一种基于重构循环神经网络的已知雷达信号开集分选方法

本发明涉及雷达信号分选，更具体地，涉及一种基于重构循环神经网络的已知雷达信号开集分选方法。本专利依托于实验室基金项目《雷达精细化分析与辨识技术》，项目编号为20231012。

背景技术：

1、随着信息技术的发展，现代军事作战已逐渐发展为以电子战为核心的高科技综合作战。雷达是现代电子战中重要的军事装备之一，在发现目标、测距、测速、成像和识别目标属性等任务中都有重要的应用。电子对抗是电子战的重要组成部分，通过分析敌方雷达发射的信号，能够有效地获取敌方作战态势信息。由于电磁环境中的雷达辐射源信号一般是混叠的，需要将混叠的脉冲流分离成不同雷达对应的脉冲流，因此雷达信号分选是整个流程的关键技术之一。

2、雷达信号主要通过脉冲描述字(pdw)表征，包括到达时间(toa)、到达角(doa)、脉冲重复间隔(pri)、载频(rf)、脉宽(pw)等，常见的雷达信号分选方法基本都基于上述pdw实现。经典的雷达信号分选方法主要可分为两类，一类是基于pri的分选方法：利用同一雷达的脉冲信号toa一阶差(dtoa)的规律性，从混叠脉冲的dtoa序列中寻找可能的pri进行序列搜索以实现分选，目前被广泛应用的有顺序差值直方图法、pri变换算法以及相应的改进与融合方法；另一种是基于多参数的分选方法，根据雷达信号pdw之间的差异性与相似性，通过聚类方法实现分选，目前被广泛应用的有改进dbscan聚类、支持向量聚类、贝叶斯非参数聚类和数据流聚类等聚类方法。

3、近年来，许多研究将深度学习方法用于雷达信号分选。基于循环神经网络(rnn)在处理时序数据方面的卓越性能，许多研究者利用已知的特定雷达类型信息训练rnn模型，使模型能够从混叠的脉冲序列中识别出特定雷达类型的脉冲序列，从而实现分选任务。文献利用已知雷达的pri与pw训练rnn，并将分选问题视为预测问题，通过判断脉冲流中当前脉冲是否属于特定雷达类型，并预测后续脉冲的pdw，以实现分选任务。文献将已知雷达的pdw序列进行混叠，构造混叠脉冲序列训练集来训练双层双向rnn网络模型，使模型能够对混叠脉冲流识别出对应的辐射源并实现分选。文献分别利用时间卷积网络和多层双向rnn网络，利用混淆脉冲序列训练集进行模型训练，实现对混叠脉冲流的分选与识别任务。文献将残差神经网络与rnn结合，构成的统一残差递归神经网络能够同时提取雷达pdw的空间和时间特征，提升短混叠脉冲流的分选识别效果。上述深度学习方法只使用一个网络模型，而且能够利用多个pdw，从混叠脉冲流中同时实现辐射源的分选与识别，是目前较为先进的分选方法。

4、但上述方法训练的分选模型只适用于仅包含已知辐射源的环境，即闭集环境；而现实环境中通常包含未知辐射源，即开集环境，此时模型将无法有效地区分已知辐射源与未知辐射源，导致分选效果不佳。

技术实现思路

1、本发明提供一种基于重构循环神经网络的已知雷达信号开集分选方法，解决现有的基于rnn的已知信号分选模型仅考虑了闭集环境，无法适用于更接近现实情况的开集环境的技术问题。

2、为解决上述技术问题，本发明的技术方案如下：

3、本发明提供一种基于重构循环神经网络的已知雷达信号开集分选方法，包括以下步骤：

4、根据已知雷达类型的信号参数，生成每类已知雷达对应的脉冲信号pdw序列；

5、将所述脉冲信号pdw序列混叠，得到混叠脉冲信号pdw序列；

6、使用量化技术和嵌入技术对所述混叠脉冲信号pdw序列进行预处理，得到输入向量集；

7、利用所述输入向量集训练重构循环神经网络，得到训练好的重构循环神经网络，所述重构循环神经网络的输入为预处理后的混叠脉冲信号pdw序列，通过重构循环神经网络的编码器获取特征向量，将所述特征向量输入所述重构循环神经网络的分选器，得到预处理后的混叠脉冲信号pdw序列中每类雷达脉冲信号的概率；

8、获取待识别的雷达信号，并输入到重构循环神经网络中，取出重构循环神经网络的编码器输出的特征向量，利用极值理论计算所述待识别的雷达信号属于各已知雷达的概率权重，并根据所述概率权重修正所述待识别的雷达信号的特征向量，并得到所述待识别的雷达信号属于未知雷达的概率，判断所述待识别的雷达信号属于未知雷达还是各已知雷达。

9、在上述技术手段中，将输入重构和开集方法引入rnn分选模型，通过输入重构的思想构建rbi-rnn，联合交叉熵损失、重构损失和中心损失进行模型训练，提高模型的分选精度，并通过极值理论拟合weibull分布，利用拟合好的weibull分布从混叠脉冲序列中将已知雷达与未知雷达分离，提升了分选模型适应开集环境的能力。

10、进一步的，所述脉冲信号pdw序列包括脉冲信号到达时间一阶差dtoa、载频rf和脉宽pw。

11、进一步的，将所述脉冲信号pdw序列混叠，得到混叠脉冲信号pdw序列，包括：

12、每类已知雷达生成多个脉冲信号pdw序列，根据需要包含的已知雷达类型数，依次将属于不同雷达类型的脉冲信号pdw序列混叠，得到混叠脉冲信号pdw序列。

13、进一步的，将所述脉冲信号pdw序列混叠时，分别针对不同需要包含的已知雷达类型数进行混叠。

14、进一步的，使用量化技术和嵌入技术对所述混叠脉冲信号pdw序列进行预处理，得到输入向量集中，所述量化技术的量化过程计算如下：

15、

16、式中，xdigital、xnumeric为所述混叠脉冲信号pdw序列中参数的量化数值和原始数值，dx为量化单位，表示向下舍入；

17、所述嵌入技术的嵌入过程计算如下：

18、ex＝e(x)gx

19、式中，为参数x的独热向量，为满足l1×l1的嵌入矩阵，为得到的嵌入向量；

20、将所有参数的嵌入向量拼接，得到每个混叠脉冲信号pdw序列的输入向量序列，得到输入向量集。

21、进一步的，所述重构循环神经网络包括编码器和分选器，其中：

22、所述编码器包括若干个gru模块、一个bi-gru层和一个全连接层，将输入向量和初始状态向量输入所述编码器中，每一个gru模块根据输入的输入向量和状态向量，得到输出向量和输出状态向量，作为下一个gru模块的输入向量和状态向量，将最后一个gru模块的输出向量和输出状态向量输入bi-gru层后得到的输出向量再输入至全连接层中，得到特征向量；

23、所述分选器根据所述特征向量输出属于每类雷达脉冲信号的概率。

24、进一步的，所述gru模块包括一个bi-gru层和一个dropout层，其中：

25、bi-gru层从前向和后向对输入向量和状态向量分别生成隐藏特征向量序列；

26、将隐藏特征向量序列输入至dropout层随机丢弃一部分信息，得到gru模块的输出向量，将最后时刻的隐藏特征向量作为gru模块的输出状态向量。

27、进一步的，所述重构循环神经网络还包括解码器，所述解码器包括若干个gru模块、若干个拼接模块、一个bi-gru层和两个全连接层，其中：

28、解码器的第一个gru模块的输入向量为编码器最后一个gru模块的输出向量，解码器的第一个gru模块的输入状态向量为经一个全连接层后的编码器最后一个gru模块的输出状态向量；

29、解码器的每一个gru模块的输出向量与编码器对应的gru模块的输出向量经一个拼接模块拼接后作为解码器的下一个gru模块的输入向量，解码器的每一个gru模块的输出状态向量与编码器对应的gru模块的输出状态向量经一个拼接模块拼接后作为解码器的下一个gru模块的状态向量；

30、解码器的bi-gru层根据输入的输入向量和状态向量，生成输出向量序列，再经一个全连接层后，得到重构向量序列。

31、进一步的，利用所述输入向量集训练重构循环神经网络，得到训练好的重构循环神经网络，包括：

32、编码器中全连接层输出的特征向量为xout＝(a1,a2,...,an)，将xout中的每个ai输入至分选器中进行分选，训练阶段使用softmax层作为分选器，并利用交叉熵损失函数、重构损失函数、中心损失函数组成的联合损失函数loss进行模型训练：

33、loss＝λcelossce+λrelossre+λctlossct

34、式中，λce、λre和λct为权重；

35、交叉熵损失函数lossce为：

36、

37、式中，n表示输入向量中脉冲的总数，训练阶段分选器softmax层输出为若输入向量集中存在k类已知雷达，则其中表示第t个脉冲属于第k类雷达的概率，ptj表示第t个脉冲是否属于第j类雷达；

38、重构损失函数lossre为：

39、

40、式中，编码器的输入向量序列为xi＝(pi1,pi2,...,pin)，解码器输出的重构向量序列为

41、中心损失函数lossct为：

42、

43、式中，使用编码器中bi-gru层的输出向量xm进行计算，若训练数据中存在k类已知辐射源，pmt为xm中第t个脉冲信号对应的潜在表示向量，对应的标签为jt，jt＝1,2,...,k，cyi表示第yi类雷达信号潜在表示向量的中心向量；

44、通过最小化所述联合损失函数loss，得到训练好的重构循环神经网络。

45、进一步的，判断所述待识别的雷达信号属于未知雷达还是各已知雷达，包括：

46、将输入向量集的输入向量输入到训练好的重构循环神经网络中，记录编码器各模块输出的潜在表示向量序列x1,x2,...,xm，将所述潜在表示向量序列进行拼接得到激活向量序列z＝(z1,z2,...,zn)，其中zt由第t个脉冲在编码器中的潜在表示向量p1t,p2t,...,pmt拼接而成，若有k个已知类，计算每类雷达信号中正确分选的脉冲的平均激活向量uj,j＝1,2,...,k，并分别计算每个类别中各脉冲激活向量与平均激活向量的距离集合：

47、d(zj)＝||zj-uj||2

48、其中zj表示属于第j类雷达脉冲的激活向量的集合，对每类距离集合进行降序排序，根据统计极值理论分别选取各类的前r个最大距离拟合各已知雷达类型的weibull分布模型，weibull分布的累积分布函数为：

49、

50、其中η为形状参数，λ>0为尺度参数控制cdf曲线放大或缩小，τ为位置参数，用于计算新样本属于该类的概率权重：

51、w(pt∈j)＝1-rα(j)·cdfweibull(||zt-uj||2,ρj)

52、其中w(pt∈j)表示脉冲pt属于第j类的概率权重，是矫正参数，α为超参数，rank(j)表示脉冲pt在编码器全连接层输出的特征向量的降序排列的索引，cdfweibull(||zt-uj||2,ρj)表示第j类的weibull分布的累积密度函数，ρj为分布参数；

53、在得到脉冲样本pt属于每个类的概率权重后，则脉冲pt在编码器全连接层输出的特征向量为at＝(v1,v2,…,vk)，利用得到的概率权重分别对特征向量的元素进行加权：

54、

55、最后将修正后的特征向量输入到softmax层中，得到脉冲pt属于各已知类和未知类的概率。

56、与现有技术相比，本发明技术方案的有益效果是：

57、1.分选模型以bi-gru为基本单元，采用了编码器-解码器的网络结构，利用编码器中的潜在表示向量，通过解码器进行对编码器的输入序列进行重构，使编码器中的潜在表示更加紧凑，更利于区分不同雷达类型的脉冲信号，提升模型的分选精度。

58、2.引入了开集识别方法，利用模型中编码器的潜在向量，拟合weibull分布模型，通过拟合得到的weibull分布模型计算脉冲信号属于未知信号的概率，使分选模型在对已知信号进行分选的同时，能够区分未知信号，适应于开集环境。