[发明专利]基于注意力机制的雷达信号调制方式识别方法

说明书

基于注意力机制的雷达信号调制方式识别方法，通过长短时记忆网络提取信号原始数据信号特征，根据注意力机制为学习到的特征分配权重，最后，分类器根据学习到的特征输出分类结果。利用Python语言的PyTorch框架对模型进行代码实现。通过对常见信号雷达信号体制进行过仿真实验，可以看出该算法的预测准确率较高，稳定性好，表明了此模型对常见雷达信号调制方式识别是具有可行性和有效性的。

技术领域

本发明涉及雷达信号调制方式识别的技术领域，尤其涉及基于注意力机制的雷达信号调制方式识别方法的技术领域。

背景技术

雷达信号调制方式识别是雷达信号处理方向的一个重要分支，主要包括基于传统算法识别与基于深度学习算法识别两大部分，近几年来发展速度十分快。基于传统算法的雷达信号识别主要是利用特征提取算法提取有效的信号时域、频域以及时频域特征，然后利用分类器对特征分类，进而实现雷达信号的识别。张葛祥等学者提出了一种基于相像系数的雷达信号特征提取算法，然后利用神经网络对其进行分类，实验结果表明，对9类典型雷达信号的识别平均准确率为99.33％；张葛祥等学者还提出了一种在大信噪比范围内提取雷达辐射源信号复杂性特征的新方法，并利用径向基概率神经网络(RBPNN)对不同的雷达辐射源信号进行识别，仿真结果表明，该方法在大范围信噪比变化情况下具有较高的平均识别率，具有较好的应用价值。朱健东等学者提出了一种基于时频分析技术提取瞬时频率的雷达调制方式识别算法，针对雷达信号的识别问题,提出了一种利用Choi-Williams时频图像处理的雷达识别技术，实验结果表明，通过时频分析技术进行扩维，针对相似以及难识别的雷达信号类型，既可以提升识别准确率，又可以提升识别精度。刘康宁使用时频分析法对于复杂雷达调制信号，通过识别其时频分布熵特征、瞬时频率级联特征实现了对复杂雷达调制信号的识别。张忠民等学者针对在雷达信号脉内调制方式识别领域遇到对于低信噪比环境下识别率低的问题,提出了一种基于分数阶傅里叶变换(FRFT)和循环谱的雷达信号识别方法，经实验验证，该方法在信噪比大于2dB时，总体识别率达到90％以上。

近几年，伴随着深度学习技术高速发展，其算法思想在雷达信号识别领域得到了广泛的应用。Ma,Zhiyuan等学者针对大多数低截获雷达信号的非平稳特性，提出了一种具有两种不同特征提取结构的多特征图像联合决策模型，通过对11种雷达信号进行仿真，生成训练集和测试集，验证该模型在信噪比为-6dB时，该方法的整体识别准确率达到87.7％。Jingpeng Gao等学者提出了一种雷达辐射源信号的精确识别系统。该系统可以有效地分离多个信号，准确地识别二进制相移键控(BPSK)、线性调频(LFM)、连续波(CW)、Costas、Frank码和P1到P4码。仿真结果表明，当信噪比为0dB时，单信号识别率可达96.23％，双信号识别率可达72％。石礼盟等学者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。仿真实验证明，相较于传统的识别方法，该方法在识别率和抗噪声能力等方面表现优异。刘括然学者提出基于长短时记忆网络(LSTM)模型对雷达辐射源进行识别分类方法，通过仿真实现对辐射源的识别，结果表明构建的LSTM模型识别辐射源的效果很好，平均识别率达93.2％。刘钇壮学者提出了一种基于双时频分析和深度神经网络的雷达智能识别算法，通过仿真实验证明该算法有较高识别率和较快的识别速度。

传统的机器学习方法在处理雷达信号调试方式识别时，很难处理时序问题，因为雷达信号往往都是发射机根据预先设置的调制方式然后按照时序依次产生的，所以使用传统的机器学习方法识别雷达信号调制方式效率较低。在基于深度学习的雷达信号调制方式识别中，LSTM是一种用于处理时序数据的神经网络模型，长短时记忆网络深度学习模型在基于特征的自动调制分类技术中得到了广泛的应用，许多学者利用该模型进行信号特征的提取，实现雷达辐射源分类及调制方式识别。但LSTM模型的时间性能会随着输入数据规模的增大显著下降，而雷达信号数据量往往较大。

发明内容

本发明提供了一种基于注意力机制的LSTM网络模型的雷达信号调制方式识别算法，该算法通过长短时记忆网络提取信号原始数据信号特征，根据注意力机制为学习到的特征分配权重，最后，分类器根据学习到的特征输出分类结果。