一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于FPGA的雷达辐射源信号识别模型的构建方法


[0001]本专利技术涉及雷达
，具体涉及一种基于
FPGA
的雷达辐射源信号识别模型的构建方法
。

技术介绍

[0002]雷达辐射源信号识别是电子侦察与对抗中的一个重要组成部分，在传统雷达辐射源识别中，常采用基于脉冲描述字
(Pulse Description Word
，
PDW)
特征参数匹配法，或是通过将信号进行时域
、
频域和时频域等变换，然后人工提取脉内特征进行分类识别，存在低信噪比下识别率低
、
泛化能力弱
、
鲁棒性差等特点
。
近年来，随着深度学习在计算机视觉
、
自然语言处理等领域大放异彩，各种基于深度学习的雷达辐射源识别方法相继被提出，并不断取得突破
。
基于深度学习的方法可以在不依赖人工提取特征的前提下，完成端到端的识别，且能够取得很高的识别率，其抗干扰能力和泛化能力也更强
。
文献
[1]利用经典的卷积神经网络
(convolutional neural network
，
CNN)
模型
AlexNet
对信号的时频图进行分类识别，将信号转化为二维图像进行识别，获得了较高的识别精度；文献
[2]采用改进的一维卷积长短时深度神经网络
(one
‑
dimensional convolutional long
‑
short
‑
term
‑
memory deep neural networks
，
1CLDNN)
与时间卷积神经网络
(Temporal Convolutional Network
，
TCN)
结合的模型对辐射源信号分类，信号识别准确率较卷积神经网络模型有一定提升
。
[0003]然而，深度神经网络模型的特征提取能力和其规模大小一般互为矛盾的关系，为了提升模型的识别性能，网络模型通常采用较为复杂的结构，这也导致了模型的计算复杂度和时间复杂度都比较高，给边缘计算设备有限的计算
、
存储资源条件带来了难题，也难以满足实际识别场景中的实时性要求
。
因此，鲜有雷达辐射源识别模型被部署于边缘计算设备中
。
[0004]而申请号为
201811553980.2
的中国专利技术公开了一种
《
基于
VAE
‑
ResNet
网络的雷达辐射源识别方法
》
，其技术方案为：对从接收机接收到的混叠信号进行分离，得到雷达辐射源信号，生成雷达辐射源信号数据集，其中包括7种不同的雷达辐射源信号，分别为常规脉冲信号
、
线性调频信号
、
非线性体调频信号
、
二相编码信号
、
四相编码信号
、
二频编码信号和四频编码信号，然后进行信号预处理，构建
VAE
‑
ResNet
网络，并对
VAE
‑
ResNet
网络进行训练，得到训练好的
VAE
‑
ResNet
网络以预测雷达辐射源信号分类，即输出识别结果
。
然而，深度神经网络模型的特征提取能力和其规模大小一般互为矛盾的关系，为了提升模型的识别性能，网络模型通常采用较为复杂的结构，这也导致了模型的计算复杂度和时间复杂度都比较高，给边缘计算设备有限的计算
、
存储资源条件带来了难题，也难以满足实际识别场景中的实时性要求
。
与其相比，本申请设计用于雷达辐射源信号识别的轻量化模型，并对模型进行剪枝操作，对剪枝后的模型参数进行静态量化，进一步地缩减了模型规模，提升雷达辐射源识别的实时性
。

技术实现思路

[0005]本专利技术为解决现有技术雷达辐射源信号的识别存在计算复杂度和时间复杂度较高且识别实时性较低的技术问题，提供了一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，本专利技术采用的技术方案是：
[0006]本专利技术提供了一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，包括以下步骤：
[0007]S1
，构建雷达辐射源数据集；
[0008]S2
，设计基于深度可分离卷积的原始模型，记作
1D
‑
LDS
‑
CNN
模型；
[0009]S3
，步骤
S2
所得模型采用所述雷达辐射源数据集进行稀疏正则化训练，得到权重稀疏的
1D
‑
LDS
‑
CNN
模型；
[0010]S4
，对步骤
S3
所得模型进行模型剪枝，根据预设的滤波器重要性的判定依据，逐层对滤波器进行排序，剪除稀疏的滤波器和相应通道；
[0011]S5
，对步骤
S4
所得模型进行微调训练并重复迭代，直到模型精度和压缩比均满足预设要求；
[0012]S6
，对步骤
S5
所得模型进行模型参数量化，并设计模型参数存储与读取的优化策略；
[0013]S7
，构建基于
FPGA
的网络层模块复用架构并结合预设的加速策略以加速步骤
S6
所得模型的推理过程，最终得到目标模型
。
[0014]相较于现有技术，本专利技术方法设计用于雷达辐射源信号识别的轻量化模型，并对模型进行稀疏训练以及剪枝操作，对剪枝后的模型参数进行静态量化，进一步地缩减了模型规模，最后通过基于
FPGA
的网络层模块复用架构并结合加速策略提升雷达辐射源识别的实时性
。
[0015]作为一种优选方案，在所述步骤
S1
中，所述雷达辐射源数据集包括
CW
信号
、LFM
信号
、NLFM
信号
、BPSK
信号
、BFSK
信号
、QPSK
信号
、QFSK
信号
、P1
相位编码信号
、P2
相位编码信号
、P3
相位编码信号以及
P4
相位编码信号
。
[0016]作为一种优选方案，在所述步骤
S2
中，所述
1D
‑
LDS
‑
CNN
模型包括依次连接的1个普通卷积层
、8
个深度可分离卷积层
...

【技术保护点】

【技术特征摘要】
1.
一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，其特征在于，包括以下步骤：
S1
，构建雷达辐射源数据集；
S2
，设计基于深度可分离卷积的原始模型，记作
1D
‑
LDS
‑
CNN
模型；
S3
，步骤
S2
所得模型采用所述雷达辐射源数据集进行稀疏正则化训练，得到权重稀疏的
1D
‑
LDS
‑
CNN
模型；
S4
，对步骤
S3
所得模型进行模型剪枝，根据预设的滤波器重要性的判定依据，逐层对滤波器进行排序，剪除稀疏的滤波器和相应通道；
S5
，对步骤
S4
所得模型进行微调训练并重复迭代，直到模型精度和压缩比均满足预设要求；
S6
，对步骤
S5
所得模型进行模型参数量化，并设计模型参数存储与读取的优化策略；
S7
，构建基于
FPGA
的网络层模块复用架构并结合预设的加速策略以加速步骤
S6
所得模型的推理过程，最终得到目标模型
。2.
根据权利要求1所述的一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，其特征在于，在所述步骤
S1
中，所述雷达辐射源数据集包括
CW
信号
、LFM
信号
、NLFM
信号
、BPSK
信号
、BFSK
信号
、QPSK
信号
、QFSK
信号
、P1
相位编码信号
、P2
相位编码信号
、P3
相位编码信号以及
P4
相位编码信号
。3.
根据权利要求2所述的一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，其特征在于，在所述步骤
S2
中，所述
1D
‑
LDS
‑
CNN
模型包括依次连接的1个普通卷积层
、8
个深度可分离卷积层
、1
个全局平均池化层以及1个全连接层；所述普通卷积层和深度可分离卷积层均包括
BN
层
。4.
根据权利要求3所述的一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，其特征在于，在所述步骤
S3
中，所述稀疏正则化训练具体包括以下步骤：
S31
，在所述
1D
‑
LDS
‑
CNN
模型中，所述
BN
层包括缩放系数
γ
，由于
BN
层的缩放系数
γ
对应每一个激活通道，表示每个激活通道的重要性，而每一个激活通道都对应着上一层的一个滤波器，因此缩放系数
γ
间接反映了对应滤波器的重要性；因此，通过对所述
BN
层的缩放系数
γ
施加
L1
正则化，使得
γ
更加稀疏且让一部分值分布于0值附近，具体实现是在原始定义的损失函数中增加一项对缩放系数
γ
的稀疏性惩罚，从而使得滤波器中的参数稀疏化，具体的计算式为：其中，
loss
为分类网络反馈损失，
λ
为调节正则化惩罚项的系数，
Ψ
代表本次训练的所有通道，
g(*)
是对尺度因子的
L1
稀疏性惩罚；
S32
，设计稀疏性度量公式以评估所述滤波器的稀疏性，具体为：，设计稀疏性度量公式以评估所述滤波器的稀疏性，具体为：，设计稀疏性度量公式以评估所述滤波器的稀疏性，具体为：
其中，
k
为卷积核权重，
n、c、w、h
为4维滤波器张量的维度数，其中
n
为层内滤波器数量，
c
为滤波器输入通道数；
S
i
(n)
表示第
i
层中第
n
个滤波器的稀疏值，
S
i
(n)
越接近0，表示该滤波器与层内的其他滤波器相比更冗余；
T
i
为第
i
层内所有滤波器权值的
L1
范数的中位数，选取中位数作为的阶跃函数
σ
(x)
的门限值
。5.
根据权利要求4所述的一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，其特征在于，在所述步骤
S4
中，将步骤
S3
中的
S
i
(n)
与
γ
相结合，作为滤波器重要性的判定依据，得出层内滤波器重要判定函数，具体为：
I
i
(n)
＝
γ
i
(n)*S
i
(n)
；其中，
I
i
(n)
为第
i
层内第
n
个滤波器重要性度量值，
γ
i
(n)
为该滤波器对应的
BN
层缩放系数；
S
i
(n)
表示第
i
层中第
n
个滤波器的稀疏值
。6.
根据权利要求5所述的一种基于
FPGA
的雷达辐射源信号识别模型的构建方法，其特征在于，在所述步骤
S4
中，构建基于防剪枝断层机制...

【专利技术属性】
技术研发人员：胡俊，卢俊安，
申请(专利权)人：中山大学，
类型：发明
国别省市：