CN114936570A - 基于轻量化cnn网络的干扰信号智能识别方法 - Google Patents

Abstract

本发明公开了一种基于轻量化CNN网络的干扰信号智能识别方法，包括以下步骤：利用距离多普勒处理获得目标及干扰信号的距离多普勒图像；采用滑窗变换、归一化技术对距离多普勒图像进行重塑；采用基于距离多普勒信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进，缩小模型尺寸和存储空间。本发明改进后的SqueezeNet网络参数量降为经典SqueezeNet网络的1/30，节省了大量模型训练时间，保存的权重和网络模型占有更小的内存，使之更适合嵌入式系统，并且每种干扰信号的识别率能够达到95％以上，在干扰识别的硬件存储方面有很好的应用前景。

Description

基于轻量化CNN网络的干扰信号智能识别方法

技术领域

本发明涉及干扰信号智能识别的技术领域，特别是涉及一种基于轻量化CNN网络的干扰 信号智能识别方法。

背景技术

近年来卷积神经网络的发展越来越迅速，从11层的AlexNet到16层的VGGNet，再到22层的GoogLeNet、152层的ResNet等等，它的模型效果越来越好，但模型结构越来越复 杂，对FPGA这种嵌入式系统很不友好。轻量化网络的出现有效地解决了网络模型参数多、 训练成本高等问题，且能达到良好的识别精度。

目前有一种无监督和轻型CNN的SAR图像目标识别方法，通过对MSTAR数据集的测试，该方法在分类任务中获得了满意的准确率，有效地实现了无监督目标检测。还有一种基于一种深度卷积神经网络的SqueezeNet模型的导航干扰识别方法，与Jian Li基于脉宽、调频 斜率和带宽比三种分类特征识别调制型导航信号干扰的方法相比，在相同的0dB干扰噪声比 下，识别精度提高了约15％，但是目前基于轻量化CNN网络的干扰识别研究相对较少。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于距离多普勒和改进的轻量化网络 SqueezeNet模型的复杂干扰信号识别方法。

本发明的目的是通过以下技术方案来实现的：基于轻量化CNN网络的干扰信号智能识别 算法，包括以下步骤：

S1：利用距离多普勒(Range-Doppler，RD)处理获得目标及干扰信号的RD图像；

S2：采用滑窗变换、归一化等技术对RD图像进行重塑；

S3：采用基于RD信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进，缩小模 型尺寸和存储空间。

其中，干扰信号是指几种典型的雷达主瓣有源欺骗干扰信号包括前沿复制干扰、间歇采 样转发干扰、密集假目标和距离速度波门拖引干扰。

所述欺骗干扰具有与雷达回波相似的特征，它们是由数字射频存储器(DRFM)产生。

优选地，所述步骤S1中，获得RD图像的过程包括：距离压缩、距离徙动矫正和方位压 缩。

其中，所述距离压缩是一个匹配滤波的过程，对目标回波信号与原始发射信号分别进行 傅里叶变换，相乘之后再进行傅里叶反变换，包括：

设目标回波信号的表达式为：

s₀(τ,η)＝A₀ω_r(τ-2R(η)/c)ω_a(η-η_c)*exp{-j4πf₀R(η)/c}·exp{jπK_r(τ-2R(η)/c)²}

其中，A₀为信号幅度；τ为近距方位时间；f₀为雷达中心频率；K_r为调频斜率；R(η)为距离；ω_r(τ)为距离包络；ω_a(η)为方位包络；η为近距方位时间；η_c为波束中心偏离时间；

将原始发射信号的傅里叶变换作为匹配滤波器H(f)，记为：

距离压缩的输出为:

s_rc(τ,η)＝IFFT{s₀(f_τ,η)H(f_τ)}

＝A₀p_r(τ-2R(η)/c)ω_a(η-η_c)·exp{-j4πf₀R(η)/c}

其中，S₀(f_τ,η)为目标回波信号的傅里叶变换，IFFT即为傅里叶反变换。

优选地，距离表示为:

距离压缩信号表示为:

s_rc(τ,η)＝A₀p_r[τ-2R(η)/c]ω_a(η-η_c)·exp{-j4πf₀R₀/c}exp{jπ2V_r ²η²/(λR₀)}。

方位FFT之后的信号:

进行方位向压缩前需进行距离徙动矫正：

矫正之后的信号为：

距离徙动矫正是将S₁(τ,f_η)中R_rd(f_η)进行矫正，从而获得矫正后的信号S₂(τ,f_η)。

方位压缩处理也可通过匹配滤波实现：

其中K_a＝2V_r ²/(λR₀)。

矫正后的信号经过方位压缩和IFFT后即可得到最终结果为：

目标回波信号经过距离压缩、距离徙动矫正和方位压缩之后，得到处理结果的表达式。

目标回波信号加入干扰后，经过距离压缩、距离徙动矫正和方位压缩，得到的结果即为 获得距离多普勒图像。

优选地，步骤S2中所述的滑窗变换是指由于距离多普勒图像数据点数较多，为减小数据 规模，先对输入图像做降维处理，预定区域的获取采用图像滑窗裁剪的方法：

设线性调频信号的斜率为k，斜线区域上下两侧的点(n₀,m₀)、(n₁,m₁)，则预定区域为：

A_r＝A(k(j-n₀)+m₀:k(j-n₁)⁺m₁,j)

其中A和A_r分别是裁剪前后的图像矩阵，1≤j≤N_s，N_s为一个周期的采样点数，滑窗变 换的输入图像即目标回波信号的距离多普勒图像。

步骤S2中所述归一化处理的目的是将输入数据(滑窗裁剪后的图像)的数值范围统一在 一个固定范围，这里本算法将其转化为0～1之间。

优选地，步骤S3中所述的距离多普勒信息尺寸是指信号经距离多普勒处理后，包含当前 距离和多普勒频率信息的最小图像；统一有效信息尺寸是指同时能够覆盖目标及干扰的距离 多普勒信息尺寸的最小图像；

后四个fire模块剪枝

本发明中目标及干扰经距离多普勒处理后，统一有效信息尺寸大小仅为1024×4，经矩阵 维度转换后，输入信号图像的尺寸为64×64，生成的总训练样本数为3750，即本发明使用的 样本图像尺寸小，数据集小，需适当对fire模块剪枝以降低模型空间复杂度和测试时发生过 拟合的可能性。经多次试验，删除后四个fire模块拥有相对较好的识别效果。

Maxpool8层剪枝

卷积模块输出大小计算公式：

N_conv＝(W_conv-F_conv+2P_conv)/S_conv+1

池化层输出大小计算公式：

N_pool＝(W_pool-F_pool)/S_pool+1

其中，N_*代表输出图像尺寸大小，W_*代表输入图像，即滑窗变换和归一化得到的距离多 普勒图像，尺寸大小，F_*代表卷积核大小，P_*代表padding填充，S_*指步长；

通过上述公式可以计算出经卷积层和池化层后输出的图像的尺寸，输入图像即滑窗变换 和归一化得到的距离多普勒图像，输出图像尺寸应大于距离多普勒信息尺寸，即有：

N_*×N_*≥w_*×h_*

其中，w_*、h_*分别指目标及干扰的距离多普勒信息尺寸的宽和高。

优选地，步骤S3中所述的通道剪枝是指去除特征映射上的冗余通道，尽可能的减少卷积 核的通道数，通过下式实现：

subject to||β||₀≤c'

其中，c为通道数，M指有/无目标及干扰的样本个数，β_i是第i个信道的标量掩码，即是 否去掉整个信道，W_i指第i个卷积核，X指第i个原始输入特征图即归一化后的数据图像，Y为 原始输出特征图，后半部为剪枝后的输出特征图，目的是在尽可能剪枝的情况下，保持剪枝 后目标及干扰的特征图和原始网络输出的特征图的差距最小；限制项为‖β‖₀，c′为一个超参 数，表示我们希望剪枝的最小剪枝数，式中β＝0时，对应的输入层失效，达到剪枝的效果。

步骤S3中所述SqueezeNet网络工作具体步骤为:

步骤1：将预处理后的雷达信号与复杂干扰信号距离多普勒图，即滑窗裁剪、归一化处 理后的图像，输入卷积层，利用卷积特性提取图像的特征信息；然后通过ReLU函数层和最 大池化层去除图像中的冗余特征，保留图像中更详细的信息；

步骤2：将得到的特征图输入fire模块，上一层fire模块输出的特征图作为下一层fire模 块的输入8个fire模块后，输出feature map；

步骤3：将特征图输入到随机丢失层dropout，并将50％隐层节点的值设为零，以减少隐 藏层节点的交互，防止过拟合的发生；

步骤4：最后，经过卷积层、ReLU函数层和全局平均池化层，采用softmax对干扰信号 类型进行分类，得到最终结果。

可以根据图与文字结合，先是对目标及干扰信号仿真并对其进行处理，生成样本集，再 使用轻量化网络进行识别，采用基于距离多普勒信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进，缩小模型尺寸和存储空间。

本发明具备以下增益效果：

本发明提出了基于改进轻量级网络模型SqueezeNet的雷达信号识别方法，利用人工智能 实现高精度复杂干扰信号识别，虽然每次处理的结果都具有一定的随机性，但证明了卷积神 经网络用于识别干扰类型的有效性，并且改进后的SqueezeNet网络参数量降为经典 SqueezeNet网络的1/30，节省了大量模型训练时间，保存的权重和网络模型占有更小的内存， 使之更适合嵌入式系统，并且每种干扰信号的识别率能够达到95％以上，在干扰识别的硬件 存储方面有很好的应用前景。

附图说明

图1基于CNN的干扰识别算法流程图。

图2为具体实施方式中所述信号经过图像预处理之后生成的样本图像的若干情形图。

图3为具体实施方式中所述基于距离多普勒处理的样本图像生成流程图。

图4为具体实施方式中所述目标及干扰的RD信息尺寸图。

图5为具体实施方式中所述间歇采样转发干扰特征图可视化示意图。

图6为具体实施方式中所述改进前后SqueezeNet网络模型示意图。

图7为仿真实验中基于改进前后轻量化SqueezeNet的训练和验证示意图。

图8为仿真实验中基于改进前后SqueezeNet的混淆矩阵示意图。

图9为仿真实验中5到39dB之间每种信噪比下测试样本的识别率图。

图10为仿真实验中5到39dB之间每种信噪比下各种雷达信号的识别率图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所 述。

本文针对CNN网络模型体积大、训练成本高等问题，提出了基于距离多普勒(Range-Doppler，RD)和改进的轻量化网络SqueezeNet模型的复杂干扰信号识别算法。利用改进的SqueezeNet模型提取干扰信号RD图像的深度特征，应用于典型干扰信号的智能识别。与经典SqueezeNet模型的比较，本发明在轻量化、识别速度与准确率等方面都有更好的效果，具体地：

如图1所示，基于轻量化CNN网络的干扰信号智能识别方法，包括以下步骤：

S1：利用距离多普勒(RD)处理获得目标及干扰信号的RD图像；

在具体实施中，RD图像生成有三个核心步骤：距离压缩、距离徙动矫正和方位压缩。

在具体实施中，所述步骤S1中，获得RD图像的过程包括：距离压缩、距离徙动矫正和 方位压缩。

其中，所述距离压缩是一个匹配滤波的过程，对目标回波信号与原始发射信号分别进行 傅里叶变换，相乘之后再进行傅里叶反变换，包括：

设目标回波信号的表达式为：

s₀(τ,η)＝A₀ω_r(τ-2R(η)/c)ω_a(η-η_c)*exp{-j4πf₀R(η)/c}·exp{jπK_r(τ-2R(η)/c)²}

其中，A₀为信号幅度；τ为近距方位时间；f₀为雷达中心频率；K_r为调频斜率；R(η)为距离；ω_r(τ)为距离包络；ω_a(η)为方位包络；η为近距方位时间；η_c为波束中心偏离时间；

将原始发射信号的傅里叶变换作为匹配滤波器H(f)，记为：

距离压缩的输出为:

s_rc(τ,η)＝IFFT{s₀(f_τ,η)H(f_τ)}

＝A₀p_r(τ-2R(η)/c)ω_a(η-η_c)·exp{-j4πf₀R(η)/c}

其中，S₀(f_τ,η)为目标回波信号的傅里叶变换，IFFT即为傅里叶反变换。

优选地，距离表示为:

距离压缩信号表示为:

s_rc(τ,η)＝A₀p_r[τ-2R(η)/c]ω_a(η-η_c)·exp{-j4πf₀R₀/c}exp{jπ2V_r ²η²/(λR₀)}。

方位FFT之后的信号:

进行方位向压缩前需进行距离徙动矫正：

矫正之后的信号为：

此时，距离包络p_r与方位频率无关，表示RCMC已经得到精确矫正，而且此时的能量集 中在τ＝2R₀/c处。

在具体实施中，方位压缩处理也可通过匹配滤波实现：

式中K_a＝2V_r ²/(λR₀)。

经过方位压缩和IFFT后即可得到最终结果为：

目标回波信号经过距离压缩、距离徙动矫正和方位压缩之后，得到处理结果的表达式。 目标回波信号加入干扰后，经过距离压缩、距离徙动矫正和方位压缩，得到的结果即为 获得距离多普勒图像。

S2：采用滑窗变换、归一化等技术对RD图像进行重塑；

本发明使用距离多普勒算法获取目标及干扰信号的距离多普勒图。信号经RD处理后的 图像尺寸较大、矩阵数值范围不统一，需要对其进行重塑。

在具体实施中，步骤S2中所述的滑窗变换是指由于距离多普勒图像数据点数较多，为减 小数据规模，先对输入图像做降维处理，预定区域的获取采用图像滑窗裁剪的方法：

设线性调频信号的斜率为k，斜线区域上下两侧的点(n₀,m₀)、(n₁,m₁)，则预定区域为：

A_r＝A(k(j-n₀)+m₀:k(j-n₁)+m₁,j)

其中A和A_r分别是裁剪前后的图像矩阵，1≤j≤N_s，N_s为一个周期的采样点数，滑窗变 换的输入图像即目标回波信号的距离多普勒图像。

在具体实施中，归一化处理的目的是将输入数据(滑窗裁剪后的图像)的数值范围统一 在一个固定范围，这里本算法将其转化为0～1之间。

若特征间具有不同的数值范围，梯度更新时，会来回震荡，经过较长的时间才能达到局 部最优值或全局最优值。为了解决该模型问题，我们需要归一化数据，确保不同的特征具有 相同的值范围，这样梯度下降可以很快的收敛。

原始RD图像尺寸冗余，选择合理大小的滑动窗口截取RD图像。本文选择1024×4的窗 口对整个原始图像滑窗处理，可获得无效/有效距离和速度范围内的目标及干扰RD图像，之 后对获得的图像进行维度转换和数据归一化，从而得到重塑的样本图像。

本实验针对多类信号样本，首先获得距离多普勒图像，然后滑窗截取干扰最大时延范围 内的数据，最后通过图像预处理操作得到最终的样本图像。图3显示了基于距离多普勒处理 的样本图像生成流程图。

在具体实施中，本发明选取信号脉宽为10us，带宽为50MHz，采样率为50MHz作为典型系统参数，仿真中信噪比为25dB，干噪比为30dB作为场景参数。图2中分别展示了信号 经过图像预处理之后生成的样本图像的若干情形。其中，预处理之后的图像尺寸1024×4，然后将其转化为64×64的矩阵。

图2中：图(a)为真实目标的样本图，图(b)为无目标与干扰的样本图，图(c)为距离速 度波门拖引的样本图，图(d)、(e)、(f)为不同切片宽度、多普勒频率下的前沿复制转发干扰 的样本图，图(g)、(h)、(i)为不同时延、多普勒频率下间歇采样转发干扰的样本图，图(j)、 图2(k)、图2(l)为不同密集假目标个数、多普勒频率下的密集假目标样本图，图(m)、(n)、(o)、 (p)为部分目标干扰复合信号样本图。

由图2可知，目标与干扰的距离多普勒图之间的确存在明显的差异，其可以用来刻画干 扰与目标之间的特征差异。

S3：采用基于RD信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进，缩小模 型尺寸和存储空间。

在具体实施中，本文针对目标及干扰信号的RD图像特征，采用网络剪枝的方式对经典 SqueezeNet网络作出改进。

为了有效表征目标及干扰信号的RD图像，本发明对RD信息尺寸和统一有效信息尺寸 进行分别定义。统一有效信息尺寸是指同时能够覆盖目标及干扰的RD信息尺寸的最小图像。 以图2为例，统一有效信息尺寸大小仅为1024×4。RD信息尺寸是指信号经RD处理后，包 含当前距离和多普勒频率信息的最小图像。

图4显示的是图2中距离为1000，多普勒频率为1750的目标及干扰的RD信息尺寸图。

本发明中，目标及干扰经RD处理后，统一有效信息尺寸大小仅为1024×4，经矩阵维度 转换后，输入信号图像的尺寸为64×64，生成的总训练样本数为3750，即本发明使用的样本 图像尺寸小，数据集小，需适当对fire模块剪枝以降低模型空间复杂度和测试时发生过拟合 的可能性。经多次试验，删除后四个fire模块拥有相对较好的识别效果。

卷积模块和池化层输出大小计算公式为：

N_conv＝(W_conv-F_conv+2P_conv)/S_conv+1

N_pool＝(W_pool-F_pool)/S_pool+1

其中，N_*代表输出图像尺寸大小，W_*代表输入图像尺寸大小，F_*代表卷积核大小，P_*代 表padding填充，S_*指步长。通过上述公式可以计算出经卷积层和池化层后输出的图像的尺 寸。输出图像尺寸应大于RD信息尺寸，即有：

N_*×N_*≥w_*×h_*

其中，w_*、h_*分别指目标及干扰的RD信息尺寸的宽和高。网络最后输出的特征图像素需 不小于目标及干扰的RD信息尺寸像素，才能提取到相对完整的特征图的信息。

以图4为例，图中w_T×h_T＝2×2，w_FC×h_FC＝7×2,w_IS×h_IS＝10×2,w_IFT×h_IFT＝5×2， w_RVGPO×h_RVGPO＝5×2。样本图像初始尺寸为64×64，步长为2。据式(27)和式(28)，经一次卷积 和两次池化后，输出的特征图尺寸为8×8，如图5(a)。继续下采样，特征图尺寸变为4×4，即 每个特征图只包含16个像素的信息，如图5(b)。由于w_IS×h_IS＞16，导致间歇采样转发干扰的 部分信息损失，此干扰的识别率受到影响，所以删掉第三个最大池化层，同时将Maxpool4 放在靠后的位置，延迟网络下采样的时间，使较大的特征图都保持在网络的后面以获得较高 的识别率。

在具体实施中，通道剪枝是指去除特征映射上的冗余通道，如何选择剪枝的卷积核通道 数是本措施的重点。通过最小化裁剪后特征图和裁剪前特征图之间的误差，尽可能的减少卷 积核的通道数：

subject to||β||₀≤c'

其中，c为通道数，M指有/无目标及干扰的样本个数，β_i是第i个信道的标量掩码(即是否 去掉整个信道)，W_i指第i个卷积核，X指第i个原始输入特征图，Y为原始输出特征图，后半部 为剪枝后的输出特征图，本公式的目的是在尽可能剪枝的情况下，保持剪枝后目标及干扰的 特征图和原始网络输出的特征图的差距最小。限制项为‖β‖₀，c′为一个超参数，表示我们希 望剪枝的最小剪枝数，式中β＝0时，对应的输入层失效，达到剪枝的效果。

改进前的SqueezeNet模型如图6(a)所示。

本发明减少了fire2/3/4层s1×1，e1×1和e3×3卷积核的输入通道数。1×1卷积核是3×3 卷积核参数量的1/9，为最大限度减少模型参数量，在保持使用1×1卷积核的基础上，减少每 层fire模块3×3卷积核的通道数，本发明减少各层的卷积核的个数具体图6(b)所示。

对比改进前后SqueezeNet网络模型的可训练参数数目如表1所示：

表1 SqueezeNet网络和原网络具体参数对比

可以看出改进后的SqueezeNet模型参数是原网络的1/30，能够极大地减少计算量和内存 需求，使之更适合部署在资源有限的嵌入式平台上。

通过上述具体实施方式，完成如下仿真实验：

本发明通过实验仿真验证和分析了基于轻量化CNN模型的干扰识别算法的有效性。由于 真实目标与干扰信号的参数范围较大，因此本实验针对不同切片宽度、距离时延以及多普勒 频率等参数，仿真了多种不同组合参数下的目标及干扰样本，其仿真参数如表2所示。

表2实验参数

按照表中的干扰模型参数产生七种雷达接收信号，分别为无目标及干扰、目标回波信号、 前沿复制转发干扰、间歇采样转发干扰、密集假目标、距离速度拖引干扰和目标干扰复合信 号。

为了训练和评估模型，将训练集按9:1的比例重新分配成训练集和验证集，其中训练集 有3375个，验证集有375个。设置模型初始学习率0.00085，Batch Size＝128，使用3750个 训练集样本对它们进行训练，改进前的SqueezeNet网络的训练总时长约为173.2669s，改进 后的SqueezeNet网络训练总时长约132.9086s。

图7是基于改进前后的轻量化SqueezeNet模型训练集和验证集的识别率曲线与损失曲线。

如图7所示，随着迭代次数的增加，基于改进前后SqueezeNet的损失误差收敛很快，并 且识别达到较好的效果，验证识别准确率均可达到95％以上。训练完成后，保存的改进后的 网络模型与权重占用内存更小，调用训练保存下来的模型及权重，对未知类型的干扰、目标 加干扰进行测试，改进前的SqueezeNet测试每张图片需43.6ms，整体识别准确率约96.85％， 改进后的SqueezeNet测试每张图片需36.1ms，整体识别准确率可达99.73％。经实验分析可 知，本发明网络的训练速度、测试识别速度更快，测试识别率也更高。这正是由于SqueezeNet 网络采用小卷积核代替大卷积核，提取到更深层次的图像特征，删除部分fire模块，适当减 少卷积核个数，从而加快了网络的计算速度。

图8给出了基于改进前后的SqueezeNet的混淆矩阵，其中0、1、2、3、4、5、6分别对应七种信号：无目标、目标回波、前沿复制转发干扰、间歇采样转发干扰、密集假目标、距 离速度联合拖引和目标干扰复合信号。在基于改进前的SqueezeNet识别中，39个间歇采样转发干扰误分类为目标干扰复合信号，79个间歇采样转发干扰样本误分类为前沿复制转发干扰； 在基于改进后的SqueezeNet识别中，有4个密集假目标干扰误分类为前沿复制转发干扰，6 个密集假目标干扰误分类为目标干扰复合信号。也就是说，改进前的SqueezeNet对间歇采样 转发干扰的识别效果不是特别好，但其他类型的干扰信号都能被正确识别，改进后的 SqueezeNet对各种信号的识别效果都非常好，对密集假目标的识别也仅仅只有2.33％的错误 率。

图9给出了25到39dB之间每种信噪比下测试样本的识别率，本发明的网络的测试识别 率在每种信噪比下都明显优于经典的SqueezeNet的识别率。

图10给出了每种信噪比下各种雷达信号的识别率，可以看出在低于32dB时，各干扰信 号及目标都能被准确识别，大于32dB时，密集假目标的识别率稍有变动，但其识别效果仍 在95％以上，其他信号也都能被准确识别。

以上实施方式仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方 式。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，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的改进和润饰，这些改进和润饰也应视 为本发明的保护范围。

Claims (10)

1.基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：包括以下步骤：

S1.利用距离多普勒处理获得目标及干扰信号的距离多普勒图像；

S2.采用滑窗变换、归一化技术对距离多普勒图像进行重塑；

S3.采用基于距离多普勒信息尺寸的隐层和通道剪枝措施对SqueezeNet网络进行改进，缩小模型尺寸和存储空间。

2.根据权利要求1所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：所述步骤S1中，获得距离多普勒图像的过程包括：距离压缩、距离徙动矫正和方位压缩。

3.根据权利要求2所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：所述距离压缩是一个匹配滤波的过程，对目标回波信号与原始发射信号分别进行傅里叶变换，相乘之后再进行傅里叶反变换，包括：

设目标回波信号的表达式为：

s₀(τ,η)＝A₀ω_r(τ-2R(η)/c)ω_a(η-η_c)*exp{-j4πf₀R(η)/c}·exp{jπK_r(τ-2R(η)/c)²}

其中，A₀为信号幅度；τ为近距方位时间；f₀为雷达中心频率；K_r为调频斜率；R(η)为距离；ω_r(τ)为距离包络；ω_a(η)为方位包络；η为近距方位时间；η_c为波束中心偏离时间；

将原始发射信号的傅里叶变换作为匹配滤波器H(f)，记为：

距离压缩的输出为:

s_rc(τ,η)＝IFFT{s₀(f_τ,η)H(f_τ)}

＝A₀p_r(τ-2R(η)/c)ω_a(η-η_c)·exp{-j4πf₀R(η)/c}

其中，S₀(f_τ,η)为目标回波信号的傅里叶变换，IFFT即为傅里叶反变换。

4.根据权利要求2所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：所述距离徙动矫正包括：

距离表示为:

距离压缩信号表示为:

s_rc(τ,η)＝A₀p_r[τ-2R(η)/c]ω_a(η-η_c)·exp{-j4πf₀R₀/c}exp{jπ2V_r ²η²/(λR₀)}。

方位FFT之后的信号:

进行方位向压缩前需进行距离徙动矫正：

矫正之后的信号为：

5.根据权利要求2所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：所述方位压缩通过匹配滤波实现：

其中K_a＝2V_r ²/(λR₀)；

矫正后的信号经过方位压缩和IFFT后最终结果为：

目标回波信号经过距离压缩、距离徙动矫正和方位压缩之后，得到处理结果的表达式；

目标回波信号加入干扰后，经过距离压缩、距离徙动矫正和方位压缩，得到的结果即为获得距离多普勒图像。

6.根据权利要求1所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：步骤S2中所述的滑窗变换是指由于距离多普勒图像数据点数较多，为减小数据规模，先对输入图像做降维处理，预定区域的获取采用图像滑窗裁剪的方法：

设线性调频信号的斜率为k，斜线区域上下两侧的点(n₀,m₀)、(n₁,m₁)，则预定区域为：

A_r＝A(k(j-n₀)+m₀:k(j-n₁)+m₁,j)

其中A和A_r分别是裁剪前后的图像矩阵，1≤j≤N_s，N_s为一个周期的采样点数，滑窗变换的输入图像即目标回波信号的距离多普勒图像。

7.根据权利要求1所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：步骤S2中所述归一化处理的目的是将输入数据，即滑窗裁剪后的图像的数值范围统一在一个固定范围0～1之间。

8.根据权利要求1所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：步骤S3中所述的距离多普勒信息尺寸是指信号经距离多普勒处理后，包含当前距离和多普勒频率信息的最小图像；统一有效信息尺寸是指同时能够覆盖目标及干扰的距离多普勒信息尺寸的最小图像；

后四个fire模块剪枝

本发明中目标及干扰经距离多普勒处理后，统一有效信息尺寸大小仅为1024×4，经矩阵维度转换后，输入信号图像的尺寸为64×64，生成的总训练样本数为3750，即本发明使用的样本图像尺寸小，数据集小，需适当对fire模块剪枝以降低模型空间复杂度和测试时发生过拟合的可能性。经多次试验，删除后四个fire模块拥有相对较好的识别效果。

Maxpool8层剪枝

卷积模块输出大小计算公式：

N_conv＝(W_conv-F_conv+2P_conv)/S_conv+1

池化层输出大小计算公式：

N_pool＝(W_pool-F_pool)/S_pool+1

其中，N_*代表输出图像尺寸大小，W_*代表输入图像，即滑窗变换和归一化得到的距离多普勒图像，尺寸大小，F_*代表卷积核大小，P_*代表padding填充，S_*指步长；

通过上述公式可以计算出经卷积层和池化层后输出的图像的尺寸，输入图像即滑窗变换和归一化得到的距离多普勒图像，输出图像尺寸应大于距离多普勒信息尺寸，即有：

N_*×N_*≥w_*×h_*

其中，w_*、h_*分别指目标及干扰的距离多普勒信息尺寸的宽和高。

9.根据权利要求1所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：步骤S3中所述的通道剪枝是指去除特征映射上的冗余通道，尽可能的减少卷积核的通道数，通过下式实现：

subject to||β||₀≤c'

其中，c为通道数，M指有/无目标及干扰的样本个数，β_i是第i个信道的标量掩码，即是否去掉整个信道，W_i指第i个卷积核，X指第i个原始输入特征图即归一化后的数据图像，Y为原始输出特征图，后半部为剪枝后的输出特征图，目的是在尽可能剪枝的情况下，保持剪枝后目标及干扰的特征图和原始网络输出的特征图的差距最小；限制项为‖β‖₀，c′为一个超参数，表示我们希望剪枝的最小剪枝数，式中β＝0时，对应的输入层失效，达到剪枝的效果。

10.根据权利要求1所述的基于轻量化CNN网络的干扰信号智能识别方法，其特征在于：步骤S3中所述SqueezeNet网络工作具体步骤为:

步骤1：将预处理后的雷达信号与复杂干扰信号距离多普勒图，即滑窗裁剪、归一化处理后的图像，输入卷积层，利用卷积特性提取图像的特征信息；然后通过ReLU函数层和最大池化层去除图像中的冗余特征，保留图像中更详细的信息；

步骤2：将得到的特征图输入fire模块，上一层fire模块输出的特征图作为下一层fire模块的输入8个fire模块后，输出feature map；

步骤3：将特征图输入到随机丢失层dropout，并将50％隐层节点的值设为零，以减少隐藏层节点的交互，防止过拟合的发生；

步骤4：最后，经过卷积层、ReLU函数层和全局平均池化层，采用softmax对干扰信号类型进行分类，得到最终结果。

Images