基于深度学习的雷达和通信波形分类

这个示例使用:

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项重要功能。调制分类有许多应用，如认知雷达和软件无线电。通常，要识别这些波形并按调制类型进行分类，必须定义有意义的特征并将其输入分类器。而有效的是，此过程需要大量的工作和领域知识才能产生准确的分类。此示例探索了一个框架，用于自动从信号中提取时频特征，并使用深度学习网络执行信号分类。

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）
双带调幅
单边带调幅

本例主要关注雷达波形，并将分类扩展到包括一组幅度和频率调制通信信号。看到基于深度学习的调制分类(通信工具箱)用于调制分类的完整工作流程，具有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One hundred.每个调制类型的MHz。使用分阶段。RectangularWaveform对于矩形脉冲,分阶段的。线性的中频采样,相位编码波形用于巴克码相位编码脉冲。

每个信号都有独特的参数，并通过各种损伤进行增强，使其更加逼真。对于每个波形，将随机生成脉冲宽度和重复频率。对于LFM波形，随机生成扫描带宽和方向。对于巴克波形，随机生成芯片宽度和数量。所有信号ls受到高斯白噪声的影响，使用情况下随机信噪比在[-6,30]dB范围内的函数。随机载波频率在以下范围内的频率偏移[Fs / 6,Fs / 5]使用comm.PhaseFrequencyOffset最后，每个信号通过多径Rician衰落信道，comm.RicianChannel．

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

rng违约[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 == .“从”3);nfft = 2 ^ nextpow2(长度(wav {1}));f = (0: (nfft / 2 - 1)) / nfft * 100 e6;图subplot(1,3,1) Z = fft(wav{idLFM(1)}，nfft);情节(f / 1 e6、abs (Z (1: nfft / 2)))包含(“频率(MHz)”); ylabel (“振幅”);轴广场子图（1,3,2）Z=fft（wav{idLFM（2）}，nfft）；图（f/1e6，abs（Z（1:nfft/2）））xlabel(“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，常用的方法是将提取的特征代替原始信号数据输入。这些特性提供了输入数据的表示形式，使分类算法更容易区分不同的类。Wigner-Ville分布代表了对时变信号有用的原始数据的时频视图。在时间和频率上的高分辨率和局部性为识别类似的调制类型提供了良好的特征。使用项函数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；colorbar从；标题(“矩形”) subplot(1,3,2) wvd(wav{find(modType ==“从”100 e6, 1)},“smoothedPseudo”)轴广场；colorbar从；标题(“从”)子图（1,3,3）wvd（wav{find（modType==“巴克”100 e6, 1)},“smoothedPseudo”)轴广场；colorbar从；标题(“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。保存矩阵是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HelperGenerateTFD文件执行所有这些步骤。由于数据库的大小和复杂性，这个过程需要几分钟项算法。你可以替换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。

文件夹= fullfile (parentDir dataDir, {“矩形”,“从”,“巴克”}); imds=图像数据存储（文件夹，...“FileExtensions”,“使用”,“LabelSource”,“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imageDatastore进入培训、验证和测试集。

[imdsTrain, imdsTest imdsValidation] = splitEachLabel (imd, 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ReadtForSqueeznet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;

从网络中提取层图。确认将SqueezeNet配置为尺寸为227 × 227 × 3的图像。

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 Layer array with layers:1“drop9”辍学50%辍学2 conv10卷积1000 1×1×512旋转步[1]和填充[0 0 0 0]3‘relu_conv10 ReLU ReLU 4“pool10”全球平均分担全球平均池5“概率”Softmax Softmax 6“ClassificationLayer_predictions”分类输出crossentropyex“鲤鱼”和999其他的类

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,“姓名”,“new_dropout”）;lgraphSqz = replaceLayer (lgraphSqz tmpLayer.Name newDropoutLayer);

SqueezeNet中最后一个可学习的层是一个1乘1卷积层“conv10”。将该层替换为一个新的卷积层，使滤波器的数量等于调制类型的数量。同时增加新层的学习速率因子。

numClasses = 3;tmpLayer = lgraphSqz.Layers (end-4);numClasses newLearnableLayer = convolution2dLayer (1,...“姓名”,“new_conv”,...“WeightLearnRateFactor”,20,...“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 (“姓名”,“new_classoutput”）;lgraphSqz = replaceLayer (lgraphSqz tmpLayer.Name newClassLayer);

检查网络的最后六层。确认丢失层、卷积层和输出层已更改。

lgraphSqz.Layers(录得5个:结束)

ans=6×1带层的层阵列：1“新建-退出”退出60%退出2“新建-转换”卷积3 1×1带跨步[1]和填充[0 0 0 0 0]的卷积3“重新设置-转换10”重新设置-重新设置-重新设置4“池10”全局平均池全局平均池5“prob”Softmax Softmax 6“新建-类输出”分类输出交叉EntroPyex

为培训过程选择可确保良好网络性能的选项。请参阅trainingOptions每个选项的描述文档。

选择= trainingOptions (“个”,...“MiniBatchSize”, 128,...“MaxEpochs”5,...“InitialLearnRate”，1e-3，...“洗牌”,“every-epoch”,...“详细”假的,...“情节”,“培训进度”,...“ValidationData”, imdsValidation);

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 = trainNetwork (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混淆矩阵是可视化分类性能的一种方法混淆图命令来计算和可视化分类精度。对于输入到网络的三种调制类型，几乎所有的相位编码、线性调频和矩形波形都能被网络正确识别。

预测=分类（trainedNet，imdsTest）；图形混淆图（预测，imdsTest.Labels，“归一化”,“列规格化”)

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如何扩展以合并其他模拟调制类型。另一个MathWorks例子,基于深度学习的调制分类(通信工具箱)，使用Communications Toolbox™对几种不同的调制类型进行调制分类。辅助函数helperGenerateCommsWaveforms生成并扩展该示例中使用的调制类型的子集。由于WVD丢失相位信息，因此仅使用振幅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；colorbar从；标题(“GFSK”wvd(wav{find(modType ==“CPFSK”1)}, 200年e3,“smoothedPseudo”)轴广场；colorbar从；标题(“CPFSK”) subplot(2,3,3) wvd(wav{find(modType ==“B-FM”1)}, 200年e3,“smoothedPseudo”)轴广场；colorbar从；标题(“B-FM”)子图（2,3,4）wvd（wav{find（modType==“SSB-AM”1)}, 200年e3,“smoothedPseudo”)轴广场；colorbar从；标题(“SSB-AM”wvd(wav{find(modType ==“DSB-AM”1)}, 200年e3,“smoothedPseudo”)轴广场；colorbar从；标题(“DSB-AM”)

使用helper函数HelperGenerateTFD文件再次计算每个输入信号的平滑伪WVD。创建图像数据存储对象以管理所有调制类型的图像文件。

/ / / / / / / / / / / /“矩形”,“从”,“巴克”,“GFSK”,“CPFSK”,“B-FM”,“SSB-AM”,“DSB-AM”}); imds=图像数据存储（文件夹，...“FileExtensions”,“使用”,“LabelSource”,“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违约[imdsTrain, imdsTest imdsValidation] = splitEachLabel (imd, 0.8, 0.1);

调整深度学习网络架构

以前，网络架构被设置为对三种调制类型进行分类。这必须进行更新，以允许对雷达和通信信号的所有八种调制类型进行分类。这是一个与以前类似的过程，但完全连接层现在需要输出大小为8。

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

创建一套新的培训选项。

选择= trainingOptions (“个”,...“MiniBatchSize”, 150,...“MaxEpochs”,10,...“InitialLearnRate”，1e-4，...“洗牌”,“every-epoch”,...“详细”假的,...“情节”,“培训进度”,...“ValidationData”, imdsValidation);

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%正确分类。

trainedNet = trainNetwork (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，使用可视化性能混淆图．

预测=分类(trainedNet imdsTest);图;imdsTest confusionchart(预测。标签,“归一化”,“列规格化”)

在输入到网络的8种调制类型中，99%以上的B-FM、CPFSK、GFSK、Barker、LFM调制类型被正确分类。平均而言，超过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，find（（imdsTest.Labels==“SSB-AM”) &(预测==“DSB-AM”), 1));SSB_SSB = readimage (imdsTest找到(imdsTest。标签= =“SSB-AM”) &(预测==“SSB-AM”)图子图（2,2,1）imagesc（DSBU DSB（：，：，1））轴广场；标题({'实际等级：DSB-AM',“预测类:DSB-AM”}) subplot(2,2,2) imagesc(DSB_SSB(:，:，1))轴广场；标题({'实际等级：DSB-AM',‘预测等级：SSB-AM’}) subplot(2,2,3) imagesc(SSB_DSB(:，:，1))轴广场；标题({“实际的类:SSB-AM”,“预测类:DSB-AM”}) subplot(2,2,4) imagesc(SSB_SSB(:，:，1))轴广场；标题({“实际的类:SSB-AM”,‘预测等级：SSB-AM’}）