【技术实现步骤摘要】
本专利技术涉及雷达辐射源识别，具体涉及一种基于gcnet轻量化网络的雷达辐射源信号识别方法。
技术介绍
1、雷达辐射源识别在电子对抗中发挥着举足轻重的作用，其主要任务是通过对截获的雷达辐射源信号重要参数与已知雷达的技术性能进行对比，实现对雷达信号的实时辨认和识别，确定雷达的用途、载体、威胁等级和识别可信度等信息，为电子对抗的后续策略提供指引。随着战场电磁环境日趋密集复杂，新体制雷达不断涌现，传统的基于手动提取常规参数特征的识别方法，已经无法满足战场上快速准确区分雷达辐射源信号的要求。雷达辐射源识别关键是信号的特征提取，但是人为设计特征提取的方法需要依靠人的主观经验和专业知识，存在针对性强，低信噪比失效，人力资源耗费等问题。
2、深度学习能够通过大规模数据的训练，学习到更高级、更抽象的特征表示，从而具有更准确的预测和决策能力，在图像分类、目标检测和语义分割等领域表现非常优异。近些年，许多学者尝试将深度学习算法应用到雷达辐射源识别上，yuan等人采用快速傅里叶变换获得信号的频域信息，然后采用1d-cnn网络自动学习特征并完成识别分类，(详见：yuans, wu b, li p. intra-pulse modulation classification of radar emitter signalsbased on a 1-d selective kernel convolutional neural network[j]. remotesensing, 2021, 13(14): 2799.)。虽然该方法通过采用一维
3、尽管将深度学习算法应用到雷达辐射源识别上，取得了较好的效果，但仍然存在着一些问题，采用的深度网络模型复杂度较高，模型泛化能力不强。无法在体积小、计算资源受限的设备完成应用部署，并且不能满足现代电子化战争对电子设备精确性，便捷携带等要求。
技术实现思路
1、针对上述现有技术的不足，本专利技术提出了一种基于gcnet（global correlationnetwork，全局相关网络）轻量化网络的雷达辐射源信号的识别方法。该方法能够在较少网络参数和计算量条件下，具有优异的识别性能。
2、本专利技术是通过以下技术方案实现的。
3、本专利技术所述的一种基于gcnet轻量化网络的雷达辐射源信号识别方法，包括以下步骤。
4、步骤1、产生十种调制类型的雷达辐射源含噪信号，包括常规信号cw、线性调频信号lfm、非线性调频信号nlfm、二相编码信号bpsk、costas频率编码信号和多相编码frank、p1、p2、p3和p4信号。
5、步骤2、依据cwd时频分析方法，对以上十种雷达辐射源信号进行时频变换，得到时频图像。
6、步骤3、对时频图像进行预处理，先将时频图像进行灰度化处理降低图像通道数。然后使用图像开运算方法对图像进行降噪处理，通过双线性插值算法调整图像尺寸。最后将预处理后的时频图像集按照预设比例划分为训练集、验证集和测试集。
7、步骤4、基于gcnet全局注意力机制和深度可分离卷积，构建gcnet轻量化网络整体结构。
8、步骤5、将步骤3中产生的训练集送入gcnet轻量化网络进行训练，得到网络模型。
9、步骤6、对雷达辐射源信号进行识别。将测试集输入训练好的网络模型中，完成对雷达辐射源信号的分类识别，得到不同信噪比下的信号识别率。
10、本专利技术步骤4所述构建的gcnet轻量化网络，主要是由设计的基础网络模块组成，该模块中含有两个深度可分离卷积层、全局注意力机制gc-block层和最大池化层。网络模型的整体架构首先是一个大感受野的5×5卷积核，更好的提取浅层特征。第二层是最大池化层，对实现图像尺寸降采样。后面接入三个设计的基础网络块，其中通道收缩率设置为r=8。然后接入一个深度可分离卷积层整合深度特征，全局平均池化层代替全连接层减少网络模型的参数量和计算量，最后接入flatten层，softmax层实现雷达信号的分类识别。
11、本专利技术步骤5中所述的将信号时频图像训练集送入gcnet轻量化网络进行训练，采用随机梯度下降优化算法更新网络权重，利用交叉熵损失函数计算损失值，学习率设置采用衰减策略，每经过l轮训练学习率下降为当前学习率的三分之一，最大训练轮数设置为q为大于等于80的正整数。训练过程中，以验证集识别率为标准，不断保存识别率最高的网络模型。
12、本专利技术步骤6中所述的将测试集输入训练好的网络模型中，分别测试了每个db下每种信号的识别率、整体测试集的识别率和每个db下整体测试集的准确率，完成对雷达辐射源信号的分类识别。
13、本专利技术提供的基于gcnet网络的雷达辐射源信号识别方法, 能够在较少网络参数和计算量条件下，具有优异的识别性能，能够在轻型边缘计算平台进行应用部署。
本文档来自技高网...【技术保护点】
1.一种基于GCNet轻量化网络的雷达辐射源信号识别方法，其特征是包括以下步骤：
2.根据权利要求1所述的一种基于GCNet轻量化网络的雷达辐射源信号识别方法，其特征是步骤4所述构建的GCNet轻量化网络，由基础网络模块组成，该模块中含有两个深度可分离卷积层、全局注意力机制GC-Block层和最大池化层；网络模型的整体架构首先是一个大感受野的5×5卷积核，更好的提取浅层特征；第二层是最大池化层，对实现图像尺寸降采样；后面接入三个基础网络块，其中通道收缩率设置为r=8；然后接入一个深度可分离卷积层整合深度特征，全局平均池化层代替全连接层减少网络模型的参数量和计算量，最后接入Flatten层，Softmax层实现雷达信号的分类识别。
3.根据权利要求1所述的一种基于GCNet轻量化网络的雷达辐射源信号识别方法，其特征是步骤5中所述的将信号时频图像训练集送入GCNet轻量化网络进行训练，采用随机梯度下降优化算法更新网络权重，利用交叉熵损失函数计算损失值，学习率设置采用衰减策略，每经过L轮训练学习率下降为当前学习率的三分之一，最大训练轮数设置Q为≥80的正整数；训
...【技术特征摘要】
1.一种基于gcnet轻量化网络的雷达辐射源信号识别方法，其特征是包括以下步骤：
2.根据权利要求1所述的一种基于gcnet轻量化网络的雷达辐射源信号识别方法，其特征是步骤4所述构建的gcnet轻量化网络，由基础网络模块组成，该模块中含有两个深度可分离卷积层、全局注意力机制gc-block层和最大池化层；网络模型的整体架构首先是一个大感受野的5×5卷积核，更好的提取浅层特征；第二层是最大池化层，对实现图像尺寸降采样；后面接入三个基础网络块，其中通道收缩率设置为r=8；然后接入一个深度可分离卷积层整合深度特征，全...
【专利技术属性】
技术研发人员：李春泉，杨锋，廖志远，程宇新，李亚超，陈利民，伍军云，梁音，陈荣伶，陶凌，赵庆敏，
申请(专利权)人：南昌大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。