[发明专利]基于改进UNet3+网络的雷达信号调制类型识别方法

权利要求书

1.基于改进UNet3+网络的雷达信号调制类型识别方法，它包括：

步骤一、数据预处理

1）将侦收设备侦收到的雷达辐射源信号进行采样并截取固定长度，作为数据并打上标签；

2）对数据的标签进行独热编码；

3）将读取的数据按比例分为训练集、验证集、测试集，并使用随机种子将其打乱；

步骤二、神经网络提取特征

4）将处理好的数据输入到改进的网络模型中，优化器采用Adam，损失函数采用交叉熵损失函数，设置初始学习率为0.0001， 最大训练轮数为50轮；

5）设置学习率动态调整机制；

6）设置早停机制；

步骤4)中所述的网络模型，包括：

（1）数据依次经过卷积池化层1、正则化层1、卷积池化层2、正则化层2、卷积池化层3、正则化层3，通过大小为32，步长为5的卷积核对原始信号进行卷积处理；3个正则化层的系数分别为0.2、0.1、0.1；

（2）再经过卷积层4、5、6处理数据，他们通过大小为8，步长为5的卷积核对数据进行卷积处理，再通过全尺度跳过连接的方式进入到特征融合层1进行特征融合，融合后的数据依次经过卷积层7、批量归一化1、卷积层8，得到的新数据与卷积层4的数据、卷积层6的数据同时进入到特征融合层2进行融合；

（3）在特征融合层2后，数据依次进入注意力层、卷积池化层9、批量归一化2、正则化层4、平铺层、全连接层。

2.根据权利要求1所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的训练集、验证集、测试集比例为47：23：3。

3.根据权利要求2所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的数据的标签为：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4。

4.根据权利要求3所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的步骤5）中学习率最低为0.0000125。

5.根据权利要求1、2、3或4所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的早停机制：当验证集损失不再减小，经过5轮训练后仍没有得到改善，则终止训练。

6.根据权利要求5所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的卷积池化层为：卷积层后加最大池化层，最大池化层的大小为2，组成卷积—池化结构。

7.根据权利要求6所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的卷积层7、8、9是通过大小为8，步长为7的卷积核对数据进行卷积处理。

8.根据权利要求7所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：注意力机制，包括：1）信息的输入：用X=[X₁,X₂,…X_t-1，X_t]表示t个输入信息；2）计算注意力概率分布值a；3）根据注意力概率分布值a来计算输入信息的加权平均；

注意力机制的权重系数计算公式为：

;

上述公式中，e_t为输出向量k_t所决定的注意力概率分布值；a_t为注意力机制对神经网络隐藏层输出的注意力概率分布值；m_t为注意力机制在t时刻的输出，是将权重和相应的向量进行加权得到最后的注意力机制处理结果。

9.根据权利要求8所述的基于改进UNet3+网络的雷达信号调制类型识别方法，其特征在于：所述的正则化层4系数为0.4。