本发明涉及辐射源信号识别,特别是一种基于模型剪枝的辐射源信号识别方法。
背景技术:
1、辐射源信号识别是现代电子战领域的基础技术之一,它能对截获到的敌方雷达信号进行分析和识别,为我方作战指挥人员提供战场态势信息,从而在电子战场中取得先机。
2、在现代日益密集复杂的电磁环境下,新体制雷达层出不穷,信号样式复杂多变,辐射源信号识别面临严峻的挑战,传统基于脉冲描述字外部特征参数测量的辐射源信号识别手段,已经不能满足战场上快速、准确区分辐射源信号的需求,因此基于辐射源信号的脉内时频特征分类识别逐步成为研究热点。
3、近年来随着深度学习的发展,神经网络以其强大的特征提取能力被逐步应用于辐射源信号识别领域。现有的基于神经网络的辐射源信号识别方法大多关注的是信号识别准确率的提升,然而一个识别性能优越的神经网络模型往往有着庞大的参数量和运算量,参数量一般以百万为单位,运算量一般以十亿次为单位,难以部署在存储资源和运算资源有限的终端设备上。
4、综上所述,现有的基于神经网络的辐射源信号识别方法存在模型冗余、运算量庞大、难以部署等问题,在一定程度上限制了神经网络在信号识别领域的发展。
技术实现思路
1、本发明的目的在于提供一种基准网络的参数量和运算量低、易于部署在终端设备上的基于模型剪枝的辐射源信号识别方法。
2、实现本发明目的的技术解决方案为:一种基于模型剪枝的辐射源信号识别方法,包括以下步骤:
3、步骤1、获取辐射源信号时域数据,生成cwd时频特征分布图像并进行预处理,构建辐射源信号时频特征数据集,划分训练集和测试集;
4、步骤2、构建基准网络,采用辐射源信号时频特征数据集对基准网络进行训练,输出训练后的基准网络;
5、步骤3、计算基准网络中每层卷积层的梯度,并将梯度值的总和作为层梯度流量,根据层梯度流量的大小确定每个卷积层的重要性程度;
6、步骤4、计算基准网络的卷积核混合效用值,对混合效用值在卷积层级间进行排序,按照每层的层梯度流量大小确定每层卷积层的剪枝比例,按照剪枝比例去除混合效用值较低的卷积核,得到初步剪枝后的子网络;
7、步骤5、设置子网络微调训练的超参数,利用训练集对子网络进行微调训练,将辐射源信号测试集输入至微调后的子网络进行识别,得到信号识别结果。
8、进一步地,步骤1中的辐射源信号,包括八种调制类型,分别为单频信号cw、线性调频信号lfm、偶二次调频信号eqfm、余弦调制信号sfm、跳频信号costas、二相编码信号bpsk、线性调频-频率编码混合调制信号lfm_fsk和线性调频-余弦调频混合调制信号lfm_sfm,各信号的参数在设定范围内随机生成。
9、进一步地,步骤1中的获取辐射源信号时域数据,生成cwd时频特征分布图像并进行预处理,构建辐射源信号时频特征数据集,划分训练集和测试集,具体如下:
10、步骤1.1、获取辐射源信号时域数据;
11、步骤1.2、采用cwd时频变换对辐射源信号时域数据进行时频变换,得到原始时频特征分布图像;
12、步骤1.3、将原始时频特征分布图像标准化,并将图像大小调整为3*224*224,使图像适合基准网络的输入维度大小;
13、步骤1.4、将不同的时频特征分布图像与对应的信号类型一一对应,生成数据集,按照3∶1的比例划分成训练集和测试集。
14、进一步地,步骤2中的基准网络为一个具有5层卷积层、5层bn层、5层池化层和2层全连接层的卷积神经网络,卷积核数量分别为32、32、64、64、64。
15、进一步地,步骤2中对基准网络进行训练,采用的损失函数为交叉熵损失函数。
16、进一步地,步骤2中的构建基准网络,采用辐射源信号时频特征数据集对基准网络进行训练,输出训练后的基准网络,具体如下:
17、步骤2.1、构建具有5层卷积层、5层bn层、5层池化层和2层全连接层的卷积神经网络的基准网络;
18、步骤2.2、采用辐射源信号时频特征数据集对基准网络进行训练,首先经过卷积层与批归一化层,然后使用池化层来降低特征图的维度大小,最后通过全连接层输出分类结果。
19、进一步地,步骤3中计算基准网络中每层卷积层的梯度,并将梯度值的总和作为层梯度流量,根据层梯度流量的大小确定每个卷积层的重要性程度,具体如下:
20、步骤3.1、将辐射源信号训练集输入至训练好的基准网络,计算出损失函数对网络输出的梯度,使用链式法则计算每一层卷积层的梯度值;
21、步骤3.2、对于每一层卷积层,将梯度值进行归一化处理,归一化公式如下:
22、
23、其中,g(k)ij表示第k个特征图i,j处的梯度值,g(k)ij表示第k个特征图i,j处的归一化梯度值,|| ||2表示l2范数;
24、步骤3.3、将每层卷积层归一化梯度值的总和作为层梯度流量的大小,层梯度流量越大说明这一层卷积层越重要。
25、进一步地,步骤4中计算基准网络的卷积核混合效用值,对混合效用值在卷积层级间进行排序,按照每层的层梯度流量大小确定每层卷积层的剪枝比例,按照剪枝比例去除混合效用值较低的卷积核,得到初步剪枝后的子网络,具体如下:
26、步骤4.1、将辐射源信号训练集输入至训练好的基准网络;
27、步骤4.2、分别计算各卷积核的混合效用值并按照大小在每层卷积层之内进行排序,混合效用值计算公式如下:
28、
29、其中,μ(hi)为第i个卷积核的效用值,c为交叉熵损失函数值,hi为第i个卷积核对应的特征图激活值,ki表示第i个的卷积核;α为权重大小,α取0.6;
30、步骤4.3、根据层梯度流量的大小确定每层卷积层的剪枝比例,层梯度流量越大的卷积层剪枝比例设置得越小,反之剪枝比例设置得越大;
31、步骤4.4、按照剪枝比例去除混合效用值低的卷积核,判断剪枝后的子网络是否达到预设的结束剪枝的条件,如果否,则重复步骤4.1~步骤4.4;反之,结束剪枝,输出剪枝后的子网络。
32、进一步地,步骤5中子网络微调训练的超参数包括训练轮次、学习率、批次大小、优化器、动量和权重衰减。
33、进一步地,步骤5中的损失函数采用的是步骤2中的交叉熵损失函数,微调训练轮次设置为10,学习率设置为0.01,批次大小设置为64,优化器选用sgd优化器,动量设置为0.9,权重衰减设置为0.005。
34、本发明与现有技术相比,其显著优点为:(1)基于大量不同信噪比下的不同类别的辐射源信号时频特征图像,通过对训练好的基准网络进行剪枝,得到一个结构精简的子网络,该方法下得到的子网络与基准网络相比具有参数量与运算量少的优点;(2)易于部署在终端设备上,提升了基准网络的硬件部署的友好性,信号识别准确率高,适合在实际电子战战场中推广使用。
1.一种基于模型剪枝的辐射源信号识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤1中的辐射源信号,包括八种调制类型,分别为单频信号cw、线性调频信号lfm、偶二次调频信号eqfm、余弦调制信号sfm、跳频信号costas、二相编码信号bpsk、线性调频-频率编码混合调制信号lfm_fsk和线性调频-余弦调频混合调制信号lfm_sfm,各信号的参数在设定范围内随机生成。
3.根据权利要求2所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤1中的获取辐射源信号时域数据,生成cwd时频特征分布图像并进行预处理,构建辐射源信号时频特征数据集,划分训练集和测试集,具体如下:
4.根据权利要求3所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤2中的基准网络为一个具有5层卷积层、5层bn层、5层池化层和2层全连接层的卷积神经网络,卷积核数量分别为32、32、64、64、64。
5.根据权利要求2、3或4所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤2中对基准网络进行训练,采用的损失函数为交叉熵损失函数。
6.根据权利要求5所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤2中的构建基准网络,采用辐射源信号时频特征数据集对基准网络进行训练,输出训练后的基准网络,具体如下:
7.根据权利要求6所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤3中计算基准网络中每层卷积层的梯度,并将梯度值的总和作为层梯度流量,根据层梯度流量的大小确定每个卷积层的重要性程度,具体如下:
8.根据权利要求7所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤4中计算基准网络的卷积核混合效用值,对混合效用值在卷积层级间进行排序,按照每层的层梯度流量大小确定每层卷积层的剪枝比例,按照剪枝比例去除混合效用值较低的卷积核,得到初步剪枝后的子网络,具体如下:
9.根据权利要求8所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤5中子网络微调训练的超参数包括训练轮次、学习率、批次大小、优化器、动量和权重衰减。
10.根据权利要求9所述的基于模型剪枝的辐射源信号识别方法,其特征在于,步骤5中的损失函数采用的是步骤2中的交叉熵损失函数,微调训练轮次设置为10,学习率设置为0.01,批次大小设置为64,优化器选用sgd优化器,动量设置为0.9,权重衰减设置为0.005。