1、1 7 2 2 0 2 4年1期2 0 2 4年第4 6卷第1期基于A t t-B i L S TM的雷达信号调制方式识别王之腾 纪存孝 刘 畅 董 琳基金项目:江苏省杰出青年学者自然科学基金资助项目(N o.B K 2 0 1 8 0 0 2 8);江苏省优秀青年学者自然科学基金资助项目(G r a n tN o.B K 2 0 1 7 0 0 8 9)作者简介:王之腾(1 9 8 2-),博士,副教授,研究方向为智能雷达对抗;纪存孝(1 9 9 3-),硕士,讲师,研究方向为智能雷达对抗,E-m a i l:h h u j c x y e a h.n e t(通信作者);刘畅(1 9 9
2、3-),硕士,讲师,研究方向为智能雷达对抗。(中国人民解放军陆军工程大学通信工程学院 南京2 1 0 0 0 0)摘 要 识别雷达信号的调制方式有助于分析雷达的工作模式和目的,为及时采取恰当的应对措施提供依据。长短时记忆网络(L o n gS h o r t-T e r m M e m o r y,L S TM)深度学习模型在基于特征的调制方式识别领域中有着广泛应用,但L S TM模型的时间性能会随着输入数据规模的增大而下降。针对以上问题,文中提出了一种基于注意力机制的双向长短时记忆网络(B i d i r e c t i o n a lL o n gS h o r t-T e r m M e
3、 m o r y,B i L S TM)的雷达信号调制方式识别算法。该算法通过B i L S TM提取信号原始数据的特征,再使用注意力机制为学习到的特征分配相应权重,最后由分类器根据学习到的特征输出分类结果。使用P y t h o n框架构建基于注意力机制的B i L S TM网络模型,以雷达辐射源信号特征仿真数据作为网络的输入和训练基础,实现对辐射源的调制方式的识别。结果表明,该模型在识别雷达信号的调制方式方面具有良好的效果。关键词:雷达信号调制方式;时序问题;注意力机制;B i L S TM中图分类号 T P 3 9 1.4R a d a rS i g n a lM o d u l a t
4、 i o nR e c o g n i t i o nB a s e do nA t t-B i L S TMWAN GZ h i t e n g,J IC u n x i a o,L I UC h a n ga n dD ON GL i n g(C o l l e g eo fC o m u u n i c a t i o n sE n g i n e e r i n g,A r m yE n g i n e e r i n gU n i v e r s i t yo fP L A,N a n j i n g2 1 0 0 0 0,C h i n a)A b s t r a c t I d
5、e n t i f y i n gt h em o d u l a t i o nm o d eo f r a d a r s i g n a l sh e l p s t oa n a l y z e t h ew o r k i n gm o d ea n dp u r p o s eo f r a d a r,a n dp r o v i d e sab a s i s f o rt a k i n ga p p r o p r i a t ec o u n t e r m e a s u r e si nat i m e l ym a n n e r.L o n gS h o r t-
6、T e r m M e m o r y(L S TM)d e e pl e a r n i n gm o d e l sh a v ew i d ea p p l i c a t i o n si nt h ef i e l do ff e a t u r e-b a s e dm o d u l a t i o nm o d er e c o g n i t i o n,b u tt h et i m ep e r f o r-m a n c eo fL S TM m o d e l sw i l l d e c l i n ew i t h t h e i n c r e a s eo f
7、 i n p u t d a t a s c a l e.A i m i n ga t t h e a b o v ep r o b l e m s,t h i sp a p e r p r o p o-s e sar a d a rs i g n a lm o d u l a t i o nm o d er e c o g n i t i o na l g o r i t h mb a s e do nB i d i r e c t i o n a lL o n gS h o r t-T e r m M e m o r y(B i L S TM)b a s e do na t t e n t
8、 i o nm e c h a n i s m.T h ea l g o r i t h me x t r a c t s t h e f e a t u r e so f t h eo r i g i n a ld a t as o u r c eo f t h es i g n a l t h r o u g hB i L-S TM,a n d t h e nu s e s t h e a t t e n t i o nm e c h a n i s mt oa s s i g nc o r r e s p o n d i n gw e i g h t s t o t h e l e a
9、r n e d f e a t u r e s,a n d f i n a l l y t h e c l a s-s i f i e ro u t p u t s t h ec l a s s i f i c a t i o nr e s u l t sa c c o r d i n gt ot h el e a r n e df e a t u r e s.AB i L S TM n e t w o r km o d e lb a s e do na t t e n t i o nm e c h a n i s mi sc o n s t r u c t e du s i n gP y t
10、 h o nf r a m e w o r k,a n dt h er a d a r r a d i a t i o ns o u r c es i g n a l c h a r a c t e r i s t i cs i m u l a t i o nd a t a i su s e da s t h ei n p u ta n dt r a i n i n gb a s i so ft h en e t w o r kt or e a l i z et h er e c o g n i t i o no ft h em o d u l a t i o n m o d eo ft h
11、er a d i a t i o ns o u r c e.T h er e s u l t ss h o wt h a t t h em o d e l h a sag o o de f f e c t i nr e c o g n i z i n gt h em o d u l a t i o nm o d eo f t h er a d a rs i g n a l.K e y w o r d s R a d a rm o d u l a t i o nr e c o g n i t i o n,S e q u e n c ep r o b l e m,A t t e n t i o n
12、m e c h a n i s m,B i L S TM0 引言雷达是现代战场的“眼睛”,对雷达信号进行侦察识别至关重要,其核心在于对截获的雷达信号进行分析和处理。现代雷达往往采用低截获概率和复杂调制信号,雷达对抗侦察设备较难获取并识别相关信息1。为了对其开展有效的侦察识别,需要提取雷达信号的脉内特征,如信号的调制方式(线性调频、非线性调频、相位编码)等2。雷达信号调制方式识别主要包括基于传统算法的识别和基于深度学习算法的识别两大类。基于传统算法的雷达信号识别通过提取信号时域、频域以及时频域特征,然后利用分类器对特征进行分类,进而实现对雷达信号的识别。朱健东3等提出了一种利用C h o i-W
13、 i l l i a m s的时频图像处理技术,实验结果表明,通过时频分析技术进行扩维,针对相似和难识别的雷达信号类型,可提升识别准确率和精度。刘康宁4使用时频分析法,通过识别雷达信号的时频分布熵特征、瞬时频率级联特征等,实现了对复杂雷达调制信号的识别。张忠民5等针对在低信噪比下雷达信号调制方式2 0 2 4年1期1 7 3 识别率低的问题,提出了一种基于分数阶傅里叶变换和循环谱的识别方法。经实验验证,该方法在信噪比大于2 d B时,总体识别率达到9 0%以上。随着深度学习技术的高速发展,其算法思想在信号识别领域得到了广泛应用。MA等6提出了一种多特征图像联合决策模型,通过对1 1种雷达信号进
14、行仿真,生成训练集和测试集,验证该模型在信噪比为-6 d B时,整体识别准确率达到8 7.7%。石礼盟7等针对复杂电磁环境下传统方法对雷达信号调制方式识别率低的问题,提出了一种基于深层神经网络的识别方法,该方法在识别率和抗噪声能力等方面表现优异。刘括然8提出了一种基于L S TM模型的雷达辐射源识别分类方法,通过仿真实现了对辐射源的识别,结果表明L S TM模型识别辐射源的效果较好。在基于深度学习的雷达信号调制方式识别中,L S TM是一种用于处理时序数据的模型,许多专家利用该模型提取信号特征,以实现雷达辐射源分类及调制方式识别9-1 0。但是,L S TM模型的性能会随着输入数据规模的增大而
15、下降,而雷达信号的数据量往往较大,针对该问题,本文研究了一种基于注意力机制的B i L S TM雷达信号调制方式识别算法,该算法通过B i L S TM提取信号特征,根据注意力机制为学习到的特征分配权重,最后输出分类结果。1 B i L S TM网络及注意力机制的原理1.1 B i L S TM网络的基本理论L S TM网络模型的主要优点是在处理具有时间序列特征的输入数据时,学习效果较好,对传统神经网络容易出现的长期记忆能力不足的问题有较大改善,其模型如图1所示。图1 L S T M的模型当输入雷达序列为X=x1,x2,xk 时,则L S TM的更新公式如式(1)式(5)所示:it=(WiHt
16、-1,xt+bi)(1)ot=(WoHt-1,xt+bo)(2)ft=(WfHt-1,xt+bf)(3)ct=ftct-1+it t a nh(WcHt-1,xt+bc)(4)Ht=ot t a nh(Ct)(5)其中,t a nh()表示双曲正切函数,Ht表示最终输出,()表示S i g m o i d激活函数,b表示对应的偏置,W表示对应的权重。B i L S TM模型如图2所示。图2 B i L S T M模型B i L S TM模型是使t时刻所获得特征数据同时拥有过去和将来的信息,该模型的特征提取效率和性能优于单个L S TM模型。1.2 注意力机制注意力(A t t e n t i
17、o n)机制重点关注事物的显著特征,其本质是一组权重值分布,对于起到“显著”作用的特征增加注意力,可以有效提高识别效果。本文使用经过B i L S TM处理后的雷达信号特征数据Ht作为输入数据,将其输入到A t t e n t i o n层,其模型如图3所示。图3 B i L S T M-A t t e n t i o n模型假设信号向量x1,x2,xk,根据B i L S TM产生的隐藏层特征H=h1,h2,hk 构建注意力机制的输入,即HRdk。其中,d表示隐藏层的长度,K表示输入数据的数量,注意力权重矩阵用a表示,特征矩阵用V表示,如式(6)-式(8)所示:ui=t a nh(Wshi+
18、bs)(6)ai=e x p(ui)ie x p(ui),iai=1(7)V=Kiaihi(8)2 算法与模型设计近年来,许多学者将注意力机制应用于信号识别领域,移动信息1 7 4 2 0 2 4年1期本文结合雷达信号调制方式识别的特点,设计了一种基于注意力机制的B i L S TM模型的雷达信号调制方式识别算法(以下简称为A t t-B i L S TM,见图4)。图4 基于A t t-B i L S T M的模型其主要过程如下。步骤1:对雷达时序信号调制方式进行标注并提取高阶累积量特征,按相应比例将数据区分为训练集、验证集和测试集,并进行数据预处理。步骤2:使用P y t h o n构建B
19、 i L S TM模型,初始化模型参数。步骤3:将训练集切分为几个批次,随机选取一个批次数据进行B i L S TM训练。步骤4:对输入的数据进行特征提取,再交给A t t e n t i o n层进行权重计算,最后在全连接层输出识别结果。步骤5:分析识别结果,计算训练集的识别准确率,若达到设定的标准,则转入步骤6,否则,根据交叉熵损失函数计算本次训练的损失,并更新B i L S TM的参数,再转入步骤3;通过验证集验证模型的性能。步骤6:将预处理后的测试集输入训练好的A t t-B i L S TM模型中,计算测试集的预测准确率,评估识别效果。若识别率未收敛,则转入步骤2,直到测试集的识别率
20、趋于收敛。3 实验与结果分析3.1 样本数据实验采用的雷达信号为仿真数据,选择了CW,B P S K,Q P S K,L F M,N L F M这5种典型雷达信号调制方式,信噪比范围较广,能较为真实地模拟5种典型雷达调制信号特征。3.2 实验结果和分析在实验过程中,将样本随机打乱,为验证A t t-B i L S TM模型的学习效率,以信噪比为-5 d B的CW,B P S K,Q P S K,L FM,N L FM等5种调制信号为输入。使用的实验平台参数如下:C o r e(TM)i 7-1 0 7 5 0 H C P U 2.4 0 GH z处理器;NV I D I AQ u a d r
21、oP 5 0 0 0;内存1 6 G B。为合理地设置隐藏层的节点数,分别分析节点数为6 0,1 2 0,1 8 0,2 4 0,3 0 0,3 6 0时该模型的正确率和损失值,模型参数如表1所列。表1 基于A t t-B i L S T M的参数参数名称参数值输入层节点数2 0输出层节点数5隐藏层的节点数6 0,1 2 0,1 8 0,2 4 0,3 0 0,3 6 0每轮批次1 6训练轮数5 0学习率0.0 0 1序列长度2 0L S TM网络层数1隐藏层节点数对正确率、损失值的仿真结果分别如图5(a)、图5(b)所示。图5 隐藏层节点数对正确率、损失值影响仿真结果表明,隐藏层节点数对正确
22、率和损失值具有一定影响。随着隐藏层节点数的增加,训练2 0轮之前,A t t-B i L S TM模型的收敛速度明显较高;在训练2 0轮之后,隐藏层节点数为6 0,1 2 0的网络的正确率收敛速度不断增加,隐藏层节点数为1 2 0的网络的损失值收敛速度不断增加;训练4 0轮后,算法趋于收敛,隐藏层节点数为6 0,1 2 0时模型的正确率最高,隐藏层节点数为1 2 0,3 0 0时模型的损失值最小。本文使用隐藏层节点数为1 2 0的网络。根据以上参数,基于A t t-B i L S TM的模型在不同参数下正确率和损移动信息2 0 2 4年1期1 7 5 失值的变化的实验结果如图6、图7所示。图6
23、 训练集和测试集的正确率变化曲线图7 隐藏层不同节点数对损失值影响从图6、图7可以看出,随着训练次数的增加,识别率不断提高,训练集的和测试集分别稳定在9 7.5%和9 8.0%左右,而训练集和测试集的损失值也稳定在0.0 8%和0.0 9%左右。为了分析基于A t t-B i L S TM的模型在学习信号原始特征时是否较C NN,L S TM,B i L S TM具有优势,对信噪比范围为-1 51 5 d B的信号使用本文提出的算法进行识别,记录平均识别准确率,如表2所列,对应曲线图如图8所示。表2 不同信噪比下的识别准确率信号信噪比/d B识别准确率/%C NNL S TMB i L S T
24、MA t t-B i L S TM-1 51 6.1 22 0.1 22 5.7 83 3.6 7-56 9.5 58 2.5 18 6.3 99 7.3 41 08 7.4 39 2.1 49 5.1 89 9.5 61 58 8.3 29 5.7 89 7.7 29 9.8 7实验结果表明,基于A t t-B i L S TM的模型在对不同信噪比的雷达信号进行识别时,总体识别准确率比C N N、L S TM和B i L S TM有着明显提高。这可以说明,本文提出的基于A t t-B i L S TM模型对雷达信号调制方式有较高的识别准确率。图9为信噪比为-5 d B情况下,4种算法对雷达信
25、号调制方式识别的混淆矩阵。分析对比各个混淆矩阵的对角线可以看出,本文提出的基于A t t-B i L S TM模型对于5种典型调制方式的识别准确率优于另外3种深度学习模型。图8 不同信噪比下识别准确率移动信息1 7 6 2 0 2 4年1期图9-5 d B下不同算法的混淆矩阵4 结语雷达信号调制方式识别是电子对抗、侦察中的重要内容,本文研究了一种基于A t t-B i L S TM模型,以识别雷达信号调制方式。通过实验,对5种典型雷达信号调制方式进行识别,可以看出该算法的识别准确率较高,表明了该算法对常见的雷达信号调制方式识别具有可行性和有效性。但由于条件限制,本文使用了仿真数据,为进一步验证
26、算法的实用性,后续将采集真实数据进行测试验证,并不断改进优化算法的性能,为现代战场的实战应用打好基础。参考文献1符颖,王星,周东青,等.基于模糊函数S V D和改进S 3 VM的雷达信号识别J.计算机工程与应用,2 0 1 7,5 3(6):2 6 4-2 7 0.2赵锋.基于相 位展 开的 雷 达信 号调 制方 式 识别 算法 研究D.南京:南京航空航天大学,2 0 1 1.3朱健东,张玉灵,赵拥军.基于时频图像处理提取瞬时频率的雷达信号识别J.系统仿真学报,2 0 1 4,2 6(4):8 6 4-8 6 8.4刘康宁.基于时频分析的雷达信号调制方式识别技术研究D.西安:西安电子科技大学,
27、2 0 1 1.5张忠民,刘刚,刘鲁涛.基于分数阶傅里叶变换和循环谱的雷达信号调制方式识别J.应用科技,2 0 2 0,4 7(3):3 0-3 6.6MAZ,HUANGZ,L I N A,e ta l.L P IR a d a rW a v e f o r m R e c-o g n i t i o nB a s e do nF e a t u r e sf r o m M u l t i p l eI m a g e sJ.S e n-s o r s(B a s e l,S w i t z e r l a n d),2 0 2 0,2 0(2):5 2 6.7石礼盟,杨承志,王美玲,等.基
28、于深度网络的雷达信号调制方式识别J.兵器装备工程学报,2 0 2 1,4 2(6):1 9 0-1 9 3.8刘括然.基于L S TM的雷达辐射源识别技术J.舰船电子工程,2 0 1 9,3 9(1 2):9 2-9 5.9任思睿,黄铭.基于改进的长短期记忆网络的调制识别算法J.云南大学学报:自然科学版,2 0 2 1,4 3(1):3 9-4 5.1 0呙鹏程,吴礼洋,刘超,等.基于注意力机制增强残差网络的雷达信号 调 制 类 型 识 别 J/O L.兵 工 学 报.h t t p:k n s.c n k i.n e t/k c m s/d e t a i l/1 1.2 1 7 6.T J.2 0 2 2 0 9 1 9.1 4 0 7.0 0 4.h t m l.移动信息