基于改進EfficientNet的雷達信號調制方式識別*

蘇琮智，王美玲，楊承志，吳宏超

(空軍航空大學 航空作戰勤務學院，長春 130022)

0 引 言

近年來，深度學習算法在雷達輻射源信號識別領域獲得了廣泛應用，卷積神經網絡(Convolutional Neural Network,CNN)是最經典的模型之一。CNN利用權值共享、局部感知的思想大大降低了網絡的復雜度和計算成本，可以高效地處理多維圖像，特別是在二維圖像處理上優勢巨大[1]。因此，可以直接將對雷達輻射源信號進行一定的變換后提取到的二維圖像輸入CNN網絡，網絡將自動提取雷達輻射源信號的深層隱藏特征并進行分類識別。

當訓練數據充足時，利用深度學習進行雷達輻射源識別可以達到較高的正確率并具有較強的魯棒性，相比傳統的算法有較大的提升，但同時也存在不足之處：在低信噪比下網絡提取深層次特征更加困難，對輻射源的識別準確率還有待提高；許多用于識別的神經網絡網絡層數較深、參數過多，網絡的時間復雜度和空間復雜度較大，因此訓練速度慢、計算量龐大。

EfficientNet[2]是用一種新的模型縮放方法構建的網絡，相比以前的卷積神經網絡在準確性和效率方面更優秀。本文以EfficientNet-B0為基礎框架，通過使用卷積注意力模塊(Convolutional Block Attention Module,CBAM)替換壓縮和激勵(Squeeze and Excitation,SE)模塊改進網絡中的移動倒置瓶頸卷積(Mobile inverted Bottleneck Convolution,MBConv)模塊，增強了網絡提取多種特征的能力；分析了ReLU和h-Swish相比于Swish激活函數的優勢，在網絡不同深度使用不同的激活函數以兼顧網絡的訓練速度和識別精度，添加了標簽平滑機制并對時頻圖進行CutMix數據增強，防止網絡產生過擬合，能夠對9種不同調制信號進行有效識別，整體平均識別率達到了99.25%。……