基于雙CNN的雷達(dá)信號(hào)調(diào)制類型識(shí)別方法

金麗潔，武亞濤

（南京電子技術(shù)研究所，江蘇南京 210039）

0 引言

早期雷達(dá)信號(hào)的調(diào)制樣式相對(duì)簡(jiǎn)單，以點(diǎn)頻和線性調(diào)頻為主，輔以少量的相位編碼信號(hào)。通過常規(guī)的脈沖特征（如脈寬、頻率、幅度、到達(dá)時(shí)間和到達(dá)角等），就可以實(shí)現(xiàn)雷達(dá)輻射源信號(hào)分類和識(shí)別。隨著現(xiàn)代軍事戰(zhàn)爭(zhēng)中對(duì)抗技術(shù)的不斷進(jìn)步，為了增強(qiáng)雷達(dá)系統(tǒng)的抗干擾能力和協(xié)同作戰(zhàn)能力，雷達(dá)工作波形不斷復(fù)雜化，如相位編碼、頻率編碼、非線性調(diào)頻以及復(fù)合調(diào)制等。因此，基于常規(guī)脈沖特征的輻射源信號(hào)識(shí)別算法的劣勢(shì)逐漸凸顯，利用脈內(nèi)調(diào)制信息的識(shí)別算法受到越來越多研究者的重視。

脈內(nèi)調(diào)制信號(hào)分類識(shí)別有兩種途徑。一是先提取脈內(nèi)特征參數(shù)，再結(jié)合分類器進(jìn)行識(shí)別。該傳統(tǒng)方法的識(shí)別準(zhǔn)確率取決于特征的維數(shù)和可區(qū)分性，不同信號(hào)通常采用不同的特征來表征，隨著信號(hào)的復(fù)雜化，特征參數(shù)的維度顯著增加。二是基于深度學(xué)習(xí)的識(shí)別技術(shù)，一般是以信號(hào)的時(shí)頻分布圖作為輸入。它可以自動(dòng)提取調(diào)制信號(hào)隱式的高維特征，實(shí)現(xiàn)分類和識(shí)別。文獻(xiàn)［9］結(jié)合STFT時(shí)頻分布與CNN網(wǎng)絡(luò)，實(shí)現(xiàn)了點(diǎn)頻、LFM、FSK、BPSK、NLFM等6種信號(hào)的分類，準(zhǔn)確率在90%以上。文獻(xiàn)［10］將Choi-Williams分布與CNN結(jié)合，實(shí)現(xiàn)BPSK、LFM、Costas編碼、Frank碼以及多時(shí)碼等5種信號(hào)的分類，信噪比-2 dB時(shí)，準(zhǔn)確率在90%以上。此外，研究者還采用Margenau-Hill（MH）分布、Cohen類分布以及Gabor變換等時(shí)頻分布，結(jié)合其他深度學(xué)習(xí)算法，如棧式稀疏自編碼器（sSAE），實(shí)現(xiàn)雷達(dá)信號(hào)的調(diào)制類型識(shí)別。

上述大多數(shù)的方法都是針對(duì)固定調(diào)制參數(shù)的雷達(dá)信號(hào)。然而，在實(shí)際電磁環(huán)境中，雷達(dá)輻射源信號(hào)的調(diào)制類型是未知的，其調(diào)制參數(shù)也是未知的，這會(huì)導(dǎo)致識(shí)別準(zhǔn)確率下降。為了增強(qiáng)算法的自適應(yīng)能力，本文提出采用雙CNN 串聯(lián)的處理方式，對(duì)雷達(dá)信號(hào)進(jìn)行識(shí)別處理，并通過常用的9種調(diào)制信號(hào)進(jìn)行驗(yàn)證。前端CNN 用于區(qū)分不同類的信號(hào)，如點(diǎn)頻、LFM、NLFM、FSK 和PSK 類，后端CNN 則用于區(qū)分BPSK、QPSK 以及復(fù)合調(diào)制BPSK+LFM、QPSK+LFM、BPSK+FSK等。

1 信號(hào)生成及時(shí)頻分布

本文時(shí)頻分析采用的是Wigner-Ville 分布，簡(jiǎn)稱WVD，在時(shí)頻分析中具有重要的地位和作用。

令信號(hào)()的傅里葉變換是(j)，那么()的Wigner-Ville分布定義為

WVD 得到廣泛應(yīng)用是因?yàn)槠鋬?yōu)點(diǎn)很多，然而也有一個(gè)缺點(diǎn)：存在交叉項(xiàng)。為了抑制交叉項(xiàng)，提出了加窗WVD，即偽WVD（pseudo WVD，PWVD），其表達(dá)式為

式中：()為窗函數(shù)，本文采用hamming窗。

仿真生成的信號(hào)調(diào)制類型分為9 種：點(diǎn)頻、LFM、NLFM、FSK、BPSK、QPSK 以及3 種復(fù)合調(diào)制BPSK+LFM、QPSK+LFM、BPSK+FSK，采樣點(diǎn)數(shù)固定為100，其PWVD如圖1所示。

圖1 不同調(diào)制類型信號(hào)的PWVD結(jié)果Fig.1 The PWVD of different modulation radar signals

圖1 中各圖像尺寸一致，大小為100×100 像素，橫坐標(biāo)為時(shí)間，縱坐標(biāo)為頻率。從圖中可以看出：點(diǎn)頻信號(hào)頻點(diǎn)位置隨機(jī)；LFM 斜率隨機(jī)；NLFM 采用余弦調(diào)制，初始相位隨機(jī)；FSK 與PSK 編碼隨機(jī)；復(fù)合調(diào)制信號(hào)則同時(shí)包含兩種信號(hào)的特點(diǎn)。具體各信號(hào)參數(shù)的動(dòng)態(tài)范圍見表1，其中為中心頻率，為帶寬。

表1 各調(diào)制信號(hào)的主要參數(shù)和特征Tab.1 Main parameters and features of different modulation signals

以此9種信號(hào)的PWVD作為后續(xù)CNN的輸入。

2 CNN結(jié)構(gòu)

CNN通過感知野和權(quán)值共享，大大減少了網(wǎng)絡(luò)參數(shù)的訓(xùn)練數(shù)目，進(jìn)而減少了網(wǎng)絡(luò)訓(xùn)練時(shí)間。目前主要用來識(shí)別位移、縮放及其他形式扭曲不變性的二維圖形，在語音識(shí)別與圖像處理方面有著獨(dú)特的優(yōu)越性。

本文采用的CNN結(jié)構(gòu)如圖2所示，包含輸入層、兩個(gè)卷積層（C1、C3）和兩個(gè)池化層（S2、S4），以及全連層。

圖2 CNN結(jié)構(gòu)Fig.2 The structure of CNN

輸入層為待分類的信號(hào)時(shí)頻圖像，大小100×100；C1層有4種卷積核，大小11×11；S2是池化層，下采樣倍數(shù)為3；C3 層有8 種卷積核，大小與C1 層相同；S4 池化層下采樣倍數(shù)為4，得到8 個(gè)大小是5×5 的特征圖像，最后通過全連接的方式與輸出層相連。

3 處理流程

脈內(nèi)調(diào)制類型識(shí)別流程如圖3所示。流程中采用雙CNN串聯(lián)處理方式，其結(jié)構(gòu)見圖2。

圖3 脈內(nèi)調(diào)制類型識(shí)別流程Fig.3 Process of intra-pulse modulation type recognition

本文采用PWVD進(jìn)行時(shí)頻分析，主要是因?yàn)橄啾扔谄渌麜r(shí)頻分布（如短時(shí)傅里葉變換STFT、MH 時(shí)頻分布以及Gabor 變換等），PWVD 在不同信號(hào)類型的脈內(nèi)調(diào)制分析中具有更高辨識(shí)度。

圖像預(yù)處理部分主要包括灰度化、平滑濾波和圖像尺寸調(diào)整?；叶然菫榱藢⑿盘?hào)強(qiáng)度歸一化，避免識(shí)別結(jié)果受信號(hào)強(qiáng)弱的影響；再通過基于偏微分方程的圖像降噪算法進(jìn)行濾波降噪處理，從而提高低信噪比信號(hào)的適應(yīng)性；圖像尺寸調(diào)整是針對(duì)脈寬不同導(dǎo)致時(shí)頻圖尺寸不一致的情況，對(duì)圖像進(jìn)行插值或裁剪。

信號(hào)作平方是用于區(qū)分BPSK 和QPSK 信號(hào)，BPSK信號(hào)相位可表示為

式中：為載頻；為碼元個(gè)數(shù)；為碼元寬度；為持續(xù)時(shí)間為的矩形窗函數(shù)，當(dāng)且僅當(dāng)0 ≤＜時(shí)()=1；α為0或π。

對(duì)BPSK 信號(hào)作平方可以得到()=2()=4π，即變成頻率為2的單頻信號(hào)。因此，經(jīng)過平方處理后，在時(shí)頻圖中可以將BPSK（及其復(fù)合調(diào)制）信號(hào)與QPSK（及其復(fù)合調(diào)制）信號(hào)區(qū)分開來。值得注意的是，信號(hào)經(jīng)平方處理后，載頻增大1 倍，頻譜可能出現(xiàn)反折現(xiàn)象，但只要CNN 網(wǎng)絡(luò)訓(xùn)練中的樣本足夠充分，能夠?qū)W習(xí)到各種時(shí)頻樣式，那么本文方法依然能夠準(zhǔn)確識(shí)別信號(hào)類型。

4 結(jié)果與分析

4.1 單CNN與雙CNN結(jié)構(gòu)識(shí)別結(jié)果對(duì)比

固定信噪比為0 dB，仿真生成9 種脈內(nèi)調(diào)制類型信號(hào)，每種信號(hào)各1 200 個(gè)樣本，其中訓(xùn)練樣本數(shù)與測(cè)試樣本數(shù)分別是1 000、200。

表2 中給出了單CNN 結(jié)構(gòu)的脈內(nèi)調(diào)制信號(hào)識(shí)別結(jié)果。

從表2 可以看出，信噪比為0 dB 時(shí)，點(diǎn)頻、LFM、NLFM、FSK 和B+F 這5 種信號(hào)的識(shí)別準(zhǔn)確率高于90%；其他4 種信號(hào)識(shí)別率較低，這是由于BPSK 與QPSK時(shí)頻分布差異較小。

表2 SNR=0 dB時(shí)單CNN結(jié)構(gòu)的識(shí)別結(jié)果Tab.2 Recognition results of single CNN when SNR is 0 dB

為了解決相位編碼信號(hào)識(shí)別率低的問題，本文提出雙CNN串聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)（見圖3），識(shí)別結(jié)果見表3～表4。

表3 SNR=0 dB 時(shí)CNN網(wǎng)絡(luò)1識(shí)別結(jié)果Tab.3 Recognition results of CNN 1 when SNR is 0dB

表4 SNR=0 dB 時(shí)CNN網(wǎng)絡(luò)2識(shí)別結(jié)果Tab.4 Recognition results of CNN 2 when SNR is 0dB

對(duì)比單CNN 與雙CNN 結(jié)構(gòu)的識(shí)別結(jié)果，點(diǎn)頻、LFM、NLFM 以及FSK 這4種信號(hào)樣式的識(shí)別準(zhǔn)確率相似，然而PSK 類信號(hào)識(shí)別得到顯著改善，綜合準(zhǔn)確率由50%提升至95%以上。

4.2 識(shí)別準(zhǔn)確率與信噪比之間關(guān)系

實(shí)際戰(zhàn)場(chǎng)環(huán)境中，偵收到的雷達(dá)信號(hào)有強(qiáng)弱之分，其脈沖信噪比并不固定。為了驗(yàn)證該網(wǎng)絡(luò)結(jié)構(gòu)的適應(yīng)能力，以0 dB信噪比的網(wǎng)絡(luò)參數(shù)為參考，分析識(shí)別準(zhǔn)確率與信噪比之間的關(guān)系。圖4給出了不同信噪比下，采用雙CNN串聯(lián)的9種調(diào)制類型識(shí)別結(jié)果曲線。

圖4 雙CNN網(wǎng)絡(luò)識(shí)別結(jié)果Fig.4 Recognition results of double CNN

從圖中可以看出，在信噪比高于0 dB 時(shí)，各調(diào)制類型信號(hào)的識(shí)別率均達(dá)到95%以上。

5 結(jié)束語

本文針對(duì)實(shí)際電磁環(huán)境中雷達(dá)信號(hào)調(diào)制類型多樣化及調(diào)制參數(shù)未知的情況，克服現(xiàn)有技術(shù)中的缺點(diǎn)，提供了一種適用于雷達(dá)信號(hào)的調(diào)制類型識(shí)別方法。結(jié)合PWVD 時(shí)頻分布，采用雙CNN 串聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)9種調(diào)制類型信號(hào)的分類識(shí)別。

不同于已有的雷達(dá)輻射源調(diào)制類型識(shí)別方法，本文提出的雙CNN 串聯(lián)的處理方式具有較強(qiáng)適應(yīng)性，在低信噪比且雷達(dá)信號(hào)調(diào)制參數(shù)不固定時(shí)，依然可以穩(wěn)健地進(jìn)行識(shí)別。此外，該方法對(duì)于PSK 類信號(hào)的識(shí)別具有獨(dú)特優(yōu)勢(shì)。仿真結(jié)果表明，當(dāng)信噪比為0 dB時(shí)，9 種調(diào)制信號(hào)的識(shí)別準(zhǔn)確率高于95%。在現(xiàn)代電磁戰(zhàn)場(chǎng)中，偵察敵軍雷達(dá)信號(hào)，并進(jìn)行信號(hào)識(shí)別，具有一定應(yīng)用價(jià)值。