[发明专利]一种基于多域特征融合的辐射源个体识别方法

说明书

本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。本发明针对现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题，通过融合时域、时频域和高阶域等多域特征，并设计多层神经网络模型作为分类器进而实现辐射源个体识别。融合多域特征解决了特征信息不全面的问题，采用神经网络模型进行识别分类，避免了识别时依赖辐射源信号调制方式等先验信息和专家系统的主观性较强等问题。同时，神经网络模型提升了系统的泛化能力，得到较好的辐射源个体识别效果。

技术领域

本发明属于信息侦测识别技术领域，具体涉及一种基于多域特征融合的辐射源个体识别方法。

背景技术

辐射源个体识别作为重要的识别手段之一在战场目标识别中发挥着不可替代的作用。辐射源个体识别是将无源侦察接收机所截获的辐射源信号特征参数与辐射源特征参数数据库进行比较，从而确认辐射源的身份，为后续的任务执行和行动提供信息支撑。辐射源个体识别的重点步骤是特征参数提取和分类器的设计。传统的特征提取是基于脉间有意调制特征参数，如雷达辐射源信号重复周期、载频、脉宽、幅度等参数，进而和参数数据库进行匹配。这些量化后的特征无法精细表达个体差异。传统的分类器的设计是基于门限，随着电磁信号越发复杂、密集，信号样式多样，很明显传统的门限设计已经无能为力。

脉内无意调制是雷达发射机自身的固有属性，对于每部雷达发射机具有唯一性。相比于脉间有意调制特征，雷达辐射源信号的脉内无意调制特征更能反应雷达信号的个体特征。信号脉内无意调制主要是由于大功率雷达辐射源发射机的电源、调制管、发射管等各种元器件和电路本身产生的各种寄生调制。各种寄生调制中较为稳定的是寄生调相，同时辐射源发射机输出的相位噪声也是造成寄生调制的最主要原因之一。

目前存在许多基于雷达信号特征完成个体识别的算法，如利用调频指数参数完成辐射源个体识别、利用信号稳定度特征完成辐射源个体识别和利用脉冲包络前沿高阶矩特征完成辐射源个体识别等算法。这些算法存在单类特征不能完整表征辐射源个体信息的缺点。

对于分类器的研究主要集中在方面，一方面如统计决策、模糊决策、模式库匹配和神经网络等机器学习方法。其中统计决策、模糊决策和模式库匹配等方法存在识别辐射源个体时依赖辐射源信号调制方式等先验信息的缺点；神经网络方法存在当特征信息不全面时，神经网络学习效果不佳，泛化能力弱进而导致辐射源个体识别率低的缺点。另一方面是利用专家系统的分析经验来形成的推理规则的识别技术，这种方法依赖专家分析经验，存在分析结果具有较强主观性的缺点。

发明内容

本发明的目的在于提供解决现有辐射源个体识别方法中存在的特征信息不全面，分类器泛化能力弱，专家分析主观性强，辐射源个体识别率低等问题的一种基于多域特征融合的辐射源个体识别方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：输入包含多部不同雷达辐射源发射机发射信号集，对信号集中每一个信号进行离散处理，得到原始数据集；将原始数据集根据设定比例随机划分为循环神经网络信号数据集和已知辐射源发射机信号数据集；

步骤2：利用循环神经网络信号数据集训练循环神经网络，得到循环神经网络特征提取器；

步骤3：从已知辐射源发射机信号数据集中选取一个信号数据x_i(n)，将x_i(n)输入到循环神经网络特征提取器中，得到时域循环特征F_i1；其中，i＝1,2,...,R，R为已知辐射源发射机信号数据集中数据的个数；n为信号数据x_i(n)中的采样点数；

步骤4：获取信号数据x_i(n)的时频域相位特征F_i2；

步骤5：获取信号数据x_i(n)的双谱聚类特征F_i3；