一种基于模型剪枝的辐射源信号识别方法技术

本发明专利技术公开了一种基于模型剪枝的辐射源信号识别方法，该方法为：首先获取辐射源信号时域数据并进行预处理，构建辐射源信号时频特征数据集；然后构建基准网络，采用辐射源信号时频特征数据集进行训练；接着将基准网络中每层卷积层的梯度值的总和作为层梯度流量，确定每个卷积层的重要性程度；再计算基准网络的卷积核混合效用值，在卷积层级间进行排序，按照每层的层梯度流量进行剪枝，去除混合效用值较低的卷积核，得到初步剪枝后的子网络；最后对子网络进行微调训练，将辐射源信号测试集输入至微调后的子网络进行识别，得到信号识别结果。本发明专利技术信号识别准确率高，参数量与运算量少，易于部署在终端设备上，适合在实际应用中推广使用。

【技术实现步骤摘要】

本专利技术涉及辐射源信号识别，特别是一种基于模型剪枝的辐射源信号识别方法。

技术介绍

1、辐射源信号识别是现代电子战领域的基础技术之一，它能对截获到的敌方雷达信号进行分析和识别，为我方作战指挥人员提供战场态势信息，从而在电子战场中取得先机。

2、在现代日益密集复杂的电磁环境下，新体制雷达层出不穷，信号样式复杂多变，辐射源信号识别面临严峻的挑战，传统基于脉冲描述字外部特征参数测量的辐射源信号识别手段，已经不能满足战场上快速、准确区分辐射源信号的需求，因此基于辐射源信号的脉内时频特征分类识别逐步成为研究热点。

3、近年来随着深度学习的发展，神经网络以其强大的特征提取能力被逐步应用于辐射源信号识别领域。现有的基于神经网络的辐射源信号识别方法大多关注的是信号识别准确率的提升，然而一个识别性能优越的神经网络模型往往有着庞大的参数量和运算量，参数量一般以百万为单位，运算量一般以十亿次为单位，难以部署在存储资源和运算资源有限的终端设备上。

4、综上所述，现有的基于神经网络的辐射源信号识别方法存在模型冗余、运算量庞大、难以部署等问题，在本文档来自技高网...

【技术保护点】

1.一种基于模型剪枝的辐射源信号识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于模型剪枝的辐射源信号识别方法，其特征在于，步骤1中的辐射源信号，包括八种调制类型，分别为单频信号CW、线性调频信号LFM、偶二次调频信号EQFM、余弦调制信号SFM、跳频信号COSTAS、二相编码信号BPSK、线性调频-频率编码混合调制信号LFM_FSK和线性调频-余弦调频混合调制信号LFM_SFM，各信号的参数在设定范围内随机生成。

3.根据权利要求2所述的基于模型剪枝的辐射源信号识别方法，其特征在于，步骤1中的获取辐射源信号时域数据，生成CWD时频特征分布图像并进...

【技术特征摘要】

1.一种基于模型剪枝的辐射源信号识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于模型剪枝的辐射源信号识别方法，其特征在于，步骤1中的辐射源信号，包括八种调制类型，分别为单频信号cw、线性调频信号lfm、偶二次调频信号eqfm、余弦调制信号sfm、跳频信号costas、二相编码信号bpsk、线性调频-频率编码混合调制信号lfm_fsk和线性调频-余弦调频混合调制信号lfm_sfm，各信号的参数在设定范围内随机生成。

3.根据权利要求2所述的基于模型剪枝的辐射源信号识别方法，其特征在于，步骤1中的获取辐射源信号时域数据，生成cwd时频特征分布图像并进行预处理，构建辐射源信号时频特征数据集，划分训练集和测试集，具体如下：

4.根据权利要求3所述的基于模型剪枝的辐射源信号识别方法，其特征在于，步骤2中的基准网络为一个具有5层卷积层、5层bn层、5层池化层和2层全连接层的卷积神经网络，卷积核数量分别为32、32、64、64、64。

5.根据权利要求2、3或4所述的基于模型剪枝的辐射源信号识别方法，其特征在于，步骤2中对基准网络进行训练，采用的损失函数为交叉熵损失函数。

6.根据权利要求5所述的基于模...

【专利技术属性】
技术研发人员：陶诗飞，王慧赋，丁浩，何锡浩，吴胤泽，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：