CN113050042B - 基于改进UNet3+网络的雷达信号调制类型识别方法 - Google Patents

基于改进UNet3+网络的雷达信号调制类型识别方法 Download PDF

Info

Publication number
CN113050042B
CN113050042B CN202110407587.8A CN202110407587A CN113050042B CN 113050042 B CN113050042 B CN 113050042B CN 202110407587 A CN202110407587 A CN 202110407587A CN 113050042 B CN113050042 B CN 113050042B
Authority
CN
China
Prior art keywords
layer
data
network
convolution
improved
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.)
Active
Application number
CN202110407587.8A
Other languages
English (en)
Other versions
CN113050042A (zh
Inventor
田润澜
董会旭
李霜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PLA AIR FORCE AVIATION UNIVERSITY
Original Assignee
PLA AIR FORCE AVIATION UNIVERSITY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PLA AIR FORCE AVIATION UNIVERSITY filed Critical PLA AIR FORCE AVIATION UNIVERSITY
Priority to CN202110407587.8A priority Critical patent/CN113050042B/zh
Publication of CN113050042A publication Critical patent/CN113050042A/zh
Application granted granted Critical
Publication of CN113050042B publication Critical patent/CN113050042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：1、将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签2、对数据的标签进行独热编码；3、将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱；4、将处理好的数据输入到改进的网络模型中；5、设置学习率动态调整机制；6、设置早停机制；本发明保留UNet3+网络特征融合能力的同时降低了网络的复杂度，并引入注意力机制优化模型性能，构建了一个新的网络模型，对比一些经典网络模型，训练总用时更短，在低信噪比条件下能更加有效识别辐射源信号,可以适应复杂的电磁环境。

Description

基于改进UNet3+网络的雷达信号调制类型识别方法
技术领域
本发明涉及电子对抗技术领域，具体涉及基于改进UNet3+网络的雷达信号调制类型识别方法。
背景技术
辐射源信号识别是电子对抗侦察的一项重要内容，识别敌方雷达信号，获取战场态势信息，为战役指挥决策和战术打击提供了重要的判断依据。早期电磁环境相对简单，信号调制类型相对较少，传统的雷达辐射源识别方法往往需要人工提取特征，从时域、频域等角度与雷达数据库对比，能够较为准确地识别雷达信号。研究人员利用条件证据理论，提出了一种融合先验信息的雷达辐射源识别方法；也有人提出了基于小波网络对不同脉冲重复间隔模式的雷达信号识别方法。这些方法能较为准确地识别不同类型的信号，识别速度相对较快，但是传统的雷达辐射源识别方法的特征选择依赖于人的专业知识，具有不完备性，且选取的特征大多数无法适应如今复杂的信号类型，识别能力较低。近年来，随着新体制雷达的不断增多，信号调制类型增加，给雷达辐射源识别带来巨大的困难，如何在复杂的电磁环境中准确的识别信号成为亟待解决的问题。
随着机器学习的快速发展，机器学习被广泛应用于雷达信号识别领域。虽然有人利用修正的Rife算法得到较精确的载频和频率偏移量，但这两个参量作为支持向量机的两个特征向量，利用分类器识别出不同的辐射源个体。另有的研究人员提的一种向量神经网络并将其用于雷达辐射源识别，虽取得了很好的效果，然而机器学习在雷达辐射源型号识别中也存在一些问题：(1)对有交迭的不完整的数据，识别精度不高；(2)需要大量的训练样本才能具有较好的泛化能力。
深度学习（deep learning，DL）作为机器学习中的分支，近年来在计算机视觉、智能控制、自然语言处理等领域广泛应用，因其优异性能，许多学者将其引入到电子对抗领域中来。使用主成分分析方法对雷达信号的伪WVD和CWD时频图像进行特征提取，并分别用多层感知机、径向基函数神经网络、概率神经网络三种分类器对信号进行识别，但是在低信噪比条件下，部分信号的识别并不理想；利用AlexNet 网络模型对信号的时频图进行分类识别，通过对信号转化的二维图像的识别，在识别精度上有所提升，但不适合样本量较大的情况。
发明内容
本发明的目的克服上述问题，而提供的基于改进UNet3+网络的雷达信号调制类型识别方法。
1、基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：
一、数据预处理
1、将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；
2、对数据的标签进行独热编码；
3、将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱；
二、神经网络提取特征
4、将处理好的数据输入到改进的网络模型中，优化器采用Adam，损失函数采用交叉熵损失函数，设置初始学习率为0.0001， 最大训练轮数为50轮；
5、设置学习率动态调整机制；
6、设置早停机制；
步骤4所述的网络模型，包括：
（1）数据依次经过卷积池化层1、正则化层1、卷积池化层2、正则化层2、卷积池化层3、正则化层3，通过32个长度为5的卷积核对原始信号进行卷积处理；3个正则化层的系数分别为0.2、0.1、0.1；
（2）再经过卷积层1、2、3处理数据，通过8个长度为5的卷积核对数据进行卷积处理，再进入到特征融合层1进行特征融合，融合后的数据依次经过卷积层4、批量归一化层1、卷积层5，得到的新数据与卷积层1的数据、卷积层3的数据同时进入到特征融合层2进行融合；
（3）在特征融合层2后，数据依次进入注意力层、卷积层6、批量归一化2、正则化层4、平铺层、全连接层；
所述的训练集、验证集、测试集比例为47： 23： 30；
所述的数据的标签为：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4；
所述的步骤5）中学习率最低为0.0000125；
所述的早停机制：当验证集损失不再减小，经过5轮训练后仍没有得到改善，则终止训练；
所述的卷积池化层为：卷积层后加最大池化层，最大池化层的大小为2，组成“卷积—池化”结构；
所述的卷积层4、5、6是通过8个长度为7的卷积核对数据进行卷积处理；
所述的注意力机制，包括：1）信息的输入：用X=[X1,X2,…Xt-1，Xt]表示t个输入信息；2）计算注意力概率分布值a；3）根据注意力概率分布值a来计算输入信息的加权平均；
注意力机制的权重系数计算公式为：
上述公式中，et为输出向量kt所决定的注意力概率分布值；at为注意力机制对神经网络隐藏层输出的注意力概率分布值；mt为注意力机制在t时刻的输出，是将权重和相应的向量进行加权得到最后的注意力机制处理结果；
所述的正则化层4系数为0.4。
本发明提供了基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：1、将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；2、对数据的标签进行独热编码；3、将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱；4、将处理好的数据输入到改进的网络模型中；5、设置学习率动态调整机制；6、设置早停机制；本发明保留UNet3+网络特征融合能力的同时降低了网络的复杂度，并引入注意力机制优化模型性能，构建了一个新的网络模型。对比一些经典网络模型，训练总用时更短，在低信噪比条件下能更加有效识别辐射源信号, 可以适应复杂的电磁环境。
附图说明
图1本发明网络的具体结构图；
图2注意力机制实现流程图
图3 UNet3+网络结构图；
图4无注意力机制的3层级unet3+网络结构图；
图5不同深度学习模型在不同信噪比下准确率；
图6 为8类信号识别准确率；
图7 为8 类信号混淆矩阵。
具体实施方式
实施例1
本发明实施例提供一种在低信噪比条件下，基于改进Unet3+网络的辐射源信号识别方法。以下为实施步骤：首先对数据进行预处理，然后利用神经网络提取特征，通过注意力机制对特征进行加权处理提高网络能力，最后分类识别。
一种基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：
一、数据预处理
1）将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；
2）对数据的标签进行独热编码。
3）将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱。
所述比例为（0.47：0.23：0.3）
二、神经网络提取特征
4）将处理好的数据输入到改进的网络模型中。优化器采用Adam，损失函数采用交叉熵损失函数。初始学习率设置为0.0001， 最大训练轮数为50轮。
5）设置学习率动态调整机制。网络训练时，每当验证集误差不再减小，学习率将会减少一半，设置学习率最多衰减为0.0000125。
6）设置早停机制。当验证集损失不再减小，经过5轮训练后仍没有得到改善，则终止训练。
步骤4所述的网络模型，具体如图1所示，
（1）数据依次经过卷积池化层1、正则化层1、卷积池化层2、正则化层2、卷积池化层3、正则化层3，通过大小为32步长为5的卷积核对原始信号进行卷积处理；3个正则化层的系数分别为0.2、0.1、0.1；
（2）再经过卷积层4、5、6处理数据，他们通过大小为8步长为5的卷积核对数据进行卷积处理，再通过全尺度跳过连接的方式进入到特征融合层1进行特征融合，融合后的数据依次经过卷积层7、批量归一化1、卷积层8，得到的新数据与卷积层4的数据、卷积层6的数据同时进入到特征融合层2进行融合；
（3）在特征融合层2后，数据依次进入注意力层、卷积池化层9、批量归一化2、正则化层4、平铺层、全连接层。
所述的卷积池化层为：卷积层后加最大池化层，最大池化层的大小为2，组成“卷积—池化”结构。
所述的卷积层7、8、9是通过大小为8，步长为7的卷积核对数据进行卷积处理。
在第二个特征融合层后接注意力层进一步提高网络的的识别速度和识别准确率。注意力机制（Attention mechanism）最早是在视觉图像领域中提出的，本质来自于人类视觉的注意力机制。注意力机制就是将训练的重点放到比较重要的信息之上，忽视掉一些不重要的信息，注意力机制能筛选出重要信息，表现形式为信息越重要其分配的权重系数相对越大，越不重要其分配的权重系数相对越小，从而突出关键信息的影响，增强模型判断的准确性。
注意力机制的具体实现流程如图2所示。
注意力机制可以分为三步：一是信息的输入：用X=[X1,X2…Xt-1，Xt]表示t个输入信息；二是计算注意力概率分布值a；三是根据注意力概率分布值a来计算输入信息的加权平均。
注意力机制的权重系数计算公式为：
上述公式中，et为输出向量kt所决定的注意力概率分布值；at为注意力机制对神经网络隐藏层输出的注意力概率分布值。mt为注意力机制在t时刻的输出，是将权重和相应的向量进行加权得到最后的注意力机制处理结果。
（4）批量归一化（Batch Normalization，BN）层1，2后接的正则化层系数为0.4，使用平铺层展平，最后在全连接层使用softmax函数将特征映射到代表8类信号的离散空间里。
实施例2
一种雷达信号调制类型识别方法，它包括：
一、数据预处理
1）将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；
2）对数据的标签进行独热编码。
3）将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱。
所述比例为（0.47：0.23：0.3）
二、神经网络提取特征
4）将处理好的数据输入到改进的网络模型中。优化器采用Adam，损失函数采用交叉熵损失函数。初始学习率设置为0.0001， 最大训练轮数为50轮。
5）设置学习率动态调整机制。网络训练时，每当验证集误差不再减小，学习率将会减少一半，设置学习率最多衰减为0.0000125。
6）设置早停机制。当验证集损失不再减小，经过5轮训练后仍没有得到改善，则终止训练。
步骤4所述的网络模型，选择UNet3+网络对雷达信号调制类型识别，它能充分提取数据特征，但网络结构过于复杂，识别速度较慢。其结构示意图如图3 ，它是一种基于U形的体系结构，有5个层级，通过全尺度跳过连接进行特征融合，以图中的节点 X2De （第2层级的解码层）为例，它的输入来自于两方面，一是比其更浅（包括同一层级）的编码器，二是比其更深的解码器。解码层先对来自各个节点的信息进行各自的卷积，再对堆叠的特征通过卷积来进行信息的融合和提取，充分利用了多尺度特征。
实施例3
一种雷达信号调制类型识别方法，它包括：
一、数据预处理
1）将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；
2）对数据的标签进行独热编码。
3）将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱。
所述比例为（0.47：0.23：0.3）
二、神经网络提取特征
4）将处理好的数据输入到改进的网络模型中。优化器采用Adam，损失函数采用交叉熵损失函数。初始学习率设置为0.0001， 最大训练轮数为50轮。
5）设置学习率动态调整机制。网络训练时，每当验证集误差不再减小，学习率将会减少一半，设置学习率最多衰减为0.0000125。
6）设置早停机制。当验证集损失不再减小，经过5轮训练后仍没有得到改善，则终止训练。
步骤4所述的网络模型，为不加注意力机制的3层级unet3+，在保留特征融合能力的同时，降低了网络的复杂度。如图4所示。
实施例4
将实施例1、2、3进行对比，实验结果如表1所示：
从表中可以看出，实施例3比实施例2训练时间更短，准确率基本相同，说明3层级的网络性能更好，实施例1准确率、最高训练用时最短，说明注意力机制在识别准确率和训练速度两方面都有更进一步的提升。
仿真实验验证网络的能力：
本发明使用的是MATLAB仿真时域下雷达脉冲的幅度序列数据，仿真了八种信号：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4。载频范围随机从1~1.2kHz之间取值，除Costas外采样频率均为7kHz。具体参数见表2。信噪比为-20~10dB，间隔为2dB。每类信号在每种信噪比情况下产生2000个样本，合计256000个样本。
实验环境：本发明使用keras作为深度学习底层框架，计算机配置见表3。
为探究本发明模型对比常见深度学习模型的优势。选择CLDNN模型、GRU模型、UNet3+模型、VGG16、AlexNet5种常用的网络模型进行对比试验。C以测试集的准确率、训练时间和训练轮数作为评价标准进行对比试验，实验结果如表4所示。
从表4可以看出，本发明模型通过特征融合更好的提取了信号特征，又引入了注意力机制，和其它模型相比，训练用时更短，准确率更高。
为探究本发明模型在低信噪比条件下是否拥有较好的准确识别率，在-20~10dB信噪比的条件下，将上述五种模型与本发明模型进行对比实验，以不同信噪比的8种信号进行验证，实验结果如下图5所示，从图5中可以看出，本发明模型的曲线全程在其他网络模型曲线的上方，说明本发明模型识别精度最高，尤其是在信噪比为-20dB的条件下，本发明模型的准确率高于80%，在信噪比大于等于-16dB的条件下识别准确率也能够达到88%，可见，本发明模型在低信噪比的情况下依然有较高的准确率，基本能够满足低信噪比条件下的辐射源信号的识别要求。
为了测试本发明模型在不同信噪比条件下分类不同信号的能力，利用训练得到的模型对8类信号进行识别，实验结果如图6所示，由图6中可以看出，在信噪比高于-16dB的情况下识别准确率基本能达到90%，在噪声最严重的-20dB信噪比条件下，8类信号均有高于70%的准确率，其中识别FMCW信号概率最低，仅有72%的准确率，说明FMCW信号在低信噪比环境下最难区分。综上所述，可以认为本发明模型基本能够满足低信噪比条件下的识别要求。
8类信号的混淆矩阵如图7所示。图中深色对角线为正确识别出8类信号的概率，对角线外的区域是错误分类识别信号的概率，由图7可知，8类信号的分类识别准确率均能达到94%以上，其中Costas与BPSK、Costas与FMCW、FMCW与BPSK错误率比较高，说明分类识别他们的能力较低。其他错误区域错误率全部低于1%，说明本发明网络基本能够满足辐射源信号的识别要求。

Claims (9)

1.基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：
步骤一、数据预处理
1）将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；
2）对数据的标签进行独热编码；
3）将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱；
步骤二、神经网络提取特征
4）将处理好的数据输入到改进的网络模型中，优化器采用Adam，损失函数采用交叉熵损失函数，设置初始学习率为0.0001， 最大训练轮数为50轮；
5）设置学习率动态调整机制；
6）设置早停机制；
步骤4)中所述的网络模型，包括：
（1）数据依次经过卷积池化层1、正则化层1、卷积池化层2、正则化层2、卷积池化层3、正则化层3，通过大小为32，步长为5的卷积核对原始信号进行卷积处理；3个正则化层的系数分别为0.2、0.1、0.1；
（2）再经过卷积层4、5、6处理数据，他们通过大小为8，步长为5的卷积核对数据进行卷积处理，再通过全尺度跳过连接的方式进入到特征融合层1进行特征融合，融合后的数据依次经过卷积层7、批量归一化1、卷积层8，得到的新数据与卷积层4的数据、卷积层6的数据同时进入到特征融合层2进行融合；
（3）在特征融合层2后，数据依次进入注意力层、卷积池化层9、批量归一化2、正则化层4、平铺层、全连接层。
2.根据权利要求1所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的训练集、验证集、测试集比例为47：23：3。
3.根据权利要求2所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的数据的标签为：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4。
4.根据权利要求3所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的步骤5）中学习率最低为0.0000125。
5.根据权利要求1、2、3或4所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的早停机制：当验证集损失不再减小，经过5轮训练后仍没有得到改善，则终止训练。
6.根据权利要求5所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的卷积池化层为：卷积层后加最大池化层，最大池化层的大小为2，组成卷积—池化结构。
7.根据权利要求6所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的卷积层7、8、9是通过大小为8，步长为7的卷积核对数据进行卷积处理。
8.根据权利要求7所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：注意力机制，包括：1）信息的输入：用X=[X1,X2,…Xt-1，Xt]表示t个输入信息；2）计算注意力概率分布值a；3）根据注意力概率分布值a来计算输入信息的加权平均；
注意力机制的权重系数计算公式为：
;
上述公式中，et为输出向量kt所决定的注意力概率分布值；at为注意力机制对神经网络隐藏层输出的注意力概率分布值；mt为注意力机制在t时刻的输出，是将权重和相应的向量进行加权得到最后的注意力机制处理结果。
9.根据权利要求8所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的正则化层4系数为0.4。
CN202110407587.8A 2021-04-15 2021-04-15 基于改进UNet3+网络的雷达信号调制类型识别方法 Active CN113050042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110407587.8A CN113050042B (zh) 2021-04-15 2021-04-15 基于改进UNet3+网络的雷达信号调制类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110407587.8A CN113050042B (zh) 2021-04-15 2021-04-15 基于改进UNet3+网络的雷达信号调制类型识别方法

Publications (2)

Publication Number Publication Date
CN113050042A CN113050042A (zh) 2021-06-29
CN113050042B true CN113050042B (zh) 2023-08-15

Family

ID=76519514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110407587.8A Active CN113050042B (zh) 2021-04-15 2021-04-15 基于改进UNet3+网络的雷达信号调制类型识别方法

Country Status (1)

Country Link
CN (1) CN113050042B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113626960B (zh) * 2021-07-29 2022-06-14 南京信息工程大学 一种抗模式耦合少模信号复杂格式解析方法及装置
CN113516232B (zh) * 2021-08-10 2024-05-17 中国科学院空天信息创新研究院 一种基于自注意力机制的穿墙雷达人体姿态重构方法
CN113657491A (zh) * 2021-08-17 2021-11-16 中国人民解放军63892部队 一种用于信号调制类型识别的神经网络设计方法
CN113723353B (zh) * 2021-09-13 2023-12-12 上海交通大学 一种随机多径干扰条件下基于cbd网络的调制信号识别方法
CN113872904B (zh) * 2021-09-18 2023-07-21 北京航空航天大学 一种基于集成学习的多分类通信信号自动调制识别方法
CN113947151B (zh) * 2021-10-20 2024-05-24 嘉兴学院 一种海上复杂环境下的无线通信信号自动调制识别方法
CN114488217B (zh) * 2021-12-24 2022-11-18 中国人民解放军战略支援部队航天工程大学 基于深度学习的高轨卫星cei信号频率估计方法
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
CN114254680B (zh) * 2022-02-28 2022-05-17 成都大公博创信息技术有限公司 基于多特征信息的深度学习网络调制识别方法
CN114726692B (zh) * 2022-04-27 2023-06-30 西安电子科技大学 一种基于SEResNet-LSTM的辐射源调制方式识别方法
CN117992844B (zh) * 2024-01-29 2024-07-09 中国地质大学（武汉） 一种基于改进狼群算法的光电雷达信号分选方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020156028A1 (zh) * 2019-01-28 2020-08-06 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法
CN111913156A (zh) * 2020-08-05 2020-11-10 电子科技大学 基于深度学习模型与特征联合的雷达辐射源个体识别方法
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
CN112308008A (zh) * 2020-11-12 2021-02-02 电子科技大学 基于迁移学习的工作模式开集的雷达辐射源个体识别方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020156028A1 (zh) * 2019-01-28 2020-08-06 南京航空航天大学 一种基于深度学习的室外非固定场景天气识别方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN111913156A (zh) * 2020-08-05 2020-11-10 电子科技大学 基于深度学习模型与特征联合的雷达辐射源个体识别方法
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
CN112308008A (zh) * 2020-11-12 2021-02-02 电子科技大学 基于迁移学习的工作模式开集的雷达辐射源个体识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种深度学习的雷达辐射源识别方法;李昆;朱卫纲;;电子设计工程(第12期);全文 *

Also Published As

Publication number Publication date
CN113050042A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113050042B (zh) 基于改进UNet3+网络的雷达信号调制类型识别方法
CN110826630B (zh) 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN113657491A (zh) 一种用于信号调制类型识别的神经网络设计方法
CN109934269B (zh) 一种电磁信号的开集识别方法和装置
CN110689544A (zh) 一种遥感图像细弱目标分割方法
CN109002848B (zh) 一种基于特征映射神经网络的弱小目标检测方法
CN112764024B (zh) 基于卷积神经网络和Bert的雷达目标识别方法
CN112001306A (zh) 基于深度卷积对抗生成神经网络的脑电信号解码方法
CN114429156A (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN111832650B (zh) 基于生成对抗网络局部聚合编码半监督的图像分类方法
CN110175560A (zh) 一种雷达信号脉内调制识别方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
CN108280480B (zh) 一种基于残差共生概率的隐写图像载体安全性评价方法
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN110929842B (zh) 非合作无线电信号突发时间区域精确智能检测方法
CN109191418A (zh) 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN116482618B (zh) 基于多损失特征自校准网络的雷达有源干扰识别方法
CN109801305A (zh) 基于深度胶囊网络的sar图像变化检测方法
CN114675249A (zh) 基于注意力机制的雷达信号调制方式识别方法
CN115546638A (zh) 基于暹罗级联差分神经网络的变化检测方法
CN116433909A (zh) 基于相似度加权多教师网络模型的半监督图像语义分割方法
CN113989256A (zh) 遥感图像建筑物的检测模型优化方法及检测方法、装置
CN116894207A (zh) 一种基于Swin Transformer和迁移学习的智能辐射源识别方法
CN114970638A (zh) 雷达辐射源个体开集识别方法及系统

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
GR01 Patent grant
GR01 Patent grant