基于LSTM的雷達輻射源識別技術?

劉括然

（海軍參謀部 北京 100841）

1 引言

雷達輻射源識別是電子對抗偵察系統(tǒng)中的主要功能之一，是我方偵察設備（雷達偵察）截獲敵方雷達信號特征參數(shù)，然后進行信號分選，與模板庫中的參數(shù)數(shù)據(jù)進行相似度計算，獲取該雷達的類型、搭載平臺、威脅等級以及用途等信息。雷達輻射源識別為戰(zhàn)略戰(zhàn)役指揮決策、預警自衛(wèi)和戰(zhàn)術打擊提供了重要的判斷依據(jù)［1～2］。但近年來，隨著新體制雷達和作戰(zhàn)樣式的不斷增多，使得電磁環(huán)境異常復雜，導致識別雷達信號變得困難，如何在如此復雜的電磁環(huán)境中高效快速地識別成為重要問題。目前研究雷達輻射源識別的方法主要是基于傳統(tǒng)的機器學習方法，如貝葉斯算法［3］、近鄰算法［4］、決策樹算法［5］、人工神經(jīng)網(wǎng)絡［6］等方法以及最近幾年興起的深度學習的方法。傳統(tǒng)的機器學習，雖原理簡單、理論成熟但識別率低、泛化能力弱、有限制使用條件。

近年來，隨著在深度學習領域不斷的探索和研究，已經(jīng)在語音識別［7］、圖像識別［8］、自然語言［9］領域取得比較大的成功，相對于傳統(tǒng)的機器學習方法，深度學習方法性能優(yōu)異、識別高等，但具有不可解釋性以及需要大量的計算能力。本文研究的輻射源雷達識別問題具有時序特征的特點，構(gòu)建基于LSTM（Long Short-Term Memory）［10］的雷達輻射源信號識別的方法。LSTM是用于處理時序數(shù)據(jù)的神經(jīng)網(wǎng)絡模型，利用該模型進行提取輻射源信號特征，實現(xiàn)雷達輻射源分類識別。

2 雷達輻射源信號識別

2.1 問題描述

雷達輻射源信號識別是首先通過雷達被動收集、采集一段時間內(nèi)敵方輻射源信號特征，然后使用數(shù)字信號處理技術進行預處理，獲取細微特征參數(shù)等，最后把特征參數(shù)輸入到分類器中，識別輻射源類別。對于雷達輻射源識別，本文使用一段時間內(nèi)的雷達輻射源信號特征數(shù)據(jù)源，先進行歸一化處理，之后輸入到構(gòu)建的LSTM模型中，識別輻射源的類型。圖1為整個雷達輻射源識別的過程和流程圖。

1）雷達收集輻射源時序信號特征進行標注，構(gòu)建數(shù)據(jù)集，然后按照一定的比例進行抽取作為訓練集、測試集。

2）對雷達輻射源信號訓練集和測試集進行預處理，向量化、歸一化、編碼等基本預處理操作。

3）使用TensorFlow［11］構(gòu)建深度LSTM神經(jīng)網(wǎng)絡模型，確定網(wǎng)絡層次、節(jié)點數(shù)量、學習率，網(wǎng)絡層次和節(jié)點數(shù)量等超參數(shù)。

4）把預處理后的訓練集輸入到構(gòu)建的模型中進行訓練，輸出輻射源識別結(jié)果與已有的標簽進行對比，使用訓練集準確率進行評估，若達到設定的閾值，則轉(zhuǎn)為下面的步驟，否則轉(zhuǎn)為步驟3）。

5）把預處理后的訓練集輸入到訓練好的LSTM網(wǎng)絡模型中識別雷達輻射源類型，比較訓練集和測試集的準確率，評估是否泛化的結(jié)果很好，判斷模型識別的效果。若泛化效果差，則轉(zhuǎn)為步驟3）。

圖1 雷達輻射源識別過程

2.2 LSTM基本理論

LSTM網(wǎng)絡是一種具有記憶的神經(jīng)網(wǎng)絡模型，使得處理時序的屬性數(shù)據(jù)具有很好的效果。標準LSTM網(wǎng)絡架構(gòu)中的核心單元［12］。主要通過輸入門，遺忘門以及輸出門這3個門達到了對網(wǎng)絡具有記憶效果?；镜腖STM網(wǎng)絡模型以及核心單元如圖2。

圖2 LSTM網(wǎng)絡模型核心單元

其中，*表示矩陣的點乘；+表示矩陣相加；ct-1表示細胞狀態(tài)，即此結(jié)構(gòu)前面的信息；ht-1表示隱藏狀態(tài)；xt表示輸入信息；zf表示遺忘門；zi表示輸入門；zo表示輸出門；yt表示輸出值。

標準LSTM網(wǎng)絡架構(gòu)中的核心單元A，它的精心設計使得模型具有添加和刪除信息的狀態(tài)，主要是使用3個門控制狀態(tài)，輸入門（input gate），遺忘門（forget gate）以及輸出門（output gate），每個門都有不同的作用，通過這3個門的設計來控制各個時刻的狀態(tài)，進而對每個時刻狀態(tài)特征更好的控制。ct-1表示細胞狀態(tài)，是經(jīng)過一些線性操作得到ct。而這三個門就是用于保護和控制細胞狀態(tài)。Sigmod函數(shù)是LSTM的門結(jié)構(gòu)的實現(xiàn)，它輸出在0到1之間，反映了信息被保留的程度。

整個細胞狀態(tài)信息更新過程為模型的前向傳播，先通過遺忘門zf對細胞狀態(tài)信息ct-1進行一定的篩選，輸入門zi對當前時刻的輸入信息z進行篩選，把這2個篩選的結(jié)果進行相加得到更新的細胞狀態(tài)ct，最后根據(jù)輸出門確定當前的輸出ht。再根據(jù)當前的ht確定最終的結(jié)果yt。

若是預測的最終結(jié)果是分類問題。則ht是通過SoftMax函數(shù)確定最終的結(jié)果yt，即式（8）。

3 仿真實驗

3.1 樣本數(shù)據(jù)

實驗采用雷達輻射源信號特征數(shù)據(jù)集是通過python仿真的。特征參數(shù)主要包含雷達脈沖描述字（脈沖到達時間、脈沖載頻、脈沖寬度、脈沖幅度、脈沖到達角）、脈沖重復參數(shù)、天線掃描特征、脈沖調(diào)制特征，型號為6種雷達型號，作為數(shù)據(jù)特征的標簽。為了使得仿真數(shù)據(jù)更加符合戰(zhàn)場上的信號數(shù)據(jù)，添加高斯白噪聲。數(shù)據(jù)集規(guī)模大小為60000，取80%作為訓練集，20%作為測試集，訓練模型。各個輻射源信號的數(shù)據(jù)分布圖如表1所示。

表1 雷達輻射源數(shù)據(jù)比例

3.2 實驗結(jié)果和分析

在對比實驗的過程中，首先把仿真的60000的樣本數(shù)據(jù)隨機打亂，按照表1的方式劃分為訓練集和測試集，整體的比例為4：1。圖4和圖5是LSTM網(wǎng)絡模型在不同參數(shù)下的損失值和正確率的變化的實驗結(jié)果。圖中表明隨著迭代次數(shù)的增加，損失值在不斷地減小，正確率在增加。圖3表明隱藏層的節(jié)點數(shù)量也對損失值和正確率的變化也有影響，實驗中表明，隨著節(jié)點數(shù)的增加，LSTM網(wǎng)絡收斂的速度較快，之后在增加收斂速度變慢。最終的網(wǎng)絡參數(shù)確定如表2。

表2 LSTM網(wǎng)絡參數(shù)

圖3顯示了在不同參數(shù)下的LSTM網(wǎng)絡模型的表現(xiàn)。從圖中可以得知，LSTM網(wǎng)絡中隱藏層不同的節(jié)點個數(shù)影響網(wǎng)絡的收斂速度以及準確率的大小，文本比較了節(jié)點數(shù)位為64、128、192、256時的情況，網(wǎng)絡收斂速度隨著節(jié)點數(shù)量增加而增加，之后隨著節(jié)點的數(shù)量增加而減少，當節(jié)點數(shù)為128時效果最好。

圖3 不同的隱藏層節(jié)點數(shù)對網(wǎng)絡的影響

圖4 和圖5顯示了訓練集和測試集的正確率以及損失值的變化曲線，隨著LSTM網(wǎng)絡的迭代次數(shù)的增加，識別率不斷提高，最后穩(wěn)定在94.3%左右，而損失值穩(wěn)定在0.32%左右。通過網(wǎng)絡的曲線的變化，得知LSTM網(wǎng)絡模型在測試集上的泛化程度較好，可以運用到雷達輻射源識別問題上。

圖4 訓練集和測試集的正確率變化曲線

圖5 訓練集和測試集的損失值變化曲線

表3 LSTM網(wǎng)絡訓練集和測試集的識別率

對仿真的數(shù)據(jù)集采用K-fold（K=5）交叉驗證［13］進行訓練網(wǎng)絡并且得到上述表3中的識別率，從實驗結(jié)果可以看出，LSTM網(wǎng)絡模型對于解決輻射源信號識別有很好的效果，識別率達到了93.2%。

4 結(jié)語

雷達輻射源識別是電子對抗系統(tǒng)中的核心內(nèi)容，LSTM與傳統(tǒng)的機器學習識別方法不同，不需要人工設計特征和手動特征提取，而是使用深度學習模型自動篩選特征。本文基于LSTM神經(jīng)網(wǎng)絡模型設計、構(gòu)造深層次和合適的節(jié)點個數(shù)的模型。通過雷達輻射源收集的連續(xù)信號，然后進行預處理，輸入到設計深層次的LSTM模型中進行訓練。通過對比不同組合的參數(shù)，選擇其中較好的結(jié)果。實驗結(jié)果表明，基于LSTM神經(jīng)網(wǎng)絡模型對雷達輻射源分類可以取得很好的效果。