基于深度卷積網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)技術是電子戰領域重要的研究內容，其技術水平制約著整個雷達對抗系統的發展?，F代雷達迅速發展，新體制雷達越來越多，電磁環境日益復雜，輻射源交錯程度高，信號密度大，已達到每秒數百萬脈沖[1]。“高大且雜”的電磁環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、脈內分析法、數據融合法以及神經網絡方法，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制特征。文獻[2]研究了用圖像處理技術處理時頻分析圖，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絡相結合的方法，構造基于深度卷積網路與時頻特征的RES識別模型，實現一種低信噪比、高識別率的雷達輻射源識別新方法。

1 VGGNet

1.1 VGGNet結構

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，是當前較為常用的一種卷積神經網絡(convolutional neural networks，CNN)。VGGNet[4]的結構包括卷積層、池化層和激活函數，其中卷積層指利用卷積核對輸入數據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值連接，引入稀疏或局部連接，以此帶來的權值共享策略能夠極大的減少參數數目，同時增加數據量，從而避免深度網絡出現過擬合現象。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，減少下一層數據輸入維度，進而有效減少下一層的輸入參數及計算量，有效控制網絡的過擬合風險。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，則池化后參數個數會減少k倍。

激活函數是在深度網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絡的非線性刻畫能力得以提升。常用的激活函數有：修正線性單元(rectified linear unit,ReLU)[7]、Softmax函數[8]、Softplus函數(ReLU的光滑逼近)、Sigmoid系(包括Logistic-Sigmoid函數和Tanh-Sigmoid函數等)。

1.2 VGGNet參數設置

VGGNet從Alex-net[9]發展而來,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。整體結構圖如圖2所示。

圖2 VGG-16參數結構圖Fig.2 VGG-16 parameter structure diagram

2 雷達輻射源信號的時頻分布

根據雷達輻射源信號時頻分析所使用的二維聯合分布函數的具體形式的不同，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，核函數不同，分布就不同。核函數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生混合聯系，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合特征，生成數據矩陣，并通過灰度化處理產生灰度化數據矩陣?；叶然?數據矩陣以灰度圖像的形式呈現，并通過編號產生數據集。將生成的大量數據集分為訓練集和測試集，訓練VGG16網絡，訓練后的網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合分布灰度圖[15]，導入已經訓練完成并保存的網絡中，經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)。其模型結構如圖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個時頻二維聯合特征灰度圖像構造成數據集，格式為uint8_656*875，共300幅圖像。雷達輻射源信號的調制參數,如表1所示。

生成數據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)即為數據庫中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。總而言之，信號的時頻二維特征結構信息在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 雷達輻射源信號調制參數表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 線性調頻信號時頻灰度圖Fig.5 Time frequency grayscale map of LFM signal

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

在構造的數據集中，選取90%的數據集為訓練集，10%的數據集為測試集，VGG16基本參數設置為：Batch size設置為256；迭代次數為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次迭代后損失函數和top1err幾乎為0，說明VGG16在訓練至第3代時已經收斂。由圖9 c)可知，選取的數據集的擬合難度相對較小，表明了時頻灰度圖像數據集作為深度網絡學習的特征集，以實現RES分類識別的可行性。(top1err和top5err分別指從數據集中抽取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 深度網絡5次迭代曲線圖Fig.9 5 Iteration graph of deep network

經測試，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信號發生了誤判。本文結果與其他文獻在同等初始值和信噪比條件下結果對比如表2所示。

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

由表2可知，單載頻、線性調頻以及正弦調頻的時頻二維特征結構較為穩定，受到干擾后的基本結構趨勢還有保留，而二進制相移鍵控和移頻鍵控信號結構相對較為復雜，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構受到破壞，更容易被誤判。

5 結束語

時頻分析是信號脈內調制特征中較為突出的特征，在復雜電磁環境下，充分利用這一特征實現RES識別具有很大優勢。深度卷積網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合特征結構會受到噪聲干擾而出現斷裂、零散的情況，這就使得深度卷積網絡參數擬合出現波動。如何實現更低信噪比條件下高精準度的識別和分類，需要進一步加深網絡結構、調整網絡初始設置，并尋求新的特征以代替時頻二維特征。