基于多分支去噪卷积神经网络达脉内信号调制方式识别研究.pdf

基于多分支去噪卷积神经网络和Inception-ResNet网络的雷达脉内信号调制方式识别研究

摘要

雷达脉内信号调制方式识别技术是电子战的重要技术之一，在战场态势感知领域有

广泛的应用。当前雷达脉内信号调制方式识别技术已取得了不错的识别效果，但存在着

识别网络参数量过大的问题，且在复杂电磁环境下，识别准确率仍有待提高。此外，现

有的算法大多解决的是闭集识别问题，即训练集样本的调制类别与测试集样本的调制类

别一致，忽略了开集场景下对未知类样本的识别问题。为了将雷达脉内信号调制方式识

别技术更好地应用于实战，本文从信号的时频特征和卷积神经网络结构两方面入手，对

雷达脉内信号调制方式识别算法进行了研究，本文的主要工作如下：

1、对13种雷达脉内调制信号进行时频特征提取。针对现有Cohen类时频分布（Cohen

classTime-FrequencyDistribution,CTFD）图像计算复杂度高的问题，本文研究了雷达信

号模糊域与时频域之间的关系，明确了模糊域中交叉项与原点之间的距离与时频域中交

叉项震荡频率之间的关系。提出了一种基于雷达信号模糊函数的CTFD图像计算方法，

降低了时频特征提取算法的时间复杂度，提升了时频特征的抗噪声性能。

2、针对低信噪比下雷达脉内信号调制方式识别准确率较低的问题，设计了一种多

分支去噪卷积神经网络（Multi-BranchDenoisingConvolutionalNeuralNetwork,

MBDnCNN）对CTFD图像进行去噪预处理。该网络融合了去噪卷积神经网络（Denoising

ConvolutionalNeuralNetwork,DnCNN）的局部噪声压制能力和去噪自编码器（Denoising

Auto-Encoder,DAE）的全局特征重建能力。仿真实验表明，经MBDnCNN去噪预处理

后-10dB信噪比下信号时频图像的峰值信噪比（PeakSignal-to-NoiseRatio,PSNR）和结

构相似性索引（StructureSimilarityIndexMeasure,SSIM）分别提升了11dB和0.38。

3、针对原始的Inception-ResNet-v2参数量过大、浅层卷积神经网络特征提取能力

较差的问题，提出Efficient-Inception-ResNet网络。首先，将浅层卷积神经网络的标准卷

积层替换为可变形卷积层，在此基础上，融入卷积注意力机制模块（ConvolutionalBlock

AttentionModule,CBAM）和多头自注意力（Multi-headSelfAttention,MSA）机制模块

来捕捉图像的局部信息和全局信息。其次，采用复合参数缩放算法对网络深度和前向传

播过程中特征图的通道数进行参数寻优，该方法在保证网络中各模块之间的数量关系与

识别准确率不变的前提下压缩了网络参数量。实验结果表明，该结构在-10dB信噪比下

对13种雷达脉内信号的识别准确率达到了86.92%，与同样使用了去噪卷积神经网络的

其它识别算法相比，识别准确率提升了2.45%以上。

哈尔滨工程大学硕士学位论文

4、针对实际应用中可能出现的开集识别的情景，本文提出了一种基于Openmax的

雷达脉内信号开集识别算法。首先，根据不同信噪比下激活向量（ActivationVector,AV）

与各已知类中心激活向量（MeanActivationVector,MAV）之间的欧几里得距离（Euclidean

DistanceofActivationVector,EDAV）分布情况，为不同噪声水平下EDAV的极大值训练

了不同的Weibull分布模型，并设计了一种噪声水平估计（NoiseLevelEstimation,NLE）

网络。输入的CTFD图像经Efficient-Inception-ResNet识别网络提取激活向量并计算

ED，经NLE网络提取噪声水平。根据噪声水平的不同，采用不同的Weibull分布模

AV

型对激活向量进行修正。仿真实验表明，相较于其它雷达脉内信号开集识别算法，本文

提出的算法在-10dB下的识别准确率提升了5%以上。

关键词：雷达脉内信号调