP算法實(shí)現(xiàn)步驟如下:
?。?)初始化,將區(qū)間隨機(jī)值賦給每個連接權(quán)值,、閾值,;
(2)輸入訓(xùn)練樣本對,,計算各層輸出,;
(3)計算網(wǎng)絡(luò)輸出誤差,;
?。?)計算各層誤差信號,;
?。?)調(diào)整各層權(quán)值;
?。?)重復(fù)步驟(2)直到網(wǎng)絡(luò)誤差滿足精度要求,。
2 計算機(jī)仿真與分析
本文選擇了LFM、BPSK,、QPSK,、FSK 4種典型的雷達(dá)信號來驗(yàn)證上述方法的有效性。信號的載頻為400 MHz,;脈寬PW為10 μs,;采樣頻率fs為100 MHz,LFM的頻偏為50 MHz,;BPSK采用長度為7的Barker碼,,QPSK采用長度為16的Frank碼,F(xiàn)SK也采用Barker碼,。
FSK的瞬時頻率與相對誤差如圖5所示,。
如圖6所示,各特征的互信息值在特征選擇計算后在第6個特征時趨向穩(wěn)定,。
在互信息值的變化小于預(yù)設(shè)門限時,,把這時的6個特征當(dāng)作被選取出的輸入特征,。由x1瞬時相位標(biāo)準(zhǔn)差、x2瞬時頻率標(biāo)準(zhǔn)差,、x3脈沖寬度,、x4中心頻率、x5信號的4階累積量,、x6調(diào)制帶寬作為互信息計算得到特征集,。
分別在5 dB、10 dB,、15 dB和20 dB的信噪比下,,把抽取出的每一種信號的900個樣本分為兩部分,取600個用于小波變換特征提取,、基于互信息的特征值選擇和分類器訓(xùn)練,,300個則作為測試的樣本。然后重復(fù)實(shí)驗(yàn)100次,,得到的結(jié)果如表1所示,。
仿真圖如圖7所示,可看出,,在噪聲環(huán)境中,,該方法有很高的識別率。其中,,在信噪比大于6 dB的環(huán)境下,,信號的識別率均能達(dá)到90%以上。
3 結(jié)論
本文提出了一種新的雷達(dá)輻射源識別方法,,該方法結(jié)合了小波變換,、基于互信息的特征選擇法及BP神經(jīng)網(wǎng)絡(luò)分類器。仿真實(shí)驗(yàn)結(jié)果顯示,,此方法能夠利用較少的特征值得到較高的識別正確率,,減少了分類器的訓(xùn)練時間和訓(xùn)練復(fù)雜度,在較大信噪比范圍內(nèi)能獲得理想的分類識別結(jié)果,,具有一定的實(shí)踐意義,。
參考文獻(xiàn)
[1] 余志斌,金煒東,,陳春霞.基于小波脊頻級聯(lián)特征的雷達(dá)輻射源信號識別[J].西南交通大學(xué)學(xué)報,,2010,45(2):290-295.
[2] NISHIGUCHI K,, KOBAYASHI M. Improved algorithm for estin ating pulse repetition intervals[J]. IEEE Transactions on AES,, 2000,36(2):407-421.
[3] GUSTAVO L R,, JESUS G,, ALVORA S. Digital channelized receiver based on time-frequency analysis for signal interception[J]. IEEE Transaerospace and Electronic Systems,,2005,41(3):879-898.
[4] MALLAT S. A wavelet tour of signal processing[M].San Diego,, CA: Academic Press,, 1998.
[5] HO K C, PROKOPIW W,, CHAN YT. Modulation identification of digital signals by the wavelettransform[J]. IEEE Proceedings of Radar,, Sonar and Navgation,2000,,147(4):169-176.
[6] 雍霄駒,,張登福,王世強(qiáng).雷達(dá)脈內(nèi)調(diào)制方式的自動識別[J].計算機(jī)應(yīng)用,,2011(6):19-20.
[7] 黃宇,,劉鋒,王澤眾,,等.一種聯(lián)合特征參數(shù)的信號調(diào)制識別算法[J].航空學(xué)報,,2013(2):138-144.
[8] 王皓,孫紅斌,,張伯明.PG-HMI:一種基于互信息的特征選擇方法[J].模式識別與人工智能,,2007,20(1):134-145.
[9] 張昕然,,謝紅.一種低信噪比下基于時頻原子的復(fù)雜調(diào)制雷達(dá)信號分選方法[J].應(yīng)用科技,,2013(6):223-230.
[10] 桑煒森,顧耀平.綜合電子戰(zhàn)新技術(shù)新方法[M].北京:國防工業(yè)出版社,,1996.
[11] 王曉東.一種改進(jìn)的MQAM信號的調(diào)制體制識別算法研究[J].電聲技術(shù),,2013(8):77-79.
[12] COVER T M, THOMAS J A. Elements of information theory[M]. John Wiley&Sons,,1995.
[13] GRANGER E, RUBINM A,, GROSSBERG S,, et al. A what-and—where fusion neural network for recognition and tracking of multiple radar emitters[J]. Neural Networks,200l,,14(3):325-344.
[14] 牛海,,馬穎.小波一神經(jīng)網(wǎng)絡(luò)在輻射源識別中的應(yīng)用研究[J].系統(tǒng)工程與電子技術(shù),2002,,24(5):55-57.