基于深度学习的雷达信号调制类型识别算法研究

作     者：王繁 

作者单位：安徽大学 

学位级别：硕士

导师姓名：朱明;王年;马祖长

授予年度：2022年

学科分类：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] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：一维特征序列 注意力机制 时频分析 雷达信号调制类型识别 

摘      要：伴随着科技信息化时代的到来,电子科学技术不断进步,导致雷达电磁环境趋于复杂化和多样化,信号的参数特征和调制类型变化繁多,而采用传统信息特征的雷达信号识别方法分类性能难以满足实际需求。将深度学习技术与信号特征相结合引入到雷达信号识别领域成为了主流,但也存在低信噪比下识别效果差、泛化性能弱等问题。针对以上问题,构建了雷达原始IQ数据集和时频图像数据集,并提出了两种雷达信号调制类型识别算法,设计并开发了雷达信号调制类型识别系统。主要工作如下:(1)介绍了常见雷达信号的8种调制类型,并分析了它们的时域及频域特征。此外,利用三种时频分析方法STFT变换、WVD分布、SPWVD分布对8种信号调制类型进行时频转换,通过对时频图像的分析,比较了这三种方法的性能,为后续的准确识别奠定基础。(2)提出了一种基于一维特征序列和改进卷积神经网络的雷达信号调制类型识别算法。选用CNN的网络架构,设计了一个卷积核5×1和卷积核为3×1的卷积层模块,并采用CBAM注意力模块,加深网络在通道和空间维度上对IQ信号特征的关注。该算法能够减少仿真生成时频图像所需的时间,通过实验验证了对8种信号调制类型可以进行准确识别,能够满足一些实时性需求的场景,便于该算法的落地和部署。(3)提出了一种基于时频分析和改进ResNet-50残差网络的雷达信号调制类型识别算法。首先该算法将一维的时域IQ信号数据通过这三种时频分析方法STFT变换、WVD分布、SPWVD分布,转换成二维的时频图像作为网络的输入;其次,为了减少噪声的影响以及尽可能保留时频特征的情况下,对时频图像进行灰度化、滤波、缩放、归一化预处理;然后,选择Res Net-50为网络框架,为了尽可能地保留数据特征信息,在残差模块中增大了卷积核,同时为了能够加快网络收敛,减少网络训练时间,将交叉熵损失函数和中心损失函数作为损失函数;实验表明这三种时频分析方法在低信噪比下,SPWVD时频图像能够较明显地保留时频特征,在识别精度上效果最优,从而验证了算法在低信噪比下具有优异的表现和良好的泛化能力。(4)设计了雷达信号调制类型识别系统,实现了从信号预处理、识别、储存结果的功能。将训练后的模型部署到Py Qt5中,进行系统的开发实现,完成了基于IQ信号数据和时频图像数据的信号调制类型识别;对系统进行了功能性测试,验证了该系统具有较好的精度和稳定性。