基于谱图融合和注意力机制的LPI雷达信号识别方法

1.一种基于谱图融合和注意力机制的LPI雷达信号识别方法，其特征在于，包括如下步骤：S1、构建数据集，所述数据集包括时频图、频谱图和相谱图；S2、数据集预处理S2-1、划分训练集、测试集；使用图像切割技术，获得的图像尺寸大小设定为256*256，仿真过程中加入高斯白噪声，LPI雷达信号信噪比为-10db至10db，2db为间隔，每个信噪比情况下每个LPI雷达信号生成样本数为1000个，单个所述样本包括时频图、频谱图、相谱图三个数据，所述训练集和测试集按照样本数7：3的比例划分，并将数据和标签对应随机打乱，将训练集记为D＝{(x i ,y k )} i∈[1,n],k∈[1,c] ，其中x i 表示第i个样本，y k 表示样本属于第k类，一共采集了c类目标，n表示样本总数；S2-2、中值滤波预处理；所有所述样本采用中值滤波的预处理方法，利用窗口大小设置为3*3，对图像进行扫描，经过排序处理得到中值，并将该中值定为这个点的最终值，对图像的边界采取填充0的做法，一个图像大小为[m，k]大小的，经过填充后大小变为[m+2k，n+2k]，其中2k+1为窗口大小，经过中值滤波处理，得到预处理后的图像；S3、训练网络模型S3-1、通过CNN提取特征图像，输出具有多尺度的特征图像，并进行通道融合操作，得到多通道具备时频图、频谱图和相谱图融合的通道融合特征；用于特征提取的所述CNN包括四个依次连接的第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，第一个卷积模块包含第一卷积层，所述第一卷积层包括第一批归一化层、ReLU激活函数，所述第一卷积层的卷积核的大小设置为7*7，通道数设置为32，stride和padding设置为1；第二个卷积模块包含第二卷积层，所述第二卷积层包括第二平均池化层，第二批归一化层、ReLU激活函数，所述第二卷积层的卷积核的大小设置为7*7，通道数设置为32，第二平均池化层大小设置为2*2，stride和padding设置为1；第三个卷积模块包含第三卷积层，所述第三卷积层包括第三批归一化层、ReLU激活函数，所述第三卷积层的卷积核的大小设置为3*3，通道数设置为64，stride和padding设置为1；第四个卷积模块包含第四卷积层，所述第四卷积层包括第四平均池化层，第四批归一化层、ReLU激活函数，所述第四卷积层卷积核的大小设置为3*3，通道数设置为64，第四平均池化层大小设置为2*2，stride和padding设置为1，所述批归一化均采用：其中，F n (k,l)表示批归一化之前的图像在卷积层输出中第k个通道中的第l个元素，F n (k,l)即为批归一化之后的图像数据，α k 和β k 为可训练的对应于第k个通道的参数，ε是一个很小的数，为了防止除数为0，大小为10e-8，E(.)为求均值操作，Var(.)表示求方差操作；所述激活函数采用ReLU函数： 为输入， 为ReLU的响应输出，n代表卷积的层数，经过四个卷积模块层后，一个样本的时频图、频谱图、相谱图经过CNN模块输出 分别记为{p1，p2，p3}；所述通道融合方法为：将CNN模块输出的{p1，p2，p3}进行cat通道叠加操作，得到输出通道融合特征输出，记为ρ c ：ρ c ＝cat(p1,p2,p3)S3-2、将多通道的三谱图融合的数据特征进行通道注意力机制层，进而将通过通道注意力机制层的输出特征进行线性层映射，得到低维特征，通过softmax层来计算损失误差，然后训练网络参数，通过不断减小误差从而调整网络模型参数，训练得到最佳的网络模型；通道融合特征输出ρ c 经过SENet，首先经过Squeeze操作，将一个channel上整个空间特征编码为一个全局特征，采用global average pooling来实现：其中Z c 为Squeeze操作的输出，H和W为ρ c 通道的大小，ρ c(i,j) 为通道中第(i，j)的值，然后进行Excitation操作，学习到各个channel之间的非线性关系，采用Sigmoid激活，值为0～1，采用gating机制：s＝σ(W 2 ReLU(W 1 Z c ))采用两个全连接层的操作，第一个全连接层起到降维的作用，然后采用ReLU激活，最后通过全连接层恢复到原始的维度，W1、W2为两个全连接层的参数，最后将学习到的各个channel的激活值乘以U上的原始特征得到输出x c ：x c ＝s*ρc所述网络模型的训练方法：将得到的x c ，进行全连接操作，将输出映射到一个大小12的一维数据中，接softmax层得到分类输出；然后训练网络参数，将预处理后训练集样本输入到雷达辐射源识别网络中训练网络，网络采用Adam算法更新网络权值；所述Adam算法如下：m←β 1m +(1-β 1 )gν←β 2 ν+(1-β 2 )g2其中g表示为损失函数L(θ)的梯度；θ表示为迭代权重； 表示梯度算子；m表示初始化为0的g的一阶矩估计；ν表示为初始化为0的g的二阶矩估计；β 1 为一阶矩估计的指数衰减率，取值为0.9；β 2 为二阶矩估计的指数衰减率，取值为0.9；T表示转置操作；α为学习率，初始设置为0.0001；ε为平滑常数，防止除数0，取值为10e-8；采用交叉熵损失函数；为了避免过拟合的发生以防止网络的泛化能力降低；所述交叉熵损失函数表示如下：其中H(p,q)表示交叉熵损失函数；p(x)表示样本的真实分布；q(x)表示模型所预测的分布；通过训练集数据对网络进行有监督训练，使得损失数值达到最优值；S4、SVM分类去掉前面网络的softmax层，将低维特征送入SVM分类网络，利用SVM分类网络；S5、输出分类结果。 2.根据权利要求1所述的基于谱图融合和注意力机制的LPI雷达信号识别方法，其特征在于，所述步骤S1中，通过MATLAB仿真生成12种不同的LPI雷达信号，所述LPI雷达信号包括COSTAS、LFM、Frank、BPSK、P1码、P2码、P3码、P4码、T1码、T2码、T3码和T4码，对所述LPI雷达信号采取Choi-Williams分布时频处理得到对应的时频图数据集；对所述LPI雷达信号采取傅里叶变换得到对应的频谱图数据集和相谱图数据集。 3.根据权利要求2所述的基于谱图融合和注意力机制的LPI雷达信号识别方法，其特征在于，所述步骤S1中，通过MATLAB仿真生成12种不同的LPI雷达信号的方法为：提取同相分量I路和正交分量Q路，将I路、Q路数据分别保存为长度为N的采样信号，N的范围为600到1200。 4.根据权利要求3所述的基于谱图融合和注意力机制的LPI雷达信号识别方法，其特征在于，所述步骤S4中，将训练好的网络模型去掉softmax层，输出大小为12的一维数据，构建SVM分类器，从而找到一个决策函数y＝f(x c )的规则，用于预测数据的类别，采用一类对余类的做法，每一个类作为+1类，其余11类的所有样本为-1类，分为12个binary SVMs，训练svm，得到最后12种信号的分类输出。