CN114675249A - 基于注意力机制的雷达信号调制方式识别方法 - Google Patents

Abstract

基于注意力机制的雷达信号调制方式识别方法，通过长短时记忆网络提取信号原始数据信号特征，根据注意力机制为学习到的特征分配权重，最后，分类器根据学习到的特征输出分类结果。利用Python语言的PyTorch框架对模型进行代码实现。通过对常见信号雷达信号体制进行过仿真实验，可以看出该算法的预测准确率较高，稳定性好，表明了此模型对常见雷达信号调制方式识别是具有可行性和有效性的。

Description

基于注意力机制的雷达信号调制方式识别方法

技术领域

本发明涉及雷达信号调制方式识别的技术领域，尤其涉及基于注意力机制的雷达信号调制方式识别方法的技术领域。

背景技术

雷达信号调制方式识别是雷达信号处理方向的一个重要分支，主要包括基于传统算法识别与基于深度学习算法识别两大部分，近几年来发展速度十分快。基于传统算法的雷达信号识别主要是利用特征提取算法提取有效的信号时域、频域以及时频域特征，然后利用分类器对特征分类，进而实现雷达信号的识别。张葛祥等学者提出了一种基于相像系数的雷达信号特征提取算法，然后利用神经网络对其进行分类，实验结果表明，对9类典型雷达信号的识别平均准确率为99.33％；张葛祥等学者还提出了一种在大信噪比范围内提取雷达辐射源信号复杂性特征的新方法，并利用径向基概率神经网络(RBPNN)对不同的雷达辐射源信号进行识别，仿真结果表明，该方法在大范围信噪比变化情况下具有较高的平均识别率，具有较好的应用价值。朱健东等学者提出了一种基于时频分析技术提取瞬时频率的雷达调制方式识别算法，针对雷达信号的识别问题,提出了一种利用Choi-Williams时频图像处理的雷达识别技术，实验结果表明，通过时频分析技术进行扩维，针对相似以及难识别的雷达信号类型，既可以提升识别准确率，又可以提升识别精度。刘康宁使用时频分析法对于复杂雷达调制信号，通过识别其时频分布熵特征、瞬时频率级联特征实现了对复杂雷达调制信号的识别。张忠民等学者针对在雷达信号脉内调制方式识别领域遇到对于低信噪比环境下识别率低的问题,提出了一种基于分数阶傅里叶变换(FRFT)和循环谱的雷达信号识别方法，经实验验证，该方法在信噪比大于2dB时，总体识别率达到90％以上。

近几年，伴随着深度学习技术高速发展，其算法思想在雷达信号识别领域得到了广泛的应用。Ma,Zhiyuan等学者针对大多数低截获雷达信号的非平稳特性，提出了一种具有两种不同特征提取结构的多特征图像联合决策模型，通过对11种雷达信号进行仿真，生成训练集和测试集，验证该模型在信噪比为-6dB时，该方法的整体识别准确率达到87.7％。Jingpeng Gao等学者提出了一种雷达辐射源信号的精确识别系统。该系统可以有效地分离多个信号，准确地识别二进制相移键控(BPSK)、线性调频(LFM)、连续波(CW)、Costas、Frank码和P1到P4码。仿真结果表明，当信噪比为0dB时，单信号识别率可达96.23％，双信号识别率可达72％。石礼盟等学者针对复杂电磁环境下传统方法对雷达信号调制方式识别率低的问题，提出了一种基于深层神经网络的识别方法。仿真实验证明，相较于传统的识别方法，该方法在识别率和抗噪声能力等方面表现优异。刘括然学者提出基于长短时记忆网络(LSTM)模型对雷达辐射源进行识别分类方法，通过仿真实现对辐射源的识别，结果表明构建的LSTM模型识别辐射源的效果很好，平均识别率达93.2％。刘钇壮学者提出了一种基于双时频分析和深度神经网络的雷达智能识别算法，通过仿真实验证明该算法有较高识别率和较快的识别速度。

传统的机器学习方法在处理雷达信号调试方式识别时，很难处理时序问题，因为雷达信号往往都是发射机根据预先设置的调制方式然后按照时序依次产生的，所以使用传统的机器学习方法识别雷达信号调制方式效率较低。在基于深度学习的雷达信号调制方式识别中，LSTM是一种用于处理时序数据的神经网络模型，长短时记忆网络深度学习模型在基于特征的自动调制分类技术中得到了广泛的应用，许多学者利用该模型进行信号特征的提取，实现雷达辐射源分类及调制方式识别。但LSTM模型的时间性能会随着输入数据规模的增大显著下降，而雷达信号数据量往往较大。

发明内容

本发明提供了一种基于注意力机制的LSTM网络模型的雷达信号调制方式识别算法，该算法通过长短时记忆网络提取信号原始数据信号特征，根据注意力机制为学习到的特征分配权重，最后，分类器根据学习到的特征输出分类结果。

一种基于注意力机制的雷达信号调制方式识别方法，包括如下步骤：

步骤1：对雷达时序信号特征进行标注，然后按照一定的比例将雷达信号数据区分为训练集、测试集并进行数据预处理；

步骤2：使用Pytorch构建LSTM神经网络模型，初始化模型中的节点数量、学习率等超参数；

步骤3：将训练集中的样本按照一定数量切分成为几个批次，随机选取一个批次送入LSTM神经网络开展训练；

步骤4：LSTM神经网络层对输入的多个批次中的数据进行特征提取，再交给Attention层进行注意力权重计算，最后在全连接层输出识别的结果；

步骤5：将本网络模型识别结果和实际结果的标签数据一一对照，对训练集的识别准确率进行计算，若达到设定的标准，则转为下面的步骤，否则，根据交叉熵损失函数计算本次网络训练的损失，并进行LSTM的网络参数更新，再转入步骤3；

步骤6：把预处理后的测试集输入到训练好的基于Attention机制的LSTM网络模型中，计算测试集的预测准确率，评估识别效果。若识别率未收敛，则转入步骤2，直到对于测试集的识别率趋于收敛。

优选的是，本发明通过在神经元加入遗忘门f、输入门i、内部记忆单元c、输出门o，使得该网络结构在处理长序列数据存在一定的优势，减轻梯度消失和爆炸现象的发生；输入门i决定了输入时刻t存留到内部记忆单元的状态C_t的数量，遗忘门f决定上一时刻内部记忆单元的状态C_t-1存留到当前时刻C_t的数量，由输出门和单元状态C_t计算LSTM的输出H_t；

当输入雷达序列为时X＝[x₁,x₂,…,x_k]，则LSTM的更新公式为：

i_t＝σ(W_i·[H_t-1,x_t]+b_i) (1)

o_t＝σ(W_o·[H_t-1,x_t]+b_o) (2)

f_t＝σ(W_f·[H_t-1,x_t]+b_f) (3)

在上式中，i_t表示在时刻t时的输入，H_t-1表示在t-1时刻隐藏状态，x_t表示t时刻输入信息，o_t表示t时刻的内部输出，f_t表示t时刻的遗忘门，tanh(·)表示双曲正切函数，H_t表示最终输出，σ(·)表示Sigmoid激活函数，b表示对应的偏置，W表示对应的权重。

优选的是，本发明假设雷达序列x₁,x₂,…,x_k，根据LSTM产生的隐藏层特征H＝[h₁,h₂,…,h_k]构建注意力机制的输入，H∈R^d×k，

u_i＝tanhσ(W_sh_i+b_s)

其中：i∈[1，k]u_i表示第i个神经元的输出，W_s表示权重，h_i表示第i个隐含层输入，b_s表示偏置向量，表示第i个神经元输出所占比重，d表示隐藏层的长度；K表示输入数据的数量；这里，注意力权重矩阵用a表示，特征矩阵用V表示。

雷达信号调制方式识别是电子对抗侦察中的重要内容，本文建立了一种基于注意力机制的长短时记忆模型用来进行雷达信号调制方式识别，利用Python语言的PyTorch框架对模型进行代码实现。通过对常见信号雷达信号体制进行过仿真实验，可以看出该算法的预测准确率较高，稳定性好，表明了此模型对常见雷达信号调制方式识别是具有可行性和有效性的。

附图说明

图1是本发明雷达信号调制方式识别方法的算法结构框图。

图2是隐藏层不同节点数对正确率影响对比示意图。

图3是隐藏层不同节点数对损失值影响对比示意图。

图4是训练集和测试集的正确率变化曲线示意图。

图5是隐藏层不同节点数对损失值影响对比示意图。

具体实施方式

基于注意力机制的雷达信号调制方式识别方法，包括如下步骤：

步骤1：对雷达时序信号特征进行标注，然后按照一定的比例将雷达信号数据区分为训练集、测试集并进行数据预处理；

步骤2：使用Pytorch构建LSTM神经网络模型，初始化模型中的节点数量、学习率等超参数；

LSTM网络模型的主要优点是在处理具有时间序列特征的输入数据时，学习效果较好。标准LSTM网络模型，对于时序数据的分析识别比传统循环神经网络效率要高，对于传统神经网络容易出现的长期记忆能力不足的问题有较大的改善，LSTM可以处理长序列的输入数据。

通过在神经元加入遗忘门f、输入门i、内部记忆单元c、输出门o，使得该网络结构在处理长序列数据存在一定的优势，减轻梯度消失和爆炸现象的发生；输入门i决定了输入时刻t存留到内部记忆单元的状态C_t的数量，遗忘门f决定上一时刻内部记忆单元的状态C_t-1存留到当前时刻C_t的数量，由输出门和单元状态C_t计算LSTM的输出H_t；

当输入雷达序列为时X＝[x₁,x₂,…,x_k]，则LSTM的更新公式为：

i_t＝σ(W_i·[H_t-1,x_t]+b_i) (1)

o_t＝σ(Wo·[H_t-1,x_t]+bo) (2)

f_t＝σ(W_f·[H_t-1,x_t]+b_f) (3)

在上式中，i_t表示在时刻t时的输入，H_t-1表示在t-1时刻隐藏状态，x_t表示t时刻输入信息，o_t表示t时刻的内部输出，f_t表示t时刻的遗忘门，tanh(·)表示双曲正切函数，H_t表示最终输出，σ(·)表示Sigmoid激活函数，b表示对应的偏置，W表示对应的权重。

步骤3：将训练集中的样本按照一定数量切分成为几个批次，随机选取一个批次送入LSTM神经网络开展训练；

步骤4：LSTM神经网络层对输入的多个批次中的数据进行特征提取，再交给Attention层进行注意力权重计算，最后在全连接层输出识别的结果；

在深度学习模型中加入Attention机制用来提升模型学习效率，该机制参考了人脑识别事物的特点，就是对于事物的显著特征进行重点关注，而对于不重点的特征则根据其不重要程度较少关注，该机制可以将注意力放到需要重点关注的重要地方，从而实现抓住重点特征，提高工作效率。其本质是一组权重值分布，权重大的特征在雷达信号调制方式识别过程中发挥的作用会更加显著。对于起到“显著”作用的特征增加注意力，可以有效提高识别效果。本文将使用经过LSTM模型处理后的雷达信号特征数据H_t作为输入数据输入到Attention层。

假设雷达序列x₁,x₂,…,x_k，根据LSTM产生的隐藏层特征H＝[h₁,h₂,…,h_k]构建注意力机制的输入，H∈R^d×k，

u_i＝tanhσ(W_sh_i+b_s)

其中：i∈[1，k]，u_i表示第i个神经元的输出，W_s表示权重，h_i表示第i个隐含层输入，b_s表示偏置向量，表示第i个神经元输出所占比重，d表示隐藏层的长度；K表示输入数据的数量；这里，注意力权重矩阵用a表示，特征矩阵用V表示。

步骤5：将本网络模型识别结果和实际结果的标签数据一一对照，对训练集的识别准确率进行计算，若达到设定的标准，则转为下面的步骤，否则，根据交叉熵损失函数计算本次网络训练的损失，并进行LSTM的网络参数更新，再转入步骤3；

步骤6：把预处理后的测试集输入到训练好的基于Attention机制的LSTM网络模型中，计算测试集的预测准确率，评估识别效果。若识别率未收敛，则转入步骤2，直到对于测试集的识别率趋于收敛。

实验采用的雷达辐射源信号特征数据集是通过仿真产生的，选择了CW、BPSK、PSK、LFM、NLFM五种典型雷达信号调制方式，信噪比范围广，能较真实地模拟5种典型雷达调制信号特征。仿真数据集的具体参数见表1。

表1雷达信号数据集的参数

实验结果和分析

在仿真实验过程中，将样本随机打乱，为了验证基于Attention机制的LSTM网络的学习效率，以信噪比为-5dB的CW，BPSK，PSK，LFM，NLFM五种调制类型为输入数据，使用的实验平台参数为：Core(TM)i7-10750H CPU@2.60GHz的处理器；NVIDIA Quadro P5000；内存32GB。

为了合理地设置网络隐藏节点数据，分别设置隐藏层的节点数为60、120、180、240、300、360测试该模型的正确率和损失值，模型参数如下表2所示：

表2基于Attention机制的LSTM网络参数

隐藏层不同节点数对正确率、损失值的仿真结果如下图2、图3所示。根据仿真结果可以发现，隐藏层的节点数量对正确率和损失值具有一定有影响，随着隐藏节点数的增加，训练20轮之前基于注意力机制的LSTM网络收敛速度明显高于节点少的；在训练20轮之后，隐藏层节点数为60、120的网络的正确率收敛速度不断增加，隐藏层节点数为120的网络的损失值收敛速度不断增加；训练40轮后，算法趋于收敛，隐藏层节点数为60、120的网络的正确率最高，隐藏层节点数为120的网络的损失值最小。综合以上参数，本文使用隐藏层节点数为120。

根据以上参数，基于Attention机制的LSTM网络模型在不同参数下的损失值和正确率的变化的实验结果如图4、图5所示。从图4、图5的实验结果可以看出随着网络训练的迭代次数的增加，识别率不断提高，训练集的和测试集分别稳定在97.5％和98.0％左右，而训练集的和测试集损失值也稳定在0.08％和0.09％左右。

为了验证基于Attention机制的LSTM网络在学习信号原始特征时是否较CNN、LSTM具有优势，对信噪比范围-15～15dB的信号使用本文提出算法的运行10次，记录平均识别准确率如下表3所示：

表3 3种算法在不同信噪比下的识别准确率

可以看出基于Attention机制的LSTM网络模型在对不同信噪比的雷达信号进行识别时，总体识别准确率比CNN模型、基本LSTM要有明显提高，证实了本文提出的基于Attention机制的LSTM网络模型对雷达信号调制方式有较高的分类准确率。

进一步分析三种算法的效率，统计使用3种算法对信噪比为-5dB的雷达数据进行识别，平均训练50轮所需时间如下表4所示。

表4 3种算法的训练50轮所需时间

综上可以看出本文所设计的基于注意力机制的LSTM算法，识别效率要高于传统LSTM方法。

Claims (3)

1.一种基于注意力机制的雷达信号调制方式识别方法，其特征在于包括如下步骤：

步骤1：对雷达时序信号特征进行标注，然后按照一定的比例将雷达信号数据区分为训练集、测试集并进行数据预处理；

步骤2：使用Pytorch构建LSTM神经网络模型，初始化模型中的节点数量、学习率等超参数；

步骤3：将训练集中的样本按照一定数量切分成为几个批次，随机选取一个批次送入LSTM神经网络开展训练；

步骤4：LSTM神经网络层对输入的多个批次中的数据进行特征提取，再交给Attention层进行注意力权重计算，最后在全连接层输出识别的结果；

步骤5：将本网络模型识别结果和实际结果的标签数据一一对照，对训练集的识别准确率进行计算，若达到设定的标准，则转为下面的步骤，否则，根据交叉熵损失函数计算本次网络训练的损失，并进行LSTM的网络参数更新，再转入步骤3；

步骤6：把预处理后的测试集输入到训练好的基于Attention机制的LSTM网络模型中，计算测试集的预测准确率，评估识别效果。若识别率未收敛，则转入步骤2，直到对于测试集的识别率趋于收敛。

2.根据权利要求1所述的雷达信号调制方式识别方法，其特征在于上述步骤2的具体过程为：

通过在神经元加入遗忘门f、输入门i、内部记忆单元c、输出门o，使得该网络结构在处理长序列数据存在一定的优势，减轻梯度消失和爆炸现象的发生；输入门i决定了输入时刻t存留到内部记忆单元的状态C_t的数量，遗忘门f决定上一时刻内部记忆单元的状态C_t-1存留到当前时刻C_t的数量，由输出门和单元状态C_t计算LSTM的输出H_t；

当输入雷达序列为时X＝[x₁,x₂,…,x_k]，则LSTM的更新公式为：

i_t＝σ(W_i·[H_t-1，x_t]+b_i) (1)

o_t＝σ(W_o·[H_t-1，x_t]+b_o) (2)

f_t＝σ(W_f·[H_t-1，x_t]+b_f) (3)

在上式中，i_t表示在时刻t时的输入，H_t-1表示在t-1时刻隐藏状态，x_t表示t时刻输入信息，o_t表示t时刻的内部输出，f_t表示t时刻的遗忘门，tanh(·)表示双曲正切函数，H_t表示最终输出，σ(·)表示Sigmoid激活函数，b表示对应的偏置，W表示对应的权重。

3.根据权利要求2所述的雷达信号调制方式识别方法，其特征在于上述步骤4的具体过程为：

假设雷达序列x₁,x₂,…,x_k，根据LSTM产生的隐藏层特征H＝[h₁,h₂,…,h_k]构建注意力机制的输入，H∈R^d×k，

u_i＝tanhσ(W_sh_i+b_s)

∑_ia_i＝1

其中：i∈[1，k]，u_i表示第i个神经元的输出，W_s表示权重，h_i表示第i个隐含层输入，b_s表示偏置向量，表示第i个神经元输出所占比重，d表示隐藏层的长度；K表示输入数据的数量；这里，注意力权重矩阵用a表示，特征矩阵用V表示。

Images