[发明专利]基于多头注意力机制的LSTM网络的雷达信号识别方法

说明书

本发明提供了一种基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述识别方法包括如下步骤：S1、生成数据集，数据集中的多种典型雷达信号作为LSTM网络的训练及测试用；S2、对产生的数据集信号进行预处理；S3、构建LSTM网络，设置LSTM网络参数；S4、将数据集信号序列的训练样本数据输入至步骤S3的LSTM网络中，当迭代次数达到n次时，结束训练，得到训练好的LSTM的网络模型；S5、将数据集中每种信号的测试集数据输入到训练好的LSTM网络模型中，网络输出为雷达信号预测类别。本发明以雷达信号辐射源信号序列经过多头注意力机制进行表征学习得到的新的序列，再把该序列输入到LSTM神经网络中进行特征提取识别，从而提高实现雷达信号识别率。

技术领域

本发明涉及信号处理技术领域，具体涉及基于多头注意力机制的LSTM(LongShort-Term Memory)网络的雷达信号识别方法。

背景技术

随着电子信息领域的发展，电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要的作用，雷达辐射源信号识别是电子对抗中的重要环节。

随着深度学习(Deep Learning，DL)应用在计算机视觉、语音识别和数据分类等领域体现出其优异的性能。深度学习模型是一个拥有多个非线性映射层的深度神经网络模型，能够对输入信号进行逐层抽象并提取特征，挖掘更深层次的潜在规律。目前也有基于神经网络的雷达信号识别方法，常用的有BP神经网络、ResNet残差神经网络和支持向量机等，然而上述采用深度学习方法识别雷达信号调制类型里，它依旧是在对信号进行某种特征提取变换后，将得到的特征作为信号识别依据，而后用神经网络进行分类识别，因而识别能力仍有局限性。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供基于多头注意力机制的LSTM网络的雷达信号识别方法。本发明以雷达信号辐射源信号序列经过多头注意力机制进行表征学习得到的新的序列，再把该序列输入到LSTM神经网络中进行特征提取识别，从而提高实现雷达信号识别率。

为解决上述技术问题，本发明通过下述技术方案实现：

基于多头注意力机制的LSTM网络的雷达信号识别方法，其特征在于：所述识别方法包括如下步骤：

S1、取一个有标签标注的数据集，该数据集可以包括但不限于这九种典型雷达信号(常规脉冲信号、线性调频信号、非线性调频信号、双相相移键控信号、正交相移键控信号、频移键控信号、线性调频与双相相移键控信号的混合调制信号、线性调频与频移键控信号的混合调制信号、双相相移键控信号与频移键控信号的混合调制信号)，把这九种典型雷达信号作为LSTM(Long Short-Term Memory)网络的训练及测试用；其中，每种信号从-16dB到8dB每隔2dB信噪比生成4000组(取其中3200组作为训练集，取另外800组作为测试集)雷达序列数据样本；

S2、对产生的数据集信号进行预处理；

S3、构建LSTM网络，设置LSTM网络参数；

S4、将数据集信号序列的训练样本数据输入至步骤S3的LSTM网络中，当迭代次数达到n次时，结束训练，得到训练好的LSTM的网络模型；即LSTM的网络模型的训练方式为：LSTM网络的迭代次数为300，初始化学习率设置为0.001，并且每次迭代之后学习率变为原来的0.95倍，LSTM网络中的网络元胞个数设置为4，将遗忘参数设置为1，将LSTM网络的损失函数设置为对数损失函数，使用AdamOptimizer算法来控制学习率，使用指数线性单元激活函数作为激活函数，并将softmax分类器作为网络的输出层。

S5、将数据集中每种信号的测试集数据输入到训练好的LSTM网络模型中，网络输出为雷达信号预测类别标签。

进一步的：所述步骤S2中，数据集信号进行预处理步骤包括：