简介本资源面向通信辐射源识别方向的研究生与科研人员提供一套基于Matlab实现的鲸鱼算法优化卷积神经网络WOA-CNN分类方案用于解决传统CNN在辐射源信号分类中易陷入局部最优、识别精度受限的问题。压缩包共10个文件约215KB包含4个m脚本文件主程序、WOA优化函数、代价函数与数据读取函数、1个xlsx数据文件、4张png运行效果图及1个asv备份文件结构紧凑便于直接运行与二次修改。目前已有663人学习下载适合作为智能优化算法与深度学习交叉方向的入门实践参考。读者可获得完整的WOA-CNN分类流程代码、可直接运行的Matlab 2019b工程、分类结果可视化图以及数据读取与预处理脚本并可根据自身需求替换数据集或调整网络结构快速复现鲸鱼算法优化CNN的通信辐射源识别实验为后续论文撰写与算法改进提供可复用的代码基础。1. WOA-CNN 做通信辐射源识别为什么值得把 CNN 的初始权重交给鲸鱼算法通信辐射源识别这个任务说白了就是从一段接收到的信号里判断“这是哪台设备发出来的”。同一型号的电台、同一批次的模块硬件制造公差会让它们的载频偏移、相位噪声、I/Q 不平衡、杂散谐波带上各自的“指纹”这些指纹就是辐射源个体特征。传统做法靠人工提取高阶累积量、双谱、星座图轨迹再喂给 SVM 或决策树特征工程重、换一批设备就得重调。CNN 的吸引力在于端到端把 I/Q 采样或时频图直接丢进去卷积核自己学判别性纹理。但真正上手跑 CNN 的人很快会撞到一堵墙学习率、卷积核尺寸、批大小这些超参靠手工试训练结果对初始化极其敏感同一份数据换个随机种子验证集准确率能从 92% 掉到 78%这种玄学在样本量只有几千条、信噪比还参差不齐的辐射源数据集上尤其明显。鲸鱼优化算法WOA就是来治这个的——它把 CNN 的关键超参编码成一头“鲸鱼”的位置用包围猎物、螺旋气泡网、随机搜索三种行为在参数空间里迭代把验证集准确率当作适应度自动找到一组更稳的超参组合。这套 WOA-CNN 的组合适合手里有 Matlab、有实测或仿真辐射源数据、想快速验证“智能优化 深度学习”这条路线值不值得深挖的工程师。2. WOA 优化 CNN 的落地逻辑从信号到超参搜索空间2.1 辐射源指纹在 CNN 里到底长什么样通信辐射源信号进 CNN 之前第一步是表示形式的选择。常见有三条路原始 I/Q 双通道一维序列、短时傅里叶变换STFT得到的时频图、双谱或星座图轨迹的二维图像。我一般推荐 STFT 时频图原因是它把载频偏移和相位噪声这类非平稳特征显式地摊在二维平面上卷积核在时频域上滑动时能同时捕捉频率轴的谐波结构和时间轴的瞬态变化比一维 I/Q 更容易收敛。具体做法对每段信号做 256 点 STFT汉宁窗重叠 50%得到 128×N 的复数矩阵取模值后归一化到 [0,1]存成灰度图。这样一条样本就是一张 128×128 或 128×256 的图标签是设备编号。数据集按 7:2:1 切训练/验证/测试注意同一台设备的不同时间段样本要分散到三个集合里否则会出现“同一段信号被切碎后同时进训练和验证”的泄漏验证准确率虚高到 99% 但实测一塌糊涂。CNN 结构不用太深辐射源识别不是 ImageNet样本量撑不起 ResNet-50。我常用的骨架是Conv(3×3, 16)→BN→ReLU→MaxPool(2×2)→Conv(3×3, 32)→BN→ReLU→MaxPool(2×2)→Conv(3×3, 64)→BN→ReLU→GlobalAvgPool→FC(类别数)→Softmax。这个骨架在 128×128 输入下参数量约 5 万训练一轮几秒钟适合做超参搜索。2.2 把哪些超参交给 WOA搜索空间怎么定WOA 不是万能的不能把 CNN 所有参数都丢进去搜否则维度爆炸、收敛慢到没法用。我的经验是只优化 4 个对结果影响最大、手工最难调的连续或离散超参超参含义搜索范围编码方式初始学习率Adam 的 lr[1e-4, 1e-2]连续对数尺度批大小mini-batch size{16, 32, 64, 128}离散取整映射第一层卷积核数Conv1 filters[8, 64]连续取整Dropout 率FC 前 dropout[0.1, 0.7]连续鲸鱼个体位置就是一个 4 维向量适应度函数定义为“用这组超参训练 CNN 后在验证集上的分类准确率”注意是最大化问题WOA 标准形式是最小化所以适应度取负准确率或者用 1-准确率。种群规模我设 6~10迭代 8~15 次因为每次适应度评估都要完整训练一次 CNN评估次数太多时间扛不住。这里有个取舍种群大、迭代多搜得细但慢种群小、迭代少快但可能没收敛。辐射源数据集不大的话6 头鲸鱼迭代 10 次总共 60 次 CNN 训练单次 30 秒半小时能跑完可以接受。2.3 WOA 三种行为在 Matlab 里的核心循环WOA 的数学不复杂核心是三个位置更新公式。下面这段是 Matlab 里 WOA 主循环的骨架我把它从完整工程里抽出来方便你看清逻辑% WOA 主循环优化 CNN 超参 % SearchAgents_no: 种群规模 Max_iter: 迭代次数 dim: 超参维度4 % lb, ub: 各维下界和上界1×dim 向量 % 初始化种群位置 Positions rand(SearchAgents_no, dim) .* (ub - lb) lb; Leader_pos zeros(1, dim); Leader_score inf; % 最小化适应度1-准确率 for t 1:Max_iter a 2 - 2 * t / Max_iter; % 线性递减从2到0 a2 -1 t * (-1 / Max_iter); for i 1:SearchAgents_no % 边界处理 Positions(i,:) max(Positions(i,:), lb); Positions(i,:) min(Positions(i,:), ub); % 计算适应度训练CNN并返回验证集错误率 fitness cnn_fitness(Positions(i,:)); if fitness Leader_score Leader_score fitness; Leader_pos Positions(i,:); end end for i 1:SearchAgents_no r1 rand(); r2 rand(); A 2 * a * r1 - a; C 2 * r2; b 1; % 螺旋常数 l (a2 - 1) * rand() 1; p rand(); for j 1:dim if p 0.5 if abs(A) 1 % 包围猎物 D abs(C * Leader_pos(j) - Positions(i,j)); Positions(i,j) Leader_pos(j) - A * D; else % 随机搜索 rand_idx randi(SearchAgents_no); X_rand Positions(rand_idx,:); D abs(C * X_rand(j) - Positions(i,j)); Positions(i,j) X_rand(j) - A * D; end else % 螺旋气泡网 distance abs(Leader_pos(j) - Positions(i,j)); Positions(i,j) distance * exp(b * l) * cos(2 * pi * l) Leader_pos(j); end end end end逻辑说明a从 2 线性降到 0控制探索到开发的过渡|A|1时向当前最优个体靠拢开发|A|1时随机选一个个体靠近探索p0.5走包围或随机p0.5走螺旋。cnn_fitness是你要自己写的函数输入 4 维超参输出 1-验证准确率。参数说明SearchAgents_no建议 6~10Max_iter建议 8~15dim4对应上面表格的四个超参lb和ub按表格范围设置注意学习率用对数尺度时要在cnn_fitness里做10^x还原。2.4 适应度函数怎么写才不拖垮整个搜索cnn_fitness是整个 WOA-CNN 里最耗时也最容易写错的部分。它要做四件事解析超参向量、构建 CNN 网络、训练、返回验证集错误率。下面是一个可用的模板function err cnn_fitness(x) % x: 1×4 超参向量 [log10(lr), batch_idx, conv1_filters, dropout] lr 10^x(1); % 还原学习率 batch_sizes [16, 32, 64, 128]; batch batch_sizes(max(1, min(4, round(x(2))))); % 映射到离散批大小 filters max(8, min(64, round(x(3)))); % 限制卷积核数 dropout max(0.1, min(0.7, x(4))); % 限制dropout % 构建CNN此处用简化示意实际用 trainingOptions layerGraph layers [ imageInputLayer([128 128 1], Name, input) convolution2dLayer(3, filters, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling2dLayer(2, Stride, 2, Name, pool1) convolution2dLayer(3, filters*2, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling2dLayer(2, Stride, 2, Name, pool2) convolution2dLayer(3, filters*4, Padding, same, Name, conv3) batchNormalizationLayer(Name, bn3) reluLayer(Name, relu3) globalAveragePooling2dLayer(Name, gap) dropoutLayer(dropout, Name, drop) fullyConnectedLayer(num_classes, Name, fc) softmaxLayer(Name, softmax) classificationLayer(Name, output)]; options trainingOptions(adam, ... InitialLearnRate, lr, ... MiniBatchSize, batch, ... MaxEpochs, 15, ... ValidationData, val_ds, ... ValidationFrequency, 30, ... Verbose, false, ... Plots, none); net trainNetwork(train_ds, layers, options); YPred classify(net, val_ds); acc mean(YPred val_labels); err 1 - acc; % 最小化错误率 end逻辑说明输入向量先做边界裁剪和离散映射防止 WOA 迭代中产生非法值网络结构里filters控制第一层卷积核数后两层按 2 倍、4 倍递增这是辐射源识别里比较稳的缩放策略MaxEpochs设 15 是折中太少欠拟合太多单次评估太慢。参数说明val_ds和train_ds是提前构建好的imageDatastore或arrayDatastorenum_classes是设备类别数。注意每次评估都要清空 GPU 显存或重置网络否则连续训练会累积内存。3. 在 Matlab 里跑通 WOA-CNN 的完整步骤3.1 数据准备与 STFT 时频图生成假设你手里有.mat格式的 I/Q 数据每个文件是一段复信号文件名里带设备编号。第一步是批量生成时频图并打标签% 批量生成STFT时频图 data_dir radiosource_data; save_dir stft_images; fs 1e6; % 采样率 win 256; % 窗长 overlap 128; % 重叠 nfft 256; files dir(fullfile(data_dir, *.mat)); for k 1:length(files) load(fullfile(data_dir, files(k).name)); % 变量名假设为 sig [S, ~, ~] spectrogram(sig, hann(win), overlap, nfft, fs); img abs(S); img img / max(img(:)); % 归一化 img imresize(img, [128 128]); % 统一尺寸 label extract_label(files(k).name); % 从文件名提取设备编号 imwrite(uint8(img*255), fullfile(save_dir, sprintf(%s_%d.png, label, k))); end逻辑说明spectrogram返回复数矩阵取模得到幅度谱归一化消除不同信号功率差异imresize统一到 128×128 方便批处理。参数说明win和nfft决定频率分辨率256 点对应约 3.9kHz 分辨率对大多数通信辐射源够用overlap取窗长一半是常规做法。注意extract_label要按你的文件名规则写别硬编码。3.2 构建 datastore 与划分数据集Matlab 的imageDatastore能直接从文件夹读图并按子文件夹名打标签前提是你把不同设备的图放到不同子文件夹imds imageDatastore(stft_images, ... IncludeSubfolders, true, ... LabelSource, foldernames); % 按7:2:1划分 [imdsTrain, imdsTemp] splitEachLabel(imds, 0.7, randomized); [imdsVal, imdsTest] splitEachLabel(imdsTemp, 2/3, randomized); % 转成arrayDatastore加速可选 % 注意小数据集直接用imageDatastore即可逻辑说明splitEachLabel保证每类设备都按比例分到三个集合避免某类设备只在训练集出现。参数说明0.7是训练比例2/3是把剩余 30% 再按 2:1 分验证和测试。注意randomized要设否则按文件名排序切分可能引入顺序偏差。3.3 启动 WOA 搜索并保存最优超参把第 2 章的 WOA 主循环和cnn_fitness接起来跑完保存结果% 配置搜索空间 dim 4; lb [-4, 1, 8, 0.1]; % log10(lr)下界, batch_idx下界, filters下界, dropout下界 ub [-2, 4, 64, 0.7]; % 对应上界 SearchAgents_no 6; Max_iter 10; % 运行WOA [Best_score, Best_pos, Convergence_curve] WOA_CNN(SearchAgents_no, Max_iter, lb, ub, dim); % 保存结果 save(woa_result.mat, Best_score, Best_pos, Convergence_curve); fprintf(最优验证错误率: %.4f\n, Best_score); fprintf(最优超参: lr%.2e, batch%d, filters%d, dropout%.2f\n, ... 10^Best_pos(1), 2^(round(Best_pos(2))3), round(Best_pos(3)), Best_pos(4));逻辑说明Best_pos是 4 维最优超参Convergence_curve记录每代最优适应度画出来能看收敛情况。参数说明lb和ub要和cnn_fitness里的映射规则一致否则搜出来的值还原后越界。注意batch_idx的映射我用的是2^(idx3)对应 16/32/64/128你在cnn_fitness里要写同样的映射。3.4 用最优超参训练最终模型并评估搜到最优超参后用全部训练数据重新训练一个最终模型在测试集上评估% 用最优超参构建最终网络 lr 10^Best_pos(1); batch 2^(round(Best_pos(2))3); filters round(Best_pos(3)); dropout Best_pos(4); % 构建网络同cnn_fitness里的结构但用全部训练数据 layers build_cnn_layers(filters, dropout, num_classes); options trainingOptions(adam, ... InitialLearnRate, lr, ... MiniBatchSize, batch, ... MaxEpochs, 50, ... % 最终训练可以多跑几轮 ValidationData, imdsVal, ... ValidationPatience, 8, ... % 早停 LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 15, ... Verbose, true, ... Plots, training-progress); net trainNetwork(imdsTrain, layers, options); % 测试集评估 YPred classify(net, imdsTest); acc mean(YPred imdsTest.Labels); confusionchart(imdsTest.Labels, YPred); fprintf(测试集准确率: %.2f%%\n, acc*100);逻辑说明最终训练用更多 epoch 加早停和学习率衰减让模型充分收敛confusionchart能看出哪些设备容易混。参数说明ValidationPatience8表示验证损失 8 轮不降就停LearnRateDropPeriod15每 15 轮学习率乘 0.5。注意最终训练和搜索阶段的 epoch 数可以不同搜索阶段为了快用 15最终训练用 50 加早停。4. WOA-CNN 调参避坑5 个我踩过的坑4.1 适应度函数里没重置网络导致内存爆炸现象跑 WOA 到第 3、4 代时 Matlab 报Out of memory或者训练速度越来越慢。原因每次trainNetwork都会在 GPU 或内存里留一份网络和中间变量连续调用不清理会累积。解决在cnn_fitness开头加clear net和reset(gpuDevice)如果用 GPU或者把每次评估放到独立函数里让 Matlab 自动回收。更稳妥的做法是设ExecutionEnvironment,cpu做搜索虽然慢但不会爆显存搜到最优后再用 GPU 训最终模型。4.2 搜索空间边界设太宽导致 WOA 乱飞现象WOA 收敛曲线震荡剧烈最优适应度还不如手工调的。原因学习率范围设成 [1e-6, 1e-1]WOA 前期随机探索时经常采到 1e-6 这种几乎不学习的值适应度极差把种群带偏。解决搜索范围要基于先验知识收窄学习率 [1e-4, 1e-2] 足够批大小就四个离散值卷积核数 8~64dropout 0.1~0.7。范围越窄WOA 越容易在有效区域收敛。4.3 验证集和测试集混用导致结果虚高现象WOA 搜出来的最优验证准确率 96%但测试集只有 82%。原因适应度函数用了测试集或者验证集样本和测试集有重叠。解决严格三划分适应度只看验证集测试集在最终评估前绝对不碰。另外检查splitEachLabel的随机种子确保每次划分一致否则不同次运行结果没法比。4.4 STFT 参数不匹配导致时频图区分度低现象不管怎么调 CNN准确率卡在 70% 上不去混淆矩阵里几台设备互相混。原因窗长太短如 64 点频率分辨率不够载频偏移这种细粒度特征被抹掉窗长太长如 1024 点时间分辨率下降瞬态特征丢失。解决窗长取信号符号周期的 2~4 倍通信辐射源常用 256 或 512 点配合 50% 重叠。可以画几张不同设备的时频图肉眼对比如果看起来差不多CNN 也学不出差异。4.5 WOA 迭代次数和种群规模失衡现象迭代 30 次、种群 20跑了一整天还没出结果。原因适应度评估次数 种群 × 迭代 600 次 CNN 训练每次 30 秒就是 5 小时。解决先小规模试跑种群 6、迭代 5看收敛曲线是否在 3 代内趋于平稳如果是说明搜索空间不大10 次迭代足够如果还在降再加大。别一上来就堆参数WOA 在低维问题4 维上收敛很快不需要大种群。5. 让 WOA-CNN 真正可用的两个进阶技巧5.1 用并行计算把搜索时间压到十分之一WOA 的种群个体适应度评估天然并行——每头鲸鱼的位置互不依赖可以同时训练多个 CNN。Matlab 的parfor能直接加速% 把种群循环改成parfor fitness_vals zeros(SearchAgents_no, 1); parfor i 1:SearchAgents_no Positions(i,:) max(Positions(i,:), lb); Positions(i,:) min(Positions(i,:), ub); fitness_vals(i) cnn_fitness(Positions(i,:)); end % 再串行更新Leader for i 1:SearchAgents_no if fitness_vals(i) Leader_score Leader_score fitness_vals(i); Leader_pos Positions(i,:); end end逻辑说明parfor把 6 个 CNN 训练分发到多核 CPU 或集群上并行跑6 核机器理论加速 5 倍左右。参数说明需要先parpool(6)开并行池核数不超过物理核数。注意parfor里不能有依赖循环变量的操作Positions的更新要拆出来。如果 GPU 只有一块并行反而会争抢显存这时候用 CPU 并行更稳。5.2 用收敛曲线和混淆矩阵判断“搜了个寂寞”还是“真有效”WOA 跑完别只看最终准确率两个图必须看。第一是收敛曲线如果曲线在前 3 代就平了说明搜索空间里好解很多WOA 没费什么劲这时候要怀疑是不是验证集太简单如果曲线一直震荡不降说明搜索空间边界或适应度函数有问题。第二是混淆矩阵如果所有设备都分对了恭喜如果某两类互相混回去看这两类设备的时频图是不是长得像可能是 STFT 参数没拉开差异也可能是这两台设备硬件太接近CNN 和 WOA 都救不了得换特征域比如双谱。我自己的习惯是每次 WOA 跑完先把Convergence_curve画出来再把最优模型的混淆矩阵画出来两个图放一起看。如果收敛曲线漂亮但混淆矩阵有硬伤问题不在优化算法在数据表示或类别本身。这个习惯帮我省了很多次“调了半天 WOA 其实数据有问题”的冤枉路。希望帮到你。本文还有配套的精品资源点击获取
