CN114510959A - 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统 - Google Patents
低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统 Download PDFInfo
- Publication number
- CN114510959A CN114510959A CN202111586648.8A CN202111586648A CN114510959A CN 114510959 A CN114510959 A CN 114510959A CN 202111586648 A CN202111586648 A CN 202111586648A CN 114510959 A CN114510959 A CN 114510959A
- Authority
- CN
- China
- Prior art keywords
- efficientnet
- network
- split
- frequency
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000011426 transformation method Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101150068906 snr-6 gene Proteins 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统,该方法包括:对不同调制方式的雷达信号进行仿真,加入高斯白噪声,并转化为时频图;以卷积层的参数量为依据对EfficientNet‑B0网络通道数按不同比例进行缩减,得到不同缩减比例对应的小型网络,将各小型网络进行并行运算,得到各分裂EfficientNet网络模型,对雷达信号调制方式进行分类识别。本发明通过缩减网络模型通道数实现参数量成倍缩减,得到的小型网络实现了相近识别率下复杂多类雷达信号的快速分类识别;通过分裂EfficientNet网络实现了在控制参数量的同时复杂多类雷达信号更低信噪比下更高的识别率。
Description
技术领域
本发明属于雷达信号调制方式识别技术领域,尤其涉及一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统。
背景技术
电子侦察中深度学习在雷达信号调制方式识别上的应用问题,国际上已经取得了一定的研究成果,但是仍然存在识别信号种类少,识别信号缺乏随机变化且易于区分,将信号转化为时频图时采用的时频分析方法难以清晰表征多种不同调制方式的雷达信号,应用于雷达信号分类识别的深度学习网络模型参数量大造成训练时间长,在低信噪比条件下识别效果不理想等问题。
发明内容
本发明针对低信噪比条件下复杂多类雷达信号调制方式识别率低,深度学习网络模型参数量大造成的训练时间长的问题,提出了一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统。相比于已有技术,本发明对多种不同调制方式的雷达信号进行仿真,选取更能清晰表征雷达信号特征的时频分析CTFD并在其基础上进行参数调优,并对深度学习网络模型EfficientNet-B0进行改进,通过缩减网络模型通道数实现参数量成倍缩减,得到的小型网络实现了相近识别率下复杂多类雷达信号的快速分类识别;通过EfficientNet小型网络并行运算得到的分裂EfficientNet模型实现了在控制参数量的同时复杂多类雷达信号更低信噪比下更高的识别率。
为了实现上述目的,本发明采用以下技术方案:
本发明一方面提出一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,包括:
步骤1:对不同调制方式的雷达信号进行仿真,并加入高斯白噪声模拟复杂电磁环境下的雷达信号;
步骤2:采用CTFD时频分析将模拟信号转化为时频图,并对时频图进行预处理;
步骤3:将处理后的时频图按照不同信噪比、不同调制方式批量生成,并将数据集划分为训练集、测试集和验证集;
步骤4:以卷积层的参数量为依据对EfficientNet-B0网络的通道数按不同比例进行缩减,得到不同缩减比例对应的各EfficientNet小型网络;
步骤5:将得到的不同缩减比例对应的各EfficientNet小型网络分别进行并行运算,得到不同缩减比例对应的分裂EfficientNet网络模型,将测试集输入训练后的各分裂EfficientNet网络模型中,分别对雷达信号调制方式进行分类识别。
进一步地,在所述步骤5之后,还包括:
通过验证集对各EfficientNet小型网络及各分裂EfficientNet网络模型进行识别验证。
进一步地,所述不同调制方式的雷达信号包括:单载频信号、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、频率编码信号以及复合调制信号。
进一步地,在采用CTFD时频分析将模拟信号转化为时频图时,CTFD时频分析参数为α=0.0005,β=0.01。
进一步地,所述对时频图进行预处理包括:
将时频图灰度化,对时频图进行膨胀腐蚀的开运算去除细长直线的噪声,再采用双三次插值变换将图像变换为固定大小的时频图以适用深度学习网络模型的输入大小。
进一步地,所述步骤4包括:
根据缩减通道数将EfficientNet-B0网络卷积层的参数量减少为原来的1/2、1/3、1/4、1/5、1/6,构造EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1。
进一步地,所述步骤5中,将得到的EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1分别进行并行运算,得到分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6。
进一步地,所述分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6在输入训练集时使用不同的图像变换方法。
本发明另一方面提出一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别系统,包括:
信号仿真模块,用于对不同调制方式的雷达信号进行仿真,并加入高斯白噪声模拟复杂电磁环境下的雷达信号;
时频转化模块,用于采用CTFD时频分析将模拟信号转化为时频图,并对时频图进行预处理;
数据集生成及划分模块,用于将处理后的时频图按照不同信噪比、不同调制方式批量生成,并将数据集划分为训练集、测试集和验证集;
网络拆分及训练模块,用于以卷积层的参数量为依据对EfficientNet-B0网络的通道数按不同比例进行缩减,得到不同缩减比例对应的各EfficientNet小型网络;
分类识别模块,用于将得到的不同缩减比例对应的各EfficientNet小型网络分别进行并行运算,得到不同缩减比例对应的分裂EfficientNet网络模型,将测试集输入训练后的各分裂EfficientNet网络模型中,分别对雷达信号调制方式进行分类识别。
进一步地,还包括:
识别验证模块,用于通过验证集对各EfficientNet小型网络及各分裂EfficientNet网络模型进行识别验证。进一步地,所述不同调制方式的雷达信号包括:单载频信号、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、频率编码信号以及复合调制信号。
进一步地,在采用CTFD时频分析将模拟信号转化为时频图时,CTFD时频分析参数为α=0.0005,β=0.01。
进一步地,所述对时频图进行预处理包括:
将时频图灰度化,对时频图进行膨胀腐蚀的开运算去除细长直线的噪声,再采用双三次插值变换将图像变换为固定大小的时频图以适用深度学习网络模型的输入大小。
进一步地,所述网络拆分及训练模块具体用于:
根据缩减通道数将EfficientNet-B0网络卷积层的参数量减少为原来的1/2、1/3、1/4、1/5、1/6,构造EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1。
进一步地,所述分类识别模块中,将得到的EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1分别进行并行运算,得到分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6。
进一步地,所述分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6在输入训练集时使用不同的图像变换方法。
与现有技术相比,本发明具有的有益效果:
本发明的雷达信号调制方式识别方法可实现更快速的分类识别且具有更高识别率。在将雷达信号转化为时频图时,选用CTFD时频分析且在其基础上更新参数,并对时频图进行膨胀腐蚀的开运算去噪处理,使时频图更能清晰表征雷达信号特征,以便深度网络模型更准确地分类识别;之后将EfficientNet-B0网络模型根据参数量成倍缩减构建EfficientNet小型网络,更有利于雷达信号的快速分类识别;再将多个小型网络模型并行运算构建分裂EfficientNet网络模型、分裂数寻优实现识别率的进一步提升。
附图说明
图1为本发明实施例一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法的流程图;
图2为本发明实施例不同时频分析的LFM信号时频图(SNR=-6dB);
图3为本发明实施例LFM信号原始时频图预处理(SNR=-6dB);
图4为本发明实施例EfficientNet-B0-Split3及EfficientNet-B0-Split3-1网络结构示意图;
图5为本发明实施例EfficientNet-B0网络结构不同分裂数识别率。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,包括:
步骤S101:对不同调制方式的雷达信号进行仿真,并加入高斯白噪声模拟复杂电磁环境下的雷达信号;
步骤S102:采用CTFD时频分析将模拟信号转化为时频图,并对时频图进行预处理;
步骤S103:将处理后的时频图按照不同信噪比、不同调制方式批量生成,并将数据集划分为训练集、测试集和验证集;
步骤S104:以卷积层的参数量为依据对EfficientNet-B0网络的通道数按不同比例进行缩减,得到不同缩减比例对应的各EfficientNet小型网络;实现了相近识别率下复杂多类雷达信号的快速分类识别;
步骤S105:将得到的不同缩减比例对应的各EfficientNet小型网络分别进行并行运算,得到不同缩减比例对应的分裂EfficientNet网络模型,将测试集输入训练后的各分裂EfficientNet网络模型中,分别对雷达信号调制方式进行分类识别;实现了在控制参数量的同时复杂多类雷达信号更低信噪比下更高的识别率。
具体地,步骤S101中,本发明通过matlab R2019对包括有单载频信号(SCS)、线性调频信号(LFM)、非线性调频信号(NLFM)、二相编码信号(BPSK)、多相编码信号(Frank,P1-P4和T1-T4)、频率编码信号(Costas)以及复合调制信号(频率编码与LFM复合调制FSK+LFM、频率编码与相位编码复合调制FSK+BPSK、LFM与相位编码复合调制LFM+BPSK)共17种不同调制方式的雷达信号进行仿真,并加入高斯白噪声模拟复杂电磁环境下的雷达信号。每种不同调制方式的信号参数设置范围如下表1所示,仿真信号采样频率为fs=400MHZ,脉宽为PW=2μs,U(a,b)表示信号参数在指定范围内均匀分布。为使仿真信号尽可能与实际战场信号相近,仿真时将信号的每个参数值设置为在指定范围内随机变化。
表1信号参数值范围
进一步地,步骤S102中,采用CTFD时频分析将信号转化为时频图,将时频图灰度化,再对时频图进行膨胀腐蚀的开运算去除细长直线的噪声,再采用双三次插值变换将图像变换为224×224大小的时频图以适用深度学习网络模型的输入大小。
利用深度神经网络实现雷达信号调制方式识别,首先需要生成能够清晰表征信号特性的图像作为网络的输入。目前常用的雷达信号时频分析方法有STFT、Wigner-Ville分布(Wigner-Ville Distibution,WVD)和CWD等。STFT算法简单,但是时域和频域分辨率不能同时兼顾,且抗噪性能差,这使得STFT在表征雷达信号特性方面效果相对较差。WVD和CWD都属于Cohen类时频分布,此类分布通过核函数时频偏移平滑来获得更高的分辨率和去除交叉项。Cohen类时频分布定义为
其中,
式(1)中,x(u)是接收到的信号,*表示共轭,AF(τ,v)是模糊函数,τ和v分别是时延和频移,φ(τ,v)是核函数,t和ω是时间和角频率。
式(1)中表明,Cohen类时频分布是用核函数滤波模糊函数后信号的二维Fourier变换。WVD是核函数φ(τ,v)=1时的Cohen类时频分布,它具有较好的时频分辨率,且运算量适中,但存在交叉项干扰严重的问题,导致在低信噪比条件下严重影响信号调制类型的识别。因此,在利用时频图进行信号识别时,需要在保留信号调制特性的同时尽量减少信号的交叉项。CWD可以抑制信号的交叉项,降低噪声,它的核函数为φ(τ,v)=exp[-(τv)2/σ],其中σ一般取值为1。然而,从CWD核函数的表达式可以看出,当τ=0或v=0时,φ(τ,v)=1,这表明CWD核函数对τ轴和v轴没有滤波作用,仍然存在交叉项的干扰。文献[1:Z.Qu,X.Mao,Z.Deng.Radar signal intra-pulse modulation recognition based on convolutionalneural network[J].IEEE Access,2018.6:43874-43884.]针对雷达调制信号主要出现在τ轴,而交叉项则远离τ轴的特点,设计了一种具有新的核函数的时频分析方法CTFD,达到了抑制信号的交叉项、降低噪声的目的。该核函数为:
式(2)中,α和β是调整核函数形状的两个参数。文献[1]中设置为α=0.0005,β=0.001。经过实验对比分析,本实施例选用参数α=0.0005,β=0.01时获得的时频图效果更好,时频聚集性更强,信号边界更为清晰,如图2所示。
为了减少深度神经网络输入维数,降低计算量,在识别前可对时频图预处理。考虑到对信号进行过多的预处理会损失信号原有的细微特征,将原始时频图像先灰度化处理减少输入通道数,再腐蚀膨胀进行开运算去除表现为特殊细长直线的进程噪声,最后利用双三次插值法将像素大小为800×800的时频图像转为224×224,以适应深度学习模型的输入要求。对LFM信号CTFD时频图的预处理实验如图3所示,第二行图像为第一行方框内部分的放大显示,可以清晰地看出进程噪声大幅降低。
具体地,步骤S103中,将处理过后的时频图按照不同信噪比、不同调制方式批量生成,从信噪比-12dB至4dB每2dB处取值,并将数据集划分为训练集、测试集和验证集。
根据17种信号的参数范围配置生成训练集、验证集和测试集。从信噪比-12dB到4dB每2dB间隔产生一组信号,每种类型的信号在每个信噪比取值处产生1600个样本,以5:2:3的比率将它们分为训练集、验证集和测试集。因此,训练集包含17×800×9=122400个样本,验证集包含17×320×9=48960个样本,测试集包含17×480×9=73400个样本。
具体地,步骤S104中,网络的拆分以卷积层的参数量为依据,下式为一个卷积层参数量的计算方法
P=K2×Cin×Cout(3)
式(3)中,P为一个卷积层的参数量,K为使用大小为K×K的卷积核,Cin为输入通道数,Cout为输出通道数,如果有偏置还需再加一个Cout,但是一般相对于卷积运算可以忽略不计。
网络宽度与特征矩阵深度,即卷积核个数有关,由式(3)可知卷积运算的参数量几乎与网络宽度的平方(w2)成正比,因此对输入输出通道数进行调整来切分网络。根据参数量将通道数缩减为原来的构造出小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1,具体通道数如下:
EfficientNet-B0:[32,16,24,40,80,112,192,320,1280];
EfficientNet-B0-Split2-1:[24,12,16,28,56,80,136,224,920];
EfficientNet-B0-Split3-1:[20,12,16,24,48,64,112,184,740];
EfficientNet-B0-Split4-1:[16,12,16,20,40,56,96,160,640];
EfficientNet-B0-Split5-1:[16,12,16,20,40,56,96,160,640];
EfficientNet-B0-Split6-1:[16,12,16,20,40,56,96,160,640]。
使用训练集进行训练,缩减通道数后的小型网络参数量成倍缩减,但识别率仅少量降低,缩减通道数后的小型网络模型更有利于雷达信号的快速分类识别;以EfficientNet-B0-Split3-1为例,图4中虚框内即为EfficientNet-B0-Split3-1网络结构图。
通过切分后的小型网络并行运算构建分裂EfficientNet网络。首先将切分后的小型网络在输入训练数据时使用不同的图像变换方法,包括随机调整大小、裁剪、翻转、平移、旋转、随机擦除等,通过筛选两两组合得到十组(指随机调整大小、裁剪、翻转、平移、旋转、随机擦除等这几种图像变换方法,两两组合有十几种,在其中挑选出效果比较好的十组来使用),在数据扩充时随机选取,这样小型网络便可以在不同的数据视图下学习和训练。在每个小型网络并行运算得出结果后,通过联合训练损失函数和总体目标函数,综合计算每个小型网络的结果得出最终分类结果。其中对于联合训练损失函数计算方法和总体目标函数如下公式所示:
采用上述方法构建分裂EfficientNet网络模型。以将参数量缩减为1/3为例,由式(3)知更改后每阶段通道数变为原来的因此每阶段通道数由[32,16,24,40,80,112,192,320,1280]缩减为[20,12,16,24,48,64,112,184,740],命名为网络EfficientNet-B0-Split3-1。然后将三个Split3-1网络并行运算,利用Transformers库学习不同数据视图,计算出每个小型网络的预测概率并求平均实现分类,即为网络模型EfficientNet-B0-Split3,图4即为EfficientNet-B0-Split3的网络结构图,虚框内即为小型网络EfficientNet-B0-Split3-1的网络结构图。保持参数量几乎不变的前提下网络结构分别分裂为2、3、4、5、6个,分别得到网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6,具体地,EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1是参数量缩减为EfficientNetB0的1/2,1/3,1/4,1/5,1/6得到的小型网络。EfficientNet-B0-Split2是两个EfficientNet-B0-Split2-1并行运算构成的分裂网络,EfficientNet-B0-Split3是三个EfficientNet-B0-Split3-1并行运算构成的分裂网络,同样方法构建出分裂EfficientNet网络EfficientNet-B0-Split4至EfficientNet-B0-Split6,之后对比每种分裂数网络模型确定EfficientNet-B0-Split3识别率最高。EfficientNet-B0-Split2至EfficientNet-B0-Split6对应的网络结构通道数分别为:
EfficientNet-B0-Split2:[24,12,16,28,56,80,136,224,920];
EfficientNet-B0-Split3:[20,12,16,24,48,64,112,184,740];
EfficientNet-B0-Split4:[16,12,16,20,40,56,96,160,640];
EfficientNet-B0-Split5:[16,12,16,20,40,56,96,160,640];
EfficientNet-B0-Split6:[16,12,16,20,40,56,96,160,640]。
通过对比识别率(图5)发现分裂为3时识别率达到最高,在EfficientNet-B0的基础上进一步提升了识别率。
进一步地,在所述步骤S105之后,还包括:
通过验证集对各EfficientNet小型网络及各分裂EfficientNet网络模型进行识别验证;
通过测试集对分裂EfficientNet网络模型进行分裂数寻优。
具体地,使用验证集对网络EfficientNet-B0、EfficientNet-B0-Split2至EfficientNet-B0-Split6进行识别验证,图5是信噪比分别为-12dB、-10dB、-8dB、-6dB时不同分裂数对应的识别率,分裂数为1即为EfficientNet-B0。可以看出信噪比为-8dB及-6dB时分裂数为1至4的识别率相差很小,信噪比为-10dB、-12dB时分裂数为3的网络结构识别率最高。说明小型网络数量的增加有利于信号分类识别,尤其是低信噪比条件下,但是随着网络数量的增加识别率降低,对于EfficientNet-B0网络结构最优拆分小型网络数量为3。
表2为不同网络模型识别率对比,小型网络模型EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1参数量成倍缩减的情况下识别率仅小幅降低,更利于雷达信号的快速分类识别;而多个小型网络并行运算且经过分裂数寻优得到的分裂网络EfficientNet-B0-Split3与EfficientNet-B0相比识别率进一步提升。
表2识别率与复杂度分析
在上述实施例的基础上,本发明还提出一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别系统,包括:
信号仿真模块,用于对不同调制方式的雷达信号进行仿真,并加入高斯白噪声模拟复杂电磁环境下的雷达信号;
时频转化模块,用于采用CTFD时频分析将模拟信号转化为时频图,并对时频图进行预处理;
数据集生成及划分模块,用于将处理后的时频图按照不同信噪比、不同调制方式批量生成,并将数据集划分为训练集、测试集和验证集;
网络拆分及训练模块,用于以卷积层的参数量为依据对EfficientNet-B0网络的通道数按不同比例进行缩减,得到不同缩减比例对应的各EfficientNet小型网络;
分类识别模块,用于将得到的不同缩减比例对应的各EfficientNet小型网络分别进行并行运算,得到不同缩减比例对应的分裂EfficientNet网络模型,将测试集输入训练后的各分裂EfficientNet网络模型中,分别对雷达信号调制方式进行分类识别。
进一步地,还包括:
识别验证模块,用于通过验证集对各EfficientNet小型网络及各分裂EfficientNet网络模型进行识别验证。
进一步地,所述不同调制方式的雷达信号包括:单载频信号、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、频率编码信号以及复合调制信号。
进一步地,在采用CTFD时频分析将模拟信号转化为时频图时,CTFD时频分析参数为α=0.0005,β=0.01。
进一步地,所述对时频图进行预处理包括:
将时频图灰度化,对时频图进行膨胀腐蚀的开运算去除细长直线的噪声,再采用双三次插值变换将图像变换为固定大小的时频图以适用深度学习网络模型的输入大小。
进一步地,所述网络拆分及训练模块具体用于:
根据缩减通道数将EfficientNet-B0网络卷积层的参数量减少为原来的1/2、1/3、1/4、1/5、1/6,构造EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1。
进一步地,所述分类识别模块中,将得到的EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1分别进行并行运算,得到分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6。
进一步地,所述分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6在输入训练集时使用不同的图像变换方法。
综上,本发明的雷达信号调制方式识别方法可实现更快速的分类识别且具有更高识别率。在将雷达信号转化为时频图时,选用CTFD时频分析且在其基础上更新参数,并对时频图进行膨胀腐蚀的开运算去噪处理,使时频图更能清晰表征雷达信号特征,以便深度网络模型更准确地分类识别;之后将EfficientNet-B0网络模型根据参数量成倍缩减构建EfficientNet小型网络,更有利于雷达信号的快速分类识别;再将多个小型网络模型并行运算构建分裂EfficientNet网络模型、分裂数寻优实现识别率的进一步提升。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,包括:
步骤1:对不同调制方式的雷达信号进行仿真,并加入高斯白噪声模拟复杂电磁环境下的雷达信号;
步骤2:采用CTFD时频分析将模拟信号转化为时频图,并对时频图进行预处理;
步骤3:将处理后的时频图按照不同信噪比、不同调制方式批量生成,并将数据集划分为训练集、测试集和验证集;
步骤4:以卷积层的参数量为依据对EfficientNet-B0网络的通道数按不同比例进行缩减,得到不同缩减比例对应的各EfficientNet小型网络;
步骤5:将得到的不同缩减比例对应的各EfficientNet小型网络分别进行并行运算,得到不同缩减比例对应的分裂EfficientNet网络模型,将测试集输入训练后的各分裂EfficientNet网络模型中,分别对雷达信号调制方式进行分类识别。
2.根据权利要求1所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,在所述步骤5之后,还包括:
通过验证集对各EfficientNet小型网络及各分裂EfficientNet网络模型进行识别验证。
3.根据权利要求1所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,所述不同调制方式的雷达信号包括:单载频信号、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、频率编码信号以及复合调制信号。
4.根据权利要求1所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,在采用CTFD时频分析将模拟信号转化为时频图时,CTFD时频分析参数为α=0.0005,β=0.01。
5.根据权利要求1或3所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,所述对时频图进行预处理包括:
将时频图灰度化,对时频图进行膨胀腐蚀的开运算去除细长直线的噪声,再采用双三次插值变换将图像变换为固定大小的时频图以适用深度学习网络模型的输入大小。
6.根据权利要求1所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,所述步骤4包括:
根据缩减通道数将EfficientNet-B0网络卷积层的参数量减少为原来的1/2、1/3、1/4、1/5、1/6,构造EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1。
7.根据权利要求6所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,所述步骤5中,将得到的EfficientNet小型网络EfficientNet-B0-Split2-1至EfficientNet-B0-Split6-1分别进行并行运算,得到分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6。
8.根据权利要求7所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法,其特征在于,所述分裂EfficientNet网络模型EfficientNet-B0-Split2至EfficientNet-B0-Split6在输入训练集时使用不同的图像变换方法。
9.一种低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别系统,其特征在于,包括:
信号仿真模块,用于对不同调制方式的雷达信号进行仿真,并加入高斯白噪声模拟复杂电磁环境下的雷达信号;
时频转化模块,用于采用CTFD时频分析将模拟信号转化为时频图,并对时频图进行预处理;
数据集生成及划分模块,用于将处理后的时频图按照不同信噪比、不同调制方式批量生成,并将数据集划分为训练集、测试集和验证集;
网络拆分及训练模块,用于以卷积层的参数量为依据对EfficientNet-B0网络的通道数按不同比例进行缩减,得到不同缩减比例对应的各EfficientNet小型网络;
分类识别模块,用于将得到的不同缩减比例对应的各EfficientNet小型网络分别进行并行运算,得到不同缩减比例对应的分裂EfficientNet网络模型,将测试集输入训练后的各分裂EfficientNet网络模型中,分别对雷达信号调制方式进行分类识别。
10.根据权利要求9所述的低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别系统,其特征在于,还包括:
识别验证模块,用于通过验证集对各EfficientNet小型网络及各分裂EfficientNet网络模型进行识别验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586648.8A CN114510959B (zh) | 2021-12-21 | 2021-12-21 | 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586648.8A CN114510959B (zh) | 2021-12-21 | 2021-12-21 | 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114510959A true CN114510959A (zh) | 2022-05-17 |
CN114510959B CN114510959B (zh) | 2024-09-20 |
Family
ID=81547334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111586648.8A Active CN114510959B (zh) | 2021-12-21 | 2021-12-21 | 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114510959B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5557320A (en) * | 1995-01-31 | 1996-09-17 | Krebs; Mark | Video mail delivery system |
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
US20180308013A1 (en) * | 2017-04-24 | 2018-10-25 | Virginia Tech Intellectual Properties, Inc. | Radio signal identification, identification system learning, and identifier deployment |
CN112101463A (zh) * | 2020-09-17 | 2020-12-18 | 成都数之联科技有限公司 | 图像语义分割网络训练方法、分割方法、分割装置和介质 |
CN112287784A (zh) * | 2020-10-20 | 2021-01-29 | 哈尔滨工程大学 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
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 |
WO2021096324A1 (en) * | 2019-11-14 | 2021-05-20 | Samsung Electronics Co., Ltd. | Method for estimating depth of scene in image and computing device for implementation of the same |
CN113111871A (zh) * | 2021-04-21 | 2021-07-13 | 北京金山数字娱乐科技有限公司 | 文本识别模型的训练方法及装置、文本识别方法及装置 |
CN113205107A (zh) * | 2020-11-02 | 2021-08-03 | 哈尔滨理工大学 | 一种基于改进高效率网络的车型识别方法 |
CN113343796A (zh) * | 2021-05-25 | 2021-09-03 | 哈尔滨工程大学 | 一种基于知识蒸馏的雷达信号调制方式识别方法 |
CN115936100A (zh) * | 2022-12-12 | 2023-04-07 | 深圳大学 | 用于模式识别基于压缩激励注意力的神经网络剪枝方法 |
-
2021
- 2021-12-21 CN CN202111586648.8A patent/CN114510959B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5557320A (en) * | 1995-01-31 | 1996-09-17 | Krebs; Mark | Video mail delivery system |
US20180308013A1 (en) * | 2017-04-24 | 2018-10-25 | Virginia Tech Intellectual Properties, Inc. | Radio signal identification, identification system learning, and identifier deployment |
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
WO2021096324A1 (en) * | 2019-11-14 | 2021-05-20 | Samsung Electronics Co., Ltd. | Method for estimating depth of scene in image and computing device for implementation of the same |
CN112101463A (zh) * | 2020-09-17 | 2020-12-18 | 成都数之联科技有限公司 | 图像语义分割网络训练方法、分割方法、分割装置和介质 |
CN112287784A (zh) * | 2020-10-20 | 2021-01-29 | 哈尔滨工程大学 | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 |
CN113205107A (zh) * | 2020-11-02 | 2021-08-03 | 哈尔滨理工大学 | 一种基于改进高效率网络的车型识别方法 |
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 |
CN113111871A (zh) * | 2021-04-21 | 2021-07-13 | 北京金山数字娱乐科技有限公司 | 文本识别模型的训练方法及装置、文本识别方法及装置 |
CN113343796A (zh) * | 2021-05-25 | 2021-09-03 | 哈尔滨工程大学 | 一种基于知识蒸馏的雷达信号调制方式识别方法 |
CN115936100A (zh) * | 2022-12-12 | 2023-04-07 | 深圳大学 | 用于模式识别基于压缩激励注意力的神经网络剪枝方法 |
Non-Patent Citations (2)
Title |
---|
李钦等: "低信噪比下基于分裂 EfficientNet 网络的雷达信号调制方式识别", 电子学报, vol. 51, no. 3, 31 March 2023 (2023-03-31) * |
耿丽丽;牛保宁;: "深度神经网络模型压缩综述", 计算机科学与探索, no. 09, 31 December 2020 (2020-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN114510959B (zh) | 2024-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
CN109684995A (zh) | 基于深度残差网络的特定辐射源识别方法及装置 | |
CN109932699A (zh) | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 | |
CN111507047B (zh) | 一种基于SP-CUnet的逆散射成像方法 | |
CN108804736A (zh) | 一种多自由度调频信号设计及优化的方法和装置 | |
CN109597048B (zh) | 基于二维卷积神经网络的米波雷达doa估计方法 | |
CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
Wei et al. | Intra-pulse modulation radar signal recognition based on Squeeze-and-Excitation networks | |
CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
Li et al. | Automatic modulation classification based on bispectrum and CNN | |
CN117192548A (zh) | 基于深度展开的稀疏isar高分辨成像方法 | |
Delamou et al. | Deep learning-based estimation for multitarget radar detection | |
CN113569773A (zh) | 基于知识图谱和Softmax回归的干扰信号识别方法 | |
CN110954862A (zh) | 一种稀疏贝叶斯框架下基于全局窄带模型的辐射源直接定位方法 | |
Cun et al. | Specific emitter identification based on eye diagram | |
CN114510959A (zh) | 低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别方法及系统 | |
CN109541567B (zh) | 基于深度学习的高速机动目标检测方法 | |
CN114330441B (zh) | 一种基于时频谱和迁移学习的水声janus信号识别方法与系统 | |
CN114200421B (zh) | 一种多频段子带信号融合方法 | |
CN112731327B (zh) | 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法 | |
CN115600085A (zh) | 一种基于fsst2和卷积神经网络的雷达信号脉内调制识别方法 | |
CN110082730A (zh) | 一种离散相位的mimo雷达波形设计方法 | |
Wang et al. | Enhancing time‐frequency resolution via deep‐learning framework | |
CN118275986B (zh) | 一种基于深度学习的端到端车载毫米波雷达干扰抑制方法及系统 | |
CN116381631B (zh) | 一种基于多通道的超宽带目标模拟方法 |
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 |