基于深度学习的低信噪比雷达信号调制识别及FPGA实现.pdf

基于深度学习的低信噪比雷达信号调制识别及FPGA实现

摘要

雷达信号调制识别是电子对抗的一项关键技术，在电磁频谱监测、电子干扰、电子

侦察等战场态势感知应用中发挥至关重要的作用。传统的调制识别方法局限于手工特征

提取和复杂的信号处理算法，难以适应现代种类繁多的调制方式以及复杂电磁环境。近

年来，深度神经网络以其强大的特征提取能力和高维数据处理能力，广泛应用于各种信

号识别与分类中。然而，庞大的参数量与复杂的计算过程，使深度神经网络在资源、功

耗受限的边缘设备中的部署面临巨大挑战。现场可编程逻辑阵列（FiledProgrammable

GateArray，FPGA）凭借出色的并行处理能力、低功耗和可重构性，为深度神经网络的

部署提供强有力的平台，满足深度神经网络在功耗与资源受限条件下的部署，优化性能

的同时最大限度的提高片上资源利用效率。

本文主要研究低信噪比（Signal-to-NoiseRatio，SNR）下雷达信号的调制识别及其

对应的深度神经网络在FPGA平台上的部署加速，具体内容如下：

（1）针对Cohen类时频分布等方法时频聚焦能力不足、低信噪比情况下调制识别

准确率低的问题，提出一种基于同步提取变换（Synchro-ExtractingTransform，SET）去

噪的分组卷积神经网络调制识别方法。利用SET对雷达信号进行时频分析，结合Viterbi

搜索实现信号瞬时频率轨迹估计，并通过中值滤波去除轨迹中的脉冲噪声，实现信号去

噪。该方法综合考虑信号能量分布与瞬时频率轨迹的平滑性，有效提高低信噪比下调制

识别的精度。实验结果表明，当SNR=-12dB时，去噪后的SET时频图时频聚焦性好，

调制识别准确率比未去噪的识别准确率提高13.69个百分点。所提出的雷达信号调制识

别方法在低信噪比条件下对多种复杂调制类型的信号具有良好的识别性能。

（2）针对深度神经网络在资源、功耗受限的嵌入式雷达系统中的部署问题，从网络

模型与FPGA加速策略两方面进行优化。在模型优化方面，使用分组卷积块代替传统卷

积，有效减少模型参数量；同时，在识别精度损失仅1.86%的情况下实现对单精度浮点

权重和特征值的定点量化，提高片上逻辑资源的使用效率。在FPGA加速策略方面，针

对卷积层从输出特征图宽、高、通道数以及输入通道数等多个维度进行分块计算，在每

一个分块循环中，对卷积层多重循环采用循环展开、缓存切割、计算流水化等优化策略，

优化后的计算延迟缩短为原来的1/30。其次，将卷积层与批归一化层参数进行合并，将

两层计算转化为一层，进一步提高加速器效率。对于每一层计算从片下DRAM中加载

权重、计算完毕后写回片下DRAM的串行执行过程，对相邻计算任务间的片上缓存使

哈尔滨工程大学专业学位硕士学位论文

用乒乓缓存，将数据读写过程隐藏于计算过程中，实现计算任务与读写DRAM任务的

流水化。通过ARM端对加速器IP调用，实现深度神经网络的部署加速。实验结果表

明，加速后一张256×256×3时频图的平均推理延迟从1393ms缩短为70ms，加速器整

体功耗约为6W。

关键词：雷达信号调制识别；同步提取变换；瞬时频率估计；深度神经网络；FPGA加

速

基于深度学习的低信噪比雷达信号调制识别及FPGA实现

ABSTRACT

Radarsignalmodulationrecognitionisakeytechnologyinelectroniccountermeasures

andplaysacrucialroleinbattlefieldsituationalawarenessapplicationssuchaselectromagnetic

spectrummonitoring,electronicinterference,andelectronicreconnaissance.Traditional

modulation