基于深度網絡的雷達信號分選

張旭威，黎仁剛，王一鳴

(中國船舶重工集團公司第七二三研究所,江蘇 揚州 225101)

0 引 言

對雷達信號參數進行測量和分選以及對輻射源進行定位和識別是雷達偵察系統的主要工作內容。其中對雷達信號進行分選尤為重要，因為這直接影響到后續的信息處理是否準確、有效。因此，對雷達信號分選技術進行研究具有十分重要的現實意義。

雷達信號分選需要處理的對象通常是脈沖描述字(PDW)，它被用來描述每個脈沖的到達角(DOA)、到達時間(TOA)、載頻(RF)、脈沖幅度(PA)、脈沖寬度(PW)等特征。由于現代戰爭采用大量的電磁設備，不可避免地會使雷達信號相比于早期戰爭而言所處的電磁環境更加復雜，在時頻域中的交疊混合現象也更嚴重，這使得雷達信號的密度和分選難度也隨之提升。為了起到稀釋脈沖流的目的，一般先使用DOA、RF、PW等參數進行預分選，再利用脈沖重復周期(PRI)來進行主分選。傳統的基于PRI進行信號分選的方法有累積差直方圖(CDIF)法[1]、序列差直方圖(SDIF)法[2]、PRI變換法[3]和修正的PRI變換法[4]等。CDIF和SDIF都利用了信號的相關性，因此很容易出現子諧波問題。PRI變換算法通過引入復值自相關計算，達到了去除子諧波的目的，但無法很好地處理抖動的脈沖信號。修正的PRI算法通過改變時間起點和采用交疊的PRI箱很好地彌補了傳統PRI變化法的不足。

隨著雷達體制的升級，脈沖周期信息提取愈加困難，使得只依靠脈沖周期信息進行信號分選變得越來越不可行，需要借助更多的參數來進行聯合分選以提升分選效果。本文將RF、PW、PA、TOA等多個參數編碼為圖像，像素點的信息代表了雷達脈沖信號的信息，再利用深度網絡對像素進行分類，從而將信號分選問題轉化為圖像語義分割問題。

1 圖像語義分割概述

1.1 圖像語義分割概念

圖像分割是對整幅圖像進行處理和解析的關鍵，對圖像進行分割的依據是利用圖像不同區域(如紋理、形狀等)的特征差異，對不同區域進行劃分，從而使不同區域的特征明顯不同，但使同一區域內部特征一致或相似。普通的圖像分割技術是將1副圖像中用于表示不同物體的像素區域分割開，只解決了該區域有沒有物體的問題，而不區分該區域具體表示什么物體(即該區域的語義)。為了能夠得到分割區域的語義這一高層特征，則需要對普通的圖像分割進一步細化而改進為圖像語義分割技術，這種技術不僅可以分割出圖像中的不同區域，而且還可以對不同區域所表示的語義進行分類。即在認知圖像時具體到像素級別，給圖像中的每一個像素分配一個類別。

1.2 圖像語義分割網絡結構

圖像語義分割常用的結構為編碼器-解碼器結構，其中典型的網絡為U-Net[5]和SegNet[6]。U-Net的特征融合是在不同尺度上拼接特征圖的通道維度，以增加通道的方式保留更多的特征圖信息，同時也可以提高像素定位的精度，達到提升分割效果的目的。但是由于其上采樣中的反卷積操作的參數需要學習，會降低訓練速度。SegNet將最大池化索引傳遞給上采樣層，這種方式不需要訓練學習，使得整個網絡參數更少，訓練速度更快。為了進行性能和速度的平衡，本文對U-Net和SegNet的混合結構U-SegNet[7]進行適用于本文實驗的改進，其網絡模型如圖1所示。

圖1 本文雷達信號分選的網絡結構

本文設計的深度網絡可以處理3×512×512大小的輸入圖像，整個網絡選用3×3大小的卷積核，特征圖通道數的范圍為16～128，選用最大池化操作，其卷積核尺寸(Kernel Size)為2×2，激活層的激活函數選用ReLU以加快訓練和防止過擬合。選用最大池化索引，使得上采樣不需要學習參數，僅在最上層引入了一個U-Net中的拼接結構，實現特征融合，可以使像素定位更加準確。接著，使用1×1的卷積操作來達到分割的目的。最后通過有6個輸出的Softmax層來完成6個標簽的分類。

2 基于深度網絡的雷達信號分選方法

2.1 對雷達信號數據集的處理

為了充分利用PDW中的參數，提高分選的準確率，本文將RF、PW、PA、TOA等參數編碼為圖像。未選擇將DOA這一參數進行編碼的原因是為了驗證模型對于來自同一方向的雷達信號的分選能力。本文設定的雷達信號編碼圖像的分辨率為512×512，圖像的高度表示RF的范圍，寬度表示TOA的范圍，則像素的位置可以用(TOA,RF)表示，2個獨立通道中像素的灰度值用PW和PA表示。由于實驗中多功能雷達的載頻范圍跳變較大，故將載頻分辨率設定為10 MHz。為了使本文的實驗場景下控制每張圖像上編碼的脈沖數量合理，選擇將雷達信號編碼為圖像時的到達時間分辨率設定為10 μs。將雷達脈沖信號數據集進行處理后的示意圖如圖2所示。

圖2 雷達信號數據集處理示意圖

圖2(a)為編碼圖像示意圖。將每個像素對應的脈沖信號所屬的輻射源類別編號直接編碼為圖像的灰度值，即為標注圖像，如圖2(b)所示。

2.2 分選方法流程

基于深度網絡的雷達信號分選方法的流程如下：

步驟1：將待分選的雷達脈沖信號序列生成脈沖描述字(PDW)。

步驟2：對PDW中的4個參數：RF、TOA以及PW和PA等參數進行提取。

步驟3：將雷達輻射源參數按照指定的格式編碼為圖像并生成相應的標注圖像。

步驟4：用本文提出的深度網絡對雷達信號圖像進行語義分割，生成分割結果圖。

步驟5：對分割結果進行分析，計算分選的準確率，統計準確率的平均值。

其整體流程圖如圖3所示。

圖3 基于深度網絡的雷達信號分選方法流程圖

3 實驗及結果分析

本文實驗所采用的深度網絡框架工具為開源的Pytorch1.8.1，運算平臺為CUDA11.1，Python版本為3.6；硬件環境:CPU為Intel Core i5-10600KF，內存容量為16 GB，顯卡型號為NVIDIA RTX3060Ti，顯存容量為8 GB。將1 300張雷達信號編碼圖像和對應的標注圖像用于網絡模型訓練，200張雷達信號編碼圖像用于測試。小批量尺寸(minibatch size)設置為4，學習率(learning rate)設置為0.000 1，數據集總共遍歷50次，采用交叉熵作為網絡模型的損失函數，模型的評價準則為像素精度(Ap)。其公式定義如下：

(1)

式中：npp表示類別為p、預測也為類別p的像素數量；tp=∑qnpq，表示類別為p、預測為類別q的像素總數量。

實驗模擬接收到的脈沖序列為來自同一方向的4部雷達輻射源信號和接收機輸出PDW的隨機錯誤。其中1部是多功能雷達輻射源，另外3部分別是PRI抖動、PRI脈間參差、PRI脈組參差的雷達輻射源。接收機隨機錯誤輸出的信號參數在各輻射源參數附近波動，其信號數量分別占總信號數量的10%，20%，30%。在對雷達編碼圖像進行標注時，不同雷達輻射源的標注類別不同，將接收機輸出PDW的隨機錯誤標為同一類別。雷達輻射源信號的具體參數如表1所示。

表1 雷達輻射源信號參數

實驗訓練集中雷達輻射源信號的編碼圖像和標注圖像局部圖如圖4所示。

圖4 實驗訓練集局部圖

為了便于觀察，將雷達輻射源信號的標注圖像和分割圖像進行了灰度處理。

將實驗訓練集中編碼圖像和標注圖像輸入到本文的網絡中進行訓練后，實驗測試集局部圖如圖5所示。

圖5 實驗測試集局部圖

圖5(a)為測試集中雷達輻射源信號編碼圖像局部圖，圖5(b)為測試集中預測時的分割結果局部圖。數據集經過50輪迭代訓練后，含有30%隨機錯誤的數據集送入模型訓練后損失(loss)值如圖6所示。

圖6 實驗模型訓練loss值

因為本實驗將含有30%隨機錯誤的數據集訓練好的模型用于預測含有10%和20%隨機錯誤的數據集，依然可以得到很好的結果，故只給出含有30%隨機錯誤的數據集訓練時的loss值。

整個測試集中雷達輻射源信號的分選結果如表2～表4所示。

表2 實驗數據集中含10%隨機錯誤雷達輻射源信號的分選結果

表3 實驗數據集中含20%隨機錯誤雷達輻射源信號的分選結果

表4 實驗數據集中含30%隨機錯誤雷達輻射源信號的分選結果

4 結束語

本文將雷達輻射源信號按照一定的規則編碼為圖像，利用深度網絡對編碼后的圖像進行語義分割，通過對像素的分類實現對雷達信號的分選。實驗結果表明分選效果受不同比例的隨機錯誤數據影響小，對隨機錯誤的適應性強，具有較好的魯棒性，且分選準確度較高。