微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：729981694
如有侵权请联系删除~
摘要
在利用卷积神经网络（CNN）识别雷达脉内调制信号时，利用识别率随信噪比变化的特性来分析网络的性能。然而，该领域存在三个缺点：（1）识别率的比例增加高达100%，由于信噪比的增加，导致饱和。(2)识别率对测试集的依赖性。(3)识别率未能证实SNR的增加及其在CNN性能增强中的表现。鉴于此，这封信提出了一个评估标准来评估CNN的性能，以解决上述缺点。我们提出了Grad-CAM职位分数-内部基准（GCPS-IB）来解决（1），（2），和Grad-CAM职位分数-外部基准（GCPS-EB）来解决（3）。最后，我们利用GCPS来评估和比较现有GoogLeNet和ResNet-18的性能，以验证其有效性。所提出的标准通过解决上述缺点来确定其功效，从而提高识别率。
引言
雷达信号脉内调制识别是电子战中电子情报的关键技术之一。这项技术可以帮助我们识别未知的雷达信号并快速做出反应。然而，随着低截获概率（LPI）雷达的发展，依赖于雷达信号参数的传统识别方法的可靠性已大大降低[2]。近年来，由于深度学习的快速发展，将雷达信号转换为图像并使用卷积神经网络（CNN）进行识别已成为主流方法[3]。
随着CNN结构的不断演进，雷达信号脉内调制的识别率也不断提高。虽然增加层数可以提高CNN的识别率，但要解释和评估如此大的CNN结构并不容易[4]。目前，研究者主要从特征可视化的角度对CNNs的解释问题进行研究。张全时通过拆分卷积层特征来表达CNN的内在逻辑，提出了一种知识图的方法来寻找CNN的特征提取区域。通过类激活映射（CAM）和梯度加权CAM（Grad-CAM）[5]，用户可以更清楚地了解CNN如何做出识别决策。然而，CNN的性能评估仍然是定性和直观的，精确的定量数学工具尚未开发出来。
因此，传统光学图像识别中CNN性能的定量性能评估方法（即，包含项目、人物、笔迹等的图像）这是一个挑战[4]。目前雷达信号脉内调制识别的策略是仅利用现有的CNN结构来识别雷达信号时频图像（TFI）[3]，而不分析识别率变化的原因。因此，需要对CNN在雷达信号脉内调制识别中的性能进行评估。
虽然CNN很难通过数学公式直接描述[6]，但如果可以测量不同样本的CNN性能差异，就可以实现CNN的间接定量评估。与常规图像相比，雷达信号TFI的模式特征较浅，边界完整、光滑，信号区和无信号区明显。考虑到这些特定属性，我们可以快速获得雷达信号的位置，并且可以评估CNN的性能并定量分析噪声的影响。
为了实现这些目标，我们提出了Grad-CAM职位评分（GCPS），它包括GCPS-内部基准（GCPS-IB）和GCPS-外部基准（GCPS-EB）。该基准是基于无噪声的Grad-CAM雷达信号TFI建立的。GCPS-IB和GCPS-EB分别定量评估了CNN在雷达信号脉内调制识别中的性能以及噪声对CNN特征提取的影响。此外，我们使用这些指标对现有的GoogLeNet和ResNet-18模型进行了评估，实验结果验证了我们提出的标准的有效性。
文章插图
结论
在这封信中，我们提出了GCPS，它包括GCPS-IB和GCPS-EB，以评估CNN的性能。我们使用了五种不同调制类型的雷达信号和两种广泛使用的CNN来验证GCPS的性能。结果表明，GCPS-IB不会很快饱和，其获取不需要大量的测试集。GCPS-EB可以揭示SNR影响识别性能的原因，而不是简单地展示SNR和CNN性能之间的关系。因此，与识别率相比，GCPS可以更全面、更准确地评估CNN的性能。
