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)来分类雷达和通信波形。

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，如认知雷达和软件定义无线电。通常，为了识别这些波形并按调制类型对它们进行分类，必须定义有意义的特征并将它们输入分类器。这个过程虽然有效，但需要大量的工作和领域知识才能产生准确的分类。本例探讨了一个利用深度学习网络从信号中自动提取时频特征并进行信号分类的框架。

本例的第一部分模拟了一个合成三种脉冲雷达波形并对其进行分类的雷达分类系统。雷达波形为:

矩形
线性调频(LFM)
巴克码

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

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

本例主要关注雷达波形，将分类扩展到包括一小组调幅和调频通信信号。看到基于深度学习的调制分类(通信工具箱)用于一个全工作流的调制分类与广泛的通信信号阵列。

生成雷达波形

产生3000个信号，采样率为One hundred.每种调制类型的MHz。使用分阶段。RectangularWaveform对于矩形脉冲,分阶段。LinearFMWaveform中频采样,分阶段。PhaseCodedWaveform用于相位编码脉冲与巴克码。

每个信号都有独特的参数，并随着各种损伤而增强，使其更加真实。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，芯片宽度和数量是随机产生的。所有的信号都被高斯白噪声损害使用情况下随机信噪比在[- 6,30]dB范围内的函数。的范围内随机载频的频率偏移量[Fs / 6，Fs / 5]对每个信号应用comm.PhaseFrequencyOffset对象。最后，每个信号通过多径Rician衰落信道，comm.RicianChannel．

提供的助手函数helperGenerateRadarWaveforms创建和增强每种调制类型。

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

绘制一些线性调频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;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，常用的方法是输入提取的特征来代替原始信号数据。这些特性提供了输入数据的表示，使分类算法更容易区分不同的类。Wigner-Ville分布表示原始数据的时频视图，这对时变信号很有用。高分辨率和时间频率局部性为相似调制类型的识别提供了良好的特征。使用项函数来计算每种调制类型的平滑伪WVD。

figure 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”) subplot(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，首先创建目录TFDDatabase在临时目录中tempdir．然后在TFDDatabase对于每种调制类型。对于每个信号，计算平滑的伪Wigner-Ville分布，并将结果向下采样到一个227 × 227的矩阵。保存矩阵是. png对应于信号调制类型的子目录中的图像文件。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，这个过程将花费几分钟项算法。你可以换tempdir使用另一个您有写权限的目录。

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，以管理用于训练深度学习网络的图像文件。这一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。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”});imd = imageDatastore(文件夹,．..“FileExtensions”，“使用”，“LabelSource”，“foldernames”，“ReadFcn”, @readTFDForSqueezeNet);

网络用80%的数据进行训练，用10%的数据进行测试。剩下的10%用于验证。使用splitEachLabel函数来划分imageDatastore转换为培训、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，定义网络架构。这个例子利用了transfer learning SqueezeNet，这是一个为图像分类而创建的深度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。输入网络前，自定义读取功能readTFDForSqueezeNet将二维时频分布转换为正确大小的RGB图像。SqueezeNet在其默认配置中执行1000个类别的分类。

负载SqueezeNet。

网= squeezenet;

从网络中提取层图。确认为尺寸为227 * 227 * 3的图像配置了SqueezeNet。

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

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

为了根据我们的需要调整SqueezeNet，需要修改最后六层中的三层，以对感兴趣的三种雷达调制类型进行分类。检查最后六层网络。

lgraphSqz.Layers(录得5个:结束)

ans = 6×1带有图层的图层数组: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

将网络中最后一个dropout layer“drop9”替换为dropout layer，概率为0.6。

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

SqueezeNet中的最后一个可学习层是一个1乘1的卷积层，即“conv10”。用一个新的卷积层替换该层，该卷积层的滤波器数量等于调制类型的数量。还增加了新层的学习率因素。

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

用一个没有类标签的新分类层替换该分类层。

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。确认已更改退出层、卷积层和输出层。

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”全球平均分担全球平均池5“概率”Softmax Softmax 6 new_classoutput crossentropyex分类输出

选择确保良好网络性能的训练过程选项。指的是trainingOptions每个选项的说明文档。

选择= trainingOptions (“个”，．..“MiniBatchSize”, 128,．..“MaxEpochs”5,．..“InitialLearnRate”1 e - 3,．..“洗牌”，“every-epoch”，．..“详细”假的,．..“阴谋”，“训练进步”，．..“ValidationData”, imdsValidation);

培训网络

使用trainNetwork来训练创建的CNN。由于数据集的规模很大，这个过程可能需要几分钟。如果您的机器有GPU和并行计算工具箱™，那么MATLAB将自动使用GPU进行训练。否则，它将使用CPU。图中的训练精度图显示了网络在所有迭代过程中的学习进度。在三种雷达调制类型上，该网络几乎能正确地分类100%的训练信号。

trainedNet = trainNetwork (imdsTrain、lgraphSqz选项);

评估雷达波形的性能

利用训练好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命令计算和可视化分类精度。对于输入到网络的三种调制方式，几乎所有的相位编码、线性调频和矩形波形都被网络正确识别。

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

生成通信波形并提取特征

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生成并增加该示例中使用的调制类型的子集。由于WVD丢失相位信息，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和用于创建这些波形的技术的深入描述，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();figure subplot(2,3,1) wvd(wav{find(modType ==“GFSK”1)}, 200年e3,“smoothedPseudo”)轴广场；colorbar从；标题(“GFSK”) subplot(2,3,2) 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”) subplot(2,3,4) wvd(wav{find(modType ==“SSB-AM”1)}, 200年e3,“smoothedPseudo”)轴广场；colorbar从；标题(“SSB-AM”) subplot(2,3,5) wvd(wav{find(modType ==“DSB-AM”1)}, 200年e3,“smoothedPseudo”)轴广场；colorbar从；标题(“DSB-AM”）

使用助手函数helperGenerateTFDfiles再次计算每个输入信号的平滑伪WVD。创建一个镜像数据存储对象来管理所有调制类型的镜像文件。

helperGenerateTFDfiles(parentDir,dataDir,wav,modType,200e3) folders = fullfile(parentDir,dataDir，{“矩形”，“从”，“巴克”，“GFSK”，“CPFSK”，“B-FM”，“SSB-AM”，“DSB-AM”});imd = imageDatastore(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默认的[imdsTrain, imdsTest imdsValidation] = splitEachLabel (imd, 0.8, 0.1);

调整深度学习网络架构

在此之前，我们将网络架构划分为三种调制类型。这必须更新，以允许对雷达和通信信号的所有八种调制类型进行分类。这是一个与之前类似的过程，除了fullyConnectedLayer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,“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。

选择= trainingOptions (“个”，．..“MiniBatchSize”, 150,．..“MaxEpochs”10．..“InitialLearnRate”1的军医,．..“洗牌”，“every-epoch”，．..“详细”假的,．..“阴谋”，“训练进步”，．..“ValidationData”, imdsValidation);

使用trainNetwork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 = trainNetwork (imdsTrain、lgraphSqz选项);

评估所有信号的性能

使用分类命令对等待测试的信号进行分类。同样，可视化性能使用confusionchart．

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

在网络输入的8种调制类型中，超过99%的B-FM、CPFSK、GFSK、Barker和LFM调制类型被正确分类。平均来说，超过85%的调幅信号被正确识别。从混淆矩阵来看，很大比例的SSB-AM信号被误分类为DSB-AM，而DSB-AM信号被误分类为SSB-AM。

让我们研究一下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DSB-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在正确分类这两种类型时的困难。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，并导致改进的分类。

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找到(imdsTest。标签= =“SSB-AM”) &(预测==“SSB-AM”), 1));图subplot(2,2,1) imagesc(DSB_DSB(:，:，1))轴广场；标题({“实际的类:DSB-AM”，“预测类:DSB-AM”}) subplot(2,2,2) imagesc(DSB_SSB(:，:，1)) axis广场；标题({“实际的类:DSB-AM”，“预测类:SSB-AM”}) subplot(2,2,3) imagesc(SSB_DSB(:，:，1)) axis广场；标题({“实际的类:SSB-AM”，“预测类:DSB-AM”}) subplot(2,2,4) imagesc(SSB_SSB(:，:，1)) axis广场；标题({“实际的类:SSB-AM”，“预测类:SSB-AM”}）