基于扩张残差网络的雷达辐射源信号识别

基于扩张残差网络的雷达辐射源信号识别

参考上一篇博文
1 创新之处：

1. 16类雷达信号（复杂多类）：单载频、LFM、NLFM、相位编码（BPSK、Frank、P1-P4及T1~T4）、频率编码Costas和混合调制（频率编码与LFM混合调制FSK +LFM、频率编码与相位编码混合调制FSK+BPSK)
2. 使用残差网络，ResNet顶层的普通卷积替换为扩张卷积构成扩张残差网络。

2 目的： 改善低信噪比条件下类LFM信号的识别性能。

3 时频分析方法： CWD（采用指数加权核函数Cohen类时频分布，对不同时间或频率的信号具有较高的分辨能力和识别精度）

4 时频图像预处理

首先将信号时频能量值转化为灰度值以便完整保留信号的时频分布特征。然后选取“方形”结构元素对灰度图像做开运算（有关开运算内容点这里）以去除信噪比较低时 CWD核函数引起的呈特殊细长直线的进程噪声。最后利用双三次插值算法将大小为800x800的时频图像调整为224x224。

5 残差网络
残差网络基本结构

6 扩张卷积
使用扩张卷积原因： 直接使用ResNet会因降维太多，导致细微特征被忽略，在信噪比较低时，对高空间分辨率的十分需要，因而不能因为降维而损失空间分辨率。
有关扩张卷积的博文参考，点这里。
形象表达（带padding）：

扩张率dilation rate

1. dilation rate=1时为普通卷积，感受野即为卷积核尺寸，输出维度也是正常的计算公式。
2. dilation rate≠1时的感受野计算：
   (1)正常图像空洞卷积：
   
   (2)padding的空洞卷积：
   
   举例（带padding）：
   
   输出维度计算：

（1）普通卷积（w为输入图像尺寸）：

（2）加扩张卷积（w为输入图像尺寸）：

7 模型
将ResNet顶层的普通卷积替换为扩张卷积，构建扩张残差网络DRN来维护图像空间分辨率，使其不再下降，最后获得更精细的特征图以计算类别概率。

8 实验与分析
对比实验：

1. 深度CNN模型
2. ResNet模型

与DRN的区别在于ResNet和CNN在conv4_1、conv5_1使用stride=2 进行下采样，ResNet在CNN的基础上增加了短连接，DRN在ResNet的基础上将conv4_x、conv5_x中的普通卷积运算替换为扩张卷积运算。

信噪比在-6dB下三种模识别LFM信号的混淆矩阵。