嵌入式GPU 平台下雷达调制信号分析识别

杨博溢 汪向阳 陈 涛 李 君

(1.哈尔滨工程大学,黑龙江 哈尔滨 150001;2.解放军63861部队,吉林 白城 137001)

0 引言

雷达信号识别往往运用在一些特殊的环境中,比如航天、星载、弹载等,而这些环境对嵌入式应用常常具有一定的要求。因此,在嵌入式平台上开展对雷达脉内识别信号进行智能识别的研究具有一定的应用前景和实际意义。随着NVIDIA 公司在AI领域的研究发展,其推出的NVIDIA JESTON AGX Xavier具有体积小、功耗低、运算能力强的特点,为本文的算法移植提供了良好的平台。因此,本文基于嵌入式GPU 平台对雷达信号识别系统进行了设计研究。袁智、吴咏辉等利用JESTON 系列设备进行了一系列的应用实现,为本文雷达系统的设计展现了可行性。

随着雷达技术的迅猛发展,低截获概率(LPI)雷达信号的出现使得对雷达信号的识别分析不得不开始寻找新的研究方法。在一些传统的调制识别算法中,往往是通过先估计特定参量再判断雷达信号的调制方式。因此,在传输信道环境良好的情况下,传统的识别算法可以做到较为精确的识别;但在恶劣环境下,由于特定参数的估计值误差不可忽略,最终的识别结果往往不尽人意。于是,如何在较低信噪比下仍保持较高识别率、如何在非合作模式下提高信号识别准确度是目前调制方式识别算法中的一个难点。近些年提出的深度学习在图像识别分类问题中会自动提取图像中的有用特征信息,不需要人工设置特征量,对噪声、频偏等干扰因素起到了一定的抑制作用。因此,将深度学习运用在雷达信号识别领域,具有实际的意义。

随着深度学习的发展,不断有研究人员在各领域下利用深度学习对图像进行分类识别,从而佐证了利用深度学习对二维时频图进行分类的可行性。蒋兵等在广义回归神经网络(GRNN)、概率神经网络(PNN)与瞬时频率特征提取的基础上提出了一种新的雷达信号识别算法,使得在雷达调制信号识别中得到了较好的识别率。还有一些研究人员利用深度学习网络对雷达信号进行识别算法的研究,表现出利用深度学习进行识别具有抗噪性能优异、识别效果好等特点。随着深度学习算法在雷达信号领域的不断深入,人们发现,当传统的卷积神经网络算法在嵌入式移动端上进行部署时,由于嵌入式设备算力有限等原因,传统的卷积神经网络算法会耗费很大的时间精力;因此,不断有人提出了轻量级的卷积神经网络。本文正式将轻量级网络运用在雷达信号识别领域,并在嵌入式移动端上进行实现。

1 算法介绍

1.1 算法流程图

根据可视化界面的分布情况可以得出其整体的操作流程,如图1所示。

图1 算法流程图

1.2 MobileNet V3网络

MobileNet V3发表于2019年,该V3版本结合了V1的深度可分离卷积、V2的Inverted Residuals和Linear Bottleneck、压缩机激励(SE)模块,利用神经结构搜索(NAS)来搜索网络的配置和参数。其最大的优点在于使用了深度可分离卷积的操作代替了传统的卷积操作,如图2所示。

图2 深度可分离卷积

对于传统卷积核计算,设D 为输入特征数据,D 为传统卷积核的大小,、对应输入输出数据维数,则计算量可表示为D ×D ×M ×D ×D 。而深度可分离卷积将传统卷积的2步进行分离,分别是Depthwise和Pointwise。如图2,首先按照通道进行计算,按位相乘,此时通道数不改变;然后得到第1步的结果,于是深度可分离卷积操作的计算量为D ×D ×M×D ×D +11×M×N×D ×D 。

其次,轻量化网络充分考虑其部署在移动端的情况下改善了激活函数,使其计算精度和计算效率得到了一定的提升。其数学表达式为:

式中:和为激活函数。

图3 fh-swish 和fswish 激活函数的曲线图

的非线性具有很多的优势,其改进的结果虽然使模型的耗时增加,但是由于其非线性改变带来的网络效应极大地改善了精度和延时,因此其所带来的额外延时增加可以接受,且同时可以通过V3网络结构中某些卷积层的移除而消除其延时增长影响,其次目前多数硬件平台对激活函数都有较好的支持性。

2 算法移植

算法移植主要是将PC端初步调试的算法在图形处理器(GPU)平台上实现,分为2步:第1步为平台环境搭建;第2步为算法移植调试。

2.1 平台环境搭建

2.1.1 Xavier简介

该平台为Nvidia Jeston Xavier,各参数如表1所示。

表1 Jeston AGX Xavier参数

2.1.2 对Xavier进行初始化

首先需要对Xavier设备进行初始化操作,目的是使Xavier设备具有MobileNet网络需要的环境。在使用jetpack4.2 对其进行刷机时,设备安装CUDA,利用CUDA 结合Xavier的DL Accelerator硬件结构对深度学习进行加速操作。Mobile Net网络结构需要pytorch环境,在jetpack 刷机成功后,下载编译好的torch-1.5.0-aarch64 进行环境的配置。

2.2 模型参数设计

在轻量级网络MobileNet识别算法中,根据不同的训练参数网络训练效率和识别效果表现情况选出一种较好的实验参数,如表2所示。

表2 算法模型参数

其中学习率不宜太大,太大会导致网络不能快速收敛,以至于训练效率低,太小又会使得学习的过程太慢。辍学率的选择是为了防止网络出现过拟合现象。每次迭代的学习间隔量可根据实际要求更改,间隔量越小表示每次迭代学习到的特征量越多,但同时所耗费的时间也更多,因此需要做出权衡。

3 实验仿真

3.1 基于MobileNet V3的信号识别

实验数据集有Barker、Costas、Frank、线性调频(LFM)、非线性调频(NLFM)、P1、P2 共7 种类型的信号构成,其中每种信噪比下每种信号类型生成1 000张不同的时频图作为该类信号的样本。对于每种信号取80%的样本组成训练集,剩下的20%组成验证集。图4所示为信噪比是-4 d B 时的各信号样本。

图4 -4 dB下各信号时频图

在上述数据集的基础上,利用MobileNet V3网络对各信噪比下的信号进行识别,识别效果见表3。

表3 6种信噪比下识别情况

其各信号的整体识别率随着信噪比下降的折线图如图5所示。

图5 各信号识别情况

从各个信噪比下验证集的识别情况可以看出,当信噪比下降到-8 d B时,其整体的识别率仍可以达到93.43%,从表3可以看出各类信号单独的识别率。

3.2 Res Net与MobileNet对比分析

由于轻量级网络从卷积层计算的角度有别于传统卷积网络的计算,其利用可分离卷积的思想为整个训练的过程节省了不少的计算量。因此,进行了两类不同的卷积神经网络的对比试验分析。

一般的卷积神经网络训练要花费较长的时间,而在嵌入式设备上对其进行开发使用时,又经常对深度学习训练的时间有一定的需求。因此,从训练效率角度去对比这2个网络,从对比试验参数中选用相同的学习率与优化器,在信噪比为0 dB时对其进行训练,以观测信号识别率在达到95%以上时最小迭代数的情况和最小训练时间。

对比试验的详细超参数见表4,其得到的数据结果如图6,每次迭代训练的时间见表5。

表4 超参设置

图6 两类网络训练情况

表5 一个epoch训练时间

通过分析实验数据可以得出,2个不同的卷积网络随着训练迭代次数的增加,其识别率都可以达到很高,但是可以发现在要求达到相同识别率下MobileNet网络更容易被训练。从表5 中可以看出,2类网络的训练时间也是不一样的,Res Net网络每次迭代的时间在480 s左右,而MobileNet网络一次迭代只需要60 s即可完成。且从训练曲线中可以看出,轻量级网络的稳定性更强,即出现纹波的幅度和频率更小。从模型保存数据量角度进行比较时发现,ResNet网络一个模型所占用的大小约为350 MB左右,而MobileNet则仅需要35 MB 的空间即可,仅从空间占用的角度去考虑可以得出轻量级网络Mobile Net更适合在嵌入式设备中使用。

3.3 雷达调制信号识别分析可视化界面开发

可视化界面是基于Python语言,利用QT 公司开发的Py Qt5进行设计。由于是基于Python这种脚本语言编程,因此语句更加容易理解,并且也不用再安装软件,只需在编译环境内下载对应库即可。

3.4 雷达调制信号识别分析结果图

对设计好的雷达系统进行测试,其实际结果如图7所示。

图7 雷达系统实物测试图

4 结束语

本文在嵌入式GPU 平台下完成了雷达信号分析系统的设计。由测试结果可以看出,在嵌入式平台下该算法可以产生7种不同的调制信号,并对其进行时频分析,从而得到二维时频图像。对调制信号的载频、信噪比、调频斜率等具体参数进行随机操作从而得到丰富的数据集和测试集,将得到的数据集进行深度学习,而后利用训练模型识别测试集,可以得到在=-8 d B 下,其整体的识别率为93.43%;在=0 dB 下,识别率为99.86%。结果表明,当信道中信噪比恶劣到-8 d B 时,识别结果仍然可以达到93.43%以上,且该识别算法对其他信号同样适用,只需要产生其他信号的数据集训练识别即可。对比NVIDIA Jetson Xavier和PC端,从小型化和功耗性能方面考虑其优势远大于PC端,且在实际应用过程中,可以把训练过程放在性能更强的PC端进行,而利用Xavier进行信号识别。