康 穎, 趙治華, 吳 灝,*, 李亞星, 孟 進(jìn)

(1. 海軍工程大學(xué)軍用電氣科學(xué)與技術(shù)研究所, 湖北 武漢 430033;2. 海軍工程大學(xué)艦船綜合電力技術(shù)國防科技重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430033)

0 引 言

復(fù)雜電子對抗環(huán)境中通信條件惡劣,同一作戰(zhàn)平臺上往往同時(shí)存在電子設(shè)備泄露信號、友方通信信號以及敵方的干擾信號,導(dǎo)致作戰(zhàn)平臺通信質(zhì)量劣化。當(dāng)電磁干擾信號頻段與友方通信信號頻段相近時(shí),會引發(fā)同頻干擾,導(dǎo)致友方通信質(zhì)量明顯下降,甚至通信中斷。因此,通信信號干擾檢測作為通信抗干擾的前提和干擾認(rèn)知的基礎(chǔ),研究復(fù)雜信道環(huán)境下的干擾檢測方法,對提高作戰(zhàn)平臺在復(fù)雜信道環(huán)境下的抗干擾能力有重要意義。

異常檢測(anomaly detection, AD)指的是對備擇數(shù)據(jù)集中未知的異常類型或不符合預(yù)期模式的觀測值的識別。定義通信系統(tǒng)接收機(jī)可能收到的所有信號類型為備擇數(shù)據(jù)集,期望信號為正常信號,則其余類型的信號為備擇數(shù)據(jù)集中的未知異常類型,即異常。因此,加入干擾后的接收信號屬于異常的子集,干擾檢測可通過通信信號AD方法實(shí)現(xiàn)。隨著認(rèn)知無線電(cognitive radio, CR)的迅速發(fā)展和廣泛應(yīng)用,關(guān)于通信信號AD的相關(guān)研究不斷涌現(xiàn),主要可分為以下5類:能量檢測、基于時(shí)頻特征的干擾檢測、匹配濾波檢測、循環(huán)平穩(wěn)檢測和基于深度學(xué)習(xí)的AD方法。其中,前四類為傳統(tǒng)AD方法,主要存在信噪比(signal to noise ratio, SNR)要求高、頻率偏差敏感、定時(shí)偏差敏感等缺點(diǎn)。下面主要介紹基于深度學(xué)習(xí)的通信信號AD方法的研究現(xiàn)狀。

近年來,深度學(xué)習(xí)技術(shù)迅猛發(fā)展,成為各個(gè)學(xué)科領(lǐng)域的研究熱點(diǎn),在文字、語音、圖像識別等領(lǐng)域取得了顯著成果。2016年,文獻(xiàn)[12]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)模型的AD方法,該方法能有效檢測頻譜中的異常信號,并在低SNR條件下仍具有較高的檢測率。文獻(xiàn)[13]和文獻(xiàn)[14]分別將RNN和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)和全連接網(wǎng)絡(luò)(deep neural network, DNN)相結(jié)合,實(shí)現(xiàn)頻譜AD。文獻(xiàn)[15]建立了縮放深度學(xué)習(xí)模型來捕捉頻譜使用模式,并將其作為基線來檢測由故障和誤用導(dǎo)致的長期演進(jìn)(long term evolution, LTE)頻譜使用異常情況。文獻(xiàn)基于生成對抗網(wǎng)絡(luò)(generative adversarial network, GAN),或采用變分自編碼器(variational autoencoder, VAE),計(jì)算原始頻譜圖和重建頻譜圖之間的重構(gòu)誤差,從而實(shí)現(xiàn)AD。文獻(xiàn)[19]對比3種深度學(xué)習(xí)網(wǎng)絡(luò):條件GAN(conditional GAN, C-GAN)、基于輔助分類器的條件圖像合成(conditional image synthesis with auxiliary classifier GANs, AC-GAN)以及VAE在毫米波AD中的檢測性能，驗(yàn)證了AC-GAN的優(yōu)越性。文獻(xiàn)[20]基于卷積自編碼器(convolutional autoencoder, CAE)和調(diào)制識別,實(shí)現(xiàn)通信信號AD。文獻(xiàn)[21]結(jié)合VAE,提出一種新的AD統(tǒng)計(jì)量,通過計(jì)算原始頻譜圖和生成頻譜圖之間的噪聲注意指數(shù),在2.4 GHz工業(yè)、科學(xué)、醫(yī)療(industrial, scientific, and medical, ISM)頻段上實(shí)現(xiàn)AD。文獻(xiàn)[22]基于信號的功率譜和對抗自編碼器(adversarial autoencoder, AAE),在少量帶標(biāo)簽樣本場景下實(shí)現(xiàn)AD。文獻(xiàn)[23]在文獻(xiàn)[22]的基礎(chǔ)上,通過分布式傳感器提取信號特征,并引入專家反饋機(jī)制,顯著提高了檢測率。文獻(xiàn)[24]針對高維度、低維度的頻譜數(shù)據(jù),分別提出了基于GAN和基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(dynamic Bayesian network, DBN)的AD方法,實(shí)現(xiàn)正交頻復(fù)用(orthogonal frequency division multiplexing, OFDM)信號傳輸過程中的無線頻譜AD。

但是,由于現(xiàn)代電子對抗場景中電磁環(huán)境復(fù)雜,以及檢測率和實(shí)時(shí)性需求嚴(yán)苛,上述基于深度學(xué)習(xí)的AD方法普遍存在檢測率、實(shí)時(shí)性受限或?qū)﹄姶怒h(huán)境變化敏感等問題,無法滿足該場景中的AD需求。對此,本文基于深度學(xué)習(xí)技術(shù)對通信AD方法展開研究。由于通信信號AD屬于開集識別問題,因此無法枚舉出所有信號類型,從而直接采用性能優(yōu)越的調(diào)制識別網(wǎng)絡(luò)實(shí)現(xiàn)AD。因此,本文基于深度支持向量描述(deep support vector data description, Deep SVDD)和調(diào)制識別網(wǎng)絡(luò),提出了一種將開集問題轉(zhuǎn)為閉集問題,并通過調(diào)制識別網(wǎng)絡(luò)提高檢測性能的AD方法。

首先,給出了原始時(shí)域時(shí)頻同相/正交(in-phase/quadrature, I/Q)采樣數(shù)據(jù)的預(yù)處理方法,分析了利用時(shí)域、頻域I/Q數(shù)據(jù)提取信號特征,實(shí)現(xiàn)AD的可行性;然后,設(shè)計(jì)了Deep SVDD網(wǎng)絡(luò)架構(gòu),并提出了基于Deep SVDD和調(diào)制識別的AD方法。仿真和實(shí)驗(yàn)結(jié)果表明,相比于經(jīng)典的單分類檢測算法,該方法檢測性能、實(shí)時(shí)性均明顯提升,且在非理想信道環(huán)境下表現(xiàn)魯棒。

1 信號模型

復(fù)雜電子對抗環(huán)境中接收信號的類型可描述為

(1)

式中:()表示接收信號;()表示期望信號;()表示干擾信號;()表示底噪;和分別表示兩種無干擾的接收信號,即正常狀態(tài);和則表示兩種存在干擾的接收信號,即異常狀態(tài)。

本文采用基于Deep SVDD和調(diào)制識別的通信信號AD方法,實(shí)現(xiàn)、兩種存在干擾的接收信號檢測。

2 基于Deep SVDD的通信信號AD

采用Deep SVDD實(shí)現(xiàn)通信信號AD的難點(diǎn)是數(shù)據(jù)集的構(gòu)建以及深度學(xué)習(xí)網(wǎng)絡(luò)類型的選擇和參數(shù)優(yōu)化。首先,需要對原始I/Q數(shù)據(jù)進(jìn)行預(yù)處理,轉(zhuǎn)變?yōu)楦欣谏疃葘W(xué)習(xí)網(wǎng)絡(luò)提取特征的形式,作為數(shù)據(jù)集構(gòu)建的基礎(chǔ)。然后,給出Deep SVDD的網(wǎng)絡(luò)結(jié)構(gòu)及其參數(shù),采用自編碼器預(yù)訓(xùn)練初始化Deep SVDD網(wǎng)絡(luò)權(quán)重和超球體球心。在此基礎(chǔ)上,訓(xùn)練Deep SVDD網(wǎng)絡(luò),引入調(diào)制識別網(wǎng)絡(luò),形成檢測-驗(yàn)證的AD方法,實(shí)現(xiàn)開集-閉集的通信信號AD。

2.1 時(shí)域I/Q采樣數(shù)據(jù)的預(yù)處理

傳統(tǒng)方法通常采用時(shí)頻譜、循環(huán)譜等若干種特征作為統(tǒng)計(jì)量,并設(shè)定閾值進(jìn)行判決。然而,人為選擇特征的過程會不可避免地丟失信號的指紋信息,導(dǎo)致檢測性能下降。因此,本文采用原始的I/Q采樣數(shù)據(jù)作為網(wǎng)絡(luò)輸入的一部分。

當(dāng)接收機(jī)的采樣率大于奈奎斯特抽樣速率時(shí),采集的離散I/Q樣本可恢復(fù)出連續(xù)信號,因此包含連續(xù)信號的無損信息。同時(shí),通過離散傅里葉變換(discrete Fourier transform, DFT)給出信號的頻域表達(dá)形式作為網(wǎng)絡(luò)輸入的一部分,可有效降低深度學(xué)習(xí)網(wǎng)絡(luò)提取特征的難度。因此,本文結(jié)合原始I/Q采樣數(shù)據(jù)和DFT的優(yōu)勢,同時(shí)提取無線電信號的時(shí)頻特征進(jìn)行檢測。

首先使用能量歸一化和DFT的方法對原始時(shí)域I/Q一維復(fù)數(shù)矩陣進(jìn)行預(yù)處理。假設(shè)原始時(shí)域序列和對應(yīng)的DFT分別為

(2)

式中：為時(shí)域序列長度，其大小反映了時(shí)間跨度。時(shí)域信號I/Q樣本及其DFT變換為

(3)

式中：e為自然常數(shù)。

由于目前主流的深度學(xué)習(xí)網(wǎng)絡(luò)僅處理實(shí)數(shù)值,因此分別提取時(shí)頻域信號序列的實(shí)部和虛部,堆疊成一個(gè)4×的矩陣作為網(wǎng)絡(luò)輸入,如圖1所示。

圖1 網(wǎng)絡(luò)輸入矩陣示意圖Fig.1 Schematic diagram of the network input matrix

合理的序列長度取值在減少網(wǎng)絡(luò)輸入矩陣元素、降低參數(shù)優(yōu)化量的同時(shí),也滿足了深度學(xué)習(xí)網(wǎng)絡(luò)信號檢測的特征需求。有限長時(shí)域I/Q采樣數(shù)據(jù)的特征數(shù)可由符號數(shù)波特?cái)?shù)定量分析,并與時(shí)域序列長度、符號率波特?cái)?shù)成正比,與采樣率成反比。有限長時(shí)域序列的符號數(shù)可表示為

(4)

式中:表示期望信號的符號率;表示接收機(jī)的采樣率。

為滿足深度學(xué)習(xí)網(wǎng)絡(luò)信號檢測需求，作為網(wǎng)絡(luò)輸入的時(shí)域序列應(yīng)至少包含1個(gè)完整的符號或波特，有限長時(shí)域序列的符號數(shù)應(yīng)滿足≥1。同時(shí)，在實(shí)際通信系統(tǒng)中，信號連續(xù)發(fā)送時(shí)間應(yīng)大于20 ms，時(shí)域序列長度應(yīng)滿足>002。

此外,快速傅里葉變換(fast Fourier transform, FFT)要求時(shí)域序列長度為2的正整數(shù)次冪。經(jīng)仿真對比,本文取時(shí)域序列長度為1 024,接收機(jī)采樣率為35 kHz,能滿足符號率/波爾率小于35 kHz的通信信號的AD。

2.2 Deep SVDD網(wǎng)絡(luò)結(jié)構(gòu)

針對通信信號時(shí)頻譜檢測任務(wù),本文使用的Deep SVDD網(wǎng)絡(luò)結(jié)構(gòu)借鑒經(jīng)典的CNN結(jié)構(gòu),并引入Incepetion網(wǎng)絡(luò)的殘差連接,更充分提取輸入信號的時(shí)頻特征,如圖2所示,包括殘差單元R1,殘差單元R2,全連接層F3。其中,殘差單元包括卷積層C1,填充層P2,卷積層C3,填充層P4,融合層A5。由于輸入的時(shí)頻信號為4×1 024矩陣,本文算法采用一維卷積核實(shí)現(xiàn)信號特征提取,并對卷積核的個(gè)數(shù)、大小以及網(wǎng)絡(luò)深度等參數(shù)進(jìn)行優(yōu)化,有效提高檢測性能。同時(shí),為避免“超球體崩塌”問題,去除隱藏層中的偏置項(xiàng)。具體每層的參數(shù)設(shè)置如下。

(1) 殘差單元卷積層C1:卷積核的大小為1×1,卷積核個(gè)數(shù)為32,卷積步長為1,無偏置項(xiàng)和填充,激活函數(shù)為“l(fā)inear”,輸入維度為4×1 024,輸出維度為32×(4×1 024),權(quán)重參數(shù)為32個(gè)。

(2) 殘差單元填充層P2:對C1層的輸出在時(shí)域序列的維度進(jìn)行大小為28的零填充,輸出特征圖大小為32×(4×1 052),無權(quán)重參數(shù)。

(3) 殘差單元卷積層C3:卷積核的大小為1×29,卷積核個(gè)數(shù)為32,卷積步長為1,無偏置項(xiàng)和填充,激活函數(shù)為“ReLU”,dropout比例為0.5,輸出維度為32×(4×1 024),權(quán)重參數(shù)為35 840個(gè)。

(4) 殘差單元填充層P4:與P2層處理過程相同,輸出維度為32×(4×1 052),無權(quán)重參數(shù)。

(5) 殘差單元卷積層C5:與C3層處理過程相同,輸出維度為32×(4×1 024),權(quán)重參數(shù)為35 840個(gè)。

(6) 殘差單元融合層A5:將C1層輸出和C5層輸出逐元素相加,輸出維度為32×(4×1 024),無權(quán)重參數(shù)。

(7) 輸出層F3:含256個(gè)神經(jīng)元,與殘差單元R2的A5層全連接,輸出維度為256×1,權(quán)重參數(shù)為33,554,432個(gè)。

圖2 本文提出的Deep SVDD基本架構(gòu)Fig.2 Architecture of the proposed Deep SVDD

2.3 Deep SVDD網(wǎng)絡(luò)訓(xùn)練

本文采用基于Deep SVDD的AD方法,首先使用大量期望信號數(shù)據(jù)對自編碼器預(yù)訓(xùn)練,獲得Deep SVDD超球體的球心和各網(wǎng)絡(luò)層的最優(yōu)初始權(quán)值,隨后再利用期望信號數(shù)據(jù)對網(wǎng)絡(luò)參數(shù)微調(diào)更新,通過最小化期望信號降維特征與超球體球心的歐式距離,構(gòu)建緊緊包裹期望信號的超球體,示意圖如圖3所示。Deep SVDD網(wǎng)絡(luò)的訓(xùn)練框架如圖4所示,主要包括自編碼器預(yù)訓(xùn)練階段和Deep SVDD訓(xùn)練階段兩個(gè)階段,目的是得到最優(yōu)Deep SVDD的網(wǎng)絡(luò)權(quán)重和超球體球心。

圖3 Deep SVDD原理示意圖Fig.3 Schematic diagram of Deep SVDD

圖4 Deep SVDD網(wǎng)絡(luò)訓(xùn)練框架Fig.4 Training framework of Deep SVDD network

231 自編碼器預(yù)訓(xùn)練階段

由于Deep SVDD超球體的構(gòu)建需要先求取信號降維特征的均值,從而初始化球心。因此,本文通過自編碼器預(yù)訓(xùn)練初始化Deep SVDD網(wǎng)絡(luò)的權(quán)重和超球體球心。

本文采用自編碼器提取期望信號的時(shí)頻特征,并實(shí)現(xiàn)降維,自編碼器整體框架如圖5所示,主要包括編碼器和解碼器兩部分。編碼器由第22節(jié)中的兩個(gè)殘差單元和全連接層組成,實(shí)現(xiàn)期望信號的特征提取和降維。解碼器的結(jié)構(gòu)與編碼器對稱,將編碼器的輸出恢復(fù)成期望信號。

圖5 自編碼器基本架構(gòu)示意圖
Fig.5 Schematic diagram of the autoencoder architecture

接收端離線采集信號,針對接收到的期望信號,利用上述自編碼器進(jìn)行離線預(yù)訓(xùn)練,獲得期望信號的降維特征和Deep SVDD各網(wǎng)絡(luò)層的最優(yōu)初始權(quán)值。

(5)

式中:為期望信號樣本總數(shù);()表示第個(gè)樣本經(jīng)Deep SVDD降維得到的信號特征。

232 Deep SVDD網(wǎng)絡(luò)訓(xùn)練階段

同樣地,接收端采集信號,得到期望信號的I/Q樣本,經(jīng)預(yù)處理后,利用反向傳播(back propagation,BP)訓(xùn)練得到Deep SVDD的網(wǎng)絡(luò)權(quán)重。

具體地,使用自編碼器預(yù)訓(xùn)練階段獲得的各隱藏層權(quán)值初始化Deep SVDD網(wǎng)絡(luò),基于期望信號樣本,構(gòu)造硬邊界的代價(jià)函數(shù)如下:

(6)

以殘差單元R2的C3層為例，代價(jià)函數(shù)對求偏導(dǎo)數(shù)，利用BP算法更新網(wǎng)絡(luò)權(quán)重參數(shù)如下：

(7)

式中：為學(xué)習(xí)率。在此基礎(chǔ)上，反向逐層更新網(wǎng)絡(luò)權(quán)重，并反復(fù)迭代至滿足停止迭代的指定條件。

為降低漏檢率，設(shè)置超球體的半徑為期望信號降維特征()與超球體球心的最大歐式距離：

(8)

因此，期望信號檢測的判決函數(shù)為

(9)

當(dāng)判決函數(shù)輸出1時(shí),接收信號降維特征落在超球體內(nèi),檢測為期望信號;當(dāng)判決函數(shù)輸出0時(shí),接收信號降維特征落在超球體外,檢測為干擾信號。

由上述過程可知,在自編碼器預(yù)訓(xùn)練階段，通過接收端采集得到大量期望信號I/Q樣本,經(jīng)信號預(yù)處理后,用于訓(xùn)練自編碼器,從而得到編碼器的網(wǎng)絡(luò)權(quán)重和超球體的球心;在Deep SVDD網(wǎng)絡(luò)訓(xùn)練階段，針對期望信號,采用硬邊界的SVDD損失函數(shù),進(jìn)一步壓縮超球體的體積,可有效降低算法的虛警率。

2.4 基于Deep SVDD和調(diào)制識別的AD方法

由于某些干擾信號與期望信號的時(shí)頻特征相似度高,難以區(qū)分,導(dǎo)致干擾信號混入Deep SVDD的超球體內(nèi),誤識別為期望信號。因此,本文在Deep SVDD網(wǎng)絡(luò)檢測的基礎(chǔ)上,引入基于深度學(xué)習(xí)的調(diào)制識別網(wǎng)絡(luò),通過閉集調(diào)制識別,進(jìn)一步驗(yàn)證信號是否為期望信號。

Deep SVDD網(wǎng)絡(luò)可以有效提取信號特征,因此調(diào)制識別網(wǎng)絡(luò)也采取同樣的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),并引入Softmax層,實(shí)現(xiàn)信號分類,網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 本文提出的調(diào)制識別網(wǎng)絡(luò)基本架構(gòu)
Fig.6 Architecture of the proposed modulation classification network

調(diào)制識別網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集由期望信號以及易與期望信號混淆的數(shù)種干擾信號組成,同樣采用BP算法迭代更新網(wǎng)絡(luò)權(quán)值,直至訓(xùn)練完畢。

綜上可知,本文算法主要包括期望信號檢測和期望信號驗(yàn)證兩個(gè)階段,整體流程圖如圖7所示。該方法通過Deep SVDD網(wǎng)絡(luò)將開集問題轉(zhuǎn)化為閉集問題,結(jié)合閉集調(diào)制識別網(wǎng)絡(luò),進(jìn)一步有效降低虛警率。

圖7 基于Deep SVDD和調(diào)制識別的AD方法Fig.7 AD method based on Deep SVDD and modulation recognition

3 性能測試與分析

由于本文中Deep SVDD采用硬邊界的代價(jià)函數(shù),要求期望信號數(shù)據(jù)集不能出現(xiàn)無信號、干擾信號等錯(cuò)誤片段。同時(shí),由于信道中時(shí)延、相移、頻偏等非理想因素影響,仿真數(shù)據(jù)與真實(shí)信號會存在差異,不包含信道特征,導(dǎo)致深度學(xué)習(xí)算法的魯棒性較差。因此,本文搭建了一套實(shí)時(shí)信號采集系統(tǒng),通過天線采集空間信號構(gòu)建數(shù)據(jù)集。接收機(jī)為Xilinx公司的ZC706評估套件,該套件采用AD9361射頻集成芯片,工作頻段覆蓋70 MHz～6 GHz,瞬時(shí)帶寬最高可達(dá)60 MHz。上位機(jī)的軟件環(huán)境為Windows 10 64 bits操作系統(tǒng),硬件則采用Intel i7-4710@2.50 GHz處理器,搭配NVIDIA GeForce GTX 850M 4 GB顯卡以及8 GB DDR3L內(nèi)存。

本文的數(shù)據(jù)集均來自于基于ZC706評估套件的時(shí)域信號采樣。該數(shù)據(jù)集在實(shí)驗(yàn)室環(huán)境下通過天線采集構(gòu)建,采樣速率為=2.5 MHz。期望信號為某型號發(fā)射機(jī)產(chǎn)生的二進(jìn)制相移鍵控(binary phase shift keying, BPSK)信號,符號速率為=30 kHz,每個(gè)信號數(shù)據(jù)樣本的采集時(shí)長為=12 μs,復(fù)數(shù)時(shí)域序列長度為71 680,即包含860.16個(gè)符號。干擾信號為常用于無線電通信干擾的噪聲調(diào)頻信號,帶寬取10 kHz、400 kHz和30 kHz,分別模擬窄帶干擾、寬帶干擾和同帶寬干擾。接收信號使用截止頻率為17.5 kHz、過渡帶寬為150 kHz的低通有限長單位沖激響應(yīng)(finite impulse response, FIR)數(shù)字濾波器濾除帶外干擾后,經(jīng)70倍降采樣,通過引入信道的非理想因素,構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練/測試數(shù)據(jù)集。信道具體參數(shù)如表1所示,其中,當(dāng)頻偏為1 kHz、10 kHz、100 kHz、1 MHz時(shí)，相位噪聲功率分別為-84 dBc/Hz、-100 dBc/Hz、-105 dBc/Hz、-109 dBc/Hz。

表1 仿真信道具體參數(shù)

在Deep SVDD訓(xùn)練參數(shù)方面,設(shè)置如下:batch大小為256,迭代次數(shù)為150次,學(xué)習(xí)率為=0.000 1,優(yōu)化算法采用Adam。Deep SVDD網(wǎng)絡(luò)的訓(xùn)練集由期望信號樣本組成,訓(xùn)練樣本總數(shù)為=14 880,SNR范圍為0～30 dB;測試集由期望信號、干擾信號組成,每種信號樣本個(gè)數(shù)為=3 720。

在本文中,定義AD算法的性能評價(jià)指標(biāo)為受試者工作特性曲線(receiver operating characteristic, ROC)下區(qū)域的面積(area under curve, AUC)和AD率。ROC的縱坐標(biāo)為真陽性率,橫坐標(biāo)為假陽性率。AUC越大,就能在更低的虛警率下,達(dá)到更高的識別率。AUC的取值范圍為AUC∈[0,1]。

由于本文算法通過檢測期望信號的有無,從而判斷是否異常,因此AD率可以通過計(jì)算期望信號檢測率得到

(10)

式中:為檢測為期望信號的樣本;為檢測樣本總數(shù)。

3.1 仿真分析

通過上述數(shù)據(jù)集和評價(jià)指標(biāo),仿真分析Deep SVDD網(wǎng)絡(luò)參數(shù)和自編碼器預(yù)訓(xùn)練對檢測性能的影響,并與兩種基于CNN的AD方法的檢測性能作對比。

3.1.1 Deep SVDD參數(shù)及預(yù)訓(xùn)練對性能的影響

Deep SVDD網(wǎng)絡(luò)的參數(shù)會直接影響信號特征的提取和分類的結(jié)果,因此對Deep SVDD的網(wǎng)絡(luò)輸入長度、卷積核大小、卷積核數(shù)量、殘差單元個(gè)數(shù)等參數(shù)進(jìn)行優(yōu)化。其中,網(wǎng)絡(luò)輸入長度、卷積核大小直接影響特征提取的完整性,而卷積核數(shù)量等參數(shù)更多的是決定網(wǎng)絡(luò)容量,因此將卷積核大小和其他參數(shù)先后優(yōu)化。本節(jié)均采用自編碼器對Deep SVDD網(wǎng)絡(luò)作預(yù)處理。

網(wǎng)絡(luò)輸入長度即每個(gè)數(shù)據(jù)樣本的采樣點(diǎn)數(shù),取為128、256、512和1 024,對應(yīng)的符號數(shù)分別為107.6、215.1、430.3、860.5,仿真結(jié)果如圖8所示。由圖可知,隨著采樣點(diǎn)數(shù)增大,ROC曲線下的面積趨近于1,原因是更多的采樣點(diǎn)數(shù)使得輸入到網(wǎng)絡(luò)中的BPSK符號數(shù)增多,從而有效提取BPSK信號的時(shí)頻域特征。因此，對于本文方法,采樣點(diǎn)數(shù)越多,數(shù)據(jù)量越大,檢測精度也越高,但深度學(xué)習(xí)網(wǎng)絡(luò)的計(jì)算量也隨之提升。綜合考慮,本文選用采樣點(diǎn)數(shù)=1 024。

圖8 不同采樣點(diǎn)數(shù)下的信號檢測性能對比Fig.8 Performance of signal detection under different numbers of points sampling

由于檢測目標(biāo)為時(shí)間序列,因此采用一維卷積分別提取網(wǎng)絡(luò)輸入的4路I/Q數(shù)據(jù)的特征,卷積核大小表示為(1,)。取為5、15、25、35和45,對應(yīng)的符號數(shù)分別為4.2、12.6、21.0、29.4。卷積核個(gè)數(shù)和殘差單元個(gè)數(shù)分別設(shè)置為32、2,滿足網(wǎng)絡(luò)容量需求,仿真結(jié)果如圖9所示。由圖可知,隨著一維卷積核的長度增大, ROC曲線下的面積趨近于1,原因是長卷積核覆蓋的BPSK符號數(shù)增多,從而完整提取BPSK信號的時(shí)頻域特征,提高檢測精度,但也會導(dǎo)致深度學(xué)習(xí)網(wǎng)絡(luò)計(jì)算量增大。綜合考慮,本文選用卷積核長度=35。

圖9 不同一維卷積核長度下的檢測性能對比Fig.9 Performance comparison under different one-dimensional convolution kernel lengths

在此基礎(chǔ)上,通過對比表2中4種不同一維卷積核個(gè)數(shù)、殘差單元個(gè)數(shù)的Deep SVDD網(wǎng)絡(luò)的檢測AUC,在滿足網(wǎng)絡(luò)容量和檢測性能需求的前提下,進(jìn)一步降低深度學(xué)習(xí)網(wǎng)絡(luò)的復(fù)雜度。

表2 4種不同網(wǎng)絡(luò)結(jié)構(gòu)的Deep SVDD

由表3可知,對于本文的檢測任務(wù),卷積核個(gè)數(shù)越多,網(wǎng)絡(luò)檢測AUC越高。綜合考慮計(jì)算復(fù)雜度和檢測性能,本文選用第4種網(wǎng)絡(luò)結(jié)構(gòu)。

表3 不同網(wǎng)絡(luò)結(jié)構(gòu)的Deep SVDD結(jié)果對比

下面分析自編碼器預(yù)訓(xùn)練方法對檢測結(jié)果的影響,仿真結(jié)果如圖10所示。

圖10 有無自編碼器預(yù)訓(xùn)練的算法檢測性能對比Fig.10 Performance comparison of with and without autoencoder pretraining

由圖10可知,自編碼器預(yù)訓(xùn)練能有效提取期望信號特征,在特征空間中正確初始化超球體球心,實(shí)現(xiàn)期望信號與干擾信號可分;而無自編碼器預(yù)訓(xùn)練時(shí),未能提取期望信號特征,導(dǎo)致超球體球心無法正確初始化,期望信號與干擾信號不可分。綜合考慮,本文采用自編碼器進(jìn)行預(yù)處理。

3.1.2 基于深度學(xué)習(xí)的不同AD方法對比

本節(jié)中,從檢測性能、時(shí)間復(fù)雜度、適用性3個(gè)角度,將本文方法與兩種基于深度學(xué)習(xí)的AD方法進(jìn)行對比。其中,文獻(xiàn)[22]方法采用自編碼器提取信號的時(shí)頻特征并降維,通過單類支持向量機(jī)(one-class support vector machine, OCSVM)實(shí)現(xiàn)干擾檢測,以短時(shí)傅里葉變換(short-time Fourier transform, STFT)得到的瀑布圖作為訓(xùn)練樣本,大小為32×32×3,將該方法命名為AE-OCSVM。同樣的,采用上述自編碼器得到信號的降維特征,通過文獻(xiàn)[34]中提出的隔離林(isolation forest, IForest)方法實(shí)現(xiàn)干擾檢測,該方法同樣以STFT得到的瀑布圖作為訓(xùn)練數(shù)據(jù),大小為32×32×3,將該方法命名為AE-IFOREST。表4列出了3種AD方法的參數(shù)。

表4 基于CNN的不同AD方法參數(shù)

(1) 檢測性能對比

復(fù)雜電子對抗環(huán)境面臨的常見干擾樣式有窄帶干擾、寬帶干擾,但也可能出現(xiàn)針對通信信號的同載頻同帶寬的干擾。因此,本文分別在非同載頻同帶寬和同載頻同帶寬兩種場景下,對比本文算法和對照算法的檢測性能。當(dāng)測試數(shù)據(jù)集中的異常數(shù)據(jù)比例不同時(shí),算法的檢測率也會有所變化。隨著異常數(shù)據(jù)比例增大,檢測率的基本趨勢是單調(diào)下降的。為體現(xiàn)本文算法的優(yōu)勢,選用異常數(shù)據(jù)占比為0.75的測試數(shù)據(jù)集,即干擾信號樣本數(shù)是期望信號的3倍。測試集中期望信號為30 kHz的BPSK信號,干擾信號為10 kHz、400 kHz、30 kHz的噪聲調(diào)頻信號,分別模擬窄帶干擾、寬帶干擾和同載頻同帶寬干擾。

圖11給出了非同載頻同帶寬場景下,不同方法的ROC曲線對比。由圖可知,在非同載頻同帶寬干擾下,本文算法以及兩種對照算法均有理想的檢測性能,ROC曲線下的面積約為1。

圖11 非同頻同帶寬干擾下不同方法的檢測性能對比Fig.11 Comparison of detection performance of different methods under the interference of non-identical carrier frequency and bandwidth

此外,現(xiàn)代電子對抗場景中電磁環(huán)境復(fù)雜,衰落信道會導(dǎo)致信號出現(xiàn)頻偏、時(shí)延。由于本文算法和對照算法均提取頻域特征,而頻偏僅影響信號在頻譜中的位置,時(shí)延不影響連續(xù)信號的頻譜特征,因此3種算法在頻偏信道、時(shí)延信道具有較好的魯棒性。仿真結(jié)果表明,在非同載頻同帶寬干擾下,本文算法及對照算法均能在頻偏信號和時(shí)延信道中保持檢測性能,對頻偏、時(shí)延信道魯棒。

在上述非同載頻同帶寬場景中,本文算法以及兩種對照算法均有理想的檢測性能。然而,在電子對抗場景中,往往存在相同載頻和帶寬的干擾信號,導(dǎo)致AD算法漏檢。因此,設(shè)定場景如下:通信信號為30 kHz的BPSK信號,干擾信號為30 kHz的噪聲調(diào)頻信號,通過繪制ROC曲線對比本文方法與對照算法的AD性能。圖12給出同載頻同帶寬干擾下,3種方法的檢測ROC曲線。由圖可知,在同載頻同帶寬干擾下,對照算法檢測性能下降,將期望信號與干擾信號混淆,而本文方法檢測性能明顯優(yōu)于兩種對照算法,且ROC曲線下的面積約為1,檢測性能優(yōu)勢明顯。

圖12 同頻同帶寬干擾下不同方法的檢測性能對比Fig.12 Comparison of detection performance of different methods under the same frequency and bandwidth interference

(2) 時(shí)間復(fù)雜度對比

在上述軟硬件平臺中,采用Python3.6及相關(guān)標(biāo)準(zhǔn)庫,部署3種算法,通過計(jì)算100次網(wǎng)絡(luò)推斷時(shí)間的平均值,對比3種算法的時(shí)間復(fù)雜度。表5給出了不同方法的單次推斷時(shí)間。由表可知,在相同軟硬件環(huán)境下,本文算法的時(shí)間復(fù)雜度遠(yuǎn)低于對照算法。AE-OCSVM和AE-IFOREST方法都需要對基帶I/Q樣本作STFT變換,并繪制瀑布圖轉(zhuǎn)為RGB三通道圖像,從而將通信信號AD問題轉(zhuǎn)化為圖像識別問題,運(yùn)算代價(jià)較大,顯著降低實(shí)時(shí)性。

表5 3種方法的時(shí)間復(fù)雜度對比

由于真實(shí)電磁環(huán)境復(fù)雜,信道參數(shù)變化大,因此擬合能力強(qiáng)的深度學(xué)習(xí)網(wǎng)絡(luò)在AD任務(wù)中有突出優(yōu)勢。然而,深度學(xué)習(xí)網(wǎng)絡(luò)往往出現(xiàn)過擬合,導(dǎo)致對電磁環(huán)境變化敏感,魯棒性較差。因此,本文采用硬邊界的Deep SVDD網(wǎng)絡(luò),優(yōu)化網(wǎng)絡(luò)參數(shù),提高算法對電磁環(huán)境變化的魯棒性,使算法具備一定的抗衰落能力,并可在同頻同帶寬的干擾下實(shí)現(xiàn)AD。同時(shí),本文算法檢測性能及實(shí)時(shí)性滿足工程需求,可實(shí)現(xiàn)實(shí)時(shí)AD。因此,相對于AE-OCSVM、AE-OCSVM算法,本文方法更適用于復(fù)雜電子對抗場景下通信過程的實(shí)時(shí)AD。綜上,本文方法的檢測性能和時(shí)間復(fù)雜度均優(yōu)于對照方法。

3.2 實(shí)驗(yàn)驗(yàn)證

本文基于Xilinx公司的ZC706評估套件,利用射頻器件的Python接口,進(jìn)行深度學(xué)習(xí)部署,實(shí)現(xiàn)實(shí)時(shí)AD,深度學(xué)習(xí)部署平臺各元件如圖13所示。

圖13 深度學(xué)習(xí)部署平臺Fig.13 Deep learning deployment platform

在實(shí)驗(yàn)室環(huán)境中,分別在瑞利衰落信道和萊斯衰落信道下利用天線采集射頻信號,信道參數(shù)如表6所示。其中,干信比(interference to signal ratio, ISR)指的是中心頻率=340 MHz時(shí),帶寬=30 kHz內(nèi)干擾信號與期望信號的能量比值。實(shí)驗(yàn)環(huán)境示意圖如圖14所示,發(fā)射機(jī)、干擾機(jī)與接收機(jī)之間的距離大于10 m。其中,對于萊斯衰落信道,實(shí)驗(yàn)中發(fā)射天線與接收天線之間存在直射路徑;對于瑞利衰落信道,發(fā)射天線與接收天線之間通過吸波材料隔開,無直射路徑。

表6 實(shí)驗(yàn)信道參數(shù)

圖14 不同多徑衰落信道實(shí)驗(yàn)示意圖Fig.14 Experimental schematic diagram of different multipath fading channels

通過ZC706評估套件提取基帶時(shí)域I/Q樣本,采樣速率為=2.5 MHz,載頻為=340 MHz。期望信號為Rohde & Schwarz公司的SMA矢量信號源產(chǎn)生的BPSK信號,載頻為=340 MHz,符號速率為=30 kHz,每個(gè)信號數(shù)據(jù)樣本的采樣時(shí)長為=28.7 ms,復(fù)數(shù)時(shí)域序列長度為71 680,即包含860.5個(gè)符號。采用截止頻率為17.5 kHz、過渡帶寬為150 kHz的低通FIR數(shù)字濾波器處理基帶時(shí)域I/Q樣本,避免本振干擾和帶外干擾。然后,對混頻、濾波處理后的信號作70倍降采樣,將信號帶寬降低至35 kHz,降低網(wǎng)絡(luò)計(jì)算量。最后,通過引入調(diào)制識別的Deep SVDD信號檢測算法,實(shí)時(shí)計(jì)算AD率,與仿真結(jié)果進(jìn)行對照。

圖15、圖16分別給出了萊斯衰落信道、瑞利衰落信道下,本文算法在不同ISR下的AD率,并與高斯信道下的仿真結(jié)果進(jìn)行對比。

圖15 萊斯衰落信道中不同ISR下仿真和實(shí)驗(yàn)的AD率Fig.15 AD rate of simulation and experiment with different ISRs in Rice fading channel

圖16 瑞利衰落信道中不同ISR下仿真和實(shí)驗(yàn)的AD率Fig.16 AD rate of simulation and experiment with different ISRs in Rayleigh fading channel

在圖15、圖16中,10 kHz、400 kHz和30 kHz的噪聲調(diào)頻干擾信號分別表示為NoiFM 10 kHz、NoiFM 400 kHz、NoiFM 30 kHz。由圖15、圖16可知,在兩種多徑衰落信道下,對于窄帶干擾、寬帶干擾、同頻同帶寬干擾3種場景,本文方法的實(shí)驗(yàn)結(jié)果與仿真結(jié)果基本一致,能滿足ISR>0 dB時(shí)的AD。由于信道中多徑衰落等影響,實(shí)驗(yàn)結(jié)果與仿真結(jié)果有小于2 dB的誤差。

為了說明不同頻偏對檢測結(jié)果的影響,在萊斯衰落信道、瑞利衰落信道中,分別在頻偏=0 Hz、=500 Hz和=1 000 Hz的不同頻偏信道下進(jìn)行實(shí)驗(yàn)。圖17、圖18分別給出了萊斯衰落信道、瑞利衰落信道中,不同頻偏信道時(shí)本文算法在不同ISR下的AD率。由圖17、圖18可知,在兩種不同衰落信道下,當(dāng)頻偏≤500 Hz,本文方法能滿足ISR>0 dB時(shí)的AD;當(dāng)頻偏>500 Hz,由于信號偏移出低通濾波器的通帶,信號特征丟失,不滿足AD需求,后續(xù)可考慮調(diào)整數(shù)字濾波器參數(shù),如增大截止頻率或減小過渡帶寬,從而增強(qiáng)算法對頻偏信道的魯棒性。

圖17 萊斯衰落信道中不同頻偏信道時(shí)和不同ISR下 實(shí)驗(yàn)的AD率Fig.17 AD rate of experiment with different ISRs at different frequency bias channels in Rice fading channel

圖18 瑞利衰落信道中,不同頻偏信道時(shí),不同ISR下 實(shí)驗(yàn)的AD率Fig.18 AD rate of experiment with different ISRs at different frequency bias channels in Rayleigh fading channel

因此,本文算法能在萊斯衰落信道、瑞利衰落信道以及頻偏≤500 Hz的頻偏信道中保持檢測性能,對不同多徑衰落信道及頻偏信道魯棒。

4 結(jié) 論

本文在分析了利用時(shí)頻I/Q采樣數(shù)據(jù)實(shí)現(xiàn)AD可行性的基礎(chǔ)上,提出了基于Deep SVDD和調(diào)制識別的通信信號AD方法。仿真分析了網(wǎng)絡(luò)參數(shù)和自編碼器預(yù)訓(xùn)練方法對AD性能的影響,對比了基于CNN的不同AD方法,并通過實(shí)驗(yàn)進(jìn)行驗(yàn)證。結(jié)果表明,本文方法直接提取時(shí)頻域I/Q樣本的特征,通過基于SVDD的損失函數(shù)構(gòu)建判決邊界,相比于傳統(tǒng)基于CNN的AD方法,本文方法檢測率和實(shí)時(shí)性明顯提升,能滿足現(xiàn)代復(fù)雜電子對抗環(huán)境的嚴(yán)苛需求。該方法已在某型號項(xiàng)目原理樣機(jī)上得到驗(yàn)證,具有很高應(yīng)用價(jià)值。