嵌入式GPU 平臺下雷達(dá)調(diào)制信號分析識別

楊博溢 汪向陽 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,吉林 白城 137001)

0 引言

雷達(dá)信號識別往往運用在一些特殊的環(huán)境中,比如航天、星載、彈載等,而這些環(huán)境對嵌入式應(yīng)用常常具有一定的要求。因此,在嵌入式平臺上開展對雷達(dá)脈內(nèi)識別信號進行智能識別的研究具有一定的應(yīng)用前景和實際意義。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、運算能力強的特點,為本文的算法移植提供了良好的平臺。因此,本文基于嵌入式GPU 平臺對雷達(dá)信號識別系統(tǒng)進行了設(shè)計研究。袁智、吳詠輝等利用JESTON 系列設(shè)備進行了一系列的應(yīng)用實現(xiàn),為本文雷達(dá)系統(tǒng)的設(shè)計展現(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)信號的出現(xiàn)使得對雷達(dá)信號的識別分析不得不開始尋找新的研究方法。在一些傳統(tǒng)的調(diào)制識別算法中,往往是通過先估計特定參量再判斷雷達(dá)信號的調(diào)制方式。因此,在傳輸信道環(huán)境良好的情況下,傳統(tǒng)的識別算法可以做到較為精確的識別;但在惡劣環(huán)境下,由于特定參數(shù)的估計值誤差不可忽略,最終的識別結(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別率、如何在非合作模式下提高信號識別準(zhǔn)確度是目前調(diào)制方式識別算法中的一個難點。近些年提出的深度學(xué)習(xí)在圖像識別分類問題中會自動提取圖像中的有用特征信息,不需要人工設(shè)置特征量,對噪聲、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)運用在雷達(dá)信號識別領(lǐng)域,具有實際的意義。

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)對圖像進行分類識別,從而佐證了利用深度學(xué)習(xí)對二維時頻圖進行分類的可行性。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)與瞬時頻率特征提取的基礎(chǔ)上提出了一種新的雷達(dá)信號識別算法,使得在雷達(dá)調(diào)制信號識別中得到了較好的識別率。還有一些研究人員利用深度學(xué)習(xí)網(wǎng)絡(luò)對雷達(dá)信號進行識別算法的研究,表現(xiàn)出利用深度學(xué)習(xí)進行識別具有抗噪性能優(yōu)異、識別效果好等特點。隨著深度學(xué)習(xí)算法在雷達(dá)信號領(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)算法在嵌入式移動端上進行部署時,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)算法會耗費很大的時間精力;因此,不斷有人提出了輕量級的卷積神經(jīng)網(wǎng)絡(luò)。本文正式將輕量級網(wǎng)絡(luò)運用在雷達(dá)信號識別領(lǐng)域,并在嵌入式移動端上進行實現(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、壓縮機激勵(SE)模塊,利用神經(jīng)結(jié)構(gòu)搜索(NAS)來搜索網(wǎng)絡(luò)的配置和參數(shù)。其最大的優(yōu)點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

對于傳統(tǒng)卷積核計算,設(shè)D 為輸入特征數(shù)據(jù),D 為傳統(tǒng)卷積核的大小,、對應(yīng)輸入輸出數(shù)據(jù)維數(shù),則計算量可表示為D ×D ×M ×D ×D 。而深度可分離卷積將傳統(tǒng)卷積的2步進行分離,分別是Depthwise和Pointwise。如圖2,首先按照通道進行計算,按位相乘,此時通道數(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端的情況下改善了激活函數(shù),使其計算精度和計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)的曲線圖

的非線性具有很多的優(yōu)勢,其改進的結(jié)果雖然使模型的耗時增加,但是由于其非線性改變帶來的網(wǎng)絡(luò)效應(yīng)極大地改善了精度和延時,因此其所帶來的額外延時增加可以接受,且同時可以通過V3網(wǎng)絡(luò)結(jié)構(gòu)中某些卷積層的移除而消除其延時增長影響,其次目前多數(shù)硬件平臺對激活函數(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)平臺上實現(xiàn),分為2步:第1步為平臺環(huán)境搭建;第2步為算法移植調(diào)試。

2.1 平臺環(huán)境搭建

2.1.1 Xavier簡介

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

表1 Jeston AGX Xavier參數(shù)

2.1.2 對Xavier進行初始化

首先需要對Xavier設(shè)備進行初始化操作,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 對其進行刷機時,設(shè)備安裝CUDA,利用CUDA 結(jié)合Xavier的DL Accelerator硬件結(jié)構(gòu)對深度學(xué)習(xí)進行加速操作。Mobile Net網(wǎng)絡(luò)結(jié)構(gòu)需要pytorch環(huán)境,在jetpack 刷機成功后,下載編譯好的torch-1.5.0-aarch64 進行環(huán)境的配置。

2.2 模型參數(shù)設(shè)計

在輕量級網(wǎng)絡(luò)MobileNet識別算法中,根據(jù)不同的訓(xùn)練參數(shù)網(wǎng)絡(luò)訓(xùn)練效率和識別效果表現(xiàn)情況選出一種較好的實驗參數(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,太小又會使得學(xué)習(xí)的過程太慢。輟學(xué)率的選擇是為了防止網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象。每次迭代的學(xué)習(xí)間隔量可根據(jù)實際要求更改,間隔量越小表示每次迭代學(xué)習(xí)到的特征量越多,但同時所耗費的時間也更多,因此需要做出權(quán)衡。

3 實驗仿真

3.1 基于MobileNet V3的信號識別

實驗數(shù)據(jù)集有Barker、Costas、Frank、線性調(diào)頻(LFM)、非線性調(diào)頻(NLFM)、P1、P2 共7 種類型的信號構(gòu)成,其中每種信噪比下每種信號類型生成1 000張不同的時頻圖作為該類信號的樣本。對于每種信號取80%的樣本組成訓(xùn)練集,剩下的20%組成驗證集。圖4所示為信噪比是-4 d B 時的各信號樣本。

圖4 -4 dB下各信號時頻圖

在上述數(shù)據(jù)集的基礎(chǔ)上,利用MobileNet V3網(wǎng)絡(luò)對各信噪比下的信號進行識別,識別效果見表3。

表3 6種信噪比下識別情況

其各信號的整體識別率隨著信噪比下降的折線圖如圖5所示。

圖5 各信號識別情況

從各個信噪比下驗證集的識別情況可以看出,當(dāng)信噪比下降到-8 d B時,其整體的識別率仍可以達(dá)到93.43%,從表3可以看出各類信號單獨的識別率。

3.2 Res Net與MobileNet對比分析

由于輕量級網(wǎng)絡(luò)從卷積層計算的角度有別于傳統(tǒng)卷積網(wǎng)絡(luò)的計算,其利用可分離卷積的思想為整個訓(xùn)練的過程節(jié)省了不少的計算量。因此,進行了兩類不同的卷積神經(jīng)網(wǎng)絡(luò)的對比試驗分析。

一般的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練要花費較長的時間,而在嵌入式設(shè)備上對其進行開發(fā)使用時,又經(jīng)常對深度學(xué)習(xí)訓(xùn)練的時間有一定的需求。因此,從訓(xùn)練效率角度去對比這2個網(wǎng)絡(luò),從對比試驗參數(shù)中選用相同的學(xué)習(xí)率與優(yōu)化器,在信噪比為0 dB時對其進行訓(xùn)練,以觀測信號識別率在達(dá)到95%以上時最小迭代數(shù)的情況和最小訓(xùn)練時間。

對比試驗的詳細(xì)超參數(shù)見表4,其得到的數(shù)據(jù)結(jié)果如圖6,每次迭代訓(xùn)練的時間見表5。

表4 超參設(shè)置

圖6 兩類網(wǎng)絡(luò)訓(xùn)練情況

表5 一個epoch訓(xùn)練時間

通過分析實驗數(shù)據(jù)可以得出,2個不同的卷積網(wǎng)絡(luò)隨著訓(xùn)練迭代次數(shù)的增加,其識別率都可以達(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類網(wǎng)絡(luò)的訓(xùn)練時間也是不一樣的,Res Net網(wǎng)絡(luò)每次迭代的時間在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)練曲線中可以看出,輕量級網(wǎng)絡(luò)的穩(wěn)定性更強,即出現(xiàn)紋波的幅度和頻率更小。從模型保存數(shù)據(jù)量角度進行比較時發(fā)現(xiàn),ResNet網(wǎng)絡(luò)一個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)制信號識別分析可視化界面開發(fā)

可視化界面是基于Python語言,利用QT 公司開發(fā)的Py Qt5進行設(shè)計。由于是基于Python這種腳本語言編程,因此語句更加容易理解,并且也不用再安裝軟件,只需在編譯環(huán)境內(nèi)下載對應(yīng)庫即可。

3.4 雷達(dá)調(diào)制信號識別分析結(jié)果圖

對設(shè)計好的雷達(dá)系統(tǒng)進行測試,其實際結(jié)果如圖7所示。

圖7 雷達(dá)系統(tǒng)實物測試圖

4 結(jié)束語

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