基于轻量级残差网络的无人机个体识别方法.pdf

第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:作者简介:杨雷()男(满族)硕士研究生:.通信作者:郭道省()男博士教授博士生导师:.:./.基于轻量级残差网络的无人机个体识别方法杨 雷郭恩泽刘益岑魏国峰杨 宁郭道省(.中国人民解放军陆军工程大学 通信工程学院 南京.中国人民解放军陆军工程大学 通信士官学校重庆.信号盲处理国家级重点实验室 成都)摘要:在无人机的个体识别中针对现有的识别方法存在分类准确率低、实时性差、网络模型参数量大以及难以应用于资源受限的设备等问题提出基于轻量级残差网络()的无人机个体识别方法 首先通过短时傅里叶变换()把一维时域信号转为二维时频图像并对图像进行灰度处理其次网络基于 结合无人机个体信号的时频图像特征通过缩减网络层数以降低模型深度通过减少输出通道数以降低模型维度借鉴 残差结构的设计思想通过增加卷积层的残差连接以实现更多不同深度网络的集成设计出轻量级残差网络 模型 最后利用 时频灰度图作为样本对 模型进行训练实现对无人机个体的识别 仿真实验采用公开的 架悬停无人机的信号、在 高斯白噪声信道环境下进行 实验结果表明所提方法在信噪比 的环境下对无人机个体信号的平均识别率为.分别高于、模型的.、.低于 模型.所设计的 模型的可学习参数量、模型规模、乘加计算量约为基础轻量级 模型的.、.、.相较于基于、等神经网络模型方法相比所提方法在保持较高识别准确率的同时具有更快的识别速度和更小的内存开销关键词:无人机信号个体识别轻量级神经网络 残差网络本文引用格式:杨雷郭恩泽刘益岑等.基于轻量级残差网络的无人机个体识别方法.兵器装备工程学报():.:.():.中图分类号:.文献标识码:文章编号:()(.):().().:引言近年来无人机技术蓬勃发展各类无人机在诸多领域得到广泛的应用 由于相关部门的监管控制技术不够完善无人机造成的“黑飞事件”也屡见不鲜引发众多社会安全问题 同时识别分类算法在实际环境中常被应用在小型嵌入式等移动设备上 因此在硬件条件资源有限的情况下实现对无人机个体快速准确的识别对有效进行空中管控、采取相应反制措施以及维护航空安全秩序具有十分重要的意义 目前对无人机个体的识别主要通过提取截获的无人机信号的特征然后利用分类器根据特征进行分类识别 当今随着深度学习的快速发展一些研究者将深度神经网络应用到辐射源个体识别领域中 文献 提取原始的基带时域/特征利用神经网络实现端对端的识别但是这种时域非线性特征受噪声影响较大识别率有一定局限性 文献通过将信号的时域变换到频域提取频域 功率谱信息作为 的输入在 噪声环境下对 个 设备识别率达到 以上 然而 更擅长处理二维图像特征上述方法直接识别/、功率谱等一维特征会导致 识别性能产生折扣因此更主流的研究是将信号识别问题转化为图像识别问题利用神经网络模型识别图像特征 文献通过 神经网络识别雷达探测的多普勒图像特征完成对 种型号无人机的分类 文献利用深层 残差网络识别遥测信号的频谱图实现对无人机的识别 上述 种识别图像特征的方法均取得了较高的分类精度但同时模型参数量和计算量都越来越大导致识别速度不佳并且算法通常只能在强大的 上运行对硬件要求比较高不易在资源受限的小型嵌入式设备中应用 为此轻量化网络模型更符合实际需求一些研究者开始转向利用轻量级网络来识别信号 等设计群卷积来替代标准卷积结构来改进网络有效降低网络模型复杂度的同时提高了深度卷积网络的运算效率但此设计忽略了特征间的联系造成识别精度不理想 等利用深度可分离卷积构建轻量级 网络利用该网络模型识别公开数据集.调制信号的差分密度星座图尽管减少了参数量但也造成了特征提取能力的下降并且未针对信号的特点 识别模型的性能有待进一步提高以上研究成果从不同的角度进行了探索其主要研究不足在于:一方面有些利用一维 识别一维特征的方法还很难应用于强噪声环境下算法鲁棒性差并且会导致神经网络识别性能发生折扣另一方面为了兼顾识别精度和速度有些利用轻量级神经网络替代传统深度网络的识别方法未结合信号的特征进一步分析模型的性能还有提升的空间基于上述分析为进一步提升对无人机信号识别的轻量级网络性能本文中提出了基于轻量级残差网络的无人机个体识别方法 针对利用一维 识别一维特征在噪声环境下抗干扰性差并且导致 识别性能发生折扣等问题通过 提取时频图特征并做灰度处理有效克服一维时域信号在实际噪声环境下鲁棒性差的缺点针对目前设计的轻量级神经网络未结合信号特征的自身特点模型性能仍有待提高的问题以 网络为主体结合无人机个体信号的时频图像特征通过缩减网络层数以降低模型深度通过减少输出通道数以降低模型维度避免过高的分类维度可能导致“维度灾难”的问题然后借鉴 残差结构的思想通过对其中 结构的“膨胀系数”进行调整杨 雷等:基于轻量级残差网络的无人机个体识别方法以不同“膨胀系数”交替设置的方式来增加卷积层的残差连接实现更多不同深度网络的集成提高特征的提取能力从而构建出轻量级残差网络 模型 利用 模型识别提取的 灰度图像特征实现对无人机个体信号的高效识别 实验结果证明所提方法在信噪比 的噪声环境下获得 的识别率并且完成一次识别所需的乘加计算量约为.次模型参数量约为.网络模型大小约为.相比于其他神经网络模型的识别性能所提方法在识别率得到保证的情况下模型参数量、模型规模以及算法计算量都具有明显优势显著提升了识别效率更适合在资源受限的设备中推广应用 基础知识.短时傅里叶变换在电磁环境中仅分析时域或者频域内信号特征是单一的但时频分析可以反映着信号时间与频率的分布关系是信号处理领域中十分常用的方法 其中短时傅里叶变换是将一个较长的时域信号分割成长度相等的较短的段并在每个较短的段上分别计算其离散傅里叶变换 短时傅里叶变换在以损失一定频率分辨率为代价能够恢复时间分辨率具体操作就是利用窗函数将长的非平稳信号分割成一系列短时的随机平稳信号短时傅里叶变换的公式为:()()()()式中:()是源信号()为窗函数 为方便处理一般把信号进行离散化处理具体表示为:()()()()()式中:()为时频矩阵的每个离散时频点的数值为时间块的数量 为频率分量的个数且 在短时傅里叶变换中窗函数的长度直接影响着时频图的时间分辨率和频率分辨率 当窗函数的长度越长时截取信号越长则时频变换得到的频率分辨率越高时间分辨率就越差 因此必须根据实际的实验需求来选择最佳的窗口长度.轻量级网络 是 年提出的轻量级网络它的主要特性体现在具有线性瓶颈的 结构线性瓶颈结构中的深度可分离卷积由深度卷积()和逐点卷积()组成 深度卷积与普通卷积不同它的卷积核个数和输入向量的通道数必须相同且每个卷积核仅能处理数据中的一个通道 逐点卷积可以使得深度卷积在高维空间提取特征同时它也可将各个深度卷积的单通道提取的特征结果进行重新组合保证了特征提取的准确性和有效性 其中 结构有 种类型如图 所示 当步长 时 有残差连接 当步长 时直接使用串联方式的连接 当 结构是步长 并有残差连接的情况时可以加深网络层数提升传播效率 结构通过深度可分离卷积和倒置结构的设计先进行升维后进行降维使得网络可以以更小的输入与输出维度在高维空间上进行特征提取又可以显著降低网络模型参数量和计算量 假设输入特征图尺寸为 输入通道数为 卷积核大小为 通道数为 则深度可分离卷积的计算量 与标准卷积的计算量 之比为:()由式()可知利用深度可分离卷积代替标准卷积可将模型的计算量降低为原来的显著提升了网络模型的计算速度图 种步长下的 结构.的残差模块分析无人机信号的 时频图特点可知同一种类型的不同无人机信号时频图特征具有很强的相似性识别分类时极易发生混淆可以通过增加网络模型深度来提升特征提取的能力 但是随着网络深度继续增加到一定程度后会出现梯度消失或爆炸的现象 然而 网络在传统卷积神经网络基础上引入“残差学习”的思想解决了因权值无法更新或模型无法收敛等因素造成网络性能退化的问题 网络的核心部分就是残差模块其结构如图 所示 一个残差模块可以表示为:()()式中:、分别为第 、层特征图、分别为第 层卷积参数和运算函数 也就是将网络的传输函数()()替代()叠加兵 器 装 备 工 程 学 报:/./的卷积层只需要拟合 函数即可使得深层网络模型的优化更加简单残差模块中这种“恒等连接”的结构设计使得网络可以将提取的浅层和深层信息实现快捷传递有效解决了信息传递过程中造成的特征丢失提升了深层网络模型的整体性能图 残差模块结构图.基于轻量级残差网络的无人机个体识别方法 以搭建识别准确率高、计算复杂度低、存储开销小的无人机信号的分类网络模型为目标将 作为网络主体结合无人机个体信号的时频图像特征通过缩减网络层数以降低模型深度通过减少输出通道数以降低模型维度同时借鉴 残差结构的设计思想对新设计的轻量级残差结构中 模块以不同“膨胀系数”交替设置的方式使得所有 模块的卷积层结构都有残差连接实现更多不同深度网络的集成设计出 轻量级残差网络模型.轻量级残差模块设计信号的特征提取模块主要以深度可分离卷积和倒置残差结构为核心在 的 结构基础上进行改进设计构建新的轻量级残差模块如图 所示 首先利用深度可分离卷积代替标准卷积结构先由一个 逐点卷积升维然后是一个卷积核大小均设置为 深度卷积提取各通道特征再搭配一个 逐点卷积进行降维这样的设计有效降低模型参数量和计算量其次与 中一部分 采用残差连接一部分 直接使用串联的连接方式有所不同 本文中设计的轻量级残差模块借鉴 残差结构的思想所有卷积层部分均使用残差连接的设计这样既可以实现更多不同深度网络的集成又可以实现信息的快捷传递提升深层网络的性能 最后针对网络模型都使用残差连接 结构在特征信息传递过程会存在残差模块的输入特征图和输出特征图维度不匹配的问题而尺寸为 的卷积核对输出特征图进行维度变换可以解决这个问题 因此本文中设计的轻量级残差模块有 种结构:模块和 模块分别如图()与如图()所示图 轻量级残差模块结构图.根据对设计的轻量级残差模块的分析假设 表示第一层经逐点卷积之后升维的倍数、即“膨胀系数”主要作用是对输入图像的大小进行调整 表示卷积的步长、分别表示输入图边长、输入通道数和输出通道数 传统的计算量统计方式往往是忽略规范化操作和激活层等等只是单纯考虑卷积层和全连接层等参数层的“乘加”操作 同时在卷积层和全连接层的计算量统计过程中也会忽略如“偏置”等仅“纯加法”操作的计算量 则 构成的倒残差结构各层的计算量:第一层的计算量为:()次第二层的计算量为:(/)次第三层的计算量为:(/)次.轻量级残差网络模型结构设计针对无人机信号的个体识别本研究设计了一种轻量级残差网络 模型该模型包括 个卷积层、个池化层、个 模块、个 模块、个 层、个 层和 个 层具体网络结构如图 所示 在本网络模型中首先将提取的时频图大小调整为 通过 个卷积核大小为 的标准卷积提取初级特征并通过最大池化操作对时频图进行降维处理以减轻网络的训练参数其次对新设计的轻量级残差结构中 模块的“膨胀系数”进行调整将 个 模块和 个 模块以不同“膨胀系数”交替设置的方式使得所有 模块的卷积层结构都有残差连接并且通过深度可分离卷积和倒置残差等结构来提取时频图像的深层特征然后通过 个大小为 的 对特征进行升维并通过一个 层对特征图的信息进行聚合使每张特征图可以获得 个均值进一步减少参数量、提高模型杨 雷等:基于轻量级残差网络的无人机个体识别方法训练速度最后通过全连接层和 层进行分类输出得到最终分类结果 同时为了避免网络模型在训练过程中各层激活输入的值发生位移导致神经网络梯度消失在每层的激活函数之前增加了 归一化层图 轻量级网络模型结构图.网络模型结构的详细信息如表 所示 表中 为轻量级残差 和 模块进行升维的通道“膨胀系数”为卷积和池化操作的步长表 模型详细信息 ()()标准卷积层 卷积全连接层 仿真实验与结果.数据来源与实验环境数据来源于公开数据集它是由美国东北大学采集的悬停在暗声室内的大疆 无人机的信号 根据实验需要本文选用其中的 架同型号无人机在 高斯白噪声信道、信噪比 、步长为 的