CN114118142A - 一种雷达脉内调制类型的识别方法 - Google Patents
一种雷达脉内调制类型的识别方法 Download PDFInfo
- Publication number
- CN114118142A CN114118142A CN202111310285.5A CN202111310285A CN114118142A CN 114118142 A CN114118142 A CN 114118142A CN 202111310285 A CN202111310285 A CN 202111310285A CN 114118142 A CN114118142 A CN 114118142A
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- neural network
- signal
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种雷达脉内调制类型的识别方法,包括以下步骤,调制信号样本的选取:利用雷达信号生成调制信号数据集,其包括7类的调制信号样本,每类信号均至少设有10个信噪比;训练集和测试集的划分:在信噪比处,按照预定比例,随机选取形成训练集、验证集和测试集;神经网络模型的构建:从输入层至输出层,神经网络模型依次设置输入层、卷积层、池化层、归一化层、通道注意力模块、全连接层以及输出层;神经网络模型的训练和验证:将训练集输入到神经网络中进行训练,并在训练的结果中,选择验证集正确率最高的神经网络模型作为最终的神经网络模型;调制类型的识别:在最终的神经网络模型中输入测试集,输出雷达调至类型的识别率。
Description
技术领域
本发明属于信号处理技术领域,特别涉及一种雷达脉内调制类型的识别方法。
背景技术
电子对抗在电子情报侦察、电子支援和威胁告警***中发挥着重要作用,雷达脉内调制类型识别是电子对抗中的重要环节。随着科技的发展和进步,雷达的体制不断更新,电子环境愈发密集复杂,这增加了对从接收到的雷达信号中,提取特征参数的难度。再者就是接收到的雷达脉内调制信号往往带有各种噪声,脉内调制信号所处电磁环境的有较大的差异,导致其信噪比范围较大,这大大的增加了对于脉内调制识别的难度。但在当今环境下,电磁环境逐渐复杂,新体制雷达不断出现。传统雷达脉内调制类型识别方法的识别率低,效果不好。如何对雷达脉内调制类型进行有效的识别,已经成为雷达侦察信号处理所需解决的关键问题。雷达脉内调制类型的高精度识别,有利于在己方在电磁战场上获得优势。
叶文强等人在其发表的论文“基于卷积神经网络辐射源信号识别算法”(计算机仿真,2019,36(09):33-37.)中提出了一种基于卷积神经网络的雷达脉内调制类型分类识别方法。该方法将雷达脉内信号进行时频变换,获取二维时频图像,对时频图像进行一系列预处理,将处理后的图像输入到神经网络模型中,通过预训练调节深度学习模型,最后将提取的特征输入到分类器中完成识别任务。该方法不需要人工提取特征,先验知识需求少。该方法的不足之处是,对雷达脉内信号进行时频变换需要耗费大量时间,实时性不强,同时雷达脉内信号的参数固定,在参数具有较大变化范围的情况下,识别效果不好。
综上,在当前日益复杂和多变的电磁环境下,现有雷达脉内调制类型识别方法识别效果差,识别率低,不利于对形势的判断和决策的调整。
发明内容
本发明提供了一种雷达脉内调制类型的识别方法,其通过将一维卷积神经网络与通道注意力进行结合,实现了识别率较高的效果。
为了实现上述技术效果,本发明通过以下技术方案予以实现。
一种雷达脉内调制类型的识别方法,包括以下步骤,
调制信号样本的选取:利用采集到的雷达信号,生成雷达脉内的调制信号数据集,所述调制信号数据集构成调制信号样本,所述调制信号样本至少包括七类信号,且每类信号均至少设有8个信噪比点;
训练集和测试集的划分:在每类信号的每个信噪比点处,按照预定比例,随机选取训练样本、验证样本以及测试样本,分别形成训练集、验证集和测试集;
神经网络模型的构建:从输入层至输出层,神经网络模型依次设置输入层、卷积层、池化层、归一化层、通道注意力模块、全连接层以及输出层,所述通道注意力模块中设有相加层,所述相加层中设有Sigmoid激活函数;
神经网络模型的训练和验证:在神经网络模型中,设定训练参数和训练轮数,将训练集输入到神经网络中进行训练,并在训练的结果中,选择验证集正确率最高的神经网络模型作为最终的神经网络模型;
调制类型的识别:在最终的神经网络模型中输入测试集,输出雷达调至类型的识别率。
本技术方案中,用于雷达脉内调制识别的网络结构简单,其由于在结构上采用了一维结构,参数规模小,相比需要对雷达信号进行维度变换的传统二维卷积神经网络,进而本发明的数据预处理简单,网络实时性能优越。
本发明的识别准确率高:本发明添加了通道注意力模块,相比不添加通道注意力模块的网络,本发明对7种雷达脉内调制类型的识别准确率更高,性能更好。
本发明中,经过对相关文件进行查询调研,归类总结,合理设置了7种不同调制类型的典型雷达脉内调制类型所用信号,在此基础上合理的设定信号的参数,符合当今电磁环境复杂多变的特点。
作为本发明的进一步改进,所述调制信号样本的选取中,七类信号所述调制信号数据集具体为:常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、多相编码信号、二频编码信号和四频编码信号。
本发明中,这7类信号是雷达辐射源常用信号,进而能够反映出常规的网络信号,实现对于常规数信号的识别。
作为本发明的进一步改进,七类所述调制信号数据集中,每类信号的信信噪比点均为11个,每个信号在每个信噪比点的样本数量为800-1200个。
本技术方案中,选择8-10个信噪比点,可以尽可能模拟雷达辐射源信号在多种信噪比环境下的情况。而选择10dB到-0dB,间隔1dB-2dB,这样的操作,可以尽可能模拟雷达辐射源信号在普通信噪比环境中的情况。
作为本发明的进一步改进,所述雷达信号的采集频率为1GHz,雷达信号脉宽范围为2-10us;所述信噪比的范围为-14dB到0dB。
本技术方案中,雷达信号的采集频率为1GHz,符合奈奎斯特采样率的要求;脉宽范围为2-10us,可以覆盖不同脉宽的雷达辐射源信号;信噪比的范围为-14dB到0dB,可以尽可能模拟雷达辐射源信号在低信噪比环境中的情况。
作为本发明的进一步改进,所述预定比例为训练样本:验证样本:测试样本为6:1:3。
本技术方案中,选择这样的比例分配,可以保证训练样本数目足够,同时验证时的正确率可信度高,实际测试结果更能反应真实情况。
作为本发明的进一步改进,所述训练集和测试集的划分中还包括样本预处理,所述样本预处理:将所述的训练样本、验证样本以及测试样本均进行样本预处理,所述样本预处理具体为,按照末尾补0的操作,使得所有样本的长度均相同,并依次对末尾补0后的样本进行离散傅里叶变换,以及归一化操作,得到幅度为0-1的模值结果。
本技术方案中,通过末尾补0的操作方法,以及离散傅里叶变换等,使得数据更加标准,去掉了极端值的影响,具体地,先进行末尾补0,直至所有补0后样本长度相同;对补0后的样本做离散傅里叶变换,取模值,得到样本经离散傅里叶变换后模值结果;对样本经离散傅里叶变换后模值结果进行归一化操作,即使用样本经离散傅里叶变换后模值结果中的每个值,除以样本经离散傅里叶变换后模值结果中的最大值,从而得到样本经离散傅里叶变换的模值归一化结果,幅度范围为0-1。
作为本发明的进一步改进,所述神经网络模型的构建中,所述通道注意力模块包括全局最大池化层、全局平均池化层、感知机、相加层、激活层和乘机层。
本技术方案中,通道注意力模块,可以对卷积层提取到的特征进行权重分配,提升对识别重要的特征的权重,同时降低对识别不重要的特征的权重。同时,本技术方案中,采用一维卷积层,相比于传统的二维卷积神经网络,结构简单,参数规模小,实时性能更好。
作为本发明的进一步改进,所述感知机中具有权重共享和隐层,所述隐层包括靠近输入层的第一隐层以及靠近输出层的第二隐层,所述第一隐层的节点个数小于第二隐层的节点个数。
本技术方案中,权重共享的目的是将多次训练后模型中的权重进行共享,便于后期对比选择,隐层的目的进一步提取特征信息,第二个隐层的节点数是使得特征的尺寸匹配。
作为本发明的进一步改进,所述通道注意力模块中的数学模型如下:
其中,W表示输入Fin的长度,C为通道数,Fin表示输入;和分别表示Fin经全局最大池化层后和全局平均池化层后的结果,和表示和经两层共享权值的多层感知机的处理过程,σ(·)表示Sigmoid激活函数,Mc表示和经两层共享权值的多层感知机和激活函数σ(·)后的结果,表示在通道维度的元素乘积运算,Fout表示输出结果。
本技术方案中,选择上述的数学模型,使得数据经过共享感知等多个步骤后,进行元素乘积,最终输出比较满意且准确度高的结果。
作为本发明的进一步改进,所述神经网络模型的训练和验证中,设定训练参数中,包括学习率、损失函数以及模型优化算法,所述学习率为0.001;损失函数设置为交叉熵函数;模型优化算法选择Adam函数。
本技术方案中,所述学习率为0.001,此学习率大小可以使得模型在训练过程中,提高收敛性,降低发散程度;损失函数设置为交叉熵函数,保证模型的收敛速度;模型优化算法选择Adam算法,其对模型的在训练过程中,收敛保证性更强。
附图说明
图1为本发明提供的一种雷达脉内调制类型的识别方法的流程图;
图2为本发明提供的实施例3中的流程图;
图3为本发明提供的并行原型网络的结构图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
在本实施例的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明创造的限制
此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明创造中的具体含义。
实施例1
参照附图1所示,本实施例中,一种雷达脉内调制类型的识别方法,包括以下步骤,
调制信号样本的选取:利用采集到的雷达信号,生成雷达脉内的调制信号数据集,所述调制信号数据集构成调制信号样本,所述调制信号样本至少包括七类信号,且每类信号均至少设有8个信噪比点;
训练集和测试集的划分:在每类信号的每个信噪比点处,按照预定比例,随机选取训练样本、验证样本以及测试样本,分别形成训练集、验证集和测试集;
神经网络模型的构建:从输入层至输出层,神经网络模型依次设置输入层、卷积层、池化层、归一化层、通道注意力模块、全连接层以及输出层,所述通道注意力模块中设有相加层,所述相加层中设有Sigmoid激活函数;
神经网络模型的训练和验证:在神经网络模型中,设定训练参数和训练轮数,将训练集输入到神经网络中进行训练,并在训练的结果中,选择验证集正确率最高的神经网络模型作为最终的神经网络模型;
调制类型的识别:在最终的神经网络模型中输入测试集,输出雷达调至类型的识别率。
本技术方案中,用于雷达脉内调制识别的网络结构简单,其由于在结构上采用了一维结构,参数规模小,相比需要对雷达信号进行维度变换的传统二维卷积神经网络,进而本发明的数据预处理简单,网络实时性能优越。
本发明的识别准确率高:本发明添加了通道注意力模块,相比不添加通道注意力模块的网络,本发明对7种雷达脉内调制类型的识别准确率更高,性能更好。
本发明中,经过对相关文件进行查询调研,归类总结,合理设置了7种不同调制类型的典型雷达脉内调制类型所用信号,在此基础上合理的设定信号的参数,符合当今电磁环境复杂多变的特点。
实施例2
本实施例中,结合运用进行介绍。
在当今电磁环境下,雷达的体制不断更新,电子环境愈发密集复杂,有效地高精度识别雷达脉内调制信号,是当今电子战中的一个难题,也是一个重要的课题。它不仅能完善被动式雷达***,对于主动式雷达***的性能提升也具有较大的研究价值。许多专家采用二维卷积神经网络对雷达脉内调制信号进行识别。然而传统二维卷积神经网络的结构相对复杂,并且需要对采集到的一维雷达脉内调制信号进行维度变换。同时传统二维卷积神经网络对雷达脉内调制的识别效果差,识别准确率低。针对上述问题,本发明提出一种识别率高的基于一维卷积神经网络和通道注意力的雷达脉内调制类型识别方法。
本发明是一种基于一维卷积神经网络和通道注意力的雷达脉内调制类型识别方法,参见图1,包括有如下步骤:
1)采集雷达信号:采集雷达信号,生成雷达脉内调制信号数据集,该数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、多相编码信号、二频编码信号和四频编码信号这七种不同调制类型信号,其中每种信号从-10dB到-0dB,间隔1dB,共11个信噪比点。每种信号在每个信噪比点的样本数量为1000个;
具体地,雷达信号的采集频率为1GHz,符合奈奎斯特采样率的要求;脉宽范围为2-10us,可以覆盖不同脉宽的雷达辐射源信号;信噪比的范围为-14dB到0dB,可以尽可能模拟雷达辐射源信号在低信噪比环境中的情况。
2)划分训练集和测试集:将雷达脉内调整信号数据集的信号进行训练样本,验证样本和测试样本的划分,其中,每种信号在每个信噪比点的训练样本和测试样本采用随机选取的方式,训练样本,验证样本和测试样本的比例为6:1:3,得到样本数量为33600的训练集,样本数量为5600的验证集,样本数量为16800的测试集;
验证样本和测试样本选择这样的比例分配,可以保证训练样本数目足够,同时验证时的正确率可信度高,实际测试结果更能反应真实情况。
3)对2)中的训练集,验证集,测试集分别做数据预处理:数据预处理包含对3)中在训练集,验证集,测试集的样本进行末尾补0,直至所有补0后样本长度相同;对补0后的样本做离散傅里叶变换,取模值,得到样本经离散傅里叶变换后模值结果;对样本经离散傅里叶变换后模值结果进行归一化操作,即使用样本经离散傅里叶变换后模值结果中的每个值,除以样本经离散傅里叶变换后模值结果中的最大值,从而得到样本经离散傅里叶变换的模值归一化结果,幅度范围为0-1;
通过末尾补0的操作方法,以及离散傅里叶变换等,使得数据更加标准,去掉了极端值的影响,具体地,先进行末尾补0,直至所有补0后样本长度相同;对补0后的样本做离散傅里叶变换,取模值,得到样本经离散傅里叶变换后模值结果;对样本经离散傅里叶变换后模值结果进行归一化操作,即使用样本经离散傅里叶变换后模值结果中的每个值,除以样本经离散傅里叶变换后模值结果中的最大值,从而得到样本经离散傅里叶变换的模值归一化结果,幅度范围为0-1。
4)构建带有通道注意力机制的一维卷积神经网络:构建的带有通道注意力机制的一维卷积神经网络,自输入层至输出层之间包含有四个一维卷积层,四个池化层,四个归一化层,四个通道注意力模块,一个全连接层,其中,一维卷积层,池化层,归一化层,通道注意力模块依次级联,全连接层级联在最后一个通道注意力模块后面;模型的输出层采用的激活函数为SoftMax,通道注意力模块中的相加层的激活函数为Sigmoid,其余部分采用的激活函数为ReLU;
5)训练带有通道注意力机制的一维卷积神经网络:设置带有通道注意力机制的一维卷积神经网络训练参数,使用预处理后的训练集的数据输入到带有通道注意力机制的一维卷积神经网络中进行训练,得到训练好的带有通道注意力机制的一维卷积神经网络;
5a)设置训练参数:学习率设置为0.001;损失函数设置为交叉熵函数;模型优化算法选择Adam;
5b)设置训练轮数;保存模型权重:每训练一轮后,模型的权重都被保存;当完成设置的训练轮数后,在保存的模型权重中,选择对预处理后的验证集数据正确率最高的模型作为最终训练好的模型,并加载到网络中,得到训练好的带有通道注意力机制的一维卷积神经网络;
6)将预处理后的测试集的数据输入到训练好的带有通道注意力机制的一维卷积神经网络中,输出雷达脉内调制类型整体识别率。
本发明针对现有雷达脉内调制类型识别技术中,采用的网络结构复杂,识别效果差,识别率低等问题,展开了研究,本发明的技术构思是改变现有对雷达脉内调制类型识别的网络结构,从二维结构转变为一维结构,简化了网络的结构,增强了实时性。并通过加入通道注意力,提高了网络对于雷达脉内调制类型的识别率。
本发明采用了一维卷积神经网络和通道注意力模块,形成了针对雷达脉内调制类型识别的整体技术方案,也得到了针对雷达脉内调制类型识别率高的技术效果。
实施例2
本实施例中,针对实施例1中的具体特征进行描述。
首先,是关于采集的雷达信号的介绍,其具体是7种不同调制类型雷达信号,各类信号对应参数设置如下:
这7种不同调制类型雷达信号的采样频率均设置为1GHz,雷达信号脉宽范围为2-10us;
常规脉冲信号的频率范围为50-450MHz;
线性调频信号的频率范围为50-450MHz,其中带宽范围为10-400MHz;
非线性调频信号采用余弦调制,频率范围为50-450MHz,其中带宽范围为10-400MHz;
二相编码信号的频率范围为50-450MHz,编码方式采用5,7,11,13位巴克码;
多相编码信号的频率范围为50-450MHz,编码方式采用36,49,64位Frank码;
二频编码信号的频率范围分别为50-450MHz、50-450MHz,其中两个频率点间隔大于50MHz,编码方式采用5,7,11,13位巴克码;
四频编码信号的载频范围分别为50-450MHz、50-450MHz、50-450MHz、50-450MHz,其中任意的两个频率点间隔大于50MHz,编码方式采用16位Frank码。
具体地,经过对相关文件进行查询调研,归类总结,合理设置了7种不同调制类型的典型雷达脉内调制类型所用信号,在此基础上合理的设定信号的参数,符合当今电磁环境复杂多变的特点。
其次,卷积层可以提取数据的信息,池化层缩小数据尺寸;卷积层中的卷积核个数随层数增加而增加,可以从多角度提取到数据的信息。
参见图3,具体网络结构包括如下:
第一层是输入层,节点数为10000;
第二层是含有16个卷积核,且卷积核大小为9的一维卷积层;
第三层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第四层是批归一化层;
第五层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为8,第二隐层节点个数为16,一个相加层,一个激活层,一个乘积层;
第六层是含有32个卷积核,且卷积核大小为9的一维卷积层;
第七层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第八层是批归一化层;
第九层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为16,第二隐层节点个数为32,一个相加层,一个激活层,一个乘积层;
第十层是含有64个卷积核,且卷积核大小为9的一维卷积层;
第十一层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第十二层是批归一化层;
第十三层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为32,第二隐层节点个数为64,一个相加层,一个激活层,一个乘积层;
第十四层是含有128个卷积核,且卷积核大小为9的一维卷积层;
第十五层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第十六层是批归一化层;
第十七层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为64,第二隐层节点个数为128,一个相加层,一个激活层,一个乘积层;
第十八层是全连接层,节点数为128;
第十九层是输出层,节点数为7。
上述的网络中,第二、六、十、十四层均为一维卷积层;第三、七、十一、十五层均为池化层;第四、八、十二、十六层均为归一化层;第五、九、十四、十七层均为通道注意力模块。
本发明网络采用一维卷积层,相比于传统的二维卷积神经网络,结构简单,参数规模小,实时性能更好。
再次,重点介绍通道注意力模块的算法,其具体算法表示如下:
其中,W表示输入Fin的长度,C为通道数,Fin表示输入;和分别表示Fin经全局最大池化层后和全局平均池化层后的结果,和表示和经两层共享权值的多层感知机的处理过程,σ(·)表示Sigmoid激活函数,Mc表示和经两层共享权值的多层感知机和激活函数σ(·)后的结果,表示在通道维度的元素乘积运算,Fout表示输出结果。
本发明构建的通道注意力模块,参数量少,计算所需资源低,可以提升网络对雷达脉内调制类型识别的识别准确率。
实施例3
本实施例中,结合具体的实际案例进行详细步骤介绍。
参照图1-3,本发明的基于一维卷积神经网络和通道注意力的雷达脉内调制类型识别方法,其实现步骤如下:
步骤1:生成雷达信号数据集。
本例中,用MATLAB软件仿真生成雷达脉内调制信号数据集,数据集信号包括常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、多相编码信号、二频编码信号和四频编码信号这七种不同调制类型信号,其中每种信号的信噪比范围为从-14dB到0dB,间隔2dB,共8个信噪比点,可以尽可能满足多种噪声强度的情况。每种信号在每个信噪比点的样本数量为1000个。
这7种不同调制类型雷达信号的采样频率均设置为1GHz,雷达信号脉宽范围为2-10us;
常规脉冲信号的频率范围为50-450MHz;
线性调频信号的频率范围为50-450MHz,其中带宽范围为10-400MHz;
非线性调频信号采用余弦调制,频率范围为50-450MHz,其中带宽范围为10-400MHz;
二相编码信号的频率范围为50-450MHz,编码方式采用5,7,11,13位巴克码;
多相编码信号的频率范围为50-450MHz,编码方式采用36,49,64位Frank码;
二频编码信号的频率范围分别为50-450MHz、50-450MHz,其中两个频率点间隔大于50MHz,编码方式采用5,7,11,13位巴克码;
四频编码信号的载频范围分别为50-450MHz、50-450MHz、50-450MHz、50-450MHz,其中任意的两个频率点间隔大于50MHz,编码方式采用16位Frank码;
步骤2:对雷达信号训练样本,验证样本和测试样本的划分。
对步骤1产生数据集的信号进行训练样本,验证样本和测试样本的划分,其中,每种信号在每个信噪比点的训练样本和测试样本采用随机选取的方式,训练样本,验证样本和测试样本的比例为6:1:3,得到样本数量为33600的训练集,样本数量为5600的验证集,样本数量为16800的测试集。
步骤3:数据预处理。
对步骤2中的训练集,验证集,测试集分别做数据预处理:数据预处理包含对步骤2中在训练集,验证集,测试集的样本进行末尾补0,直至所有补0后样本长度相同;对补0后的样本做离散傅里叶变换,取模值,得到样本经离散傅里叶变换后模值结果;对样本经离散傅里叶变换后模值结果进行归一化操作,即使用样本经离散傅里叶变换后模值结果中的每个值,除以样本经离散傅里叶变换后模值结果中的最大值,从而得到样本经离散傅里叶变换的模值归一化结果,幅度范围为0-1;经过预处理后的数据,其去掉了极端值,更有利进行后续的网络识别。
步骤4:构建带有通道注意力机制的一维卷积神经网络。
此处同实施例2,参照附图3所示,网络包含一个输入层,四个一维卷积层,四个池化层,四个归一化层,四个通道注意力模块,一个全连接层和一个输出层,其具体结构如下:
第一层是输入层,节点数为10000;
第二层是含有16个卷积核,且卷积核大小为9的一维卷积层;
第三层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第四层是批归一化层;
第五层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为8,第二隐层节点个数为16,一个相加层,一个激活层,一个乘积层;
第六层是含有32个卷积核,且卷积核大小为9的一维卷积层;
第七层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第八层是批归一化层;
第九层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为16,第二隐层节点个数为32,一个相加层,一个激活层,一个乘积层;
第十层是含有64个卷积核,且卷积核大小为9的一维卷积层;
第十一层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第十二层是批归一化层;
第十三层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为32,第二隐层节点个数为64,一个相加层,一个激活层,一个乘积层;
第十四层是含有128个卷积核,且卷积核大小为9的一维卷积层;
第十五层是池化窗口为6,步长为6,采样最大池化方式的池化层;
第十六层是批归一化层;
第十七层是通道注意力模块,其中包含一个全局最大池化层,一个全局平均池化层,一个权值共享且含有两个隐层的多层感知机,其中第一隐层节点个数为64,第二隐层节点个数为128,一个相加层,一个激活层,一个乘积层;
第十八层是全连接层,节点数为128;
第十六层是输出层,节点数为7。
步骤5:训练带有通道注意力机制的一维卷积神经网络,使用预处理后的训练集的数据输入到带有通道注意力机制的一维卷积神经网络中进行训练,其中:
5a)学习率设置为0.001;损失函数设置为交叉熵函数L(θ):
模型优化算法选择Adam,具体算法如下:
m←β1m+(1-β1)g
v←β2v+(1-β2)g2
其中,θ表示网络的模型权重,L(θ)是损失函数,g是L(θ)的梯度,表示梯度算子,m是初值为0的梯度一阶矩估计,v是初值为0的梯度二阶矩估计,β1是一阶矩估计的指数衰减率,取值为0.9,β2是二阶矩估计的指数衰减率,取值为0.999,α是学***滑常数。
5b)设置训练轮数为20,训练轮数一般为10-20,选用20轮可以尽可能避免训练轮数不够带来的模型准确率不够的问题;保存模型权重:每训练一轮后,模型的权重都被保存;当完成设置的训练轮数后,在保存的模型权重中,选择对预处理后的验证集数据正确率最高的模型作为最终训练好的模型,并加载到网络中,得到训练好的带有通道注意力机制的一维卷积神经网络;
步骤6:将预处理后的测试集的数据输入到训练好的带有通道注意力机制的一维卷积神经网络中,输出雷达脉内调制类型整体识别率。
本发明解决了现有技术对雷达脉内信号需要进行维度变换处理和识别率低的问题。其方案为:采集雷达脉内信号并制作雷达信号的数据集;雷达信号的数据集划分为训练集、验证集和测试集;对训练集、验证集和测试集进行数据预处理;构建带有通道注意力机制的一维卷积神经网络;设置训练参数并使用预处理后的训练集训练网络;选择对预处理后的验证集数据正确率最高的模型作为最终训练好的模型,并加载到网络中,得到训练好的带有通道注意力机制的一维卷积神经网络;将预处理后的测试集的数据输入到训练好的带有通道注意力机制的一维卷积神经网络中,输出在不同信噪比下整体测试信号的识别率。本发明所用的一维网络结构,不需要对雷达脉内调制信号进行维度变换,结构简单,参数量少,同时本发明采用通道注意力模块,使得网络对雷达脉内调制类型的识别率更高。因此,本发明可用于复杂电磁环境下的雷达脉内调制类型识别。
对比实施例1
对比实施例中,与实施例1-3相比,仅仅缺少通道注意力模块,其他模块等均相同。
将实施例与对比实施例的预测识别率进行对比,即同时给出不带注意力模块的一维卷积神经网络在不同信噪比下整体测试信号的预测识别率测试,结果如表1所示:
表1:不带通道注意力模块的一维卷积神经网络在不同信噪比下整体测试信号的预测识别率
同时,本发明中,还在不同信噪比下,进行了整体测试信号的预测识别率测试,结果如表2所示,
表2:本发明在不同信噪比下整体测试信号的预测识别率
通过表1-2可知,在不同的信噪比下,不具有通道注意力模块的测试结果的平均值,明显低于本发明,即本发明的识别率更高;同时,本发明在信噪比大于等于-12dB时,对7种雷达脉内调制信号的识别率大于0.94;在信噪比为-14dB时,本发明对7种雷达脉内调制信号的识别率仍大于0.85;本发明对7种雷达脉内调制信号整体的平均识别率可以达到0.97以上;相比不带注意力模块的一维卷积神经网络的方法,本发明在低信噪比,特别是-14dB,-12dB下的识别效果更好,识别率更高。
综上所述,本发明的基于一维卷积神经网络和通道注意力的雷达脉内调制类型识别方法,主要解决现有技术对雷达信号需要进行维度变换处理和识别率低的问题。实现方案包括:采集雷达脉内信号并制作雷达信号的数据集;雷达信号的数据集划分为训练集、验证集和测试集;对训练集、验证集和测试集进行数据预处理;构建带有通道注意力机制的一维卷积神经网络;设置训练参数并使用预处理后的训练集训练网络;选择对预处理后的验证集数据正确率最高的模型作为最终训练好的模型,并加载到网络中,得到训练好的带有通道注意力机制的一维卷积神经网络;将预处理后的测试集的输入到训练好的带有通道注意力机制的一维卷积神经网络中,输出在不同信噪比下整体测试信号的识别率。本发明构建了带有通道注意力机制的一维卷积神经网络,结构简单,参数量少,省去了对雷达脉内调制信号进行维度变换的时间,实时性好。同时本发明采用通道注意力模块,提高了网络对雷达脉内调制类型的识别率。本发明可用于复杂电磁环境下的雷达脉内调制类型识别。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将权利要求落在等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种雷达脉内调制类型的识别方法,其特征在于,包括以下步骤,
调制信号样本的选取:利用采集到的雷达信号,生成雷达脉内的调制信号数据集,所述调制信号数据集构成调制信号样本,所述调制信号样本至少包括七类信号,且每类信号均至少设有8个信噪比点;
训练集和测试集的划分:在每类信号的每个信噪比点处,按照预定比例,随机选取训练样本、验证样本以及测试样本,分别形成训练集、验证集和测试集;
神经网络模型的构建:从输入层至输出层,神经网络模型依次设置输入层、卷积层、池化层、归一化层、通道注意力模块、全连接层以及输出层,所述通道注意力模块中设有相加层,所述相加层中设有Sigmoid激活函数;
神经网络模型的训练和验证:在神经网络模型中,设定训练参数和训练轮数,将训练集输入到神经网络中进行训练,并在训练的结果中,选择验证集正确率最高的神经网络模型作为最终的神经网络模型;
调制类型的识别:在最终的神经网络模型中输入测试集,输出雷达调至类型的识别率。
2.根据权利要求1所述的一种雷达脉内调制类型的识别方法,其特征在于,所述调制信号样本的选取中,七类信号所述调制信号数据集具体为:常规脉冲信号、线性调频信号、非线性调频信号、二相编码信号、多相编码信号、二频编码信号和四频编码信号。
3.根据权利要求2所述的一种雷达脉内调制类型的识别方法,其特征在于,七类所述调制信号数据集中,每类信号的信噪比点均为8-10个,每个信号在每个信噪比点的样本数量为800-1200个。
4.根据权利要求1所述的一种雷达脉内调制类型的识别方法,其特征在于,所述雷达信号的采集频率为1GHz,雷达信号脉宽范围为2-10us;所述信噪比的范围为-14dB到0dB。
5.根据权利要求1所述的一种雷达脉内调制类型的识别方法,其特征在于,所述预定比例为训练样本:验证样本:测试样本为6:1:3。
6.根据权利要求1所述的一种雷达脉内调制类型的识别方法,其特征在于,所述训练集和测试集的划分中还包括样本预处理,所述样本预处理:将所述的训练样本、验证样本以及测试样本均进行样本预处理,所述样本预处理具体为,按照末尾补0的操作,使得所有样本的长度均相同,并依次对末尾补0后的样本进行离散傅里叶变换,以及归一化操作,得到幅度为0-1的模值结果。
7.根据权利要求1所述的一种雷达脉内调制类型的识别方法,其特征在于,所述神经网络模型的构建中,所述通道注意力模块包括全局最大池化层、全局平均池化层、感知机、相加层、激活层和乘机层。
8.根据权利要求7所述的一种雷达脉内调制类型的识别方法,其特征在于,所述感知机中具有权重共享和隐层,所述隐层包括靠近输入层的第一隐层以及靠近输出层的第二隐层,所述第一隐层的节点个数小于第二隐层的节点个数。
10.根据权利要求1-9任意之一所述的一种雷达脉内调制类型的识别方法,其特征在于,所述神经网络模型的训练和验证中,设定训练参数中,包括学习率、损失函数以及模型优化算法,所述学习率为0.001,损失函数设置为交叉熵函数,模型优化算法选择Adam算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111310285.5A CN114118142A (zh) | 2021-11-05 | 2021-11-05 | 一种雷达脉内调制类型的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111310285.5A CN114118142A (zh) | 2021-11-05 | 2021-11-05 | 一种雷达脉内调制类型的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118142A true CN114118142A (zh) | 2022-03-01 |
Family
ID=80381339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111310285.5A Pending CN114118142A (zh) | 2021-11-05 | 2021-11-05 | 一种雷达脉内调制类型的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118142A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564982A (zh) * | 2022-01-19 | 2022-05-31 | 中国电子科技集团公司第十研究所 | 雷达信号调制类型的自动识别方法 |
CN115712867A (zh) * | 2022-11-03 | 2023-02-24 | 哈尔滨工程大学 | 一种多分量雷达信号调制识别方法 |
CN117407785A (zh) * | 2023-12-15 | 2024-01-16 | 西安晟昕科技股份有限公司 | 雷达信号识别模型的训练方法、雷达信号识别方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
US20210117737A1 (en) * | 2019-10-18 | 2021-04-22 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
CN112881518A (zh) * | 2021-01-08 | 2021-06-01 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
CN113033452A (zh) * | 2021-04-06 | 2021-06-25 | 合肥工业大学 | 融合通道注意力和选择性特征融合机制的唇语识别方法 |
CN113029327A (zh) * | 2021-03-02 | 2021-06-25 | 招商局重庆公路工程检测中心有限公司 | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 |
CN113076878A (zh) * | 2021-04-02 | 2021-07-06 | 郑州大学 | 基于注意力机制卷积网络结构的体质辨识方法 |
CN113160246A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院光电技术研究所 | 一种基于深度监督的图像语义分割方法 |
CN113469198A (zh) * | 2021-06-30 | 2021-10-01 | 南京航空航天大学 | 一种基于改进的vgg卷积神经网络模型的图像分类方法 |
CN113469196A (zh) * | 2021-06-25 | 2021-10-01 | 南京航空航天大学 | 一种基于注意力深度卷积神经分类网络的图像分类方法 |
CN113591606A (zh) * | 2021-07-08 | 2021-11-02 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
-
2021
- 2021-11-05 CN CN202111310285.5A patent/CN114118142A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
US20210117737A1 (en) * | 2019-10-18 | 2021-04-22 | Korea University Research And Business Foundation | Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method |
CN112098957A (zh) * | 2020-09-15 | 2020-12-18 | 西安电子科技大学 | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 |
CN112577747A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 一种基于空间池化网络的滚动轴承故障诊断方法 |
CN112731309A (zh) * | 2021-01-06 | 2021-04-30 | 哈尔滨工程大学 | 一种基于双线性高效神经网络的有源干扰识别方法 |
CN112881518A (zh) * | 2021-01-08 | 2021-06-01 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
CN113029327A (zh) * | 2021-03-02 | 2021-06-25 | 招商局重庆公路工程检测中心有限公司 | 基于度量注意力卷积神经网络的隧道风机预埋基础损伤识别方法 |
CN113076878A (zh) * | 2021-04-02 | 2021-07-06 | 郑州大学 | 基于注意力机制卷积网络结构的体质辨识方法 |
CN113033452A (zh) * | 2021-04-06 | 2021-06-25 | 合肥工业大学 | 融合通道注意力和选择性特征融合机制的唇语识别方法 |
CN113160246A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院光电技术研究所 | 一种基于深度监督的图像语义分割方法 |
CN113469196A (zh) * | 2021-06-25 | 2021-10-01 | 南京航空航天大学 | 一种基于注意力深度卷积神经分类网络的图像分类方法 |
CN113469198A (zh) * | 2021-06-30 | 2021-10-01 | 南京航空航天大学 | 一种基于改进的vgg卷积神经网络模型的图像分类方法 |
CN113591606A (zh) * | 2021-07-08 | 2021-11-02 | 武汉理工大学 | 沥青路面隐藏病害识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
SHIBO YUAN等: "Intra-Pulse Modulation Classification of Radar Emitter Signals Based on a 1-D Selective Kernel Convolutional Neural Network", 《REMOTE SENSING》 * |
皮骏等: "无人机目标分类的深度卷积网络设计与优化", 《计算机***应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564982A (zh) * | 2022-01-19 | 2022-05-31 | 中国电子科技集团公司第十研究所 | 雷达信号调制类型的自动识别方法 |
CN114564982B (zh) * | 2022-01-19 | 2023-09-26 | 中国电子科技集团公司第十研究所 | 雷达信号调制类型的自动识别方法 |
CN115712867A (zh) * | 2022-11-03 | 2023-02-24 | 哈尔滨工程大学 | 一种多分量雷达信号调制识别方法 |
CN117407785A (zh) * | 2023-12-15 | 2024-01-16 | 西安晟昕科技股份有限公司 | 雷达信号识别模型的训练方法、雷达信号识别方法及装置 |
CN117407785B (zh) * | 2023-12-15 | 2024-03-01 | 西安晟昕科技股份有限公司 | 雷达信号识别模型的训练方法、雷达信号识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114118142A (zh) | 一种雷达脉内调制类型的识别方法 | |
CN112098957A (zh) | 基于一维自步卷积神经网络的复杂雷达辐射源识别方法 | |
CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
CN109471074B (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
DE2045508A1 (de) | Datenverarbeitungsverfahren und vorrichtung | |
CN112115924A (zh) | 基于一维cnn和lstm的雷达辐射源识别方法 | |
CN109116312A (zh) | 基于qmfb与卷积神经网络的雷达信号分类方法 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及*** | |
CN112149524B (zh) | 一种雷达信号分选识别方法、装置、探测器及存储介质 | |
CN112859014A (zh) | 基于雷达信号分选的雷达干扰抑制方法、装置及介质 | |
CN114895263A (zh) | 基于深度迁移学习的雷达有源干扰信号识别方法 | |
CN111310700A (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN115565004A (zh) | 一种基于二维拉曼图结合深度学习的拉曼光谱分析方法 | |
CN114021458B (zh) | 基于并行原型网络的小样本雷达辐射源信号识别方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN116699526A (zh) | 一种基于稀疏与低秩模型的车载毫米波雷达干扰抑制方法 | |
CN112034434A (zh) | 基于稀疏时频检测卷积神经网络的雷达辐射源识别方法 | |
CN117671374B (zh) | 逆合成孔径雷达图像目标识别方法和装置 | |
CN117331031A (zh) | 一种lpi雷达信号谱图融合识别方法 | |
Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model | |
CN114296041A (zh) | 基于DCNN和Transformer的雷达辐射源识别方法 | |
US5179529A (en) | High speed fourier transform engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |
|
RJ01 | Rejection of invention patent application after publication |