基于小波分解和1DLeNet-5的輻射源信號識別

張春雨

（華北理工大學人工智能學院 河北 唐山 063210）

1 引言

電子對抗技術（electronic counter measures，ECM）是指采用的一些電子措施和行為動作達到與對方在電子戰中相抗衡的目的。電磁波作為傳遞信息的重要載體之一，也是獲取對方情報的重要手段，通過分析能夠把握對方的關鍵技術和作戰信息等，更有利于在對抗中占據優勢地位[1]。

輻射源識別（emitter identification，EI）是現代電子對抗中的一個關鍵環節，如何有效提取輻射源信號的深層特征，構建可以廣泛使用的識別分類模型成為當下研究的關鍵問題。鑒于深度學習（deep learning，DL）在其他領域的良好表現，將其引用到信號識別領域是十分必要的。一方面，實現特征的自動提取和分析；另一方面，可以再通過訓練、學習保持識別能力。即使在趨于復雜的電磁環境下，對未知輻射源識別也能保持很好的泛化性能[2]。

本文重點研究基于小波分解和深度學習的輻射源信號識別算法，針對人工提取特征模型泛化能力低、提取二維時頻圖特征時效性差的問題，提出了新的解決思路。

2 理論基礎

2.1 小波分解

輻射源信號是一個一維時間序列，信息維度低，且原始數據中包含了不必要的高頻噪聲信息，為了增加數據維度和去噪，本文采用多尺度一維小波分解對數據進行處理，既能得到各頻帶的子信號又增加了信號的維度，使后文提出的模型達到更好的識別效果[3]。

小波分解關鍵在于使用尺度函數和小波基函數將原始信號分解為不同頻帶的子信號[4]。通過小波分解可以實現數據增維和去噪，使用小波分解信號時，不同的小波基函數會產生不同的分解效果，因此需要根據實驗確定具體的小波基函數。

2.2 1DLeNet-5

LeNet-5模型在1998年被提出，是第一個在結構上比較完備的卷積神經網絡模型，在手寫數字的實際應用識別上取得了很大的成功[5]。

LeNet-5網絡結構主要包括兩個卷積層和三個全連接層，卷積層可以通過共享卷積核減少網絡參數，降低模型復雜度。在每個神經元中，使用Sigmoid作為激活函數。卷積層后采用最大池化來降低數據維度。全連接層用來實現特征的映射。輸出層實現分類的效果，神經元的個數即是分類個數，多采用Softmax分類器實現。

CNN有卷積核參數共享和層間連接的稀疏性等特點，使得CNN能夠通過較小的計算量對格點化特征，例如像素和音頻進行學習，有穩定的效果且對數據沒有額外的特征工程要求。一維卷積神經網絡（1-dimensional convolutional neural network，1DCNN）的特點是特征維度是一維，相比于二維卷積，可以提高算法的時效性[6]。模型中參數有很多，比如卷積核大小等，這些不是憑經驗得到的，而是經過了大量實驗對比識別結果得出來的，因此模型的反復訓練需要很長的時間來進行。LeNet-5是比較簡單的卷積神經網絡模型，為了解決更復雜的問題，其后提出的模型無論是在深度上還是在參數個數上都有不同程度的增加。

3 基于小波分解和1DLeNet-5的輻射源信號識別算法

通過理論分析，小波分解對輻射源信號能夠實現比較好的處理效果，提出了基于小波分解和1DLeNet-5的輻射源信號調制識別算法[7]，以LFM信號和1DLeNet-5模型結構為基礎，算法流程說明如下。

（1）基于小波分解的信號處理。首先，對LFM信號進行3級小波分解，然后通過FFT將信號轉換到頻域。小波分解的作用是把信號分解為不同頻帶的子信號，能夠更加全面地反映信號特征和去噪。FFT使選擇的特征不受載頻變化影響，使信號特征更明顯，同時數據量也減少。

（2）基于1DLeNet-5的特征提取。將預處理后的信號頻譜合并為一維向量作為模型的輸入，首先通過兩個一維卷積層提取輻射源信號的特征，使用一維池化進行特征篩選。然后將特征拉直成一維向量，使用兩個全連接層進行特征映射。

（3）輻射源信號分類識別。本文對6種不同類型的輻射源信號進行分類，且各種類型是互斥的，因此選擇使用Softmax分類器實現。

4 仿真實驗與結果分析

本文使用6種不同調制類型的輻射源信號進行了仿真分析，其中包括線性調頻信號、方波信號以及相位編碼信號3種不同調制類型的雷達信號，采樣點數均為1024，波形的頻率在[100 MHz/6，100 MHz/5]之間隨機，采樣頻率100 MHz。線性調頻帶寬在[100 MHz/20，100 MHz/16]之間隨機產生。相位編碼碼片數量在[3，4，5，7，11]中取值，周期取[1，5]之間隨機數。以及高斯頻移鍵控、連續相位頻移鍵控和雙邊帶幅度調制3種類型通信信號，通過使用多徑衰落、中心頻率和采樣時間漂移以及高斯白噪聲生成信道受損樣本，采樣點數均為1024，采樣頻率為200 KHz。6種信號在-8:2:10信噪比下，產生每組100個樣本，按照7:3比例劃分訓練集和測試集。1DLeNet-5模型的詳細參數如下：輸入信號為1×448，兩個卷積層均是6個大小為4的卷積核，Relu激活函數，后接BN，兩個池化層均為2×2最大池化，第2個全連接層有120個神經元，第2個全連接層有84個神經元，Dropout大小均為0.5，輸出層為Softmax，神經元個數為分類數。模型訓練200次，測試集信噪比為-6 dB，通過比較不同小波基下模型的損失和識別率，為了使損失更小、識別率更高，本文選擇使用bior2.6小波基函數。在不同信噪比下對每種信號的識別率見表1。

表1 不同類型信號在不同信噪比下的識別率

通過分析表1，對于3種雷達信號，在不同信噪比下都可以準確識別；對于GFSK信號，模型無法識別，并且通過混淆矩陣，GFSK信號大部分被識別為CPFSK信號，還有小部分被識別為DSB-AM信號；CPFSK和DSB-AM兩種通信信號的識別率上下波動，通過混淆矩陣，原因是互相識別錯誤。除去GFSK信號，另外5種信號在-8 dB時的整體識別效率能夠達到75%。

5 結論

本文提出了一種使用小波分解和1DLeNet-5卷積神經網絡的輻射源信號識別方法。通過6種類型的雷達和通信輻射源信號進行了仿真驗證。在該方法中，首先使用小波分解對輻射源的時域信號進行3級分解，然后轉換到頻域，組合成一維信號樣本，作為1DLeNet-5模型的輸入，最后自動識別信號類型。實驗結果表明：不同小波基，檢測結果有差異，當采用bior2.6小波基函數識別效果更好一些，尤其對雷達信號均可以準確識別，通信信號之間會相互識別錯誤；一維卷積和二維卷積相對比，結構更簡單、參數更少。以上結論最終驗證了本文所提出的，基于小波分解和1DLeNet-5模型的輻射源信號識別算法的可行性和有效性。