基于改進SSD的低截獲概率雷達輻射源識別算法

趙 帥，劉松濤，汪慧陽

(海軍大連艦艇學院信息系統系，遼寧 大連 116018)

0 引言

雷達輻射源識別(emitter identification，EID)是認知電子戰系統的重要功能模塊之一[1]，其在提取分選信號核心特征的基礎上識別信號類型，為判斷威脅等級、構建戰場態勢、推理戰術意圖提供重要參考。在現代戰場電磁環境的復雜度及交戰雙方電子攻防激烈程度不斷提高的背景下，低截獲概率(low probability of intercept，LPI)雷達得到廣泛應用，其通過脈沖壓縮技術實現強抗干擾能力及低截獲特性,大大提高了雷達對抗一方的信號捕獲及識別難度。因此，自動有效識別LPI雷達信號對提高電子對抗能力具有重要的研究意義。

當前，已有學者對LPI雷達輻射源識別問題進行了初步研究。文獻[2—3]分別使用多層感知機(multi-layer perceptron，MLP)和Elman 神經網絡(elman neural network，ENN)學習大量人工設計選擇的信號特征，實現了較好的LPI雷達信號識別效果，但算法受載頻估計準確性的影響很大且依賴人工設計提取特征。文獻[4]直接使用多種(wigner-ville distribution，WVD)圖像分別作為多CNN分支網絡輸入，避免了人工提取特征的過程，并通過特征融合強化識別效果，但網絡結構較為復雜。文獻[5]則在LPI雷達信號(choi-william distribution，CWD)的基礎上，進行了單CNN網絡識別信號類型的研究。近年來，基于目標檢測的LPI雷達信號分類算法被提出并展現出獨特的優勢，其不僅可以確定信號類型，還可以定位圖像中的目標信號區域，很好地解決了非目標脈沖信號的干擾問題。文獻[6]使用原始SSD模型[7]進行了相關方面的初步研究，但并未考慮模型實時性這一關鍵屬性。

針對該領域基于目標檢測類方法實時性不高的問題，本文提出一種基于改進SSD的LPI雷達輻射源識別算法，進行7種常見LPI雷達信號的分類識別研究，包括線性調頻、Barker碼、Frank碼以及P1—P4碼。

1 SSD模型

SSD模型作為一種基于回歸的單級(one-stage)目標檢測網絡，目標分類與預測框回歸同時進行，兼顧了識別精度和檢測效率。通過對VGG-16網絡的部分保留、修改及刪補構成具有11級卷積層的SSD基礎網絡結構，并由不同的中間卷積層輸出6種尺度的特征層(feature map)，用來檢測不同大小的目標。SSD基礎網絡結構如圖1所示。

圖1 SSD網絡結構圖Fig.1 SSD network structure

具體流程：將圖片輸入SSD網絡后，自動調整尺寸為300×300，各卷積層相繼提取不同深度的特征，生成6種尺度的特征圖(38×38，19×19，10×10，5×5，3×3，1×1)，將特征圖分割為對應尺度的單元格，并在每一個單元格上生成既定數量的先驗框。先驗框中存在有大量的負樣本，即與真實框交并比(intersection-over-union，IoU)小于0.5的框樣本，其數量遠超正樣本且其有效信息少，往往拖慢網絡訓練、降低檢測效果。SSD模型采用難例挖掘解決正負樣本不平衡現象，通過對先驗框的類別置信度排序，以3∶1的比例選取正負樣本。設網絡每個特征層對應的先驗框總數為Ni，隨后對每個特征層進行一次Ni×4的卷積用以確定該特征層每一個單元格上每一個先驗框的位置偏移，包括真實框與先驗框中心點在x軸、y軸上的偏移情況以及兩框的寬、高偏差情況，再進行一次Ni×Nc的卷積，其中Nc為預測類別數，用以確定每個先驗框對應的類別置信度。

訓練階段，通過迭代確定網絡權重，最小化損失函數Loss最大程度地將預測框回歸到真實框，Loss函數由兩部分加權構成，分別為樣本位置(loc)損失以及樣本的置信度(conf)損失，如式(1)所示：

(1)

式(1)中，N為與真實框相匹配的先驗框個數，當N為0時，設置損失值為0；c為目標置信度，l和g分別為預測框及真實框參數，權重α取值為1。Lloc(x,l,g)為目標位置偏移損失，Lconf(x,c)為置信度損失。樣本位置損失表示為：

(2)

(3)

式(3)中，Pos,Neg分別表示正負樣本。

預測階段，SSD網絡預測每個先驗框的類別置信度和位置偏移量，采用非極大值抑制算法(non-maximum suppression，NMS)對先驗框進行篩選得到最終的預測框。

作為一種基于回歸的單級檢測網絡，SSD算法有著遠超R-CNN[8]、Faster R-CNN[9]等基于候選區域的兩級檢測算法的檢測速度，更易滿足實時性要求，同時得益于更多尺度特征圖的融合，與同樣是單級檢測網絡的YOLO[10]算法相比，SSD算法的檢測精度也更高。需要說明的是，盡管SSD算法兼顧速度與精度，但兩者都不是最優，仍有可提高的空間。

2 基于改進SSD模型的輻射源識別算法

為進一步提高SSD模型的識別精度和實時性，本文采用準確度更高、速度更快及更為輕量化的ResNet-50網絡代替VGG-16網絡搭建SSD模型，并對ResNet-50網絡進行相應改進，以期獲得更好的LPI雷達信號識別效果。

2.1 基于ResNet-50的SSD網絡結構

VGG-16網絡是傳統CNN結構的簡單堆疊，參數數量大，且隨著網絡的加深會出現梯度消失和梯度爆炸的問題以及網絡訓練效果不升反降，即網絡退化問題。2015年，ResNet[11]問世，通過引入批歸一化(batch normalization，BN)層和殘差(Residual)子塊解決了這兩個問題。BN層對中間層的特征圖進行歸一化處理，以加速網絡收斂并提高準確度，避免梯度消失和梯度爆炸問題的出現。殘差子塊通過在網絡層與層之間增加跳躍連接，將前層最優權值直接傳遞到后層，擬合殘差映射達到消除網絡退化的效果，該結構還一定程度上減少了模型參數量，增加了檢測網絡的效率及精度。VGG-16與ResNet-50網絡參數量與復雜度對比如表1所示[11-14]。

表1 VGG-16與ResNet-50網絡復雜度對比

網絡參數量是衡量網絡大小的重要參數，通常按照下式計算：

(4)

浮點運算次數(floating point operations, FLOPs)是衡量網絡復雜度的標準參數，其計算可依據下式[14]：

(5)

式(4)、式(5)中，H、W及Cin分別為輸入特征圖的高、寬及通道數；K為卷積核寬度，Cout為輸出通道數；I、O分別為全連接層的輸入、輸出維度。

從表1中可直觀看出，ResNet-50的參數量、浮點運算次數均遠低于VGG-16，證明了其更為輕量化，也具備了具有更快速度的條件。

使用ResNet-50網絡搭建SSD模型需做出如下改進[15-16]：首先保留ResNet-50的前4級卷積模塊，移除隨后的第5級卷積模塊、全連接層及Softmax層；為保證第1級feature map的尺寸依然為38×38，將第4級卷積模塊的第1個殘差子塊的步長(stride)全部修改為1，避免其降維；額外增加5級層結構，分別輸出尺度為19×19，10×10，5×5，3×3及1×1的feature map，并在該5級層結構中加入BN層結構以加強網絡表征能力。基于ResNet-50的SSD模型結構如圖2所示。

由于基于ResNet-50的SSD模型特征圖、先驗框的生成與原始模型并無差別，在該兩種模型復雜度的比較方面，本部分僅對其特征提取網絡進行分析。按照式(4)、式(5)，粗略計算得到的兩種模型特征提取網絡部分的參數量與浮點運算次數如表2所示。

圖2 基于ResNet-50的SSD模型結構圖Fig.2 SSD model based on ResNet-50

表2 理論上VGG16-SSD與ResNet50-SSD模型復雜度對比

2.2 LPI雷達輻射源識別算法

為完整地模擬雷達輻射源識別過程，本文的識別算法框架如圖3所示。天線偵收到射頻信號，經過一系列操作輸出可處理的中頻信號。通過時頻分析算法處理中頻信號得到時頻圖像，然后利用人工標注等預處理訓練SSD模型，或者將其輸入訓練好的模型進行檢測識別。

圖3 輻射源識別算法框圖Fig.3 Block diagram of emitter recognition algorithm

在眾多的時頻分析算法中，WVD算法具有最高的時頻分辨率，但在處理多分量信號時易產生交叉項干擾。SPWVD(smoothed pseudo wigner-ville distribution)作為WVD的改進版本在保持高時頻分辨率的基礎上，很好地抑制了交叉項干擾。本文即采用SPWVD作為時頻分析方法，信號s(t)的SPWVD定義如下：

(6)

式(6)中，t與f分別代表時間和頻率，g(u)和h(τ)為兩個漢明窗函數，滿足g(0)=h(0)=1。

3 仿真實驗

3.1 建立LPI雷達信號數據集

LPI雷達信號多通過頻率編碼和相位編碼等脈沖壓縮技術來實現低截獲特性，頻率編碼以線性調頻(LFM)為代表，相位編碼分為二相編碼及多項編碼，前者以巴克碼(Barker)為主，后者則有Frank碼、P1、P2、P3及P4多種編碼選擇。本文建立的數據集主要以該7種LPI雷達信號為主，具體信號參數選擇如表3和表4所示。

表3 7種LPI雷達信號仿真參數

表4 數據集仿真條件設置

大多數此方向的研究[2-6]均僅考慮AWGN的影響，與真實信道環境差距較大。本文對生成的原始訓練信號隨機施加SNR范圍為[-6,30] dB的AWGN以及范圍為[fs/6,fs/5]的載頻偏移，并在此基礎上構建萊斯衰落信道模擬信號傳輸過程，具體信道參數如表5所示。

依據以上參數完成信號仿真后，通過SPWVD時頻分析獲取信號的時頻圖像作為SSD模型的輸入。同一信號由WVD與SPWVD獲取的時頻圖像對比如圖4所示。

表5 萊斯衰落信道參數

圖4 同一信號的WVD與SPWVD時頻圖像Fig.4 WVD and SPWVD time-frequency images of the same signal

對比圖4(a)、(b)兩圖，和前面理論分析一致，SPWVD的效果遠遠好于WVD的效果。7種LPI雷達信號的SPWVD時頻圖像展示如圖5。

圖5 7種LPI雷達信號的SPWVD時頻圖像Fig.5 SPWVD time-frequency images of seven LPI radar signals

分析7種LPI雷達信號時頻圖像特征如下：LFM及Barker信號具有較為明顯的區分特征，其余5類多相編碼信號時頻圖像較為相似，但也有著可區分的個體特征表現：Frank，P1及P2時頻圖像具有明顯的階梯狀特征，而P3，P4信號則為邊緣光滑的直線段；Frank及P3信號能量中心分布于圖像左右兩側，而P1及P4能量中心聚集于圖像中心；P2信號與P1圖像特征極為相似，但兩者時頻圖像中特征線段走勢相反，P2為下行，P1為上行。總之，7種時頻圖像具有SSD模型可區分的不同特征，從而使用SSD模型進行LPI信號識別算法具有可行性。

3.2 改進SSD模型的訓練和檢測測試

使用LabelImg工具將用于訓練的7 000張圖片進行人工標注制作成PASCAL數據集，并按8∶2的比例將其分為訓練集和驗證集。由于各類LPI雷達信號時頻圖像的相似性，不對數據集進行翻轉、平移及模糊等數據增廣處理。實驗平臺參數如下：Intel(R) Core(TM) i7-8750H CPU@2.20 GHz 處理器，16 GB內存，4 GB NVIDIA GeForce GTX 1060 GPU，Pytorch深度學習框架。將數據集放入改進后的模型進行訓練，設置Epoch=15，初始學習率為0.000 5，并隨著迭代次數增加逐步減小學習率。訓練過程Loss函數及學習率變化如圖6所示。

圖6 訓練時Loss函數及學習率變化Fig.6 The change of Loss function and learning rate during training

進行目標檢測時，設置目標框得分閾值為0.5，當得分大于等于0.5時顯示預測目標框。依據表4建立測試集對模型進行測試，部分檢測結果示例見圖7，圖中依次展示了7種LPI雷達信號的檢測結果示例，并選取Barker、P3兩種信號進行了不同SNR下的檢測效果展示。

如圖7所示，模型在檢測時將信號目標框起并顯示目標類型及檢測得分，在噪聲淹沒嚴重、主觀難以分辨的情況下，模型也能準確地實現對目標的檢測。

圖7 目標檢測結果示例Fig.7 Example of target detection results

3.3 改進SSD模型的性能評估

首先對模型的復雜度進行實際評估，該部分由Pytorch框架的thop模塊和ptflops第三方庫分別進行實現，兩種實現方式結果一致，如表6所示。

對比發現，改進后SSD模型參數、浮點運算次數更少，復雜度更低。特征提取網絡部分的參數值與前面的理論分析基本一致。兩種模型的參數量和浮點運算次數均集中在骨干網絡，其余部分所占比例很小且兩種模型相差不大，由此證明骨干網絡是決定SSD模型復雜度的關鍵，使用ResNet-50網絡替換VGG-16網絡是可行且正確的選擇。

表6 SSD模型與改進SSD模型復雜度實際對比

其次對模型的速度進行評估，對比項包括訓練時迭代一次所需時間(time per epoch，TPE)，單位為秒(s)，取訓練過程中15次迭代的平均值；在CPU上每秒檢測圖片張數(CPU-FPS)以及在GPU上每秒檢測張數(GPU-FPS)，取7類11種SNR共77個測試子集的檢測平均值。通過改進模型與SSD模型的對比，客觀評價改進SSD模型的性能。模型速度對比如表7所示。

表7 模型速度性能評估

表7結果說明，改進SSD模型具有比原始SSD模型更好的實時性。改進SSD模型訓練時迭代一次所需時間縮短了28.50%，在GPU上的檢測速度提高了29.74%。

然后通過對比模型對測試集的檢測準確率來評估模型的精度性能。所建立的測試集共包括15 400張圖片，每類LPI雷達信號在每分貝(dB)SNR下有200張測試圖片，SNR范圍為[-10,10] dB，間隔為2 dB。現選取改進SSD模型在SNR為{10,6,2,-2,-6,-10} dB下的檢測結果展示為表8。

表8 改進SSD模型在SNR為{10,6,2,-2,-6,-10} dB下的檢測混淆矩陣

表8中行表示LPI雷達信號的實際類型，列表示改進后SSD模型的預測類型。觀察表中數據可知，在SNR=-10 dB時，模型分類表現大幅下降，出現了更多的“未檢測到信號”類型的結果。與前面對7種信號的時頻圖像分析一致，在低SNR情況下，錯檢現象多發生在Frank與P1信號之間，以及P3與P4信號之間。

使用相同的訓練集和測試集對原始SSD模型進行測試，得到的結果與改進SSD模型對比如圖8所示。

分析圖8(a)可知，改進后的SSD模型與原始模型在高SNR情況下均實現了較好的檢測性能，在不低于-4 dB的情況下，可實現高于92.9%的檢測準確率。但隨著SNR的降低，原始模型準確率下降的更快，改進后的模型在低SNR情況下有著更好的穩定性。

分析各類LPI雷達信號的檢測準確率變化，改進后模型對7類信號的檢測準確率變化趨勢基本相同，改進后模型對LFM，P3及P4三種信號在低SNR下的檢測效果要遠高于原始模型，由于該3種信號的時頻圖像均為光滑的直線段，在低SNR下信號被噪聲淹沒，區分度大大降低，原始模型的特征提取能力相對改進模型較弱，導致其檢測效果變差。但需指出，改進后模型對P1及P4兩種時頻圖像相近信號在高SNR下檢測時效果略低于平均水平，推斷原因為ResNet-50網絡提取到了時頻圖像更為深層的特征而這些特征對P1及P4信號的區分度不高。

圖8 改進模型與原模型的檢測準確率對比Fig.8 Comparison of detection accuracy between improved model and original model

綜上所述，改進后SSD模型在保持與原始SSD模型相近精度的基礎上較大地提高了實時性，增強了工程實用性。

4 結論

在現代戰場LPI雷達被廣泛應用，將其快速準確識別具有重要意義。本文提出一種基于改進SSD的LPI雷達輻射源識別算法，并將其應用于7種常見LPI雷達信號的識別中。該算法采用精度更高、速度更快的ResNet-50代替原VGG-16網絡，并對網絡進行了改進設計。生成仿真數據時，為更貼近真實情況，構建了萊斯衰落信道用以模擬信號傳播環境。仿真實驗結果表明，在SNR=-4 dB時算法的識別準確率可達到92.9%，與原始SSD模型相比，訓練及檢測速度分別提高了28.50%和29.74%。后續工作將思考如何進一步提高模型在高SNR下的識別準確率及模型的抗噪能力。