深度学习在识别雷达信号调制类别中的应用

相关博文：基于深度学习的雷达辐射源识别技术研究
基于扩张残差网络的雷达辐射源信号识别

1 Convolutional Neural Network-Based RadarJamming Signal Classification With Sufficientand Limited Samples

（基于卷积神经网络的有限样本雷达干扰信号分类）
2020.4.27发表
主要贡献：

1. 1D-CNN的雷达干扰信号分类模型；
2. 解决样本不足的问题：改进的Siamese-CNN(S-CNN)雷达干扰信号；
3. 12种雷达干扰信号的实验。

1D-CNN的雷达干扰信号分类模型

CNN包括卷积、池化和非线性三个部分。
如下图设计两个1D-CNN以提取雷达干扰数据的实部和虚部特征 。通过卷积和合并，提取出雷达干扰数据实部和虚部的深层特征。最后将上述功能进行串联，然后将它们发送到softmax分类器，以获得干扰类别信息。

网络优化部分：

1. Dropout：使模型更具有通用性
2. GAP（globe average pooling）:替换CNN中传统的连接层；
3. BN:在训练过程中保持神经网络各层输入的相同分布，加速网络的收敛。

1D-CNN网络
结果分析：

2 S-CNN的雷达干扰分类
S-CNN用于测量两个输入之间的相似性， 具有两个结构和权重相同的子网。 在训练期间，两个子网从两个输入中提取特征，而连接的神经元则测量两个特征向量之间的距离。 传统的分类模型需要大量带有标签的样本，S-CNN使用CNN将输入映射到特征向量，并使用向量之间的距离来表示输入之间的差异。 因此，在训练样本有限的情况下，可以考虑使用S-CNN进行分类，通过距离空间来度量输入的相似性，如曼哈顿距离**(L1距离)和欧氏距离(L2距离)**，通过学习相似性来比较新样本来确定类别。测试样本与各种样本之间的相似概率可以得到训练样本的类型，测试样本的类别是与最大相似概率对应的输入训练样本的类别。

L1距离计算：


损失函数：


加入BN和正则化：

S-CNN网络

S-CNN模型算法

作用对象：脉冲压缩雷达发射的线性调频脉冲信号
表达式：

12类干扰时域波形：

结果分析：

注：

1. JNR为干扰噪声比
2. 总准确度：
   
   

2 Intra-pulse modulation radar signalrecognition based on CLDN network

（基于CLDN网络的脉冲内调制雷达信号识别）
2020.3发表
（1）方法： 三个域图像性能的比较
提出了一种结合浅卷积神经网络**（CNN），长短期记忆（LSTM）网络和深度神经网络（DNN）的新型网络，识别六种类型的具有不同信噪比**（SNR）的雷达信号（-14至20 dB）。首先，将时域，频域和自相关域中的原始信号序列作为浅层CNN的输入。 然后，CNN提取的特征将成为LSTM网络的输入。 最后，DNN将直接输出信号调制类型。

信噪比SNR定义：

（2）6类雷达信号：


（3）CLDNN网络示意图：


（4）实验
参数设置：

一维雷达信号的原始序列作为网络的输入。 在频域中，输入序列是信号的快速傅立叶变换的结果，而在自相关域中，输入序列是信号的自相关的结果。

CLDNN的输入是信号序列，因此已经考虑了输入长度对识别精度的影响。 在这三个域中，首先以40-640的较大间隔搜索最佳长度。然后在具有上一步精度最高的长度附近的较小间隔中找到最佳长度。


得到的结论：时域和频域中信号序列的最佳长度为100。自相关域中的最佳长度为400。

对比实验：网络性能对比

CLDNN网络对六种雷达调制信号的识别结果：



分析： 自相关域比时域和频域低SNR条件下的识别性能要好得多，自相关域中的精度即使在-6 dB时也都超过90％，并且稳定到-2 dB。 最重要的是，当SNR> -2 dB时，所有六种信号的精度都接近100％。 总体而言，自相关域准确性的提高速度快于其他两个领域，信号自相关的原始序列可能是该方法的更好选择。

ResNet网络测试结果：

**真实数据测试：**从某雷达的民航数据中挑选出BFSK，CW，LFM和NLFM信号进行测试。

CLDNN对真实数据测试结果：

CLDNN方法的成功率分别为91％，99％，97％和94％。
ResNet方法对BFSK和NLFM信号的识别性能要优于CLDNN方法，但是，ResNet方法对连续波信号的准确性很低，这与对模拟信号的测试结果相似。