崔邦彥, 田潤(rùn)瀾,*, 王東風(fēng), 崔 鋼, 石靜苑

(1. 空軍航空大學(xué)航空作戰(zhàn)勤務(wù)學(xué)院, 吉林 長(zhǎng)春 130022; 2. 空軍研究院, 北京 100012;3. 空軍航空大學(xué)航空基礎(chǔ)學(xué)院, 吉林 長(zhǎng)春 130022)

0 引 言

早期雷達(dá)體制單一,輻射源信號(hào)脈內(nèi)調(diào)制類型相對(duì)簡(jiǎn)單,戰(zhàn)場(chǎng)電磁環(huán)境并不復(fù)雜。輻射源識(shí)別[1]是電子對(duì)抗偵察的一項(xiàng)重要內(nèi)容[2]。傳統(tǒng)的雷達(dá)輻射源識(shí)別方法將雷達(dá)輻射源信號(hào)從時(shí)域、頻域和時(shí)頻域等多角度與雷達(dá)數(shù)據(jù)庫(kù)對(duì)比及匹配。文獻(xiàn)[3]中提出應(yīng)用修正的D-S證據(jù)融合策略對(duì)融合算法進(jìn)行改進(jìn);文獻(xiàn)[4]提出應(yīng)用模糊推理實(shí)現(xiàn)對(duì)輻射源的識(shí)別。這些方法識(shí)別速度和識(shí)別準(zhǔn)確率較高,但是隨著新體制雷達(dá)的出現(xiàn),這些方法難以應(yīng)對(duì)復(fù)雜電磁環(huán)境[5]下快速準(zhǔn)確地識(shí)別雷達(dá)輻射源信號(hào)。因此,需要找到一種新方法,既能保證更快的識(shí)別速度,又能在低信噪比環(huán)境下有較高的識(shí)別準(zhǔn)確率。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)重要的研究方向,它學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次,能較全面地提取樣本數(shù)據(jù)特征,有效地避免人為提取特征的不完備性。訓(xùn)練后的深度學(xué)習(xí)模型有較快的識(shí)別速度和識(shí)別準(zhǔn)確率。近些年,深度學(xué)習(xí)應(yīng)用于雷達(dá)輻射源識(shí)別成為熱點(diǎn)。如文獻(xiàn)[6]采用一維卷積長(zhǎng)短時(shí)深度神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional long-short-term-memory deep neural networks,1CLDNN)模型結(jié)合center loss損失函數(shù)對(duì)輻射源信號(hào)分類,信號(hào)識(shí)別準(zhǔn)確率較卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)模型有一定提升,但是在低信噪比環(huán)境下識(shí)別準(zhǔn)確率受限;文獻(xiàn)[7]使用深度卷積生成對(duì)抗網(wǎng)絡(luò)(deep convolutional generative adversarial network,DCGAN)生成時(shí)頻圖像,使用VGG16模型對(duì)時(shí)頻圖像訓(xùn)練,各類信號(hào)在-15 dB信噪比環(huán)境下保持75%的準(zhǔn)確率,但耗時(shí)較長(zhǎng)。本課題組成員孫藝聰在文獻(xiàn)[2]中提出改進(jìn)1CLDNN[8]模型，將1CLDNN網(wǎng)絡(luò)中的長(zhǎng)短時(shí)記憶(long short-term memory, LSTM)層換成雙向門控循環(huán)裝置(bi-directional gated recurrent unit, Bi-GRU)，利用Bi-GRU[9]的雙向結(jié)構(gòu)獲取更多的結(jié)構(gòu)信息,該網(wǎng)絡(luò)在識(shí)別準(zhǔn)確率和識(shí)別速度上都有提高,但是改進(jìn)的1CLDNN在處理低截獲概率雷達(dá)信號(hào)時(shí)受限。

針對(duì)上述問(wèn)題,為提高信號(hào)識(shí)別速度和低信噪比環(huán)境下識(shí)別的準(zhǔn)確率,本文在1CLDNN模型基礎(chǔ)上引入特征融合方法和注意力機(jī)制,提出注意力機(jī)制特征融合1CLDNN網(wǎng)絡(luò)(attention-mechanism feature-fusion 1CLDNN, AF1CLDNN)。

1 1CLDNN模型

1CLDNN模型主要是由一維CNN(one-dimensional CNN,1CNN)、LSTM網(wǎng)絡(luò)[10]、深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)組成，如圖1所示。該網(wǎng)絡(luò)結(jié)構(gòu)最早于2015年由Sainath等人提出,現(xiàn)在廣泛應(yīng)用于語(yǔ)音識(shí)別領(lǐng)域[11-13]。

圖1 1CLDNN結(jié)構(gòu)

1CLDNN中的子網(wǎng)絡(luò)建模能力各有不同,1CNN擅長(zhǎng)減小頻域變化,LSTM提供長(zhǎng)時(shí)記憶,DNN擅長(zhǎng)將特征映射到獨(dú)立的歐幾里得空間,將這3種網(wǎng)絡(luò)序貫連接,在信號(hào)識(shí)別領(lǐng)域獲得比單獨(dú)任意一個(gè)網(wǎng)絡(luò)更優(yōu)的性能。

2 特征融合方法和注意力機(jī)制

2.1 特征融合方法

本文引入集成學(xué)習(xí)中的特征融合[14-15]方法,對(duì)多種特征在分類器層次上進(jìn)行融合,使數(shù)據(jù)中深層特征和淺層特征融合,深層和淺層的特征能夠優(yōu)勢(shì)互補(bǔ),從而增強(qiáng)特征的描述能力,有效提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率。

基于卷積神經(jīng)網(wǎng)絡(luò)的輻射源分類識(shí)別算法通常采用特征融合方法提高輻射源的識(shí)別精度。假設(shè)Yi(i=1,2,…,N)、Yj(j=1,2,…,N)為原始特征和融合特征,N為特征數(shù)，特征融合算法可以概括為

Yj=φj[φi(Yi)],i=1,2,…,N;j=1,2,…,N

(1)

式中,φi代表轉(zhuǎn)換函數(shù);φj代表特征融合函數(shù);特征融合后的結(jié)果Yj融合了上層分類器的深層特征和淺層特征,使提取的特征更全面,從而提高輻射源信號(hào)分類識(shí)別速度和識(shí)別準(zhǔn)確率。

2.2 注意力機(jī)制

近年來(lái),研究人員將人類視覺的選擇性注意力機(jī)制[16-19]引入到深度學(xué)習(xí)中,人類視覺的注意力機(jī)制是人類的視覺系統(tǒng)快速地掃描視覺范圍內(nèi)的全局場(chǎng)景,經(jīng)過(guò)大腦信號(hào)處理機(jī)制,選擇需要重點(diǎn)關(guān)注的目標(biāo)區(qū)域,并對(duì)這個(gè)區(qū)域投入更多的注意力資源,以獲取更多的細(xì)節(jié)信息,提升網(wǎng)絡(luò)識(shí)別速度和識(shí)別準(zhǔn)確率。

注意力機(jī)制的本質(zhì)思想是查詢到一系列鍵-值對(duì)的映射，得到一系列鍵-值對(duì)之間的相似度,兩者之間相似度越高會(huì)分配更多的注意力資源,相似度越少則會(huì)分配更少的注意力資源甚至不分配注意力資源。注意力機(jī)制本質(zhì)如圖2所示。

圖2 注意力機(jī)制

輻射源脈沖內(nèi)部特征提取是輻射源信號(hào)識(shí)別[20-23]的關(guān)鍵問(wèn)題。注意力機(jī)制中的詢問(wèn)(Q)代表輻射源信號(hào),注意力機(jī)制中的鍵-值對(duì)(Ki-Vi)代表輻射源信號(hào)中各元素的權(quán)值。將注意力機(jī)制引入識(shí)別輻射源的神經(jīng)網(wǎng)絡(luò)中可以加快神經(jīng)網(wǎng)絡(luò)的識(shí)別速度,并在一定程度上提高神經(jīng)網(wǎng)絡(luò)對(duì)輻射源信號(hào)識(shí)別的準(zhǔn)確率。

在計(jì)算注意力時(shí)主要分為3個(gè)步驟。

步驟 1計(jì)算輻射源信號(hào)和輻射源信號(hào)中各元素權(quán)值的相似度得到權(quán)重。常用的相似度函數(shù)有點(diǎn)積、拼接、感知機(jī)等。本文采用拼接的方法實(shí)現(xiàn)相似度:

f(Q,Ki)=Wα[Q;Ki]

(2)

步驟 2使用Softmax函數(shù)對(duì)上一步得到的權(quán)重歸一化:

(3)

步驟 3最后將權(quán)重和加權(quán)后的輻射源信號(hào)中各元素的權(quán)值進(jìn)行加權(quán)求和得到注意力:

(4)

3 AF1CLDNNF模型

3.1 AF1CLDNN結(jié)構(gòu)

AF1CLDNN模型是1CLDNN模型的改進(jìn)型,AF1CLDNN模型結(jié)構(gòu)如圖3所示。該模型的網(wǎng)絡(luò)結(jié)構(gòu)包括一維卷積池化層、LSTM層、注意力層、DNN層和特征融合層。圖3中紅色虛線框中的是1CLDNN模型,1CLDNN模型在處理序列數(shù)據(jù)問(wèn)題上具有一定的優(yōu)勢(shì):其一,可以提取時(shí)間序列的淺層特征；其二,能提供長(zhǎng)時(shí)記憶。1CLDNN模型也具有一定的局限性:① 模型并不能提取序列數(shù)據(jù)的深層特征;② LSTM模型訓(xùn)練速度慢,當(dāng)數(shù)據(jù)量在一定數(shù)量級(jí)時(shí),網(wǎng)絡(luò)弊端就很明顯;③ 1CLDNN模型對(duì)輻射源信號(hào)識(shí)別的準(zhǔn)確率還需要提升。

圖3 AF1CLDNN模型結(jié)構(gòu)

針對(duì)上述問(wèn)題本文在1CLDNN模型的基礎(chǔ)上加入另一個(gè)支路DNN[24-27],如圖3中藍(lán)色虛線框部分所示,DNN能夠?qū)⑻卣鬓D(zhuǎn)換到獨(dú)立的歐幾里得特征空間,可以獲得數(shù)據(jù)深層特征信息。1CLDNN提取的淺層特征和DNN提取的深層特征通過(guò)圖3中綠色虛線框內(nèi)的特征融合層將數(shù)據(jù)深層特征和淺層特征進(jìn)行融合,使網(wǎng)絡(luò)在分類輸出時(shí)可根據(jù)更多的特征進(jìn)行選擇,提高網(wǎng)絡(luò)對(duì)輻射源識(shí)別準(zhǔn)確率。1CLDNN中CNN層后加入圖3中紫色虛線框內(nèi)的注意力層,注意力層將更多的注意力資源分配給需要關(guān)注的特征,使得注意力層后的DNN網(wǎng)絡(luò)對(duì)特征提取的效率更高，提高網(wǎng)絡(luò)對(duì)輻射源信號(hào)的識(shí)別速度和識(shí)別準(zhǔn)確率。

3.2 AF1CLDNN模型參數(shù)設(shè)置

AF1CLDNN模型的11層網(wǎng)絡(luò)中包含3個(gè)一維卷積池化層、2個(gè)LSTM層以及5個(gè)全連接層。所有的一維卷積層具有相同的配置,步長(zhǎng)為5,維度由128、64到16;共有3個(gè)最大池化層,大小依次為4、4和3,步長(zhǎng)為1;共有5個(gè)全連接層，輸出結(jié)果的維度由16、64、32、8到7;共有2個(gè)LSTM層，輸出維度分別為32和16。整體參數(shù)結(jié)構(gòu)如圖4所示。

3.3 訓(xùn)練流程

鑒于AF1CLDNN模型處理具有時(shí)間相關(guān)性的序列數(shù)據(jù)效果好,本文采用時(shí)域下雷達(dá)脈沖的幅度序列數(shù)據(jù)作為模型輸入數(shù)據(jù)。

步驟 1輻射源信號(hào)輸入。將輻射源數(shù)據(jù)和標(biāo)簽輸入到AF1CLDNN模型中。

步驟 2數(shù)據(jù)預(yù)處理。將輻射源數(shù)據(jù)都截成長(zhǎng)度為1 024×1。

步驟 3標(biāo)簽處理。對(duì)不同類別的標(biāo)簽進(jìn)行one-hot編碼。

步驟 4建立數(shù)據(jù)集。將數(shù)據(jù)按照不同的類別以相同的比例0.28∶0.42∶0.3分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,并將其隨機(jī)打亂。

步驟 5設(shè)置EarlyStopping。在訓(xùn)練達(dá)到飽和的時(shí)候可以終止訓(xùn)練。

步驟 6設(shè)置datetime。獲取當(dāng)前時(shí)間,方便測(cè)量網(wǎng)絡(luò)訓(xùn)練用時(shí)。

步驟 7編譯學(xué)習(xí)過(guò)程。損失函數(shù)采用categorical_crossentropy;優(yōu)化器采用Adam;學(xué)習(xí)率初始設(shè)置為1×10-4,學(xué)習(xí)率隨著訓(xùn)練集誤差的變化情況動(dòng)態(tài)調(diào)整。

步驟 8模型訓(xùn)練。設(shè)置batch_size大小為256;訓(xùn)練輪數(shù)設(shè)置為100輪,對(duì)模型訓(xùn)練。

4 實(shí)驗(yàn)及結(jié)果分析

本文采用Matlab仿真時(shí)域下雷達(dá)脈沖的幅度序列數(shù)據(jù)來(lái)驗(yàn)證本模型性能,用Matlab仿真的數(shù)據(jù)集包含7種信號(hào),分別是BPSK、Costas、Frank、P1、P2、P3和P4。7種信號(hào)的信噪比范圍為-20～10 dB,間隔2 dB。每種信號(hào)在每個(gè)信噪比的條件下生成2 000個(gè)樣本,每個(gè)樣本長(zhǎng)度為1 024,所以樣本總計(jì)224 000個(gè),雷達(dá)輻射源信號(hào)的調(diào)制參數(shù)如表1所示。計(jì)算機(jī)配置:CPU為Intel(R)Core(TM) i7-10 750H,GPU為NVIDIA GeForce RTX 2 070 Super。

圖4 AF1CLDNN整體參數(shù)結(jié)構(gòu)圖

表1 信號(hào)主要參數(shù)

實(shí)驗(yàn) 1為了探究特征融合對(duì)網(wǎng)絡(luò)分類能力的影響,實(shí)驗(yàn)將是否對(duì)網(wǎng)絡(luò)進(jìn)行特征融合作為自變量,分別訓(xùn)練1CLDNN和特征融合1CLDNN(feature-fusion 1CLDNN, F1CLDNN),用沒有進(jìn)行特征融合的支路模型的訓(xùn)練結(jié)果與特征融合后的模型訓(xùn)練結(jié)果比較,以測(cè)試集的損失和準(zhǔn)確率、訓(xùn)練集的訓(xùn)練輪數(shù)和訓(xùn)練時(shí)間作為評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表2所示。

表2 特征融合對(duì)網(wǎng)絡(luò)分類能力的影響實(shí)驗(yàn)結(jié)果

從表2中可看出1CLDNN在沒有進(jìn)行特征融合前,無(wú)論是在損失、準(zhǔn)確率、訓(xùn)練輪數(shù)，還是訓(xùn)練時(shí)間都比特征融合后的F1CLDNN效果差;F1CLDNN將1CLDNN提取的淺層特征和DNN提取的深層特征進(jìn)行融合,訓(xùn)練準(zhǔn)確率高,訓(xùn)練輪數(shù)少,訓(xùn)練時(shí)間少,說(shuō)明在特征融合層的作用下模型將數(shù)據(jù)深層特征和淺層特征進(jìn)行融合,使網(wǎng)絡(luò)在分類輸出時(shí)可以根據(jù)更多的特征進(jìn)行選擇,提高網(wǎng)絡(luò)識(shí)別準(zhǔn)確率,在訓(xùn)練過(guò)程中收斂速度更快,擬合效果更好。

實(shí)驗(yàn) 2為了探究注意力機(jī)制對(duì)網(wǎng)絡(luò)分類能力的影響,實(shí)驗(yàn)中將注意力機(jī)制的有無(wú)作為自變量,以測(cè)試集的準(zhǔn)確率和損失、訓(xùn)練集訓(xùn)練輪數(shù)和訓(xùn)練時(shí)間作為評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表3所示。

表3 注意力機(jī)制對(duì)網(wǎng)絡(luò)分類能力的影響實(shí)驗(yàn)結(jié)果

在表3中1CLDNN模型和F1CLDN模型在沒有注意力時(shí)比有注意力時(shí)訓(xùn)練時(shí)間長(zhǎng)、訓(xùn)練輪數(shù)多、準(zhǔn)確率低、損失高,可以看出注意力可在一定程度上提升測(cè)試準(zhǔn)確率和識(shí)別速度并降低損失,但是注意力在F1CLDNN中提升準(zhǔn)確率的效果并不是很明顯,只能在很小的范圍提升準(zhǔn)確率,但是在1CLDNN中應(yīng)用注意力機(jī)制測(cè)試后準(zhǔn)確率顯著提升。注意力機(jī)制在提升訓(xùn)練速度方面有非常大的優(yōu)勢(shì),F1CLDNN在同樣的條件下使用注意力機(jī)制比不使用注意力機(jī)制快了0:12:41,而1CLDNN在同樣的條件下使用注意力機(jī)制比不使用注意力機(jī)制快了4:35:24。注意力層將更多的注意力資源分配給需要關(guān)注的特征到DNN中,提高網(wǎng)絡(luò)對(duì)輻射源信號(hào)的識(shí)別速度和識(shí)別準(zhǔn)確率,因此注意力機(jī)制可以在一定程度上提升網(wǎng)絡(luò)識(shí)別準(zhǔn)確率,加快網(wǎng)絡(luò)識(shí)別速度。

為了觀察注意力都提取信號(hào)的哪些特征使得識(shí)別速度和識(shí)別準(zhǔn)確率提高,實(shí)驗(yàn)將注意力層的輸出與原信號(hào)對(duì)比并將結(jié)果繪制成熱力圖。實(shí)驗(yàn)步驟如下:

步驟 1實(shí)驗(yàn)從7類信號(hào)中的每一類中選取一個(gè)代表這一類信號(hào);

步驟 2將步驟1中提取出的7個(gè)樣本長(zhǎng)度為1 024的信號(hào)從前到后截取樣本長(zhǎng)度為100作為可視化信號(hào);

步驟 3將步驟2中截取的信號(hào)可視化,并將該信號(hào)經(jīng)過(guò)注意力層的權(quán)值通過(guò)熱力圖繪制,原信號(hào)的可視化圖和信號(hào)經(jīng)過(guò)注意力層的權(quán)值熱力圖繪制到一張圖,如圖5所示。

圖5的標(biāo)題位置是信號(hào)類別。左側(cè)縱坐標(biāo)代表樣本長(zhǎng)度為100的信號(hào),信號(hào)的輸入從上到下。右側(cè)縱坐標(biāo)代表分配給每個(gè)顏色的權(quán)值,顏色越深分配的權(quán)值越大。橫坐標(biāo)代表選擇每一類信號(hào)中的第幾個(gè)信號(hào)。黑色代表原始信號(hào),彩色代表分配給該位置信號(hào)的權(quán)值。

由圖5可以更清楚地對(duì)比出注意力層更注重各信號(hào)的特征在信號(hào)樣本中的位置。圖5中這7類信號(hào)經(jīng)過(guò)注意力層后都注重了8,40,56,88這幾個(gè)位置,這幾個(gè)位置比較隨機(jī)且分散,并不能通過(guò)時(shí)頻分析[28-30]后的結(jié)果解釋,但是可以看到這幾個(gè)位置都在波峰處,可以認(rèn)為這幾個(gè)位置是在其他的歐幾里得空間提取出來(lái)的特征,而可以分配更多注意力資源在這幾個(gè)位置對(duì)信號(hào)分類識(shí)別,分配更少注意力資源甚至忽略在一些無(wú)關(guān)位置的注意力資源,可以有效地提高網(wǎng)絡(luò)識(shí)別速度。

圖5 7類信號(hào)注意力層權(quán)值熱力圖

實(shí)驗(yàn) 3在實(shí)驗(yàn)1和實(shí)驗(yàn)2的基礎(chǔ)上為了探究將注意力機(jī)制和特征融合方法結(jié)合是否能進(jìn)一步提升網(wǎng)絡(luò)對(duì)輻射源信號(hào)識(shí)別速度和識(shí)別準(zhǔn)確率,以及在低信噪比下對(duì)各信號(hào)的識(shí)別情況。本文在實(shí)驗(yàn)3中設(shè)置3個(gè)小實(shí)驗(yàn),第1個(gè)小實(shí)驗(yàn)用AF1CLDNN、F1CLDNN、注意力機(jī)制特征融合1CLDNN(attention mechanism 1CLDNN,A1CLDN-N)、1CLDNN和深度學(xué)習(xí)中的經(jīng)典模型以測(cè)試集的準(zhǔn)確率和損失、訓(xùn)練時(shí)間和訓(xùn)練輪數(shù)作為評(píng)價(jià)標(biāo)準(zhǔn)比較,實(shí)驗(yàn)結(jié)果如表4所示。

表4 多種模型結(jié)構(gòu)實(shí)驗(yàn)結(jié)果

由表4可知在1CLDNN的基礎(chǔ)上既引入注意力機(jī)制又引入特征融合方法比只用其中一種的識(shí)別速度快,識(shí)別準(zhǔn)確率更高。

AF1CLDNN模型和一些經(jīng)典深度學(xué)習(xí)模型比較,無(wú)論是在識(shí)別速度還是在識(shí)別準(zhǔn)確率上都有一定的提升。

第2個(gè)小實(shí)驗(yàn)是AF1CLDNN模型在低信噪比環(huán)境下是否有較好的識(shí)別準(zhǔn)確率,實(shí)驗(yàn)用AF1CLDNN、F1CLDNN、A1CLDNN、1CLDNN和深度學(xué)習(xí)中的經(jīng)典模型對(duì)比。用不同信噪比的Costas信號(hào)測(cè)試,測(cè)試結(jié)果如圖6所示。

圖6 8種模型的不同信噪比識(shí)別準(zhǔn)確率圖

由圖6可知AF1CLDNN模型比其他經(jīng)典深度學(xué)習(xí)模型在低信噪比的環(huán)境下識(shí)別準(zhǔn)確率要高,AF1CLDNN模型在-20 dB的情況依然有69%的準(zhǔn)確率,在-12 dB依然有接近100%的準(zhǔn)確率,而其他經(jīng)典深度學(xué)習(xí)模型在-20 dB時(shí)最高有60%左右的準(zhǔn)確率。因此,AF1CLDNN在低信噪比的情況下依然有較高的識(shí)別準(zhǔn)確率。

第3個(gè)小實(shí)驗(yàn)探究AF1CLDNN模型在不同信噪比下對(duì)信號(hào)分類的能力,利用訓(xùn)練保存的模型對(duì)這7類信號(hào)分類(這7類信號(hào)使用測(cè)試集數(shù)據(jù)),這7類信號(hào)在不同信噪比環(huán)境下識(shí)別結(jié)果如圖7所示。

由圖7可知信號(hào)在信噪比大于等于-10 dB時(shí)基本有100%的準(zhǔn)確率,在-12 dB時(shí)除了BPSK信號(hào)其他信號(hào)均有接近100%的準(zhǔn)確率,而BPSK信號(hào)依然有97%以上的準(zhǔn)確率,即使在-20 dB時(shí)除了BPSK信號(hào)有58%的準(zhǔn)確率,其他信號(hào)均有高于69%的準(zhǔn)確率。

圖7 不同信噪比下AF1CLDNN對(duì)7類信號(hào)的識(shí)別準(zhǔn)確率

BPSK信號(hào)受信噪比影響最大,在低信噪比的環(huán)境下難以和其他6類信號(hào)區(qū)分,其他6類信號(hào)識(shí)別結(jié)果的準(zhǔn)確率相對(duì)均衡,可以認(rèn)為AF1CLDNN模型對(duì)這7類信號(hào)識(shí)別的結(jié)果是有效的。

7類信號(hào)的混淆矩陣如圖8所示。圖8中顏色越深代表輻射源信號(hào)正確識(shí)別率越高,可以很清晰地看到對(duì)角線上的顏色深。圖8中BPSK信號(hào)被誤認(rèn)為Costas、Frank、P1、P2、P3和P4的錯(cuò)誤率基本為1%,因此結(jié)合圖7可知,BPSK在低信噪比的條件下和其他6類信號(hào)接近,該信號(hào)較難區(qū)分。

圖8 7類信號(hào)混淆矩陣圖

5 結(jié) 論

本文在1CLDNN模型的基礎(chǔ)上,提出了AF1CLDNN模型,并對(duì)7種常見的輻射源信號(hào)進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,本文提出的AF1CLDNN具有較高的識(shí)別速度和識(shí)別準(zhǔn)確率,并且在復(fù)雜電磁環(huán)境[31-34]中信噪比較低的情況下能夠有效地識(shí)別這7種信號(hào),與其他常見處理一維數(shù)據(jù)模型對(duì)比,本文提出的模型具有訓(xùn)練時(shí)間復(fù)雜度低、收斂速度快和識(shí)別精度高的特點(diǎn)。