基于BSRes_SK_GRU的雷达信号调制样式识别.pdf
《基于BSRes_SK_GRU的雷达信号调制样式识别.pdf》由会员分享,可在线阅读,更多相关《基于BSRes_SK_GRU的雷达信号调制样式识别.pdf(8页珍藏版)》请在咨信网上搜索。
1、DOI:10.20079/j.issn.1001-893x.220216002引用格式:刘玉欣,田润澜,任琳,等.基于 BSRes_SK_GRU 的雷达信号调制样式识别J.电讯技术,2023,63(7):1002-1009.LIU Y X,TIAN R L,REN L,et al.Radar signal modulation type recognition based on BSRes_SK_GRUJ.Telecommunication Engineering,2023,63(7):1002-1009.基于 BSRes_SK_GRU 的雷达信号调制样式识别刘刘玉玉欣欣1 1,田田润润澜澜1
2、 1,任任 琳琳1 1,孙孙 亮亮2 2(1.空军航空大学 航空作战勤务学院,吉林 长春 130022;2.中国人民解放军 93110 部队,北京 100843)摘 要:针对基于图像识别的雷达信号调制样式识别方法生成图像耗时长,收敛速度慢,且在低信噪比条件下识别准确率低的问题,提出了一种新的雷达信号调制样式识别模型。此模型将雷达信号时间序列经简单预处理后直接作为网络输入,避免了将信号转换为图像的复杂过程;网络能够自主提取雷达信号空间和时间两个方面特征,完善了特征提取的方式;同时,对网络结构进行了优化,并引入了选择性核网络,以获取特征在不同尺度上的重要信息。实验结果表明,此模型在低信噪比条件下具
3、有较快的训练速度和较高的识别准确率。关键词:雷达信号;调制样式识别;深度学习;选择性核网络(SK-Net);时间序列开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN971.1 文献标志码:A 文章编号:1001-893X(2023)07-1002-08Radar Signal Modulation Type Recognition Based on BSRes_SK_GRULIU Yuxin1,TIAN Runlan1,REN Lin1,SUN Liang2(1.School of Aviation Operations and
4、Services,Aviation University of Air Force,Changchun 130022,China;2.Unit 93110 of PLA,Beijing 100843,China)Abstract:For the problems of long time-consuming image generation,slow convergence speed and low recognition accuracy under the condition of low signal-to-noise ratio(SNR),a new model is propose
5、d for radar signal modulation type recognition.In this model,the time series of radar signals are directly used as network input after simple preprocessing,which avoids the complex process of converting signals into images.The network can independently extract the spatial and temporal features of ra
6、dar signals,which improves the way of feature extraction.At the same time,the network structure is optimized,and the Selective Kernel Network(SK-Net)is introduced to obtain the important information of features at different scales.The experimental results show the proposed model has faster speed and
7、 higher accuracy under the condition of low SNR.Key words:radar signal;modulation type recognition;deep learning;selective kernel network(SK-Net);time series0 引 言随着新体制雷达的快速发展与广泛应用,战场电磁环境呈现出信号密度高、信号交叠严重、噪声干扰强、信号样式复杂等特点,传统的基于辐射源信号参数匹配1的识别方法难以适应如今复杂的电磁环境2-3。2001第 63 卷 第 7 期2023 年 7 月电讯技术Telecommunicati
8、on EngineeringVol.63,No.7July,2023收稿日期:2022-02-16;修回日期:2022-03-29基金项目:国家自然科学基金资助项目(61571462)通信作者:刘玉欣近年来,随着深度学习(Deep Learning,DL)越来越多地应用于计算机视觉、目标检测、文本翻译等领域并取得较好效果,许多学者也将这一方法引入到电子侦察领域中来。文献4将雷达信号通过平滑伪魏格纳-维利分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)方法转换为时频图像,输入到 AlexNet 中完成对雷达信号调制类型的识别,在-10 dB
9、环境下平均识别率在 80%左右。文献5运用了模糊函数等高线图,经过一系列图像处理手段生成特征矩阵输入到 SDAE 网络,最后通过Softmax 层完成分类。网络将重构图像与原始图像的均方误差作为损失,具有一定的去噪性能,在-6 dB 环境中准确率达 83.67%。文献6将雷达信号进行了 Hilbert-Huang 变换得到时频能量分布,输入到卷积神经网络(Convolutional Neural Network,CNN)进行分类识别,但该方法只有一部分时频点具有良好的区分特性,需要通过计算进行选取,选取效果对结果影响较大。上述几种方法都是通过对雷达信号进行特定变换转换为图像,再输入到图像识别模
10、型完成对信号的分类识别。然而,将信号转换成二维图像会丢失部分信息,还会因算法本身缺陷,引入交叉项,对转换结果产生干扰;同时转换过程需要大量计算,不适用于数据样本集大的情况。一些学者也尝试使用序列模型对雷达雷达调制样式进行识别,取得了较好效果。文献7提出了 BiGRU+FCN 模型,其将时间序列直接输入到网络中,提取信号的空时特征,有助于识别准确率的提升,但输入时间序列过长会导致 Bi-GRU 支路训练用时骤增,影响整体网络训练效率。文献8提出了 CLDN 模型,将雷达时间序列输入到浅层卷积网络提取特征,随后输入到 LSTM 进行时序处理,最后输入到 DNN完成分类。但由于卷积结构较为简单且层数
11、较少,无法获取数据更深层次的特征,导致准确率受到一定的限制。针对上述问题,本文提出了针对雷达信号时间序列进行处理的识别模型。该模型将残差神经网络、选择性核网络(Selective Kernel Network,SK-Net)和门控循环单元相结合:残差神经网络通过构建深层网络提取雷达信号的深层空间特征;选择性核网络获取了来自数据的多尺度信息并赋予注意力权重,能够突出重要的特征;门控循环单元克服了“短期记忆”问题,在处理时间序列上具有优势。将以上部分组合在一起,形成优势互补,分别从雷达信号的空间、时间两个维度提取特征信息,使网络通过训练能够自主提取信号更完备的特征,提升了识别准确率。1 改进的残差
12、神经网络1.1 残差神经网络残差神经网络9(Residual Network,ResNet)解决了由于网络层数加深导致的梯度消失、梯度爆炸问题,其由若干个残差模块组成。网络通过远跳连接9(Skip Connection)将浅层输出直接传送到更深层位置,有效提升网络的训练效率。1.2 改进的残差神经网络ResNet 缩短了信息传递的路径,缓解了梯度消失和梯度爆炸,但由于训练深层网络时,反向传播中需要大量复杂的矩阵运算,不可避免地增加了网络训练的计算量;同时,更深层次的特征容易造成对训练样本的过度拟合,导致验证集损失下降受到限制。针对以上分析,在原基础上对残差模块进行了改进,提出了瓶颈与通道失活残
13、差(Bottlneck and Saptialdropout Residual,BSRes)模块,如图 1 所示,主要由两部分构成:瓶颈结构和正则化层。图 1 BSRes 模块导致训练计算量大的主要原因是网络层数深。鉴于网络深度有助于提取更深层的信号特征,减少计算量可以通过通道降维实现:瓶颈结构中,第一层首先将通道数降维至 16;第二层用于特征提取;第三层将通道数恢复为 64。其能够在不损失准确率的前提下有效减少计算量,提升训练的效率。其次,在第二层和远跳连接9中设置步长 s=2,缩短特征向量的长度,降低了门控循环单元的训练难度。正则化层采用了 Keras 框架中的一维空间随机失活层10(Sp
14、atialDropout1D),其按照一定比例随机将通道特征置零,弱化了部分通道的特征表示,使网3001第 63 卷刘玉欣,田润澜,任琳,等:基于 BSRes_SK_GRU 的雷达信号调制样式识别第 7 期络只能用少数量的特征来完成对数据的分类识别,达到抑制过拟合的目的。2 选择性核网络和门控循环单元2.1 选择性核网络选择性核网络11根据数据分布使网络能够自适应选择感受野的大小,即针对卷积核的注意力机制12,突破了以往网络只能设置固定尺寸卷积核的限制。输入特征经过 SK-Net 时,会在不同尺度上分别进行卷积,获得来自不同感受野的特征信息;再与分配的注意力权重加权求和,获得特征融合结果。其结
15、构如图 2 所示。图 2 SK-Net 结构图 在对雷达时间序列的处理过程中,可能某些重要特征“隐藏”在长序列中,而某些重要特征“隐藏”在短序列中,可见获取雷达信号多尺度的融合特征是十分必要的。对其分配注意力权重,描述不同尺度特征的重要程度,有效提升了识别精度,使模型拥有更好的泛化能力。该网络由分离部分、融合部分和选择部分三个部分组成,下面对各部分进行介绍。2.1.1 分离部分该部分对输入的雷达特征 X 利用不同尺寸卷积核进行一维卷积提取特征。设置分支数 M=2,卷积核尺寸分别为 k=3 和 k=5,得到长序列特征 Ua和短序列特征 Ub为Ua=Conv1D(k=3)(X)Ub=Conv1D(
16、k=5)(X)。(1)雷达融合特征 U 为U=Ua+Ub。(2)2.1.2 融合部分该部分运用了压缩感知的思想,目的是计算出各支路中对应的注意力权重。Fgp()为全局平均池化,目的是获取全局信息 sc:sc=Fgp(U)=1LLi=1Uc(i)。(3)式中:scR R1c。经全连接组成的缩放结构得到两组非线性映射,设置缩放系数 R=4。加入了批归一化13(Batch Normalization,BN),目的是改善梯度更新的方向,以允许更大的学习率。d=c/R,(4)zd=(BN(Wcdsc)。(5)式中:zdR R1d;()为 sigmoid 函数。之后进行Softmax 处理,计算出分配给长
17、、短序列特征的注意力权重值:ac=eAczdeAczd+eBczdbc=eBczdeAczd+eBczd。(6)式中:Ac和 Bc为 Softmax 权值矩阵;ac和 bc为注意力权重向量,且有 ac+bc=1。2.1.3 选择部分该部分将长、短序列特征与注意力权重加权求和,通过特征融合得到 SK-Net 输出的带有注意力的融合特征 V:V=acUa+bcUb。(7)得到的融合特征包含了不同感受野所提取出的关键信息,其中注意力权重不仅仅考虑了支路之间的权重分配,同时在通道维度上也考虑了各通道间的注意力分配。2.2 门控循环单元门控循环单元14(Gate Recurrent Unit,GRU)解
18、决了循环神经网络15(Recurrent Neural Network,RNN)固有的“短期记忆”问题,相比于长短时记忆电讯技术 2023 年网络16(Long Short Term Memory Network,LSTM)参数更少,在训练效率上 GRU 要明显优于 LSTM。GRU 内部结构如图 3 所示。图 3 GRU 内部结构图GRU 正向传播如下:zt=(Wzht-1,xt),(8)rt=(Wrht-1,xt),(9)ht=tanh(Wrtht-1,xt),(10)ht=(1-zt)ht-1+ztht。(11)式中:rt为重置门;zt为更新门。重置门控制了上一时刻信息的占比,更新门控制
19、了当前时刻与上一时刻信息的占比,通过两个门就可以控制对当前和之前信息的选择性遗忘与记忆。利用 GRU 进行特征提取,试图挖掘出信号在时间内部的关联信息,完善网络特征提取方式,以达到优化网络性能的目的。3 BSRes_SK_GRU 模型识别方法3.1 模型结构针对上述各网络的特点,结合雷达信号调制样式识别任务需求和雷达信号波形设计17相关理论知识,笔者设计并提出了 BSRes_SK_GRU 模型。如图 4 所示,模型将雷达信号时间序列经简单预处理后作为网络输入。首先完成对雷达信号的空间特征提取:先经过 1 个卷积-池化结构,获取雷达信号的粗略信息;之后经过 4 个 BSRes 模块,通过构建残差
20、网络提取深层次的空间特征,提取特征具有更多的通道数和更短的向量长度,方便后续 GRU 处理;然后通过 SK-Net 中不同尺寸地卷积分别提取得到来自不同序列长度的特征信息,经过一系列的非线性映射得到对应权重,加权求和生成带有注意力的高质量融合特征;最后通过 GRU 提取特征内部的时间关联信息,实现时间维度的特征提取。在其后串联 Dense 层和 Softmax 层作为特征分类器,计算得出 8 类信号的概率值,并输出识别结果。图 4 BSRes_SK_GRU 模型结构3.2 参数配置此模型总共包含 22 网络层,网络输入维度为(None,1 024,1)。具体网络参数配置如表 1 所示,其中,k
21、 为卷积核尺寸,s 代表步长,M 为分支数,R为缩放系数,None 代表训练数据集的 batchsize 值,此处不对其设置数值。表 1 BSRes_SK_GRU 模型参数配置名称参数配置输出维度Conv1Dk=7,s=2,samepadding(None,512,16)Max poolk=2,s=2(None,256,16)BSRes_block_1(2)8,k=18,k=3,s=232,k=1SpatialDropout(0.25)2(None,128,32)(None,64,32)BSRes_block_3(4)16,k=116,k=3,s=264,k=1SpatialDropout(0
22、.25)2(None,32,64)(None,16,64)SK-NetSK M=2,R=4,k=35,64(None,16,64)GRU100,drop_rate=0.4(None,100)Dense100,drop_rate=0.4(None,128)Softmax8(None,8)3.3 训练流程该模型将雷达信号时间序列作为网络的输入,提取了空间、时间两个维度的特征信息,训练流程如下:Step 1数据加载。载入雷达信号时间序列,并赋予标签,对标签进行独热编码。Step 2 数据预处理。对长度大于 1 024 的数据进行截短,对长度小于 1 024 的数据末位补零。5001第 63 卷刘玉欣
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 BSRes_SK_GRU 雷达 信号 调制 样式 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。