一种高效雷达信号调制方式识别方法及装置

本发明属于模式识别、信息，可用于雷达信号识别。更具体地说，本发明涉及一种高效雷达信号调制方式识别方法及装置。

背景技术：

1、雷达信号自动调制分类是在不知道雷达通信系统的情况下识别接收雷达信号的调制方式的过程，它是无线通信领域中非合作通信的重要组成部分。随着无线通信技术的显著发展，调制方式的种类变得更加多样，并且无线设备的数量迅速增加，导致通信环境日益复杂。在低信噪比环境中以高精度识别各种雷达信号调制方式，同时保持计算效率是一个具有挑战性的问题。。

2、因此，需要在现有工作基础上，进一步探索基于深度神经网络的雷达信号自动调制方式识别方法，在保证高识别精度的同时，减少网络的复杂度，为后期移植移动平台提供技术支撑。

技术实现思路

1、本发明要解决的技术问题主要是，提供一种计算效率高、能准确识别信号调制方式的雷达信号调制方式识别方法。

2、为了实现上述目的，本发明构建了一种基于时空特征共享重构网络starnet，以一种轻量化的方式达到优秀的识别精度。本发明提供了一种高效雷达信号调制方式识别方法，包括以下步骤：

3、对雷达i/q信号进行预处理转换为雷达a/p信号，并进行旋转和遮挡；

4、将旋转和遮挡处理后的雷达a/p信号作为高效时空特征共享重构网络的两个并行特征提取器的输入，分别得到雷达a/p信号的时域特征和空域特征；

5、将所述雷达a/p信号的时域特征和空域特征进行融合，得到融合后的雷达信号时空特征；

6、将所述融合后的雷达信号时空特征通过时空共享解码器模块进行重构和调制方式识别任务，得到最终的分类结果。

7、优选地，所述对雷达i/q信号进行预处理转换为雷达a/p信号，并进行旋转和遮挡的步骤包括：

8、将雷达i/q信号处理成雷达a/p信号，处理方式按照以下表达式进行：

9、

10、

11、其中ri(n)和rq(n)是i/q信号的实数和虚数部分，va(n)代表雷达a/p信号的幅度部分，vp(n)代表雷达a/p信号的相位部分。

12、之后再对雷达a/p信号进行旋转操作，处理过程按照如下表达式进行：

13、

14、其中v′a(n)和v′p(n)表示旋转操作处理后的幅度和相位信号，θ表示旋转角度，分别设置为0、π、

15、然后对旋转操作处理后的雷达a/p信号进行置零随机遮挡。

16、优选地，所述两个并行特征提取器包括：混合注意力ghost提取器(ha-ghostextractor)和基于gru的提取器(gru-based extractor)。

17、优选地，所述混合注意力ghost提取器(ha-ghost extractor)包括：1个卷积层、3个ha-ghost模块和1个全局平均池化层用来提取雷达a/p信号的空间信息，得到雷达a/p信号的空域特征。

18、其中ha-ghost模块里对常规的ghost模块进行改进，将内核大小改为1×3来适应信号序列，然后部署了bn和relu来防止梯度消失并提高训练速度，在原有通道注意力的基础上加上空间注意力，可以在处理雷达信号的过程中更好地抑制无关信息。

19、优选地，所述基于gru的提取器(gru-based extractor)包括：使用1个两层的gru来学习输入信号的时间相关性，得到雷达a/p信号的时域特征。

20、优选地，所述将雷达a/p信号的时域特征和空域特征进行融合，得到融合后的雷达信号时空特征包括：

21、将由ha-ghost提取器提取到的空域特征和基于gru的提取器提取到的时域特征按照以下表达式进行特征融合：

22、

23、其中表示连接操作，fs和ft表示空域特征和时域特征，a和b表示的是权重的最佳值，用于增强有用信息和减少不重要信息的干扰。

24、优选地，所述时空共享解码器模块包括：1个时空共享解码器和1个调制分类器。时空共享解码器仅由1个卷积层和1个平坦层组成，用来重构原始输入雷达a/p信号，比传统解码器模型小得多。调制分类器包括3个全连接层和一个softmax层，可以有效地连接到融合特征并识别调制方式。

25、优选地，在将所述融合后的雷达信号时空特征通过时空共享解码器模块进行重构和调制方式识别任务，得到最终的分类结果的步骤之后，还包括：

26、利用交叉熵和重构的均方误差作为总的损失函数将预测结果与实际调制方式标签进行对比；

27、通过最小化总的损失函数对所述调制分类器进行训练优化；

28、利用优化后的调制分类器执行雷达信号调制方式识别分类任务。

29、优选地，所述总的损失函数的公式如下：

30、

31、

32、lf＝(1-α)lclf+αlrecon

33、其中lrecon和lclf分别表示重构损失和交叉熵，lf表示总的损失。n表示样本总数，vk表示第k个样本，表示第k个重构样本。pm等于1当属于第m类时，否则为0，pm表示m类的预测概率。α表示控制两个损失函数平衡的超参数。

34、此外，本发明还提供了一种实施所述方法的高效雷达信号调制方式识别装置，包括以下模块：

35、信号处理模块，用于对雷达i/q信号进行预处理转换为雷达a/p信号，并进行旋转和遮挡；

36、特征提取模块，用于将旋转和遮挡处理后的雷达a/p信号作为高效时空特征共享重构网络的两个并行特征提取器的输入，分别得到雷达a/p信号的时域特征和空域特征；

37、特征融合模块，用于将所述雷达a/p信号的时域特征和空域特征进行融合，得到融合后的雷达信号时空特征；

38、调制识别模块，用于将所述融合后的雷达信号时空特征通过时空共享解码器模块进行重构和调制方式识别任务，得到最终的分类结果。

39、本发明提供的技术方案具有以下有益效果：

40、(1)本发明提出了一种基于时空特征共享重构网络starnet，由于该网络包括两个并行特征提取器，分别使用单个自动编码器结构同时提取雷达信号的低维空间和时间特征，故以一种轻量化的方式达到优秀的识别精度。

41、(2)本发明提出了一种混合注意力模块ghost (ha-ghost)，由于将内核大小改为1×3来适应信号序列，然后部署了bn和relu来防止梯度消失并提高训练速度，在原有通道注意力的基础上加上空间注意力，可以在处理雷达信号的过程中更好地抑制无关信息，故可以自动选择更多有区别的雷达信号信息，与传统ghost模型相比，ha-ghost更适合自动调制方式识别分类任务。

42、(3)在基准数据集上的大量实验表明，所提出的starnet实现了63.60％的平均调制分类准确率，优于先前最先进的模型。尽管提取了更多类型的特征，starnet只有14860个参数，这比现有的基于自动编码器的方法要小，使其成为资源受限系统的有前途的候选。