基于深度卷積網(wǎng)絡的雷達輻射源信號識別*

金秋,王宏艷,延淼

(航天工程大學,北京 101406)

0 引言

雷達輻射源識別(radar emitter identification/recognition，REI/RER)技術(shù)是電子戰(zhàn)領域重要的研究內(nèi)容，其技術(shù)水平制約著整個雷達對抗系統(tǒng)的發(fā)展。現(xiàn)代雷達迅速發(fā)展，新體制雷達越來越多，電磁環(huán)境日益復雜，輻射源交錯程度高，信號密度大，已達到每秒數(shù)百萬脈沖[1]?！案叽笄译s”的電磁環(huán)境為雷達輻射源信號(radar emitter signal，RES)的有效識別帶來了很多困難。目前的雷達輻射源信號的識別包括特征匹配法、脈內(nèi)分析法、數(shù)據(jù)融合法以及神經(jīng)網(wǎng)絡方法，都停留在輻射源信號特征的表層，沒有充分利用輻射源信號的調(diào)制特征。文獻[2]研究了用圖像處理技術(shù)處理時頻分析圖，表征了時頻特征具有很好的應用價值。文獻[3]將K最近鄰(K-nearest neighbor，KNN)分類算法用于雷達輻射源信號的時頻特征分類，在高于2.5 dB時可較高的識別率，但在信噪比限制和準確率上還有一定的研究空間。本文提出雷達輻射源信號時頻特征與深度網(wǎng)絡相結(jié)合的方法，構(gòu)造基于深度卷積網(wǎng)路與時頻特征的RES識別模型，實現(xiàn)一種低信噪比、高識別率的雷達輻射源識別新方法。

1 VGGNet

1.1 VGGNet結(jié)構(gòu)

VGGNet由牛津大學計算機視覺組(visual geometry group，VGG)和Google Deep Mind公司一起研發(fā)，是當前較為常用的一種卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)。VGGNet[4]的結(jié)構(gòu)包括卷積層、池化層和激活函數(shù)，其中卷積層指利用卷積核對輸入數(shù)據(jù)集進行特征篩選處理，可以采用Full卷積，Same卷積和Valid卷積。若輸入為x∈Rn，且卷積濾波器w∈Rm，則Valid卷積可以表示為

(1)

式中：t=1,2,…,n-m+1，n>m。Valid卷積不對輸入補零。一般來說，卷積流中常用的是Valid卷積。

采用卷積操作能夠約減權(quán)值連接，引入稀疏或局部連接，以此帶來的權(quán)值共享策略能夠極大的減少參數(shù)數(shù)目，同時增加數(shù)據(jù)量，從而避免深度網(wǎng)絡出現(xiàn)過擬合現(xiàn)象。且卷積操作具有平移不變特性[5]，所以能夠使篩選的特征保留原有拓撲，并且具有很強的魯棒性。

池化操作則是對特征類型和空間的聚合[6]，降低特征空間維度，可以減少運算量并刻畫卷積層輸出特征的平移不變特性，減少下一層數(shù)據(jù)輸入維度，進而有效減少下一層的輸入?yún)?shù)及計算量，有效控制網(wǎng)絡的過擬合風險。池化操作最常用的形式，如圖1為最大池化，若池化的窗口大小為k，則池化后參數(shù)個數(shù)會減少k倍。

激活函數(shù)是在深度網(wǎng)絡中加入的一種非線性操作，通過層級間的非線性映射使得整個網(wǎng)絡的非線性刻畫能力得以提升。常用的激活函數(shù)有：修正線性單元(rectified linear unit,ReLU)[7]、Softmax函數(shù)[8]、Softplus函數(shù)(ReLU的光滑逼近)、Sigmoid系(包括Logistic-Sigmoid函數(shù)和Tanh-Sigmoid函數(shù)等)。

1.2 VGGNet參數(shù)設置

VGGNet從Alex-net[9]發(fā)展而來,不同的是卷積層主要使用3×3的小卷積核和2×2的小池化核。本文使用VGGNet的16層網(wǎng)絡[10]，共有13個卷積層，3個全連接層。所有卷積層有相同的配置，步長為1，維度由64，128，256，到512；共有5個最大池化層，大小為2×2，步長為2；共有3個全連接層，其中前2層是1×4 096通道，第3層是一個1×1 000的特征層。整體結(jié)構(gòu)圖如圖2所示。

圖2 VGG-16參數(shù)結(jié)構(gòu)圖Fig.2 VGG-16 parameter structure diagram

2 雷達輻射源信號的時頻分布

根據(jù)雷達輻射源信號時頻分析所使用的二維聯(lián)合分布函數(shù)的具體形式的不同，將時頻分析方法分為2類，即線性時頻表示和雙線性時頻表示。雙線性時頻表示也稱作二次型時頻表示，反映的是信號能量的時頻分布。該分布不具有線性可疊加性。二次型時頻表示主要有Cohen類時頻分布(如偽Wigner-Ville分布、平滑偽Wigner-Ville分布、Choi-Williams分布等)和仿射類(Affine)雙線性時頻分布(如尺度圖、乘積核分布等)。

本文選取部分Cohen類時頻分布(平滑偽Wigner-Ville分布[11]、Choi-Williams時頻分布[12]和Bord-Jondan時頻分布[13])構(gòu)造RES時頻分布訓練集。對于信號x(t)，其Cohen類時頻分布的表達式定義為

Cx(t,f)=

(2)

式中：φ(t-t′,τ)是核函數(shù)，核函數(shù)不同，分布就不同。核函數(shù)的作用是減少時頻分析中的交叉項,其選取對時頻分布的性質(zhì)有重要影響。

2.1 平滑偽Wigner-Ville分布(smooth pseudo wigner-ville distribution，SPWVD)

(3)

2.2 Choi-Williams時頻分布

(4)

式中：σ為尺度因子，決定交叉項的抑制程度和時頻分辨率，取值一般在0.1～10之間，如果取無窮大，那么時頻分布就變成了WVD。當σ取值越大時，時頻分布的分辨率就越高，對時頻分布的交叉項抑制程度就越低；當σ取值越小，反之。

2.3 Bord-Jondan時頻分布

(5)

該分布的特性是使時頻域產(chǎn)生混合聯(lián)系，一般作為其他分布推到的基礎。

3 雷達輻射源信號VGGNet-時頻分布分類識別模型

在對雷達輻射源信號進行分類時，先利用時頻分析方法提取輻射源信號時頻二維聯(lián)合特征，生成數(shù)據(jù)矩陣，并通過灰度化處理產(chǎn)生灰度化數(shù)據(jù)矩陣。灰度化的5數(shù)據(jù)矩陣以灰度圖像的形式呈現(xiàn)，并通過編號產(chǎn)生數(shù)據(jù)集。將生成的大量數(shù)據(jù)集分為訓練集和測試集，訓練VGG16網(wǎng)絡，訓練后的網(wǎng)絡即可用來對未知信號進行分類。

未知信號通過采樣和時頻變換的運算得到時頻二維聯(lián)合分布灰度圖[15]，導入已經(jīng)訓練完成并保存的網(wǎng)絡中，經(jīng)過對信號時頻灰度圖的分析，即可給出分類的類型，并給出是該類型的可信度(0～1，0表示不可信，1表示絕對可信)。其模型結(jié)構(gòu)如圖3所示。

圖3 雷達輻射源信號VGGNet-時頻分布分類識別模型Fig.3 Classification and recognition model of radar emitter signal VGGNet-time frequency distribution

4 仿真實驗及分析

為驗證上述模型對復雜體制雷達輻射源信號特征分類的有效性和準確性，選取5種典型的雷達輻射源信號，從-3～16 dB的信噪比下，每個分貝值生成3個時頻二維聯(lián)合特征灰度圖像構(gòu)造成數(shù)據(jù)集，格式為uint8_656*875，共300幅圖像。雷達輻射源信號的調(diào)制參數(shù),如表1所示。

生成數(shù)據(jù)庫中雷達輻射源信號0 dB時頻灰度圖，如圖4～8所示。圖4～8中a)，b)，c)即為數(shù)據(jù)庫中0dB信噪比條件下對應信號的Bord-Jondan時頻分布、ChoiWilliams時頻分布和平滑偽Wigner-Ville分布?？偠灾?，信號的時頻二維特征結(jié)構(gòu)信息在3種分布中基本不變，而交叉項在灰度圖像上分布差異卻很大，可以看作是灰度圖存在的噪聲。

表1 雷達輻射源信號調(diào)制參數(shù)表Table 1 Radar emitter signal modulation parameter table

圖4 單載頻信號時頻灰度圖Fig.4 Time frequency grayscale map of single carrier frequency signal

圖5 線性調(diào)頻信號時頻灰度圖Fig.5 Time frequency grayscale map of LFM signal

圖6 正弦調(diào)頻信號時頻灰度圖Fig.6 Time frequency grayscale map of sinusoidal frequency modulation signal

在構(gòu)造的數(shù)據(jù)集中，選取90%的數(shù)據(jù)集為訓練集，10%的數(shù)據(jù)集為測試集，VGG16基本參數(shù)設置為：Batch size設置為256；迭代次數(shù)為5；Learning Rate：0.001；Weight Decay：0.000 5；Momentum：0.9;

訓練模式：CPU

訓練過程如圖9所示(其中，train為訓練集，val為測試集)。

由圖9 a),b)可知，train和val的走勢皆為趨于變小，第3次迭代后損失函數(shù)和top1err幾乎為0，說明VGG16在訓練至第3代時已經(jīng)收斂。由圖9 c)可知，選取的數(shù)據(jù)集的擬合難度相對較小，表明了時頻灰度圖像數(shù)據(jù)集作為深度網(wǎng)絡學習的特征集，以實現(xiàn)RES分類識別的可行性。(top1err和top5err分別指從數(shù)據(jù)集中抽取1次和5次所預測的錯誤率，是國際上檢驗深度網(wǎng)絡訓練成效的2個常用標準。)

圖7 二進制相移鍵控時頻灰度圖Fig.7 Time frequency grayscale graph of binary phase shift keying

圖8 頻移鍵控信號時頻灰度圖Fig.8 Time frequency grayscale graph of frequency shift keying signal

圖9 深度網(wǎng)絡5次迭代曲線圖Fig.9 5 Iteration graph of deep network

經(jīng)測試，本文使用模型在信噪比為-3 dB以上(不含-3 dB)的條件下識別準確率為100%，-3 dB條件下為99.90%，準確度下降原因是因為BPSK信號發(fā)生了誤判。本文結(jié)果與其他文獻在同等初始值和信噪比條件下結(jié)果對比如表2所示。

表2 實驗結(jié)果及分析Table 2 Experimental results and analysis (%)

由表2可知，單載頻、線性調(diào)頻以及正弦調(diào)頻的時頻二維特征結(jié)構(gòu)較為穩(wěn)定，受到干擾后的基本結(jié)構(gòu)趨勢還有保留，而二進制相移鍵控和移頻鍵控信號結(jié)構(gòu)相對較為復雜，在信噪比趨于更小時，受到噪聲干擾后交叉項和干擾增多，信號的二維時頻特征結(jié)構(gòu)受到破壞，更容易被誤判。

5 結(jié)束語

時頻分析是信號脈內(nèi)調(diào)制特征中較為突出的特征，在復雜電磁環(huán)境下，充分利用這一特征實現(xiàn)RES識別具有很大優(yōu)勢。深度卷積網(wǎng)絡在圖像識別領域取得了良好的效果，本文借鑒其成果應用于雷達輻射源識別領域也證明是可行和有效的。但仿真實驗表明，當信噪比降低到-5 dB以下，雷達輻射源信號時頻灰度圖中的二維聯(lián)合特征結(jié)構(gòu)會受到噪聲干擾而出現(xiàn)斷裂、零散的情況，這就使得深度卷積網(wǎng)絡參數(shù)擬合出現(xiàn)波動。如何實現(xiàn)更低信噪比條件下高精準度的識別和分類，需要進一步加深網(wǎng)絡結(jié)構(gòu)、調(diào)整網(wǎng)絡初始設置，并尋求新的特征以代替時頻二維特征。