[發明專利]基于改進UNet3+網絡的雷達信號調制類型識別方法

有效

• 申請號: 202110407587.8
• 申請日: 2021-04-15
• 公開（公告）號: CN113050042B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 田潤瀾;董會旭;李霜
• 申請（專利權）人: 中國人民解放軍空軍航空大學
• 主分類號: G01S7/02
• 分類號: G01S7/02;G01S7/36;G06F18/213;G06F18/2415;G06N3/0464;G06N3/08
• 代理公司: 長春市東師專利事務所 22202
• 代理人: 張鐵生;劉瑩

1.基于改進UNet3+網絡的雷達信號調制類型識別方法，它包括：

步驟一、數據預處理

1）將偵收設備偵收到的雷達輻射源信號進行采樣并截取固定長度，作為數據并打上標簽；

2）對數據的標簽進行獨熱編碼；

3）將讀取的數據按比例分為訓練集、驗證集、測試集，并使用隨機種子將其打亂；

步驟二、神經網絡提取特征

4）將處理好的數據輸入到改進的網絡模型中，優化器采用Adam，損失函數采用交叉熵損失函數，設置初始學習率為0.0001，?最大訓練輪數為50輪；

5）設置學習率動態調整機制；

6）設置早停機制；

步驟4)中所述的網絡模型，包括：

（1）數據依次經過卷積池化層1、正則化層1、卷積池化層2、正則化層2、卷積池化層3、正則化層3，通過大小為32，步長為5的卷積核對原始信號進行卷積處理；3個正則化層的系數分別為0.2、0.1、0.1；

（2）再經過卷積層4、5、6處理數據，他們通過大小為8，步長為5的卷積核對數據進行卷積處理，再通過全尺度跳過連接的方式進入到特征融合層1進行特征融合，融合后的數據依次經過卷積層7、批量歸一化1、卷積層8，得到的新數據與卷積層4的數據、卷積層6的數據同時進入到特征融合層2進行融合；

（3）在特征融合層2后，數據依次進入注意力層、卷積池化層9、批量歸一化2、正則化層4、平鋪層、全連接層。

2.根據權利要求1所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：所述的訓練集、驗證集、測試集比例為47：23：3。

3.根據權利要求2所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：所述的數據的標簽為：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4。

4.根據權利要求3所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：所述的步驟5）中學習率最低為0.0000125。

5.根據權利要求1、2、3或4所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：所述的早停機制：當驗證集損失不再減小，經過5輪訓練后仍沒有得到改善，則終止訓練。

6.根據權利要求5所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：所述的卷積池化層為：卷積層后加最大池化層，最大池化層的大小為2，組成卷積—池化結構。

7.根據權利要求6所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：所述的卷積層7、8、9是通過大小為8，步長為7的卷積核對數據進行卷積處理。

8.根據權利要求7所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：注意力機制，包括：1）信息的輸入：用X=[X₁,X₂,…X_t-1，X_t]表示t個輸入信息；2）計算注意力概率分布值a；3）根據注意力概率分布值a來計算輸入信息的加權平均；

注意力機制的權重系數計算公式為：

;

上述公式中，e_t為輸出向量k_t所決定的注意力概率分布值；a_t為注意力機制對神經網絡隱藏層輸出的注意力概率分布值；m_t為注意力機制在t時刻的輸出，是將權重和相應的向量進行加權得到最后的注意力機制處理結果。

9.根據權利要求8所述的基于改進UNet3+網絡的雷達信號調制類型識別方法，其特征在于：所述的正則化層4系數為0.4。