对认知雷达信号的联合调制类型识别和参数估计方法
技术领域
本发明涉及雷达电子侦察
技术领域
，具体涉及一种对认知雷达信号的联合调制类型识别和参数估计方法。背景技术
认知雷达是具有多种动态变化工作模式的复杂传感器，被广泛应用于侦察、目标跟踪等领域。认知雷达通过先验知识以及对环境的交互学习来感知环境。在此基础上，可以实时地调整其发射和接收环路以适应环境和目标的变化，从而充分发挥雷达的性能潜力，以满足预定的雷达性能指标。认知雷达的感知-行动环路(Perception-action-cycle,PAC)使其具有显著的灵活能力，可以优化脉冲间和脉冲内的调制类型以及调制参数。具体来说，通过连续地感知环境，认知雷达优化预先设定的目标函数，来实时优化对应的控制参数，如脉冲重复间隔(Pulse repetition interval,PRI)、射频(Radio frequency,RF),脉冲宽度(Pulse width,PW)和脉内波形(Modulation on pulse,MOP)。这对传统的电子支持系统或雷达预警接收机在以下三个方面构成重大挑战：1)将接收到由多个控制参数(如PRI、RF和PW)共同优化所形成的复杂认知雷达工作模式；2)每个控制参数可以进行复杂的调制；3)通过在特定参数空间优化具体调制参数取值，认知雷达可以灵活地实现具有相同调制方式不同调制参数的细粒度工作模式。
在早期的自动调制类型识别的研究中，通过分别识别脉冲序列中不同控制参数的调制类型，对脉冲间和脉冲内的调制方式进行自动调制类型识别，在此基础上解决包含多个参数的复杂序列的识别。这些方法可以分为两类，第一类是针对不同的控制参数设置单独的网络来实现调制类型识别；第二类是人为的将不同控制参数的调制类型组合视为不同类别，使用多分类器来实现识别任务，将多个参数作为一个整体来处理。
实际系统中，对于第一类方法，虽然可以在单个控制参数识别任务中取得不错的性能，但是难以挖掘认知雷达中普遍存在的各个控制参数之间的关联关系；对于第二类方法，对于少量的类别才能保证其性能，随着控制参数及其调制类型数目的增加，组合的类别数目呈指数型增长，影响模型的整体性能。另一方面，传统方法所用模型都假设数据比较理想，而真实系统接收到的脉冲序列往往会受到参数测量误差、脉冲信号缺失、虚假脉冲干扰等三种典型非理想因素的影响，使得传统方法对多功能雷达工作模式的识别能力降低。
而调制参数估计研究方面，对认知雷达工作模式的调制参数估计是揭示认知雷达目标函数优化过程的重要一步，而相关的方法研究相对较少。
深度学习模型是一种拥有多个非线性映射层的神经网络模型，能够对输入序列进行逐层抽象并提取特征，挖掘出更深层次的潜在规律，且对噪声等有很强的鲁棒性。在深度学习中，多任务学习(Multi-task Learning)深度神经网络在许多领域得到了广泛的应用，具有同时解决多个任务的能力，一方面，其中的共享层体系结构可以大大减少内存占用和计算负载；另一方面，多个任务在实现的过程中可以实现信息的共享，以此提升网络的性能。多任务学习很自然的适用于对认知雷达多参数定义的雷达工作模式的识别与调制参数估计。
发明内容
本发明提出一种对认知雷达信号的联合调制类型识别和参数估计方法，可以对接收到的具有多个控制参数、丰富调制类型的认知雷达脉冲信号，针对不同调制参数和调制类型组合所定义的工作模式，并行的进行自动调制类型识别和调制参数估计。
对认知雷达信号的联合调制类型识别和参数估计方法，包括：
S1、构建用于训练的数据集：
S11、当用于训练的输入信号为波形信号时，每个波形信号由设定数目的定义参数描述；每种定义参数从固定数目的调制类型集合中选取各自对应的调制类型，则一个波形信号的样本，由各个定义参数对应的调制类型组合描述；获得多个具有不同调制类型组合的波形信号的样本，并对描述该信号的定义参数和调制类型组合进行打标签，构成用于训练的数据集；
S12、当用于训练的输入信号为PDW信号时，每个PDW信号由定义参数描述，则PDW信号中每个脉冲由一个M维的矢量描述，该向量描述该脉冲对应的M维定义参数的具体取值；M表示定义参数数目；每种定义参数从固定数目的调制类型集合中选取各自对应的调制类型，则一个PDW信号的样本，由各个定义参数对应的调制类型组合描述；获得多个具有不同调制类型组合的PDW信号的样本，并对描述该信号的定义参数和调制类型组合进行打标签，构成用于训练的数据集；
S2、构建深度多任务神经网络JMRPE-Net，该神经网络包括三层级联卷积神经网络CNN以及其后并接的两个任务特定层；将两个任务特定层分别定义为第一任务特定层和第二任务特定层；每个任务特定层包括依次串联的注意力机制层、两层级联的双向长短时记忆网络层和全连接层，其中，第一任务特定层的全连接层之后还连接有softmax层；
将步骤S11或S12得到的数据集输入到深度多任务神经网络JMRPE-Net中，则softmax层用于输出调制类型的概率分布序列，用于实现调制类型识别任务；第二任务特定层的全连接层输出定义参数估计序列，用于完成定义参数识别任务，由此实现对深度多任务神经网络JMRPE-Net的训练；
S3、对待识别认知雷达脉冲序列信号，即波形信号或PDW信号，输入到对应的训练好的深度多任务神经网络JMRPE-Net中，得到每个待识别信号的调制类型和调制类型对应的调制参数。
较佳的，在对深度多任务神经网络JMRPE-Net进行训练的过程中，损失函数为：
式中，2K为总任务数，分别为K个调制类型识别任务和K个调制参数估计任务；ωi是第i个任务的权重，Li是第i个任务的损失值。
较佳的，对调制类型识别任务，损失函数为：
式中，n代表训练样本数，m代表调制类型的类别数，为真实类别标签，为预测类别标签。
较佳的，对调制参数估计任务，损失函数为：
式中，n代表训练样本数，m代表调制参数的类别数，为真实参数值，为预测参数值。
较佳的，所述特征共享提取层用于提取调制类型识别任务和定义参数识别任务的通用特征。
较佳的，所述特征共享提取层包括多层卷积-池化层，用于分别提取空间特征和局部位移不变特征。
较佳的，步骤S1中得到训练的数据集后，对其进行归一化处理后，再送入深度多任务神经网络JMRPE-Net进行训练。
较佳的，对于待识别认知雷达脉冲序列信号，先进行所述的归一化处理后，再输入到网络进行识别。
较佳的，所述定义参数包括脉冲重复间隔PRI、射频载波频率RF、脉冲宽度PW、脉内调制波形MOP中的一个或者多个。
本发明的有益效果：
本发明提出一种对认知雷达信号的联合调制类型识别和参数估计方法，可以对接收到的具有多个控制参数、丰富调制类型的认知雷达脉冲信号，针对不同控制参数上的调制类型组合所定义的工作模式，并行的进行自动调制类型识别和调制参数估计，具体为：
(1)本发明方法结合卷积神经网络和递归神经网络，利用深度网络的自动特征学习表征能力，能够有效提取脉冲间与脉冲内的空间与时序特征，在严重非理想条件下也能够有效的完成自动调制类型识别和调制参数估计任务；
(2)本发明方法可以从波形信号中进行端到端学习，一方面避免了PDW参数测量过程中原始IF波形包含重要信息可能缺失的情况，另一方面有利于发现连续脉冲间的时间序列关系和脉冲间与脉冲内调制参数的提取，进一步挖掘不同控制参数之间的相关性；
(3)本发明所提出的JMRPE-Net方法，不仅仅局限于IF形式的输入，对PDW形式的输入信号，也可以完成同样的调制类型识别和调制参数估计的任务；
(4)本发明提出的对认知雷达信号序列的联合调制类型识别和调制参数估计方法，可以为后续认知雷达工作模式分析和推理提供技术手段支持。
附图说明
图1为本发明模拟的认知雷达工作模式中频采样信号示例图。
图2为本发明构建的联合调制类型识别和参数估计网络框架图。
图3为本发明构建的联合调制类型识别和参数估计网络层次结构图。
图4为联合调制类型识别和参数估计网络测试示例图。
图5为认知雷达典型模式定义参数的调制类型和调制参数示例图。
图6为不同场景下MOP调制方式示例图。
具体实施方式
本发明提供一种对认知雷达信号序列的联合调制类型识别和调制参数估计方法。
一种对认知雷达信号的联合调制类型识别和参数估计方法，包括如下步骤：
S1、构建用于训练的数据集：
S11、若输入信号为波形信号，则描述如下：
输入脉冲信号样本为一个特定信噪比的波形信号，由PRI、RF、PW和MOP等M维定义参数描述(为了简便，后面以这四个定义参数为例描述)，每种定义参数可以从固定数目的调制类型集合中选取各自对应的调制类型，这样，一个输入信号样本，可以由各个定义参数对应的调制类型组合描述。每个输入样本为一个脉冲序列，见图1。
S12、若输入信号为PDW信号，则描述如下：
输入脉冲信号样本为一个PDW序列，由PRI、RF、PW和MOP等M维定义参数描述(同样的，为了简便，后面以这四个定义参数为例描述)。在PDW序列中，每个脉冲由一个M维的矢量描述，该向量描述了该脉冲对应的M维定义参数的具体取值。则包含了L个脉冲的PDW序列，为一个M×L的矩阵。同样的，每种定义参数从固定数目的调制类型集合中选取各自对应的调制类型，则一个PDW信号的样本，由各个定义参数对应的调制类型组合描述；获得多个具有不同调制类型组合的PDW信号的样本，并对描述该信号的定义参数和调制类型组合进行打标签，构成用于训练的数据集。
S2、构建并训练联合调制类型识别和调制参数估计的深度多任务神经网络(Jointmodulation recognition and parameter estimation net,JMRPE-Net)；JMRPE-Net包括三层级联卷积神经网络(Convolutional neural network,CNN)作为共享特征提取模块，后并接两类任务特定的层，每个任务特定层包含注意力机制(Attention)层、两层级联的双向长短时记忆网络(bi-directional long short term memory,bi-LSTM)层和全连接层，具体为：
S21、CNN特征共享提取层
记输入CNN的信号为x。特征共享提取层包含3层卷积-池化层，用于提取空间特征和局部位移不变特征，每一层卷积-池化层包含64个滤波器，卷积核大小为2×3(若输入为PDW序列，卷积层的卷积核大小需要根据PDW的维度M进行调整)，使用ReLU激活函数，前两层卷积层后接大小为1×2的池化层以减少特征维数，并使提取的特征具有局部形变不变性，第三层卷积层后接大小为2×2的池化层，减少特征维数，将特征变换为行向量。x通过CNN后的输出记为
S22、任务特定层的Attention层
然后A输入进任务特定层，首先是注意力机制层，注意力机制由全连接层实现，以非线性sigmoid层作为激励函数，为特征在时间上的维度；t时刻的注意力权重：
其中：
f(a)＝aTWattention
Wattention为可训练的参数矩阵；
计算得到注意力特征向量：
S23、任务特定层的第一个bi-LSTM层
然后，被送入两个bi-LSTM层。计算bi-LSTM层的前向隐藏层和后向隐藏层其中：
式中，L表示Attention层所提取的注意力特征向量长度，表示特征向量中第t个时刻的特征；
S24、任务特定层的第二个bi-LSTM层
根据第一个bi-LSTM层的隐藏层H＝[Hf,Hb]，计算当前bi-LSTM层的前向隐藏层和后向隐藏层其中，前向隐藏层中第t个元素为：
式中，
后向隐藏层中第t个元素为：
S25、任务特定层的全连接层
根据第二个bi-LSTM层的向量计算输出矢量：
其中将每个时刻的输出ot,对于调制类型识别任务，通过softmax层，得到调制类型的概率分布序列：其中是对第m个调制类型的输出类别概率序列；对于调制参数估计任务，通过全连接层，得到调制参数估计序列：其中是需要进行估计的第n个参数
S3、对输入的待测复杂雷达波形信号，整理成数据集中样本的格式，输入到联合调制类型识别和调制参数估计的深度多任务神经网络JMRPE-Net中，得到调制类型的识别结果和调制参数的估计结果。
实施例：
S1、首先利用录取数据或者模拟数据生成用于模型训练的序列样本数据集合：
S11、根据相应的领域专家知识，清洗提取或者模拟产生8个不同信噪比下的数据集D1。数据集包含8个数据子集，分别对应[-10,-6,-2,0,2,6,10,50]dB，8种不同的信噪比，其中信噪比为50dB的数据集被认为是无噪声的情况。数据子集中的每个训练样本对应一种调制类型组合，该样本为IF波段信号，由PRI、RF、PW三种模式定义参数进行脉间调制，由MOP参数定义脉内波形调制。如Pi＝(p1,p2,…,pn)∈R2×n为数据集D1中的第i个样本，n为序列长度，样本中每一个采样点包含实数值和复数值；
S12、根据相应的领域专家知识，模拟产生4种不同MOP场景下的数据集D2。D2由4个数据子集组成，定义为4个MOP场景，从场景1到场景4，MOP的调制类型依次增加。如场景1仅包含一种MOP调制类型，即线性调频(LFM)，场景2增加调频信号调制(Costas)，场景3增加相位Frank码调制，场景4增加非线性调频(NLFM)，调制类型组合数目随之增加，工作的复杂度也随之增长。该数据集可由数据集D1某个特定信噪比的数据子集，按照MOP调制类型筛选得到；
S2、对S1产生的脉冲序列数据集进行固定归一化处理，公式如下
其中，s(t)为原始信号，s′(t)为归一化后的信号；
S3、构建并训练联合调制类型识别和调制参数估计的深度多任务神经网络JMRPE-Net。JMRPE-Net包括三层级联CNN作为共享特征提取模块，后并接两个任务特定层，每个任务特定层包含Attention层、两层级联的bi-LSTM层和全连接层。CNN共享特征提取层用于提取空间特征和局部位移不变特征，Attention层针对不同任务，为提取到的共享特征添加不同的注意力权重，bi-LSTM层提取时序特征。
S31、计算CNN第h层卷积输出：
第h+1层池化层输出：
第h+2层卷积层输出：
用矩阵形式表达为：
其中，k表示卷积核，Krot表示k旋转180°，d表示池化步长，λh+1表示每个特征元素的权重。通过CNN后的输出记为
S32、然后A输入进任务特定层，首先是注意力机制层，注意力机制由全连接层实现，以非线性sigmoid层作为激励函数，为特征在时间上的维度，t时刻的注意力权重：
其中
f(a)＝aTWattention
Wattention为可训练的参数矩阵，
计算得到注意力特征向量：
S33、然后，被送入两个bi-LSTM层。计算第一个bi-LSTM层前向和后向的隐藏层和其中
式中，L表示一个前级注意力机制层输出的特征序列长度，表示第t个时刻的特征；
上式的LSTM表示LSTM函数，由下面的几个公式表示
ft＝σ(Wfpt+Rfht-1+bf)
it＝σ(Wipt+Riht-1+bi)
at＝tanh(Wapt+Raht-1+ba)
ot＝σ(Wopt+Roht-1+bo)
ct＝ct-1×ft+at×it
ht＝tanh(ct)×ot
其中，ft,it,ot为遗忘门，输入门，输出门，at为输入，Wf,Wi,Wa,Wo为对应的权重矩阵，Rf,Ri,Ra,Ro为对应的循环权重，bf,bi,ba,bo为对应的偏置项，σ和tanh分别为sigmoid和双曲正切激活函数。拼接上述前向和后向的隐藏层，得到bi-LSTM层的隐藏层H＝[Hf,Hb]。
S34、计算第二个bi-LSTM层前向和后向的隐藏层
根据第一个bi-LSTM层的隐藏层H＝[Hf,Hb]，计算当前bi-LSTM层的隐藏层变量。计算过程与S43类似，所用公式如下：
其中同样拼接前向和后向的隐藏层，得到工作模式bi-LSTM层的向量
S35、根据第二个bi-LSTM层的向量计算输出矢量：
其中将每个时刻的输出ot,对于调制类型识别任务，通过softmax层，得到调制类型的概率分布序列：其中是对第m个调制类型的输出类别概率序列；对于调制参数估计任务，通过全连接层，得到调制参数估计序列：其中是需要进行估计的第n个参数。
对于一个调制类型标签序列为Y＝(y1,y2,...,yM)，调制参数标签为P＝(p1,p2,...,pN)的输入波形信号，JMRPE-Net输出对应的调制类型识别结果和调制参数估计结果定义对输入波形信号的损失函数为：
式中，2K为K个模式参数的总任务数，分别为K个调制类型识别任务和K个调制参数估计任务；ωi是第i个任务的权重，Li是第i个任务的损失值。
对调制类型识别任务，损失函数为：
式中，n代表训练样本数，m代表类别数，为真实类别标签，为预测类别标签；
对调制参数估计任务，损失函数为：
式中，n代表训练样本数，m代表类别数，为真实参数值，为预测参数值；
S4、对认知雷达脉冲序列的IF波形信号，将其进行归一化后，输入步骤S3中训练好的深度多任务神经网络JMRPE-Net，即可得到每个样本PRI、RF、PW和MOP的四种模式定义参数的调制类型和调制参数。该待测认知雷达脉冲序列的IF波形信号要求和训练数据一样的格式。对不同的测试样本，其模式定义参数的调制类型组合方式可以与训练样本不同。
给出由脉冲重复间隔(PRI)、射频载波频率(RF)、脉冲宽度(PW)、脉内调制波形(MOP)等四个典型模式定义参数的调制类型和调制参数如图6所示，构成的认知雷达工作模式中频采样信号如图1所示。
具体的脉冲级识别方法如下：
S1、利用录取数据或者模拟数据生成用于模型训练的序列样本数据集合；
S2、对S1产生的脉冲序列数据集合进行固定归一化处理；
S3、接下来我们利用训练数据集训练JMRPE-Net，其网络结构如图4所示，JMRPE-Net的网络训练共分5步；
S31、CNN层提取空间特征和局部位移不变特征，作为共享特征；
S32、任务特定层的Attention层为特定任务计算注意力权重得到注意力特征向量
S33、任务特定层的第一个bi-LSTM层计算时序特征
S34、任务特定层的第二个bi-LSTM层计算时序特征
S34、任务特定层的全连接层计算输出矢量
S35、计算损失函数值
对如图1所示待测试的复杂长雷达脉冲序列，将其进行序列归一化后，通过步骤S3训练得到的JMRPE-Net网络，得到调制类型的识别结果和调制参数的估计结果输出如图5所示。
综上所述，以上仅为本发明基于所选定的固定调制类型和调制参数的实施示例而已，并非用于限定本发明的保护范围。基于多个PDW参数的不同调制类型组合和不同调制参数定义的认知雷达工作模式、针对特定任务的注意力机制、基于CNN-LSTM模型的多任务神经网络模型是本发明的核心要点。凡在本发明上述设计原则和实现要点之内，经过相应修改、替换、改进等操作形成的认知雷达信号联合调制类型的识别和调制参数的估计方法，均应包含在本发明的保护范围之内。
