楊博溢 汪向陽(yáng) 陳 濤 李 君

(1.哈爾濱工程大學(xué),黑龍江 哈爾濱 150001;2.解放軍63861部隊(duì),吉林 白城 137001)

0 引言

雷達(dá)信號(hào)識(shí)別往往運(yùn)用在一些特殊的環(huán)境中,比如航天、星載、彈載等,而這些環(huán)境對(duì)嵌入式應(yīng)用常常具有一定的要求。因此,在嵌入式平臺(tái)上開(kāi)展對(duì)雷達(dá)脈內(nèi)識(shí)別信號(hào)進(jìn)行智能識(shí)別的研究具有一定的應(yīng)用前景和實(shí)際意義。隨著NVIDIA 公司在AI領(lǐng)域的研究發(fā)展,其推出的NVIDIA JESTON AGX Xavier具有體積小、功耗低、運(yùn)算能力強(qiáng)的特點(diǎn),為本文的算法移植提供了良好的平臺(tái)。因此,本文基于嵌入式GPU 平臺(tái)對(duì)雷達(dá)信號(hào)識(shí)別系統(tǒng)進(jìn)行了設(shè)計(jì)研究。袁智、吳詠輝等利用JESTON 系列設(shè)備進(jìn)行了一系列的應(yīng)用實(shí)現(xiàn),為本文雷達(dá)系統(tǒng)的設(shè)計(jì)展現(xiàn)了可行性。

隨著雷達(dá)技術(shù)的迅猛發(fā)展,低截獲概率(LPI)雷達(dá)信號(hào)的出現(xiàn)使得對(duì)雷達(dá)信號(hào)的識(shí)別分析不得不開(kāi)始尋找新的研究方法。在一些傳統(tǒng)的調(diào)制識(shí)別算法中,往往是通過(guò)先估計(jì)特定參量再判斷雷達(dá)信號(hào)的調(diào)制方式。因此,在傳輸信道環(huán)境良好的情況下,傳統(tǒng)的識(shí)別算法可以做到較為精確的識(shí)別;但在惡劣環(huán)境下,由于特定參數(shù)的估計(jì)值誤差不可忽略,最終的識(shí)別結(jié)果往往不盡人意。于是,如何在較低信噪比下仍保持較高識(shí)別率、如何在非合作模式下提高信號(hào)識(shí)別準(zhǔn)確度是目前調(diào)制方式識(shí)別算法中的一個(gè)難點(diǎn)。近些年提出的深度學(xué)習(xí)在圖像識(shí)別分類(lèi)問(wèn)題中會(huì)自動(dòng)提取圖像中的有用特征信息,不需要人工設(shè)置特征量,對(duì)噪聲、頻偏等干擾因素起到了一定的抑制作用。因此,將深度學(xué)習(xí)運(yùn)用在雷達(dá)信號(hào)識(shí)別領(lǐng)域,具有實(shí)際的意義。

隨著深度學(xué)習(xí)的發(fā)展,不斷有研究人員在各領(lǐng)域下利用深度學(xué)習(xí)對(duì)圖像進(jìn)行分類(lèi)識(shí)別,從而佐證了利用深度學(xué)習(xí)對(duì)二維時(shí)頻圖進(jìn)行分類(lèi)的可行性。蔣兵等在廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)、概率神經(jīng)網(wǎng)絡(luò)(PNN)與瞬時(shí)頻率特征提取的基礎(chǔ)上提出了一種新的雷達(dá)信號(hào)識(shí)別算法,使得在雷達(dá)調(diào)制信號(hào)識(shí)別中得到了較好的識(shí)別率。還有一些研究人員利用深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)雷達(dá)信號(hào)進(jìn)行識(shí)別算法的研究,表現(xiàn)出利用深度學(xué)習(xí)進(jìn)行識(shí)別具有抗噪性能優(yōu)異、識(shí)別效果好等特點(diǎn)。隨著深度學(xué)習(xí)算法在雷達(dá)信號(hào)領(lǐng)域的不斷深入,人們發(fā)現(xiàn),當(dāng)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)算法在嵌入式移動(dòng)端上進(jìn)行部署時(shí),由于嵌入式設(shè)備算力有限等原因,傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)算法會(huì)耗費(fèi)很大的時(shí)間精力;因此,不斷有人提出了輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)。本文正式將輕量級(jí)網(wǎng)絡(luò)運(yùn)用在雷達(dá)信號(hào)識(shí)別領(lǐng)域,并在嵌入式移動(dòng)端上進(jìn)行實(shí)現(xiàn)。

1 算法介紹

1.1 算法流程圖

根據(jù)可視化界面的分布情況可以得出其整體的操作流程,如圖1所示。

圖1 算法流程圖

1.2 MobileNet V3網(wǎng)絡(luò)

MobileNet V3發(fā)表于2019年,該V3版本結(jié)合了V1的深度可分離卷積、V2的Inverted Residuals和Linear Bottleneck、壓縮機(jī)激勵(lì)(SE)模塊,利用神經(jīng)結(jié)構(gòu)搜索(NAS)來(lái)搜索網(wǎng)絡(luò)的配置和參數(shù)。其最大的優(yōu)點(diǎn)在于使用了深度可分離卷積的操作代替了傳統(tǒng)的卷積操作,如圖2所示。

圖2 深度可分離卷積

對(duì)于傳統(tǒng)卷積核計(jì)算,設(shè)D 為輸入特征數(shù)據(jù),D 為傳統(tǒng)卷積核的大小,、對(duì)應(yīng)輸入輸出數(shù)據(jù)維數(shù),則計(jì)算量可表示為D ×D ×M ×D ×D 。而深度可分離卷積將傳統(tǒng)卷積的2步進(jìn)行分離,分別是Depthwise和Pointwise。如圖2,首先按照通道進(jìn)行計(jì)算,按位相乘,此時(shí)通道數(shù)不改變;然后得到第1步的結(jié)果,于是深度可分離卷積操作的計(jì)算量為D ×D ×M×D ×D +11×M×N×D ×D 。

其次,輕量化網(wǎng)絡(luò)充分考慮其部署在移動(dòng)端的情況下改善了激活函數(shù),使其計(jì)算精度和計(jì)算效率得到了一定的提升。其數(shù)學(xué)表達(dá)式為:

式中:和為激活函數(shù)。

圖3 fh-swish 和fswish 激活函數(shù)的曲線(xiàn)圖

的非線(xiàn)性具有很多的優(yōu)勢(shì),其改進(jìn)的結(jié)果雖然使模型的耗時(shí)增加,但是由于其非線(xiàn)性改變帶來(lái)的網(wǎng)絡(luò)效應(yīng)極大地改善了精度和延時(shí),因此其所帶來(lái)的額外延時(shí)增加可以接受,且同時(shí)可以通過(guò)V3網(wǎng)絡(luò)結(jié)構(gòu)中某些卷積層的移除而消除其延時(shí)增長(zhǎng)影響,其次目前多數(shù)硬件平臺(tái)對(duì)激活函數(shù)都有較好的支持性。

2 算法移植

算法移植主要是將PC端初步調(diào)試的算法在圖形處理器(GPU)平臺(tái)上實(shí)現(xiàn),分為2步:第1步為平臺(tái)環(huán)境搭建;第2步為算法移植調(diào)試。

2.1 平臺(tái)環(huán)境搭建

2.1.1 Xavier簡(jiǎn)介

該平臺(tái)為Nvidia Jeston Xavier,各參數(shù)如表1所示。

表1 Jeston AGX Xavier參數(shù)

2.1.2 對(duì)Xavier進(jìn)行初始化

首先需要對(duì)Xavier設(shè)備進(jìn)行初始化操作,目的是使Xavier設(shè)備具有MobileNet網(wǎng)絡(luò)需要的環(huán)境。在使用jetpack4.2 對(duì)其進(jìn)行刷機(jī)時(shí),設(shè)備安裝CUDA,利用CUDA 結(jié)合Xavier的DL Accelerator硬件結(jié)構(gòu)對(duì)深度學(xué)習(xí)進(jìn)行加速操作。Mobile Net網(wǎng)絡(luò)結(jié)構(gòu)需要pytorch環(huán)境,在jetpack 刷機(jī)成功后,下載編譯好的torch-1.5.0-aarch64 進(jìn)行環(huán)境的配置。

2.2 模型參數(shù)設(shè)計(jì)

在輕量級(jí)網(wǎng)絡(luò)MobileNet識(shí)別算法中,根據(jù)不同的訓(xùn)練參數(shù)網(wǎng)絡(luò)訓(xùn)練效率和識(shí)別效果表現(xiàn)情況選出一種較好的實(shí)驗(yàn)參數(shù),如表2所示。

表2 算法模型參數(shù)

其中學(xué)習(xí)率不宜太大,太大會(huì)導(dǎo)致網(wǎng)絡(luò)不能快速收斂,以至于訓(xùn)練效率低,太小又會(huì)使得學(xué)習(xí)的過(guò)程太慢。輟學(xué)率的選擇是為了防止網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象。每次迭代的學(xué)習(xí)間隔量可根據(jù)實(shí)際要求更改,間隔量越小表示每次迭代學(xué)習(xí)到的特征量越多,但同時(shí)所耗費(fèi)的時(shí)間也更多,因此需要做出權(quán)衡。

3 實(shí)驗(yàn)仿真

3.1 基于MobileNet V3的信號(hào)識(shí)別

實(shí)驗(yàn)數(shù)據(jù)集有Barker、Costas、Frank、線(xiàn)性調(diào)頻(LFM)、非線(xiàn)性調(diào)頻(NLFM)、P1、P2 共7 種類(lèi)型的信號(hào)構(gòu)成,其中每種信噪比下每種信號(hào)類(lèi)型生成1 000張不同的時(shí)頻圖作為該類(lèi)信號(hào)的樣本。對(duì)于每種信號(hào)取80%的樣本組成訓(xùn)練集,剩下的20%組成驗(yàn)證集。圖4所示為信噪比是-4 d B 時(shí)的各信號(hào)樣本。

圖4 -4 dB下各信號(hào)時(shí)頻圖

在上述數(shù)據(jù)集的基礎(chǔ)上,利用MobileNet V3網(wǎng)絡(luò)對(duì)各信噪比下的信號(hào)進(jìn)行識(shí)別,識(shí)別效果見(jiàn)表3。

表3 6種信噪比下識(shí)別情況

其各信號(hào)的整體識(shí)別率隨著信噪比下降的折線(xiàn)圖如圖5所示。

圖5 各信號(hào)識(shí)別情況

從各個(gè)信噪比下驗(yàn)證集的識(shí)別情況可以看出,當(dāng)信噪比下降到-8 d B時(shí),其整體的識(shí)別率仍可以達(dá)到93.43%,從表3可以看出各類(lèi)信號(hào)單獨(dú)的識(shí)別率。

3.2 Res Net與MobileNet對(duì)比分析

由于輕量級(jí)網(wǎng)絡(luò)從卷積層計(jì)算的角度有別于傳統(tǒng)卷積網(wǎng)絡(luò)的計(jì)算,其利用可分離卷積的思想為整個(gè)訓(xùn)練的過(guò)程節(jié)省了不少的計(jì)算量。因此,進(jìn)行了兩類(lèi)不同的卷積神經(jīng)網(wǎng)絡(luò)的對(duì)比試驗(yàn)分析。

一般的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練要花費(fèi)較長(zhǎng)的時(shí)間,而在嵌入式設(shè)備上對(duì)其進(jìn)行開(kāi)發(fā)使用時(shí),又經(jīng)常對(duì)深度學(xué)習(xí)訓(xùn)練的時(shí)間有一定的需求。因此,從訓(xùn)練效率角度去對(duì)比這2個(gè)網(wǎng)絡(luò),從對(duì)比試驗(yàn)參數(shù)中選用相同的學(xué)習(xí)率與優(yōu)化器,在信噪比為0 dB時(shí)對(duì)其進(jìn)行訓(xùn)練,以觀測(cè)信號(hào)識(shí)別率在達(dá)到95%以上時(shí)最小迭代數(shù)的情況和最小訓(xùn)練時(shí)間。

對(duì)比試驗(yàn)的詳細(xì)超參數(shù)見(jiàn)表4,其得到的數(shù)據(jù)結(jié)果如圖6,每次迭代訓(xùn)練的時(shí)間見(jiàn)表5。

表4 超參設(shè)置

圖6 兩類(lèi)網(wǎng)絡(luò)訓(xùn)練情況

表5 一個(gè)epoch訓(xùn)練時(shí)間

通過(guò)分析實(shí)驗(yàn)數(shù)據(jù)可以得出,2個(gè)不同的卷積網(wǎng)絡(luò)隨著訓(xùn)練迭代次數(shù)的增加,其識(shí)別率都可以達(dá)到很高,但是可以發(fā)現(xiàn)在要求達(dá)到相同識(shí)別率下MobileNet網(wǎng)絡(luò)更容易被訓(xùn)練。從表5 中可以看出,2類(lèi)網(wǎng)絡(luò)的訓(xùn)練時(shí)間也是不一樣的,Res Net網(wǎng)絡(luò)每次迭代的時(shí)間在480 s左右,而MobileNet網(wǎng)絡(luò)一次迭代只需要60 s即可完成。且從訓(xùn)練曲線(xiàn)中可以看出,輕量級(jí)網(wǎng)絡(luò)的穩(wěn)定性更強(qiáng),即出現(xiàn)紋波的幅度和頻率更小。從模型保存數(shù)據(jù)量角度進(jìn)行比較時(shí)發(fā)現(xiàn),ResNet網(wǎng)絡(luò)一個(gè)模型所占用的大小約為350 MB左右,而MobileNet則僅需要35 MB 的空間即可,僅從空間占用的角度去考慮可以得出輕量級(jí)網(wǎng)絡(luò)Mobile Net更適合在嵌入式設(shè)備中使用。

3.3 雷達(dá)調(diào)制信號(hào)識(shí)別分析可視化界面開(kāi)發(fā)

可視化界面是基于Python語(yǔ)言,利用QT 公司開(kāi)發(fā)的Py Qt5進(jìn)行設(shè)計(jì)。由于是基于Python這種腳本語(yǔ)言編程,因此語(yǔ)句更加容易理解,并且也不用再安裝軟件,只需在編譯環(huán)境內(nèi)下載對(duì)應(yīng)庫(kù)即可。

3.4 雷達(dá)調(diào)制信號(hào)識(shí)別分析結(jié)果圖

對(duì)設(shè)計(jì)好的雷達(dá)系統(tǒng)進(jìn)行測(cè)試,其實(shí)際結(jié)果如圖7所示。

圖7 雷達(dá)系統(tǒng)實(shí)物測(cè)試圖

4 結(jié)束語(yǔ)

本文在嵌入式GPU 平臺(tái)下完成了雷達(dá)信號(hào)分析系統(tǒng)的設(shè)計(jì)。由測(cè)試結(jié)果可以看出,在嵌入式平臺(tái)下該算法可以產(chǎn)生7種不同的調(diào)制信號(hào),并對(duì)其進(jìn)行時(shí)頻分析,從而得到二維時(shí)頻圖像。對(duì)調(diào)制信號(hào)的載頻、信噪比、調(diào)頻斜率等具體參數(shù)進(jìn)行隨機(jī)操作從而得到豐富的數(shù)據(jù)集和測(cè)試集,將得到的數(shù)據(jù)集進(jìn)行深度學(xué)習(xí),而后利用訓(xùn)練模型識(shí)別測(cè)試集,可以得到在=-8 d B 下,其整體的識(shí)別率為93.43%;在=0 dB 下,識(shí)別率為99.86%。結(jié)果表明,當(dāng)信道中信噪比惡劣到-8 d B 時(shí),識(shí)別結(jié)果仍然可以達(dá)到93.43%以上,且該識(shí)別算法對(duì)其他信號(hào)同樣適用,只需要產(chǎn)生其他信號(hào)的數(shù)據(jù)集訓(xùn)練識(shí)別即可。對(duì)比NVIDIA Jetson Xavier和PC端,從小型化和功耗性能方面考慮其優(yōu)勢(shì)遠(yuǎn)大于PC端,且在實(shí)際應(yīng)用過(guò)程中,可以把訓(xùn)練過(guò)程放在性能更強(qiáng)的PC端進(jìn)行,而利用Xavier進(jìn)行信號(hào)識(shí)別。