基于改進(jìn)型YOLOV3-Tiny的通信干擾檢測(cè)算法*

（海軍工程大學(xué)電子工程學(xué)院 武漢 430032）

1 引言

現(xiàn)代戰(zhàn)場(chǎng)電磁環(huán)境異常復(fù)雜，往往充斥著各類(lèi)信號(hào)，包括通信方通信信號(hào)、合作方通信信號(hào)、非合作方通信信號(hào)、惡意干擾信號(hào)以及各類(lèi)雜散信號(hào)等等。其中，惡意干擾信號(hào)會(huì)對(duì)通信產(chǎn)生巨大威脅，因此，研究針對(duì)惡意干擾信號(hào)的檢測(cè)技術(shù)具有十分重要意義。由于常見(jiàn)的干擾信號(hào)在時(shí)頻圖像中具有特定的形態(tài)學(xué)特征，現(xiàn)實(shí)中通常依靠人工分辨時(shí)頻圖像中的這些干擾目標(biāo)。然而，這種手段的檢測(cè)效率較低，并且當(dāng)環(huán)境中同時(shí)存在多種通信信號(hào)和干擾信號(hào)時(shí)，人工檢測(cè)方法的準(zhǔn)確率和響應(yīng)速度難以滿(mǎn)足需求，從而影響后續(xù)的干擾信號(hào)參數(shù)估計(jì)、通信抗干擾決策等環(huán)節(jié)。同時(shí)，通信抗干擾技術(shù)正走向智能化，自動(dòng)化的認(rèn)知能力是智能抗干擾系統(tǒng)的基礎(chǔ)，也是核心環(huán)節(jié)之一［1～2］。

國(guó)內(nèi)外相關(guān)學(xué)者針對(duì)干擾檢測(cè)問(wèn)題做了大量研究工作，王桂勝等［3］提出了一種基于信號(hào)空間理論的干擾分類(lèi)方法，利用頻譜帶寬、幅度譜峰均比、分?jǐn)?shù)階聚集度等特征參數(shù)，聯(lián)合支持向量機(jī)（support vector machine，SVM）進(jìn)行識(shí)別，該模型可以有效識(shí)別出單音干擾、多音干擾、脈沖干擾、線(xiàn)性調(diào)頻干擾、梳狀譜干擾以及部分頻帶干擾；溫媛媛等利用高階累計(jì)量和SVM分離混合干擾信號(hào)，在5dB以上條件下獲得較高的識(shí)別率［4］，梁金弟等提出基于聯(lián)合多維特征進(jìn)行干擾識(shí)別，并仿真驗(yàn)證了SVM與決策樹(shù)兩種分類(lèi)器對(duì)于不同信號(hào)的識(shí)別效果［5］。上述方法對(duì)常見(jiàn)的通信干擾都能夠?qū)崿F(xiàn)較為準(zhǔn)確的識(shí)別，但是現(xiàn)實(shí)中，尤其是戰(zhàn)場(chǎng)的復(fù)雜電磁環(huán)境下，各類(lèi)設(shè)備產(chǎn)生的信號(hào)共存，往往會(huì)出現(xiàn)通信信號(hào)與干擾信號(hào)部分重疊，或者接收的寬帶信號(hào)中包含多個(gè)干擾信號(hào)，或者通信信號(hào)與部分惡意干擾信號(hào)在調(diào)制方式、中心頻率以及帶寬等參數(shù)上接近的情況。這些情況給正確識(shí)別干擾帶來(lái)新的挑戰(zhàn)。

針對(duì)復(fù)雜電磁環(huán)境，姚富強(qiáng)等［2］提出可以從時(shí)頻域角度設(shè)計(jì)新型抗干擾方法，I.Demirkiran等提出了一種利用時(shí)頻曲線(xiàn)進(jìn)行干擾檢測(cè)的方法［6］，能夠有效檢測(cè)出單音干擾、多音干擾和線(xiàn)性?huà)哳l干擾，但是存在檢測(cè)樣式較少的缺點(diǎn)，可擴(kuò)展性有限。張智博等基于譜圖和神經(jīng)網(wǎng)絡(luò)識(shí)別通信干擾樣式［7］，從時(shí)頻圖像識(shí)別的角度出發(fā)解決干擾檢測(cè)問(wèn)題。O'Shea等采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)通信制式進(jìn)行分類(lèi)，結(jié)果表明驗(yàn)證了CNN對(duì)不同信號(hào)進(jìn)行分類(lèi)的可行性［8］。周鑫等利用目標(biāo)檢測(cè)算法進(jìn)行無(wú)線(xiàn)電信號(hào)制式檢測(cè)與分類(lèi)，實(shí)現(xiàn)了良好的檢測(cè)效果，驗(yàn)證了目標(biāo)檢測(cè)算法的有效性［9］。不同于文獻(xiàn)［3～5］，文獻(xiàn)［7～9］結(jié)合了當(dāng)前深度學(xué)習(xí)的前沿成果，采取了“端到端”的檢測(cè)模式，在滿(mǎn)足一定識(shí)別精確率的條件下更有利于應(yīng)對(duì)復(fù)雜場(chǎng)景并實(shí)際部署。因此，研究基于時(shí)頻圖像的干擾檢測(cè)方法具有重要意義。

本文在現(xiàn)有研究成果之上，將通信干擾識(shí)別問(wèn)題轉(zhuǎn)化為時(shí)頻圖像中的目標(biāo)檢測(cè)問(wèn)題，利用“You Look Only Once V3-Tiny”（YOLOV3-Tiny）模型進(jìn)行檢測(cè)，并針對(duì)本文數(shù)據(jù)條件下目標(biāo)尺寸的特點(diǎn)，改進(jìn)YOLOV3-Tiny模型中先驗(yàn)錨框的計(jì)算方法，設(shè)計(jì)了一種基于小縱橫比錨框的SAR-YOLOV3-Tiny（Small Aspect Ratio-YOLOV3-Tiny）網(wǎng)絡(luò)，通過(guò)仿真驗(yàn)證了SAR-YOLOV3-Tiny的性能并將其與YOLOV3-Tiny和文獻(xiàn)［9］中的RadioYOLO進(jìn)行對(duì)比。結(jié)果表明，在本文數(shù)據(jù)條件下，SAR-YOLOV3-Tiny具有更好的識(shí)別效果和更快的收斂速度。

2 系統(tǒng)模型

2.1 目標(biāo)檢測(cè)算法

YOLOV3-Tiny源自Joseph Redmon等于2015年提出的一種實(shí)時(shí)目標(biāo)檢測(cè)網(wǎng)絡(luò)YOLO，“Tiny”代表輕量級(jí)，表示YOLOV3-Tiny可以在計(jì)算能力有限的設(shè)備中運(yùn)行并有效檢測(cè)自然界圖片中的各類(lèi)物體［10］。本文在此基礎(chǔ)上對(duì)YOLOV3-Tiny進(jìn)行針對(duì)性改進(jìn)得到SAR-YOLOV3-Tiny。SAR-YOLOV3-Tiny網(wǎng)絡(luò)包含殘差塊［11］、卷積層、池化層、上采樣層、融合層，分別用Residual_Block、Conv、Max-Pool、Upsample和Concat表示，此外還包含兩個(gè)檢測(cè)模塊，完成預(yù)測(cè)和非極大值抑制處理。具體結(jié)構(gòu)如圖1所示。

圖1 SAR-YOLOV3-Tiny結(jié)構(gòu)圖

時(shí)頻圖像輸入SAR-YOLOV3-Tiny之后經(jīng)過(guò)5個(gè)池化層，每個(gè)池化層輸出的特征圖尺寸為輸入的1/2。檢測(cè)模塊中的DetectionLayer用于計(jì)算損失函數(shù)，并輸出若干個(gè)包含預(yù)測(cè)錨框坐標(biāo)、目標(biāo)置信度的張量，這些張量表示所預(yù)測(cè)目標(biāo)的位置以及目標(biāo)類(lèi)別，再利用非極大值抑制算法從中選取置信度最大的張量作為最終的輸出結(jié)果，該結(jié)果維度為（批次數(shù)，8），第二維包含8個(gè)元素，分別為批次編號(hào)、預(yù)測(cè)錨框左上角坐標(biāo) (x1，y1)、右下角坐標(biāo) (x2，y2)，目標(biāo)置信度，類(lèi)別概率以及類(lèi)別索引。

2.2 K-means++聚類(lèi)算法

YOLOV3-Tiny模型中通過(guò)K-means算法計(jì)算出6個(gè)先驗(yàn)錨框的尺寸。本文研究對(duì)象是包含干擾目標(biāo)的時(shí)頻圖像，通常這些目標(biāo)都具有較小的縱橫比（Small Aspect Ratio，SAR）且各錨框尺寸差異較大，因此采用K-means++算法重新計(jì)算先驗(yàn)錨框的尺寸。相比于K-means，K-means++算法能夠選擇的聚類(lèi)中心更為分散［12］，也就意味著選擇出的尺寸能夠更好地表征所有錨框，從而減小訓(xùn)練時(shí)的損失值，加快收斂。設(shè)樣本集合S={(w1，h1)(w2，h2)，(w3，h3)，…，(wn，hn)} ，集合共包含n個(gè)元素，其中wi，hi分別代表第i個(gè)錨框的寬和高，聚類(lèi)中心個(gè)數(shù)K=6，步驟如下：

步驟1從錨框尺寸數(shù)據(jù)集中隨機(jī)選取一個(gè)樣本(wi，hi)作為初始聚類(lèi)中心。

步驟2計(jì)算當(dāng)前樣本與已存在的聚類(lèi)中心的最短距離，記為D[(wi，hi)]，計(jì)算公式如：

其中iou[·]表示交并比計(jì)算函數(shù)，centrcid表示已存在的聚類(lèi)中心。

步驟4計(jì)算各樣本的分布律Sum(P[(wi，hi)])，在［0，1］范圍內(nèi)隨機(jī)生成一個(gè)數(shù)，該數(shù)所處區(qū)間對(duì)應(yīng)的樣本即為下一個(gè)聚類(lèi)中心。

2.3 模型評(píng)價(jià)指標(biāo)

機(jī)器學(xué)習(xí)模型判決結(jié)果劃分為4類(lèi)，TP，TN，F(xiàn)P，F(xiàn)N，分別代表正樣本判斷正確的個(gè)數(shù)、負(fù)樣本判斷正確的個(gè)數(shù)、正樣本判斷錯(cuò)誤的個(gè)數(shù)、負(fù)樣本判斷正確的個(gè)數(shù)以及負(fù)樣本判斷錯(cuò)誤的個(gè)數(shù)［13］。沿用 YOLOV3-Tiny網(wǎng)絡(luò)的評(píng)價(jià)指標(biāo)，基于上述4類(lèi)判決結(jié)果，進(jìn)一步計(jì)算平均精確率mAP、召回率Recall，計(jì)算公式如下。

其中C代表目標(biāo)總類(lèi)別數(shù)，AP代表每一個(gè)類(lèi)別的平靜精確率。

2.4 檢測(cè)流程

基于SAR-YOLOV3-Tiny模型的檢測(cè)步驟如下：

步驟1首先，通過(guò)短時(shí)傅里葉變換（Short-Time-Fourier-Transform，STFT）將接收信號(hào)轉(zhuǎn)換到時(shí)頻域，獲得包含時(shí)域、頻域以及功率域的時(shí)頻圖像。其次，用矩形框標(biāo)記時(shí)頻圖像中的干擾信號(hào)所在區(qū)域，并獲取矩形框左上角坐標(biāo)(x1，y1)和右下角坐標(biāo)(x2，y2)用于制作標(biāo)簽，將圖像與標(biāo)簽按統(tǒng)一格式封裝形成訓(xùn)練集合測(cè)試集。

步驟2根據(jù)K-means++算法聚類(lèi)出6種最具有代表性的矩形框尺寸，即代表寬高的6對(duì)數(shù)組，將這6對(duì)寬高數(shù)值作為SAR-YOLOV3-Tiny檢測(cè)層中錨框的尺寸。

步驟3訓(xùn)練網(wǎng)絡(luò)，計(jì)算損失函數(shù)并通過(guò)誤差反向傳播更新參數(shù)，當(dāng)訓(xùn)練周期大于預(yù)設(shè)值時(shí)停止訓(xùn)練訓(xùn)練。最后，利用測(cè)試集對(duì)模型性能進(jìn)行評(píng)估。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集生成

利用GNU Radio和USRP生成單音干擾、多音干擾、脈沖干擾、線(xiàn)性調(diào)頻干擾和高斯噪聲調(diào)頻干擾共5類(lèi)干擾信號(hào)，參數(shù)如表1所示。

表1 干擾信號(hào)參數(shù)

值得注意的是，本文研究復(fù)雜電磁環(huán)境下對(duì)干擾信號(hào)的檢測(cè)方法，故需要選擇存在較多電磁活動(dòng)的頻段，根據(jù)實(shí)際情況，在60MHz～240MHz的頻段內(nèi)包含F(xiàn)M調(diào)頻廣播、VHF航空無(wú)線(xiàn)電等信號(hào)，因此在此范圍內(nèi)隨機(jī)選擇頻點(diǎn)作為中心頻率生成干擾信號(hào)。對(duì)接收信號(hào)做點(diǎn)數(shù)為8192的FFT，獲得實(shí)時(shí)時(shí)頻圖像流，間隔25ms截取一幀，共獲得1205張圖片。根據(jù)數(shù)據(jù)集劃分原則，20%的數(shù)據(jù)作為測(cè)試集，隨機(jī)選擇241張圖片用于測(cè)試。

3.2 仿真分析

通過(guò)K-means++算法獲得6個(gè)錨框尺寸分別為（8，66）、（23，16）、（10，29）、（23，152）、（19，51）、（50，83），SAR-YOLOV3-Tiny網(wǎng)絡(luò)的超參數(shù)如表2所示。

表2 SAR-YOLOV3-Tiny網(wǎng)絡(luò)超參數(shù)

為對(duì)比模型性能，將文獻(xiàn)［9］中的RadioYOLO和原始的 YOLOV3-Tiny（Org-YOLO-Tiny）模型作為對(duì)照組，通過(guò)mAP，recall值來(lái)衡量各模型的性能差異，結(jié)果分別如圖2、圖3所示。圖2說(shuō)明隨著訓(xùn)練的不斷進(jìn)行，3種模型的recall總體為上升趨勢(shì)，但Org-YOLO-Tiny在第42周期附近出現(xiàn)短暫下降后繼續(xù)回升。其中本文算法的增長(zhǎng)高于其他兩種模型，最終達(dá)到99.8%，比RadioYOLO的最高值79.9%高出19%，比原始模型Org-YOLO-Tiny高出2.1%。根據(jù)圖3，SAR-YOLOV3-Tiny的mAP值最終達(dá)到98.7%，比Org-YOLO-Tiny的96.3%高2.4%，比RadioYOLO的75.8%高出22.9%。以上結(jié)果表明，相比于Org-YOLO-Tiny，本文模型SARA-YOLO-Tiny更適應(yīng)本文的研究場(chǎng)景，收斂速度更快，識(shí)別效果更好。

圖2 各模型不同訓(xùn)練階段recall值

圖3 各模型不同訓(xùn)練階段mAP值

4 結(jié)語(yǔ)

通信干擾識(shí)別是采取有效的抗干擾措施的重要前提，本文利用時(shí)頻變換將信號(hào)的時(shí)域信息轉(zhuǎn)到時(shí)頻域以及功率域，將一維的干擾識(shí)別問(wèn)題轉(zhuǎn)化為多維的目標(biāo)檢測(cè)，并使用目標(biāo)檢測(cè)技術(shù)加以解決。實(shí)驗(yàn)結(jié)果表明，本文提出的模型具有較高的平均精確率和召回率，且模型復(fù)雜度較低，更容易訓(xùn)練和收斂，具有較好的應(yīng)用價(jià)值。

另一方面，基于錨框機(jī)制的目標(biāo)檢測(cè)算法一定程度上需要提供錨框先驗(yàn)信息，且錨框機(jī)制需要大量計(jì)算產(chǎn)生預(yù)測(cè)錨框，但是大部分屬于無(wú)效預(yù)測(cè)，因此下一步嘗試研究使用不基于錨框（anchorfree）的檢測(cè)模型，進(jìn)一步降低模型復(fù)雜度。