一种用于信号调制类型识别的神经网络设计方法技术

本发明专利技术涉及雷达辐射源识别技术领域，公开的一种用于信号调制类型识别的神经网络设计方法，包括：基于U形体系结构的UNet3+网络、注意力机制，注意力机制是将训练的重点放到比较重要的信息之上机制；并且将5层级的UNet3+网络删减为3层级，降低网络的复杂度，并在unet3+结构后接注意力层，注意力层对需要关注的特征分配更多的注意力资源，忽略不重要的特征，进一步提高网络的识别能力。本发明专利技术能够改进模型的识别准确率达到96.63%，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。境。境。

【技术实现步骤摘要】
一种用于信号调制类型识别的神经网络设计方法


[0001]本专利技术涉及雷达辐射源识别
，尤其涉及一种用于信号调制类型识别的神经网络设计方法。

技术介绍

[0002]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、频域等角度的与雷达数据库对比，能够较为准确地识别雷达信号。如利用条件证据理论，提出了一种融合先验信息的雷达辐射源识别方法；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。
[0003]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。如提出利用修正的Rife算法得到较精确的载频和频率偏移量，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。如提出一种向量神经网络并将其用于雷达辐射源识别，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。
>[0004]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；如利用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。

技术实现思路

[0005]针对以上传统辐射源信号识别方法往往需要进行人工特征提取、在低信噪比条件下难以准确识别信号的技术问题，本专利技术提供一种用于信号调制类型识别的神经网络设计方法。
[0006]为实现上述专利技术目的，本专利技术采用如下技术方案：
[0007]一种用于信号调制类型识别的神经网络设计方法，包括：
[0008]1)UNet3+网络，UNet3+网络是基于UNet网络设计的一种新的网络结构，UNet的整
体结构是先编码，下采样；再解码，上采样；通过多尺度的方式提取信息进行识别，UNet3+网络的结构是一种基于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，以节点X2De，第2层级的解码层为基础，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；
[0009]2)注意力机制，注意力机制Attention mechanism是将训练的重点放到比较重要的信息之上，忽视掉不重要信息；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；其具体实现步骤如下：
[0010]一是信息的输入：用x＝[x1，x2…
x
t
‑1，x
t
]表示t个输入信息；
[0011]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：
[0012]e
t
＝u tanh(ωk
t
+b)
ꢀꢀꢀ
(1)
[0013][0014]上述公式中，e
t
为输出向量k
t
所决定的注意力概率分布值；u和ω为权重系数；b为偏置系数；a
t
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；m
t
为注意力机制在t时刻的输出；
[0015]3)改进UNet3+模型及训练流程，将5层级的UNet3+网络删减为3层级，降低网络的复杂度，并在unet3+结构后接注意力层，注意力层对需要关注的特征分配更多的注意力资源，忽略不重要的特征，进一步提高网络的识别能力；
[0016]3.1网络结构，改进UNet3+网络结构，包括：一维卷积神经网络(convolutional neural network，CNN)，通过32个长度为5的卷积核对原始信号进行卷积处理，同时在每个CNN层后加最大池化层，最大池化层的大小都为2，组成“卷积—池化”结构，在每个“卷积—池化”结构后加正则化层，防止过拟合现象，3个正则化层的系数分别为0.2、0.1、0.1。
[0017]这些结构作为网络的特征提取器，进行特征提取；再经过卷积层4、5、6处理数据，他们通过8个长度为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行特征融合，
[0018]其中卷积层7、8、9是通过8个长度为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绿色虚线框内的注意力层，批量归一化(Batch Normalization，BN)层后接的正则化层系数为0.4，最后使用softmax函数将特征映射到代表8类信号的离散空间里；
[0019]3.2训练流程，其具体实施步骤如下：
[0020]Step1数据预处理。将原始数据集截成长度为1024
[0021]Step2添加标签。对数据的标签进行独热编码。
[0022]Step3建立数据集。将数据按0.47：0.23：0.3的比例分为训练集、验证集、测试集，并将其随机打乱。
[0023]Step4训练网络。将训练样本输入到网络模型中。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。
[0024]Step5设置学习率动态调整机制。网络训练时，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。
[0025]Step6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。
[0026]由于采用如上所述的技术方案，本专利技术具有如下优越性
[0027]本专利技术一种用于信号调制类型识别的神经网络设计方法，引入UNet3+
[11]网络对辐射源信号进行识别。UNet3+网络能自主学习和提取信号特征，避免了人为选择特征的不完备性，能适应更多类型的信号，通过全尺度的跳过连接，将数据的深层特征和浅层特征进行融合
[12]，拥有较高的识别准确率。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于信号调制类型识别的神经网络设计方法，其特征是：包括：1)UNet3+网络，UNet3+网络是基于UNet网络设计的一种新的网络结构，UNet的整体结构是先编码，下采样；再解码，上采样；通过多尺度的方式提取信息进行识别，UNet3+网络的结构是一种基于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，以节点X2De，第2层级的解码层为基础，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；2)注意力机制，注意力机制Attention mechanism是将训练的重点放到比较重要的信息之上，忽视掉不重要信息；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；其具体实现步骤如下：一是信息的输入：用x＝[x1,x2…
x
t
‑1，x
t
]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：e
t
＝utanh(ωk
t
+b)
ꢀꢀꢀꢀꢀꢀꢀ
(1)上述公式中，e
t
为输出向量k
t
所决定的注意力概率分布值；u和ω为权重系数；b为偏置系数；a
t
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；m
t
为注意力机制在t时刻的输出；3)改进UNet3+模型及训练流程，将5层级的UNet3+网络删减为3层...

【专利技术属性】
技术研发人员：刘连照，王道酋，王德旺，崔建岭，王琼，徐宙，徐娜娜，
申请(专利权)人：中国人民解放军六三八九二部队，
类型：发明
国别省市：