基于GCN与ResNet的多功能雷达信号分选方法

基于gcn与resnet的多功能雷达信号分选方法
技术领域
1.本发明属于雷达信号分类技术领域，尤其涉及基于图卷积网络(graphconvolutional network，gcn)与残差网络(residual network，resnet) 的多功能雷达信号分选方法。


背景技术：

2.随着现代电子战中的电磁环境日益恶劣和作战需求的不断增加，战争双 方使用的雷达已不再局限于常规单一功能的雷达，先进的综合体制多功能雷 达不断投入使用并发挥着至关重要的作用。为了提高对战场的适应能力，多 功能雷达通常采用不同的工作模式，比如常规固定参数模式、频域捷变模式、 时域捷变模式以及多维多参数联合捷变模式等。对于来自同一方向的多部多 功能雷达辐射源信号，基于到达方向的预分选算法很难有效稀释，导致常规 主分选算法易将单部多功能雷达的工作模式错误地分选成多部雷达，即“增 批”现象，给雷达信号分选带来了巨大的挑战。
3.相比只能用于网格形状数据的传统卷积神经网络，gcn能够处理不规则 的图或网络数据，该网络将数据样本当作图节点，通过分析图节点之间的连 接关系以及节点的属性特征来搜索数据之间潜在的关联。gcn是一种“半监 督”学习网络，所谓“半监督”是指网络能够适应训练集规模较小的环境。 所以，gcn具有善于分析复杂关联数据以及应对普通小样本约束的优势。然 而，在复杂电磁环境中，截获的雷达信号类型往往多于我方数据库中的信号 类型，也就是说，只有极少数脉冲信号具有标签，大多数雷达信号没有标签， 即实际雷达信号分选过程中存在极端小样本约束。原始的gcn只能聚合两 阶邻居节点，忽略了范围更广的节点信息，在极端小样本约束下的分选准确 率难以得到保障。
4.本发明的目的是致力于解决上述多功能雷达信号分选“增批”问题以及 gcn难以应对极端小样本约束的问题，提出了基于gcn与resnet的多功能 雷达信号分选方法。


技术实现要素：

5.本发明的目的是为了解决多功能雷达信号分选出现的“增批”问题，以 及gcn用于信号分选时，由于带标签样本较少引起的分选准确率下降问题， 提出了一种基于gcn与resnet的多功能雷达信号分选方法，对于基于gcn 与resnet所构建的网络，以下简称gcn-resnet。
6.为了达到上述目的，本发明采取如下技术方案：
7.所述多功能雷达信号分选方法依托的雷达信号分选系统，包含：图结构 数据构建模块、gcn-resnet网络构建模块以及gcn-resnet网络训练及测 试模块；
8.其中，图结构数据构建模块利用k近邻(k-nearest neighbor，knn) 算法处理雷达脉冲描述字(pulse description word，pdw)得到邻接矩阵， 并结合特征参数，构造了图结构数据；gcn-resnet网络构建模块由三层卷 积层、残差网络以及激活函数组成；gcn-resnet网络训练与测试模块利用 小样本数据训练网络，然后对大规模无标签数据进行测
试。
9.所述多功能雷达信号分选方法中各模块的连接关系如下：
10.图结构数据构建模块与gcn-resnet网络构建模块相连，gcn-resnet网络 构建模块与gcn-resnet网络训练及测试模块相连。
11.本发明的目的是通过下述技术方案实现的。
12.所述基于gcn-resnet网络的多功能雷达信号分选方法，包括图结构数 据构建阶段、gcn-resnet网络构建阶段、训练阶段以及分类阶段；
13.其中，图结构数据构建阶段包括构建多功能雷达pdw数据集、归一化 处理、利用knn算法将多功能雷达pdw数据转化为图结构数据、为图结构 数据添加标签；gcn-resnet网络构建阶段包括构建三层gcn网络以及增添 残差网络；
14.所述多功能雷达信号分选方法，包括如下步骤：
15.s1、图结构数据构建阶段，具体为：
16.s11、构建包括pw、rf、doa以及pri参数的多功能雷达pdw数据集 x；
17.所述pw、rf、doa特征参数为待分选多功能雷达数据，设置各参数在一定 范围内发生捷变，相同参数之间交错混叠；
18.所述pri，用于统计截获时间内的脉冲数量，包括常规、滑变、参差、抖动 调制方式，多功能雷达不同模式下的pri具有不同程度的混叠；
19.其中，pw，即脉冲宽度，英文全称为pulse width；rf，即载波频率， 英文全称为radio frequency；doa，即到达方向，英文全称为direction of arrival；pri，即脉冲重复间隔，英文全称为pulse repetition interval；
20.s12、将s11构建的多功能雷达pdw数据集进行归一化，得到归一化 pdw数据集
21.所述归一化采用最大最小值方法；
22.s13、利用knn算法将归一化pdw数据转化为图结构数据，建立数据 之间的关联，包括构建有向图结构数据和无向图结构数据，具体为：
23.s131、构建有向图结构数据，具体为：将每个归一化的pdw数据样本 当作图节点，遍历剩余的n-1个节点，利用knn算法找出k个最相邻的节 点，定义两者之间存在关联，并且将有向邻接矩阵a'对应位置的数值设置为 1，由此便得到了有向图结构数据；
24.其中，n为pdw数据的样本个数，k为周围有限的邻近样本个数；
25.s132、构建无向图结构数据，具体为：将有向图对称化，得到对称化的 邻接矩阵a，结合数据特征构建了无向图
26.s14、为图结构数据添加标签，具体为：将图结构数据按照u：10-u的 比例划分训练集和测试集，为训练集添加标签，即标记率为u/10，以满足小 样本约束条件；
27.所述u小于等于1；
28.至此，从s11到s14，完成了图结构数据构建阶段；
29.s2、“半监督”学习网络gcn-resnet构建阶段，包括构建三层gcn网络以 及增添残差网络，具体为：
30.s21、构建三层gcn网络，包括构建三层卷积层、设置激活函数以及设 置损失函数，具体为：
31.s211、构建包括第1卷积层、第2卷积层以及第3卷积层的三层卷积层；
32.所述第1卷积层的输入为无向图结构数据，其输出为第2卷积层的输入； 第2卷积层的输出作为第3卷积层的输入；
33.所述第1、第2以及第3卷积层的传播函数为：
[0034][0035]
其中，h
(l+1)
及h
(l)
分别代表第l卷积层的输出特征矩阵和输入特征矩阵， l取值为1、2和3，分别对应第1、第2以及第3卷积层；σ是激活函数； w
(l)
表示第l卷积层的权重矩阵；
[0036]
为全节点邻接矩阵，表示为：
[0037][0038]
其中，i代表单位矩阵；
[0039]
为节点度矩阵，矩阵中元素表示为：
[0040][0041]
s212、设置卷积层的激活函数，将第1卷积层与第2卷积层的激活函数 设置为relu非线性激活函数，将第3卷积层的激活函数设置为softmax函 数，以预测每个节点的标签；
[0042]
s213、设置损失函数，将所有带标签节点的交叉熵函数作为损失函数， 以评估模型的分类性能；
[0043]
s22、增添残差网络，在第2卷积层的输入与输出之间增加一个恒等映 射，即将输入与输出直接相连，然后通过激活函数，形成一个“残差网络
”ꢀ
结构，以便学习更广的节点信息；
[0044]
至此，从s21到s22，完成了gcn-resnet网络构建阶段；
[0045]
s3、训练阶段，使用带标签图结构数据训练“半监督”gcn-resnet网 络，具体为：
[0046]
s31、为s2构建的gcn-resnet网络初始化参数，包括学习率、随机初 始化种子数、最大迭代次数以及权重衰减值；
[0047]
s32、使用s1中图结构数据对该网络进行训练，满足最大迭代次数后停 止训练；
[0048]
所述训练阶段的主要步骤为：
[0049]
s321、聚合邻居节点，各节点的特征用一阶邻居节点特征与自身特征的 加权和来表示；
[0050]
s322、利用激活函数更新各节点信息；
[0051]
s323、网络迭代逐层学习，重复聚合和更新两个操作；
[0052]
至此，从s31到s32，完成了gcn-resnet网络训练阶段；
[0053]
s4、分类阶段，具体为：将s1中图结构数据输入到训练好的gcn
‑ꢀ
resnet网络中，输出无标签图结构数据的分类结果。
[0054]
有益效果
[0055]
本发明基于gcn与resnet的多功能雷达信号分选方法，与现有的信号 分选方法相比，具有如下有益效果：
[0056]
1、所述分选方法利用knn算法将多功能雷达pdw数据转化为图结构 数据，建立了数据之间的关联，为gcn应用于雷达信号分选领域提供数据 支撑；
[0057]
2、所述分选方法依托于“半监督”学习网络，既有利于分类复杂关联 数据，又提高了gcn在小样本条件下的泛化能力；
[0058]
3、所述分选方法利用gcn-resnet学习图结构数据，通过聚合与更新 操作实现未知节点的预测，有效地解决了多功能雷达信号分选“增批”的问 题，提升了分选准确度。
附图说明
[0059]
图1为本发明基于gcn与resnet的多功能雷达信号分选方法的流程示 意图；
[0060]
图2为本发明基于gcn与resnet的多功能雷达信号分选方法实施例1 中雷达部分pdw参数示意图；
[0061]
图3为本发明基于gcn与resnet的多功能雷达信号分选方法实施例1 中雷达仿真参数在特征空间中的样本分布图；
[0062]
图4为本发明基于gcn与resnet的多功能雷达信号分选方法实施例1 中雷达图结构数据构建过程示意图；
[0063]
图5为本发明基于gcn与resnet的多功能雷达信号分选方法实施例1 中分选结果图；
[0064]
图6为本发明基于gcn与resnet的多功能雷达信号分选方法实施例1 中分选准确率随标记率变化的曲线。
具体实施方式
[0065]
为了更好的说明本方法的目的和优点，结合附图及具体实施例对本发明 基于gcn与resnet的多功能雷达信号分选方法的具体实施内容做进一步详 细说明。
[0066]
实施例1
[0067]
电子战包括电子支援、电子防护以及电子攻击。其中，电子支援的主要 任务是对敌方有意或无意辐射的电磁能量进行搜索、拦截、识别和定位，以 便为决策者提供更丰富、更准确的战术情报支援。作为电子支援中的关键技 术，雷达信号分选是将雷达侦察系统截获到的不同雷达辐射源信号去交错的 过程。
[0068]
本实施例阐述了本技术所述的基于gcn与resnet的多功能雷达信号分 选方法在分选不同雷达信号的具体实施，本技术的实施流程图如图1所示。 仿真环境包括软件与硬件配置，具体如下：
[0069]
1、软件配置：
[0070]
操作系统：windows 11；仿真软件：python 3.9；
[0071]
2、硬件配置：
[0072]
中央处理器：amd r7 4800u(1.8ghz)；内存：16gb。
[0073]
大多数雷达信号分选算法依赖于脉冲信号的pdw参数，它是雷达侦察 系统对脉冲信号参数的数字化表示，以lfm信号为例，部分参数如图2所示。
[0074]
表1雷达信号仿真参数设置
[0075][0076][0077]
本实施例为了验证所述方法的有效性和小样本约束下的泛化性，仿真了 四部雷达的pdw参数，如表1所示。具体来说，仿真电子侦察机的截获时 间为0.2秒，截获得到2部常规雷达(1号雷达与3号雷达)与2部多功能 雷达(2号雷达与4号雷达)的发射信号，并提取其四个特征参数：pw、rf、 doa以及pri，pri具有常规、滑变、参差、抖动等多种调制方式，四部雷 达的相同参数之间具有不同程度的重叠，另外，pri用于统计截获时间内的 脉冲数量，故选取了pw、rf、doa三维特征参数作为待分选数据，分布如 图3所示，图3的(3a)为三维特征空间分布图，(3b)为二维特征空间分布图。 本技术所提出的多功能雷达信号分选方法分为4个阶段，主要包含：多功能 雷达图结构数据构建阶段、gcn-resnet网络构建阶段、训练阶段以及分类 阶段。以下是具体实施过程。
[0078]
s1、图结构数据构建阶段，主要利用knn算法将pdw数据转化为嵌入关联 性的图结构数据，为后续信号分选提供数据支撑，具体为：
[0079]
s11、构建多功能雷达pdw数据集x，仿真两部常规雷达和两部多功能 雷达，每部雷达包括pw、rf、doa以及pri参数，参数之间互有交叠，如 表1所示，在特征空间中的分布如图3所示，选取pw、rf、doa三参数作 为待分选多功能雷达数据；
[0080]
s12、按照最大最小值归一化方法处理pdw数据集，得到归一化pdw 数据集表示如下：
[0081][0082]
其中，雷达pdw数据表示为n为数据样本标号，j为 特征标号，n＝1,2,
…
,n，j＝1,2,
…
,j，n为数据集的样本总数目，j为样本的特 征维数；
[0083]
s13、利用knn算法将归一化pdw数据转化为图结构数据，建立数据 之间的关联，包括构建有向图结构数据和无向图结构数据，构建过程如图4 所示，具体为：
[0084]
s131、构建有向图结构数据，将每个归一化的数据样本当作图节点，遍 历剩余的n-1个节点。同时利用knn算法找出k个最相邻的节点，定义两 者之间存在关联，并且将邻接矩阵a'对应位置的数值设置为1，比如节点n1 与节点n2存在关联，则a'
n1n2
＝1，由此便得到了有向图；
[0085]
其中，k为周围有限的邻近样本个数，取值范围为[1，20]，n1和n2为 邻接矩阵中元素的下标索引；
[0086]
s132、构建无向图结构数据，在有向图中，关联关系并不是成对出现的， 为了适应gcn的学习过程，有向图需要转换为无向图，即将单向关联转换 为双向关联，具体为：将有向图对称化，令有向邻接矩阵中的元素 a'
n1n2
＝a'
n2n1
，得到对称化的邻接矩阵a，结合数据特征构建了无向图 [0087]
s14、为图结构数据添加标签，具体为：将图结构数据按照u：10-u的 比例划分训练集和测试集，为训练集添加标签，即标记率为u/10，以满足小 样本约束条件；
[0088]
其中，u在本实施例中取值为1；
[0089]
至此，从s11到s14，完成了图结构数据构建阶段；
[0090]
s2、“半监督”网络gcn-resnet构建阶段，包括构建三层gcn网络、 增添残差网络以及设置损失函数，具体为：
[0091]
s21、设置第1卷积层的学习过程，表示为：
[0092][0093]
其中，h
(2)
∈rn×c为第1卷积层输出特征矩阵；x∈rn×j为归一化pdw 数据的特征矩阵，w
(1)
∈rj×c为第1卷积层权重矩阵，r代表实数集，j＝3 为输入数据的维度，c＝16为第1卷积层的输出特征维度；
[0094]
s22、设置第2卷积层的学习过程，具体为：基于残差网络，在第二层 卷积层的输入与输出之间增加一个恒等映射，即将输入与输出直接相连，然 后通过激活函数，形成一个“残差网络”结构，有利于增加网络的深度，以 便学习更广的节点信息，第2卷积层的学习过程表示为：
[0095][0096]
其中，h
(3)
∈rn×c为第2卷积层的输出特征矩阵，其特征维度与输入特 征矩阵h
(2)
相同，w
(2)
∈rc×c为第2卷积层的权重矩阵；
[0097]
s23、设置第3卷积层的学习过程，表示为：
[0098][0099]
其中，第3卷积层的输入为第二层卷积层的输出h
(3)
，激活函数为softmax 函数，可预测每个节点的标签z∈rn×f，f为数据集的类别总数，w
(3)
∈rc×f为第3卷积层的权重矩阵；；
[0100]
s24、设置损失函数，针对基于gcn的半监督学习模型，为了评估模型 的分类性能，将所有带标签节点的交叉熵函数作为损失函数：
[0101][0102]
其中，y
l
是所有带标签的节点的集合，l是该集合的规模，y代表节点 的真实标签；
[0103]
至此，从s21到s24，完成了gcn-resnet网络构建阶段；
[0104]
s3、训练阶段，使用图结构数据训练gcn-resnet网络，具体为：
[0105]
s31、为s2构建的gcn-resnet网络初始化超参数，包括knn的参数 与gcn的参数，对于knn，k值设置为12，距离参数设置为sqeuclidean， 对于gcn，随机初始化种子数设置为42，最大迭代次数设置为100，初始 学习率设置为0.01，权重衰减值为0.0005；第一层卷积层的输入维度j＝3， 输出维度c＝16；第二层卷积层的输入、输出维度与第一层卷积层的输出维 度相同，即c＝16；同样，第三层卷积层的输入维度与第二层卷积层的输出 维度相同，即c＝16，第三层卷积层的输出维度f＝4；
[0106]
s32、使用s1中标记率为0.1的图结构数据对该网络进行训练，满足最 大迭代次数后停止训练；
[0107]
至此，从s31到s32，完成了gcn-resnet网络训练阶段；
[0108]
s4、分类阶段，将图结构数据输入到训练好的gcn-resnet网络中，输 出信号分类结果；
[0109]
至此，gcn-resnet分类阶段结束。
[0110]
具体实施时，为了测试gcn-resnet的分选性能以及泛化性能，基于表 1所示的雷达pdw数据集，设计以下两个实验：
[0111]
实验一：选择三种常用信号分选算法作为对比算法，包括k-means聚类 算法、空间密度聚类(density based spatial clustering of applications with noise，dbscan)算法、支持向量机(support vector machine，svm)算 法，其中，前两种算法属于无监督聚类算法，最后一种算法是监督学习算法， 经过调参，设置超参数如下：
[0112]
1、对于k-means算法，初始聚类个数n_clusters＝4，最大迭代次数 max_iter＝100，距离参数distance设置为欧式距离；
[0113]
2、对于dbscan，设置邻域半径epsilon＝0.08，邻域最小样本点数 minpts＝4；
[0114]
3、对于svm，设置错误项的惩罚系数c＝0.8，核函数类型选择线性 (linear)核函数，最大迭代次数max_iter＝100。
[0115]
基于gcn-resnet的分选算法与3种对比算法在雷达pdw数据集上的 分选结果如图5所示。其中，(5a)为k-means算法的分选结果，(5b)为 dbscan算法分选结果，(5c)为svm算法的分选结果，图5的(5d)为gcn
‑ꢀ
resnet算法分选结果。
[0116]
通过分析图5，能发现：
[0117]
1、由于k-means算法的分选依据是样本间的欧式距离，不能处理任意 形状类簇，所以对于参数重叠的多功能雷达数据，k-means算法并不能够准 确地进行分选，如图5中的(5a)所示；
[0118]
2、dbscan算法利用数据的高密度连通性进行分类，将密度可达范围 内的数据划分为一类，然而本实验中4部雷达在参数特征空间中严重交叠， dbscan算法错误地把4部雷达划分成2部雷达，即不仅把1号和3号常规 雷达划分到多功能雷达中，而且将2号多功能雷达的工作模式ⅲ分选为4号 多功能雷达的一部分，如图5中的(5b)所示；
[0119]
3、由于本实验训练集规模较小，svm算法没有充分学习到所有数据信 息，错误地将部分3号雷达数据划分成为2号雷达，而且对重叠的1号与4 号雷达数据的分选效果也很差，如图5中的(5c)所示；
[0120]
4、从图5的(5d)可以看出，gcn-resnet可将4部雷达正确地分选出来， 很好地解决了分选“增批”的问题，虽然有一小部分数据分类错误，但是总 体分选效果优于其他三种算
法。
[0121]
本实验使用分选准确率与运行时间来评估基于gcn-resnet的分选算法 与三种对比算法在仿真数据集上的分选性能，如表2所示。四种算法的平均 分选准确率分别为66.38％、69.85％、89.17％和94.57％，可以看出gcn
‑ꢀ
resnet的分选准确率高于其他算法，这是由于gcn-resnet更多依靠数据图 形结构而不是参数特征与标签数量，与其他三种对比算法不同，即使在小样 本约束下(标记率为0.1)，也能够较好地分析多功能雷达信号之间的关联与 区别。另外，尽管dbscan算法和svm算法的运行时间低于本发明算法， 但是dbscan算法受邻域半径与领域样本数两个参数的影响较大，且容易出 现“增批”的问题，不能有效分选多功能雷达信号；对于svm算法，带标 签的训练样本较少，导致其分选效果不理想。总之，本发明算法在分选准确 率与计算成本方面都能取得优异的成绩。
[0122]
表2四种算法的分选性能
[0123][0124]
实验二：为了测试gcn-resnet在小样本约束下的泛化性能，本实验选 取了svm以及gcn作为对比算法。首先，将表1中的雷达仿真数据集划分 为少量有标注的训练集和大量无标注的测试集，然后在该训练集上训练3种 算法模型，最后使用无标注测试集测试3种算法的分选准确率，分选准确率 随标记率变化的曲线如图6所示。
[0125]
通过分析图6，能够发现：
[0126]
1、随着标记率的增加，gcn-resnet、gcn以及svm算法的分类准确 率的大致趋势是上升的。然而，对比gcn与svm算法，gcn-resnet算法 的分类性能表现的更为优异和稳定。具体来说，当标记率为0.025时，gcn
‑ꢀ
resnet算法分选准确率已经高达94.42％；而当标记率为0.1时，分选准确率 为94.57％，说明该算法的分选准确率较高；
[0127]
2、当标记率在[0.025，0.1]范围中逐渐增大时，分选准确率没有发生较 大幅度的波动，说明该算法对于标记率的变化不敏感；
[0128]
3、当标记率非常低的时候，比如标记率为0.005，该算法也有不错的分 选效果，准确率可以达到87.64％。
[0129]
由此可以得出结论，本发明所述gcn-resnet有效地解决了多功能雷达 脉冲信号去交错时的“批量增加”问题，且在分选准确率和计算开销方面表 现优越，即使在小样本约束下，该算法仍然具有较好的泛化性能。
[0130]
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和 附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改， 都落入本发明保护的范围。

技术特征：
1.基于gcn与resnet的多功能雷达信号分选方法，依托的雷达信号分选系统，包含：图结构数据构建模块、gcn-resnet网络构建模块以及gcn-resnet网络训练及测试模块；图结构数据构建模块利用k近邻算法处理雷达脉冲描述字得到邻接矩阵，并结合特征参数，构造了图结构数据；gcn-resnet网络构建模块由三层卷积层、残差网络以及激活函数组成；gcn-resnet网络训练与测试模块利用小样本数据训练网络，然后对大规模无标签数据进行测试；图结构数据构建模块与gcn-resnet网络构建模块相连，gcn-resnet网络构建模块与gcn-resnet网络训练及测试模块相连，其特征在于，包括如下步骤：s1、图结构数据构建阶段，包括构建多功能雷达pdw数据集、归一化处理、利用knn算法将多功能雷达pdw数据转化为图结构数据，为图结构数据添加标签；s2、“半监督”学习网络gcn-resnet构建阶段，包括构建三层gcn网络以及增添残差网络；所述gcn-resnet构建阶段用于构建“半监督”学习网络gcn-resnet；s2、具体为：s21、构建三层gcn网络，包括构建三层卷积层、设置激活函数以及设置损失函数，具体为：s211、构建包括第1卷积层、第2卷积层以及第3卷积层；s212、设置卷积层的激活函数，将第1卷积层与第2卷积层的激活函数设置为relu非线性激活函数，将第3卷积层的激活函数设置为softmax函数，以预测每个节点的标签；s213、设置损失函数，将所有带标签节点的交叉熵函数作为损失函数，以评估模型的分类性能；s22、增添残差网络，在第2卷积层的输入与输出之间增加一个恒等映射，即将输入与输出直接相连，然后通过激活函数，形成一个“残差网络”结构，以便学习更广的节点信息；至此，从s21到s22，完成了gcn-resnet网络构建阶段；s3、训练阶段，使用带标签图结构数据训练“半监督”gcn-resnet网络，具体为：s31、为s2构建的gcn-resnet网络初始化参数，包括学习率、随机初始化种子数、最大迭代次数以及权重衰减值；s32、使用s1中图结构数据对该网络进行训练，满足最大迭代次数后停止训练；s4、分类阶段，具体为：将s1中图结构数据输入到训练好的gcn-resnet网络中，输出无标签图结构数据的分类结果。2.根据权利要求1所述的多功能雷达信号分选方法，其特征在于，s1、具体为：s11、构建包括pw、rf、doa以及pri参数的多功能雷达pdw数据集x；s12、将s11构建的多功能雷达pdw数据集进行归一化，得到归一化pdw数据集s13、利用knn算法将归一化pdw数据转化为图结构数据，建立数据之间的关联，包括构建有向图结构数据和无向图结构数据，具体为：s131、构建有向图结构数据，具体为：将每个归一化的pdw数据样本当作图节点，遍历剩余的n-1个节点，利用knn算法找出k个最相邻的节点，定义两者之间存在关联，并且将有向邻接矩阵a'对应位置的数值设置为1，由此便得到了有向图结构数据；其中，n为pdw数据的样本个数，k为周围有限的邻近样本个数；
s132、构建无向图结构数据，具体为：将有向图对称化，得到对称化的邻接矩阵a，结合数据特征构建无向图；s14、为图结构数据添加标签，具体为：将图结构数据按照u：10-u的比例划分训练集和测试集，为训练集添加标签，即标记率为u/10，以满足小样本约束条件；s14所述u小于等于1。3.根据权利要求2所述的多功能雷达信号分选方法，其特征在于，s11所述pw、rf、doa特征参数为待分选多功能雷达数据，设置各参数在一定范围内发生捷变，相同参数之间交错混叠；所述pri，即脉冲重复间隔，用于统计截获时间内的脉冲数量，包括常规、滑变、参差、抖动调制方式，多功能雷达不同模式下的pri具有不同程度的混叠；其中，pw，即脉冲宽度；rf，即载波频率；doa，即到达方向。4.根据权利要求2所述的多功能雷达信号分选方法，其特征在于，s12所述归一化采用最大最小值方法。5.根据权利要求1所述的多功能雷达信号分选方法，其特征在于，s32所述对该网络进行训练，具体为：s321、聚合邻居节点，各节点的特征用一阶邻居节点特征与自身特征的加权和来表示；s322、利用激活函数更新各节点信息；s323、网络迭代逐层学习，重复聚合和更新两个操作。

技术总结
本发明属于雷达信号分类技术领域，尤其涉及一种基于GCN与ResNet的多功能雷达信号分选方法。包括：构建多功能雷达PDW数据集、归一化处理、利用KNN算法将多功能雷达PDW数据转化为图结构数据、为图结构数据添加标签；构建三层GCN网络以及增添残差网络；使用带标签图结构数据训练“半监督”GCN-ResNet网络；再将图结构数据输入到训练好的GCN-ResNet网络中，输出无标签图结构数据的分类结果。所述方法利用KNN算法将多功能雷达PDW数据转化为图结构数据，依托“半监督”学习网络，提高了GCN在小样本条件下的泛化能力；有效解决了多功能雷达信号分选“增批”的问题，提升了分选准确度。提升了分选准确度。提升了分选准确度。


技术研发人员：傅雄军 崔宗丁 吴菲 赵硕 姜嘉环 高浩东 邓博文 谢民
受保护的技术使用者：北京理工大学唐山研究院
技术研发日：2022.07.14
技术公布日：2022/11/1