基于深度学习的雷达和通信波形分类
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。调制分类在认知雷达、软件无线电等领域有着广泛的应用。通常，为了识别这些波形并根据调制类型对其进行分类，需要定义有意义的特征并将其输入分类器。虽然有效，但这个过程可能需要大量的工作和领域知识来产生准确的分类。本示例探索了一个框架，该框架使用深度学习网络自动从信号中提取时频特征并执行信号分类。
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，它驻留在日益占用的频谱中，与通信系统、无线电和导航系统等其他传输源竞争。本示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外，扩展网络还综合和识别这些通信波形:
高斯频移键控
连续相位频移键控(CPFSK)
广播调频(B-FM)
双边带调幅(DSB-AM)
单边带调幅(SSB-AM)
这个例子主要集中在雷达波形，随着分类的扩展，包括一个小的幅度和频率调制通信信号的集合。看到基于深度学习的调制分类(通信工具箱)为调制分类与广泛的通信信号阵列的完整工作流程。
生成雷达波形
为每种调制类型生成3000个采样率为100 MHz的信号。使用分阶段。RectangularWaveform对于矩形脉冲，分阶段。LinearFMWaveformLFM，和分阶段。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，使其更加真实。对于每个波形，脉冲宽度和重复频率将随机生成。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生成的。所有信号都被高斯白噪声所削弱情况下随机信噪比在[- 6,30]dB范围内的函数。的范围内的随机载频的频率偏移[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路径的瑞尔斯衰落信道，comm.RicianChannel．
辅助函数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，以显示生成集中的方差。
idLFM = find(modType ==“从”3);NFFT = 2^nextpow2(长度(wav{1}));F = (0:(nfft/2-1))/nfft*100e6;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，使分类算法更容易在类之间进行区分。Wigner-Ville分布表示原始数据的时频视图，对时变信号有用。该系统在时间和频率上的高分辨率和局部性为相似调制类型的识别提供了良好的特性。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；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”）
为了存储平滑的伪Wigner-Ville信号分布，首先创建目录TFDDatabase在临时目录中tempdir．中创建子目录TFDDatabase对于每种调制类型。对于每个信号，计算平滑伪Wigner-Ville分布，并将结果向下采样到227 × 227矩阵。将矩阵保存为a. png图像文件在子目录中对应信号的调制类型。辅助函数helperGenerateTFDfiles执行所有这些步骤。这个过程将花费几分钟，因为数据库的大小和数据库的复杂性项算法。你可以替换tempdir您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，用于管理用于训练深度学习网络的图像文件。这一步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”});imds = imageDatastore(文件夹，.．.“FileExtensions”，“使用”，“LabelSource”，“foldernames”，“ReadFcn”, @readTFDForSqueezeNet);
该网络使用80%的数据进行训练，并使用10%的数据进行测试。剩下的10%用于验证。使用splitEachLabel函数用于划分imageDatastore训练、验证和测试集。
[imdsTrain,imdsTest,imdsValidation] = splitEachLabel(imds,0.8,0.1);
建立深度学习网络
在训练深度学习网络之前，定义网络架构。这个例子使用迁移学习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227 * 227 * 3大小的图像输入。在输入到网络之前，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。在缺省配置下，SqueezeNet执行1000个类别的分类。
负载SqueezeNet。
网=挤压网;
从网络中提取层图。确认为大小为227 × 227 × 3的图像配置了SqueezeNet。
lgraphSqz = layerGraph(net);lgraphSqz.Layers (1)
ans = ImageInputLayer with properties: Name: 'data' InputSize:[227 227 3]超参数DataAugmentation: 'none'归一化:'zerocenter' NormalizationDimension: 'auto' Mean: [1×1×3 single]
为了在本例中调整SqueezeNet，需要修改最后六个层中的三个层，以对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带有图层的层数组:1 'drop9' Dropout 50% Dropout 2 'conv10' Convolution 1000 1×1×512 convolutions with stride[1 1]和padding [0 000 0] 3 'relu_conv10' ReLU ReLU 4 'pool10' 2- d Global Average Pooling 2- d Global Average Pooling 5 'prob' Softmax Softmax 6 'ClassificationLayer_predictions' Classification Output crossentropyex with 'tench'和999其他类
用概率为0.6的dropout层替换网络中的最后一个dropout层drop9层。
tmpLayer = lgraphSqz.Layers(end-5);newDropoutLayer = dropoutLayer(0.6，“名字”，“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的卷积层，conv10。用一个新的卷积层替换该层，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。
numClasses = 3;tmpLayer = lgraphSqz.Layers(end-4);newLearnableLayer = convolution2dLayer(1,numClasses，.．.“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层替换分类层。
tmpLayer = lgraphSqz.Layers(end);newClassLayer = classificationLayer(“名字”，“new_classoutput”）;lgraphSqz = replaceLayer(lgraphSqz,tmpLayer.Name,newClassLayer);
检查网络的最后六层。确认删除层、卷积层和输出层已经更改。
lgraphSqz.Layers(录得5个:结束)
ans = 6×1 Layer array with layers: 1 'new_dropout' Dropout 60% Dropout 2 'new_conv' Convolution 3 1×1 convolutions with stride [1 1] and padding [0 0 0 0 0] 3 'relu_conv10' ReLU ReLU 4 'pool10' 2- d Global Average Pooling 2- d Global Average Pooling 5 'prob' Softmax Softmax 6 'new_classoutput' Classification Output crossentropyex
为培训过程选择确保良好网络性能的选项。请参阅trainingOptions每个选项的描述文档。
选项= 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，占用CPU。图中的训练精度图显示了网络在所有迭代中的学习进度。在三种雷达调制类型上，该网络几乎100%地正确分类了训练信号。
trainedNet = trainNetwork(imdsTrain,lgraphSqz,options);
雷达波形性能评估
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。了解所创建的网络如何扩展以合并其他模拟调制类型。另一个MathWorks®的例子，基于深度学习的调制分类(通信工具箱)，使用通信工具箱™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，因此只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深入描述，请参阅示例链接。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”) 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。
helperGenerateTFDfiles(parentDir,dataDir,wav,modType,200e3) folders = fullfile(parentDir,dataDir，{“矩形”，“从”，“巴克”，“GFSK”，“CPFSK”，“B-FM”，“SSB-AM”，“DSB-AM”});imds = 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(imds,0.8,0.1);
调整深度学习网络架构
在此基础上，建立了三种调制类型的网络结构。必须进行更新，以便对雷达和通信信号的所有八种调制类型进行分类。这与前面的过程类似，不同的是fullyConnectedLayer现在要求输出大小为8。
numClasses = 8;网=挤压网;lgraphSqz = layerGraph(net);tmpLayer = lgraphSqz.Layers(end-5);newDropoutLayer = dropoutLayer(0.6，“名字”，“new_dropout”）;lgraphSqz = replaceLayer(lgraphSqz,tmpLayer.Name,newDropoutLayer);tmpLayer = lgraphSqz.Layers(end-4);newLearnableLayer = convolution2dLayer(1,numClasses，.．.“名字”，“new_conv”，.．.“WeightLearnRateFactor”, 20岁,.．.“BiasLearnRateFactor”, 20);lgraphSqz = replaceLayer(lgraphSqz,tmpLayer.Name,newLearnableLayer);tmpLayer = lgraphSqz.Layers(end);newClassLayer = classificationLayer(“名字”，“new_classoutput”）;lgraphSqz = replaceLayer(lgraphSqz,tmpLayer.Name,newClassLayer);
创建一套新的培训选项。
选项= 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%。
trainedNet = trainNetwork(imdsTrain,lgraphSqz,options);
评估所有信号的性能
使用分类命令对测试时保留的信号进行分类。再次，可视化使用的性能confusionchart．
预测=分类(trainedNet,imdsTest);图;confusionchart (imdsTest。标签,预测,“归一化”，“column-normalized”）
对于输入网络的8种调制类型，B-FM、CPFSK、GFSK、Barker和LFM调制类型的正确分类率约为98%。平均约85%的调幅信号被正确识别。从混淆矩阵来看，SSB-AM信号被误分类为DSB-AM, DSB-AM信号被误分类为SSB-AM的比例很高。
研究这些错误分类中的一些，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中提取单个图像。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晰，并导致改进的分类。
DSB_DSB = readimage(imdsTest,find((imdsTest。标签= =“DSB-AM”) &(预测==“DSB-AM”), 1));DSB_SSB = readimage(imdsTest,find((imdsTest。标签= =“DSB-AM”) &(预测==“SSB-AM”), 1));SSB_DSB = readimage(imdsTest,find((imdsTest。标签= =“SSB-AM”) &(预测==“DSB-AM”), 1));SSB_SSB = readimage(imdsTest,find((imdsTest。标签= =“SSB-AM”) &(预测==“SSB-AM”), 1));图subplot(2,2,1) imagesc(DSB_DSB(:，:，1))轴广场；标题({'实际类:DSB-AM'，“预测等级:DSB-AM”}) subplot(2,2,2) imagesc(DSB_SSB(:，:，1))轴广场；标题({'实际类:DSB-AM'，“预测等级:SSB-AM”}) subplot(2,2,3) imagesc(SSB_DSB(:，:，1))轴广场；标题({'实际类:SSB-AM'，“预测等级:DSB-AM”}) subplot(2,2,4) imagesc(SSB_SSB(:，:，1))轴广场；标题({'实际类:SSB-AM'，“预测等级:SSB-AM”})
总结
这个例子展示了如何通过使用时频技术和深度学习网络对雷达和通信调制类型进行分类。通过利用小波工具箱™中提供的时频分析和信号处理工具箱™中提供的附加傅里叶分析，可以进一步进行进一步的改进。
参考文献
[1]布雷诺夫松，约翰，玛丽亚·桑斯坦。在卷积神经网络中使用Wigner-Ville分布对一维非平稳信号进行分类。第25届欧洲信号处理会议．IEEE 2017。
[2]刘晓宇，杨迪宇，Aly El Gamal。“调制分类的深度神经网络架构。”第51届阿西洛玛信号、系统和计算机会议．2017.
[3] '王，超，王健和张旭东。基于时频分析和卷积神经网络的雷达波形自动识别IEEE国际会议声学、语音与信号处理(ICASSP)．2017.
您也可以从以下列表中选择一个网站: