小样本条件下雷达信号的生成与轻量化识别

作     者：李辉 王悦悦 魏坡 邹波蓉 王伟东 LI Hui;WANG Yueyue;WEI Po;ZOU Borong;WANG Weidong

作者机构：河南理工大学物理与电子信息学院河南焦作454000 

出 版 物：《河南理工大学学报（自然科学版）》 (Journal of Henan Polytechnic University（Natural Science）)

年 卷 期：2024年第43卷第5期

页      面：142-151页

学科分类：11[军事学] 080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 110503[军事学-军事通信学] 0810[工学-信息与通信工程] 1105[军事学-军队指挥学] 1104[军事学-战术学] 082601[工学-武器系统与运用工程] 081105[工学-导航、制导与控制] 0826[工学-兵器科学与技术] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金资助项目(62101176) 

主　　题：雷达信号识别 崔-威廉斯分布 残差密集块 CycleGAN MobileNetV3-Small 

摘      要：目的针对目前深度学习方法在雷达信号识别中需要海量数据且网络复杂、计算量大、设备要求高等问题,方法提出一种联合改进CycleGAN和MobileNetV3-Small轻量化卷积神经网络的雷达信号识别算法。首先,选取8种常见的雷达信号类型构建时域序列,为了更好保留时频特征,在信号预处理阶段将其通过崔-威廉斯分布形成图像数据集,在数据集扩充阶段将图像数据集作为CycleGAN迁移网络的输入,约束指导目标图像的生成,以解决样本不足的问题;然后,在CycleGAN的生成器中引入U-Net结构和残差密集块并更改判别器的判别方式和损失函数,以解决数据集扩增过程中的特征模糊和梯度消失等问题;最后,在信号识别阶段,通过构建具有代表性的MobileNetV3-Small轻量化网络,完成识别验证任务。结果图像生成网络CycleGAN的图像评价指标PSNR为39.74 dB,SSIM为0.95;MobileNet-Small信号识别网络模型迭代训练100次的参数量为1538942,总运行时间为2152 s,FLOPs为127351188,准确率为99.30%。结论本文算法生成的图像与真实样本相似度高、失真度小,在不以牺牲准确率为代价的前提下识别速度有很大提升,有效实现了小样本条件下雷达信号的高精度识别。