基于深度学习的雷达和通信波形分类

这个示例使用:

打开实时脚本

这个例子展示了如何使用Wigner-Ville分布(WVD)和深度卷积神经网络(CNN)对雷达和通信波形进行分类。

调制分类是智能接收机的一个重要功能。调制分类有许多应用，如认知雷达和软件无线电。通常，为了识别这些波形并根据调制类型对它们进行分类，必须定义有意义的特征并将其输入到分类器中。虽然有效，但这个过程需要大量的努力和领域知识来产生准确的分类。这个例子探索了一个框架，自动提取信号的时频特征，并使用深度学习网络进行信号分类。

本例的第一部分模拟了一个雷达分类系统，该系统综合了三种脉冲雷达波形并对它们进行分类。雷达波形为:

矩形
线性调频
巴克码

雷达分类系统不是孤立存在的。相反，它位于一个日益被占用的频谱中，与其他传输源竞争，如通信系统、无线电和导航系统。本例的第二部分扩展了网络，以包括其他通信调制类型。除了第一组雷达波形，扩展网络还综合和识别这些通信波形:

高斯频移键控
连续相移频键控
广播调频(B-FM)
双边带调幅（DSB-AM）
单边带调幅（SSB-AM）

本示例主要关注雷达波形，并将分类扩展为包括一小部分振幅和频率调制通信信号。请参阅基于深度学习的调制分类（通讯工具箱）对于一个完整的工作流调制分类与广泛的通信信号阵列。

生成雷达波形

生成3000个信号，采样率为100每个调制类型的MHz。使用分阶段。RectangularWaveform对于矩形脉冲，分阶段。LinearFMWaveform对于LFM，以及分阶段。PhaseCodedWaveform用于巴克码相位编码脉冲。

每个信号都有独特的参数，并增加了各种损伤，使其更真实。对于每个波形，脉冲宽度和重复频率将随机产生。对于线性调频波形，扫描带宽和方向是随机产生的。对于巴克波形，芯片的宽度和数量是随机产生的。所有信号都受到高斯白噪声的干扰awgn函数的随机信噪比在[- 6,30]dB范围内。的范围内具有随机载频的一种频率偏移[Fs / 6，Fs / 5]应用于每个信号使用comm.PhaseFrequencyOffset对象。最后，每个信号通过一个多径Rician衰落信道，里桑查内尔通信公司．

提供的辅助函数helperGenerateRadarWaveforms创建和增加每种调制类型。

rng默认的[wav, modType] = helperGenerateRadarWaveforms();

绘制一些LFM波形的傅里叶变换，以显示生成的集合中的方差。

idLFM = find(modType == .“LFM”，3）；nfft=2^nextpow2（长度（wav{1}））；f=（0：（nfft/2-1））/nfft*100e6；图形子图（1,3,1）Z=fft（wav{idLFM（1）}，nfft）；绘图（f/1e6，abs（Z（1:nfft/2）））xlabel(“频率(MHz)”); ylabel (“振幅”);轴广场subplot(1,3,2) Z = fft(wav{idLFM(2)}，nfft);情节(f / 1 e6、abs (Z (1: nfft / 2)))包含(“频率(MHz)”); ylabel (“振幅”);轴广场subplot(1,3,3) Z = fft(wav{idLFM(3)}，nfft);情节(f / 1 e6、abs (Z (1: nfft / 2)))包含(“频率(MHz)”); ylabel (“振幅”);轴广场

基于Wigner-Ville分布的特征提取

为了提高机器学习算法的分类性能，一种常用的方法是输入提取的特征来代替原始信号数据。这些特征提供了输入数据的表示形式，使得分类算法更容易区分不同类别。Wigner-Ville分布表示ime对时变信号有用的原始数据的频率视图。时间和频率的高分辨率和局部性为识别类似调制类型提供了良好的功能。使用项函数来计算每种调制类型的平滑伪WVD。

图subplot(1,3,1) wvd(wav{find(modType ==“矩形”100 e6, 1)},“smoothedPseudo”)轴广场；色条从；头衔(“Rect”) subplot(1,3,2) wvd(wav{find(modType ==“LFM”100 e6, 1)},“smoothedPseudo”)轴广场；色条从；头衔(“从”) subplot(1,3,3) wvd(wav{find(modType ==“巴克”100 e6, 1)},“smoothedPseudo”)轴广场；色条从；头衔(“巴克”）

要存储信号的平滑伪Wigner-Ville分布，首先要创建目录TFDDatabase在临时目录中tempdir．然后创建子目录TFDDatabase对于每一种调制类型。对于每个信号，计算平滑伪Wigner-Ville分布，并将结果向下采样到一个227 × 227矩阵。将矩阵保存为a. png子目录中与信号调制类型相对应的图像文件。辅助函数helperGenerateTFDfiles执行所有这些步骤。由于数据库的大小和复杂性，这个过程需要几分钟项算法。你可以换tempdir使用具有写权限的另一个目录。

parentDir = tempdir;dataDir =“TFDDatabase”；helperGenerateTFDfiles (parentDir dataDir, wav, modType 100 e6)

为创建的文件夹创建一个图像数据存储对象，用于管理用于深度学习网络训练的图像文件。这个步骤避免了将所有图像加载到内存中。将标签源指定为文件夹名称。这将根据文件夹名称分配每个信号的调制类型。

folders=fullfile（parentDir、dataDir、{“Rect”，“从”，“巴克”}）;imd = imageDatastore(文件夹,．..“文件扩展名”，“.png”，“标签源”，“foldernames”，“ReadFcn”, @readTFDForSqueezeNet);

用80%的数据训练网络，用10%的数据测试网络。剩下的10%用于验证。使用splitEachLabel函数来划分图像数据存储培训、验证和测试集。

[imdsTrain，imdsTest，imdsValidation]=拆分标签（imds，0.8,0.1）；

建立深度学习网络

在深度学习网络可以被训练之前，定义网络结构。这个例子使用迁移学习SqueezeNet，这是一个为图像分类创建的深度CNN。迁移学习是对现有神经网络进行再训练以分类新目标的过程。这个网络接受尺寸为227 × 227 × 3的图像输入。之前输入到网络，自定义读取功能readTFDForSqueezeNet将二维时频分布转换为尺寸正确的RGB图像。在默认配置中，SqueezeNet执行1000个类别的分类。

负载SqueezeNet。

网= squeezenet;

从网络中提取图层图。确认为大小为227-x-227-x-3的图像配置了挤压网。

lgraphSqz = layerGraph(净);lgraphSqz.Layers (1)

ans = ImageInputLayer with properties: Name: 'data' InputSize: [227 227 3] Hyperparameters DataAugmentation: 'none' NormalizationDimension: 'auto' Mean: [1×1×3 single]

为了调整SqueezeNet以满足我们的需求，需要对最后六层中的三层进行修改，将感兴趣的三种雷达调制类型进行分类。检查最后六个网络层。

lgraphSqz.Layers(录得5个:结束)

ans=6×1带层的层阵列：1“drop9”Dropout 50%Dropout 2“conv10”卷积1000 1×1×512卷积带跨距[1]和填充[0]3“relu_conv10”relu relu 4“pool10”二维全局平均池二维全局平均池5“prob”Softmax Softmax 6“ClassificationLayer_predictions”分类输出crossentropyex与“tench”和999其他类别

替换掉'drop9'层，网络中的最后一个退出层，用一个概率为0.6的退出层。

tmpLayer = lgraphSqz.Layers(录得5个);newDropoutLayer = dropoutLayer (0.6,“名字”，“new_dropout”）;lgraphSqz = replaceLayer (lgraphSqz tmpLayer.Name newDropoutLayer);

在SqueezeNet中，最后一个可学习的层是一个1乘1的卷积层“conv10”。将该层替换为一个新的卷积层，其滤波器的数量等于调制类型的数量。还增加了新层的学习率因子。

numclass=3；tmpLayer=lgraphSqz.层（结束-4）；newLearnableLayer=卷积2dLayer（1，numClass，．..“名字”，“new_conv”，．..“WeightLearnRateFactor”, 20岁,．..“BiasLearnRateFactor”, 20);lgraphSqz = replaceLayer (lgraphSqz tmpLayer.Name newLearnableLayer);

将分类层替换为一个没有类标签的新层。

tmpLayer = lgraphSqz.Layers(结束);newClassLayer = classificationLayer (“名字”，“new_classoutput”)；lgraphSqz=replaceLayer（lgraphSqz，tmpLayer.Name，newClassLayer）；

检查网络的最后六层。确认dropout, convolutional, and output layers have been changed。

lgraphSqz.Layers(录得5个:结束)

ans = 6×1层阵列层:1“new_dropout”辍学60%辍学2 new_conv的卷积3 1×1步[1]和填充的卷积[0 0 0 0]3‘relu_conv10 ReLU ReLU 4“pool10”二维全球平均池二维全球平均池5“概率”Softmax Softmax 6 new_classoutput crossentropyex分类输出

为确保良好的网络性能的训练过程选择选项。指的是培训选项每个选项的说明文档。

选项=培训选项(“个”，．..“MiniBatchSize”, 128,．..“MaxEpochs”5.．..“InitialLearnRate”1 e - 3,．..“洗牌”，“每个时代”，．..“详细”错误的．..“阴谋”，“训练进步”，．..“ValidationData”，IMDSV验证）；

培训网络

使用trainNetwork命令来训练创建的CNN。由于数据集很大，这个过程可能需要几分钟。如果你的机器有GPU和并行计算工具箱™，那么MATLAB®会自动使用GPU进行训练。否则，使用CPU。图中的训练精度图显示了网络在所有迭代中学习的进度。在三种雷达调制类型上，网络对训练信号的分类几乎100%正确。

trainedNet=列车网络（imdsTrain、lgraphSqz、选项）；

评估雷达波形的性能

使用训练过的网络对测试数据进行分类分类命令。混淆矩阵是一种可视化分类性能的方法。使用confusionchart用于计算和可视化分类精度的命令。对于输入到网络的三种调制类型，几乎所有相位编码、LFM和矩形波形都由网络正确识别。

预测=分类(trainedNet imdsTest);图confusionchart (imdsTest。标签,预测,“归一化”，“column-normalized”）

生成通信波形和提取特征

雷达分类系统的频谱必须与其他发射源竞争。让我们看看创建的网络是如何扩展到包含其他模拟调制类型的。另一个MathWorks®示例，基于深度学习的调制分类（通讯工具箱），使用“通信工具箱”对几种不同的调制类型执行调制分类™. 辅助函数helperGenerateCommsWaveforms生成并增加该示例中使用的调制类型的子集。由于WVD失去相位信息，只使用幅度和频率调制类型的子集。

有关数字和模拟调制分类所需的工作流程以及用于创建这些波形的技术的详细描述，请参见示例链接。对于每种调制类型，使用项提取时频特征并可视化。

[wav, modType] = helperGenerateCommsWaveforms();图subplot(2,3,1) wvd(wav{find(modType ==“GFSK”1)}, 200年e3,“smoothedPseudo”)轴广场；色条从；头衔(“GFSK”)子图（2,3,2）wvd（wav{find（modType==“CPFSK”1)}, 200年e3,“smoothedPseudo”)轴广场；色条从；头衔(“CPFSK”) subplot(2,3,3) wvd(wav{find(modType ==“B-FM”1)}, 200年e3,“smoothedPseudo”)轴广场；色条从；头衔(“B-FM”wvd(wav{find(modType ==“SSB-AM”1)}, 200年e3,“smoothedPseudo”)轴广场；色条从；头衔(“SSB-AM”wvd(wav{find(modType ==“DSB-AM”1)}, 200年e3,“smoothedPseudo”)轴广场；色条从；头衔(“DSB-AM”）

使用helper函数helperGenerateTFDfiles再次计算每个输入信号的平滑伪WVD。创建一个图像数据存储对象来管理所有调制类型的图像文件。

helpergeneratefdffiles（parentDir，dataDir，wav，modType，200e3）folders=fullfile（parentDir，dataDir{“Rect”，“从”，“巴克”，“GFSK”，“CPFSK”，“B-FM”，“SSB-AM”，“DSB-AM”}）;imd = imageDatastore(文件夹,．..“文件扩展名”，“.png”，“标签源”，“foldernames”，“ReadFcn”, @readTFDForSqueezeNet);

方法将数据划分为训练集、验证集和测试集splitEachLabel函数。

rng默认的[imdsTrain，imdsTest，imdsValidation]=拆分标签（imds，0.8,0.1）；

调整深度学习网络架构

在此之前，网络体系结构被划分为三种调制类型。必须对其进行更新，以便对雷达和通信信号的所有八种调制类型进行分类。这是一个类似于以前的过程，除了fullyConnectedLayer现在要求输出大小为8。

numClasses = 8;网= squeezenet;lgraphSqz = layerGraph(净);tmpLayer = lgraphSqz.Layers(录得5个);newDropoutLayer = dropoutLayer (0.6,“名字”，“new_dropout”）;lgraphSqz = replaceLayer (lgraphSqz tmpLayer.Name newDropoutLayer);tmpLayer = lgraphSqz.Layers (end-4);numClasses newLearnableLayer = convolution2dLayer (1,．..“名字”，“new_conv”，．..“WeightLearnRateFactor”, 20岁,．..“BiasLearnRateFactor”, 20);lgraphSqz = replaceLayer (lgraphSqz tmpLayer.Name newLearnableLayer);tmpLayer = lgraphSqz.Layers(结束);newClassLayer = classificationLayer (“名字”，“new_classoutput”)；lgraphSqz=replaceLayer（lgraphSqz，tmpLayer.Name，newClassLayer）；

创建一套新的培训选项。

选项=培训选项(“个”，．..“MiniBatchSize”,150,．..“MaxEpochs”10．..“InitialLearnRate”1的军医,．..“洗牌”，“每个时代”，．..“详细”错误的．..“阴谋”，“训练进步”，．..“ValidationData”，IMDSV验证）；

使用trainNetwork命令来训练创建的CNN。对于所有调制类型，训练收敛的准确率约为95%的正确分类。

trainedNet=列车网络（imdsTrain、lgraphSqz、选项）；

评估所有信号的性能

使用分类命令对保留在一旁的信号进行分类。同样，使用可视化性能confusionchart．

预测=分类(trainedNet imdsTest);图;confusionchart (imdsTest。标签,预测,“归一化”，“column-normalized”）

在输入到网络的8种调制类型中，约98%的B-FM、CPFSK、GFSK、Barker和LFM调制类型被正确分类。平均约85%的调幅信号被正确识别。从混淆矩阵中可以看出，SSB-AM信号被误分类为sdb - am，而sdb - am信号又被误分类为SSB-AM。

让我们研究其中的一些错误分类，以深入了解网络的学习过程。使用readimage函数从测试数据集中从每个类提取单个图像。显示的WVD在视觉上看起来非常相似。由于SSB-AM和SSB-AM信号具有非常相似的特征，这在一定程度上解释了网络正确区分这两种类型的困难。进一步的信号处理可以使这两种调制类型之间的差异对网络更清楚，并导致更好的分类。

DSB_DSB = readimage (imdsTest找到(imdsTest。标签= =“DSB-AM”) &(预测==“DSB-AM”), 1));DSB_SSB = readimage (imdsTest找到(imdsTest。标签= =“DSB-AM”) &(预测==“SSB-AM”), 1));SSB_DSB = readimage (imdsTest找到(imdsTest。标签= =“SSB-AM”) &(预测==“DSB-AM”)，1））；SSB_SSB=readimage（imdsTest，find（（imdsTest.Labels==“SSB-AM”) &(预测==“SSB-AM”), 1));图subplot(2,2,1) imagesc(DSB_DSB(:，:，1))轴广场；头衔({“实际的类:DSB-AM”，'预测等级：DSB-AM'})子地块（2,2,2）图像SC（DSB_SSB（：，：，1））轴广场；头衔({“实际的类:DSB-AM”，“预测类:SSB-AM”}) subplot(2,2,3) imagesc(SSB_DSB(:，:，1))轴广场；头衔({‘实际等级：SSB-AM’，'预测等级：DSB-AM'}) subplot(2,2,4) imagesc(SSB_SSB(:，:，1))轴广场；头衔({‘实际等级：SSB-AM’，“预测类:SSB-AM”}）