基于深度學習和時頻分析的引信干擾信號識別研究

畢明雪，王 旭，白 帆，于承澤，魯旭東

(沈陽理工大學 裝備工程學院，遼寧 沈陽 110159)

0 引言

目前引信工作的電磁環境愈發復雜，干擾信號面臨多樣性、復雜性等問題，如何準確快速地識別干擾信號變得至關重要。隨著計算機智能技術、精確制導技術以及衛星定位技術的發展，國內外引信技術開始向著“引制一體化”和智能化方向發展，從整體上融合導彈態勢感知，實現多數據融合分析，智能化起爆控制，實現智能化引信[1，2]。

深度學習是機器學習中對數據進行特征提取學習的新方法。從網絡模型來看，并不太關注輸入的數據是什么，主要作用在網絡特征提取層。傳統方法如匹配濾波等方法受限于硬件識別范圍有限，而對于深度學習來說，理論上不受硬件識別范圍的限制，只受限于發射機的功率限制。因此，深度學習目前廣泛應用于計算機視覺、目標檢測、跟蹤、語義識別等領域[3]，研究人員也嘗試將深度學習應用到軍事目標識別、導彈自主導航等方面。如文獻[4]提出一種基于卷積神經網絡對海上艦船SAR圖像進行快速識別的方法，通過對網絡模型的優化提高了艦船SAR圖像的識別速度和準確度。目前已有的做法是基于傳統的數學方法，如時頻分析方法將時域信號向時頻域轉換，多用于信號處理方面，如文獻[5]基于加窗Wigner-Ville分布的時頻峰值濾波對實數域信號進行估計，能夠在信噪比-8 dB時恢復信號且估計的信號頻率與原始信號接近。目前鮮少有研究人員將深度學習應用到引信干擾信號的識別和抗干擾上來，主要因為深度學習的部署需要一定計算力的硬件平臺支撐，而對于引信和彈體結構來說，其結構空間有限，且彈目交會速度極快，需要極高的實時性和準確度。而引信干擾信號作為一維時序信號，各片段具有連續性，相鄰信號之間具有相關聯系，直接輸入到識別網絡中可能會損失細節信息，從而導致識別錯誤。針對以上問題，本文引入條件變分自動編碼器網絡，考慮將獲取的引信回波信號向時頻域投影，將一維時序信號識別問題轉化為圖像特征識別問題。

1 引信回波信號獲取及處理

1.1 引信回波模型建立

基于卷積神經網絡生成網絡模型需要真實且足夠數量級的數據集，才能保證網絡模型訓練的泛化性足夠強。由于真實場景下的引信工作環境和數據獲取成本較高且較為復雜，因此需要搭建引信回波模型來獲取回波信號。由于調頻連續波在硬件實現上比較簡單，故本文使用調頻連續波FMCW(Frequency Modulated Continuous Wave)來獲取引信和目標之間的距離等參數，同時采集回波信號獲得原始數據集。如圖1所示，FMCW的原理[6]是通過計算回波信號和發射信號的差頻信號來計算彈目距離和速度。

圖1 FMCW示意圖

圖1中，fb為發射信號ft和接收信號fr之間的差頻信號，fd為調頻掃頻波帶寬，td為發射信號和接收信號的時間差，ts為掃頻周期；設c為光速，彈目距離為D，則有：

fb=fr-ft.

(1)

td=2D/c.

(2)

(3)

在已知其他變量的條件下，則探測距離D可表示為與fb相關：

(4)

搭建引信回波模型可以仿真獲取盡可能接近真實工作條件下的回波信號，為后續網絡模型訓練提供足夠多且真實的數據集。

1.2 基于Wigner-Ville分布的時頻分析譜圖生成

由于獲取的引信回波信號是一維時序信號，為了得到回波信號更多的細節信息，本文引入時頻分析的方法從而能夠同時從時域和頻域角度分析信號，其基本思想是：構造時間和頻率的聯合函數，用它同時描述信號在不同時間和頻率的能量密度或強度，簡稱為時頻分布。利用時頻分布來分析信號，能給出各個時刻的瞬時頻率及其幅值，并且能夠進行時頻濾波和時變信號研究。常見的時頻分析包括短時傅里葉變換、連續小波變換、Wigner-Ville分布和Cohen類分布等[7，8]。

Wigner-Ville分布在時頻聚焦性方面表現很好,但易受到交叉項干擾的影響,雖然它的各種平滑改進方法能一定程度上消除交叉項干擾影響,但又會降低時頻聚焦性[9]。圖2為加噪信號的WVD(Wigner-Ville Distribution)變換得到的時頻譜圖。

圖2 加噪信號的WVD譜圖

Wigner-Ville分布可以看成信號s(t)的瞬時自相關函數的傅里葉變換，表示為式(5)：

(5)

(6)

整理后可得：

.

(7)

可以看出WVD在某一頻率段內對f進行積分，結果為該信號在t時刻的瞬時能量。同樣信號s(t)的傅里葉變換S(Ω)的WVD可表示為式(8),結果為信號在Ω時刻的瞬時能量：

.

(8)

不足之處是WVD面臨交叉項干擾的問題，本文引入條件變分自動編碼器CVAE(Conditional Variation Automatic Encoder Network)生成網絡代替譜圖計算過程，采用Wigner-Ville分布對回波信號進行時頻變換，經過變換后可以得到回波信號的數學計算真實譜圖，為后面的生成網絡提供真實的學習方向，采用卷積神經網絡代替數學方法的譜圖變換可以調用計算機GPU(Graphics Processing Unit)多線程加速計算，以滿足干擾信號識別的實時性要求。

1.3 基于條件變分自動編碼器的譜圖生成網絡

CVAE是由變分自動編碼器VAE(Variation Automatic Encoder Network)演變而來，而VAE是一種基于概率模型的深度生成網絡模型[10，11]。通過編碼器將原始數據X轉化為隱藏量Z，給定Z的均值和方差且滿足正態分布，再通過解碼器可以得到近似原數據X的輸出X′。

設輸入數據X的分布為P(X),其分布未知，而隱含量Z的分布P(Z)是可以給定的，用式(9)來表示P(X)的分布：

(9)

(10)

考慮通過式(9)、式(10)逆向求解P(X),由于P(Z|X)的概率密度函數p(x|z)無法直接確定，故引入q(z)來逼近p(z|x)，通過KL散度(Kullback-Leibler Divergence)來評價q(z)和p(z|x)之間的相似度，即：

(11)

整理后可得式(12)：

(12)

對于CVAE網絡來說，就是引入額外條件約束VAE的生成，如圖3所示，在編碼器和解碼器加入標簽y，通過簡單卷積層對y進行編碼后和x再次輸入編碼器；為了結果朝著目標生成，同時將編碼后的y作為標簽輸入到解碼網絡，作為條件約束生成網絡的方向，可推導出：

圖3 CVAE網絡結構示意圖

lgp(x|y)=KL(q(z|x,y)||p(z|x,y)+L(x,y)).

(13)

其中：L(x，y)為x、y之間的對應關系函數。

2 模型架構

考慮到目標回波信號的時頻特性具有時間上的連續性、特征上的因果性、頻譜上的復雜性，單純對一段時間的時頻圖像進行特征識別，缺乏對目標/干擾因果特性、目標特征遠近關系的識別信息。本文考慮使用CVAE網絡生成原始信號的譜圖，之后使用卷積神經網絡對譜圖進行特征提取，最后輸入長短期記憶網絡(Long Short Term Memory, LSTM)[12,13]，從整體上對干擾類型進行判斷。

2.1 整體網絡架構

基于深度學習的引信干擾信號識別網絡架構如圖4所示，以一段處理后的引信回波信號作為原始信號，以一定時間間隔Δt切分原始信號，經過WVD變換得到時頻譜圖，同時將該段信號輸入CVAE網絡進行訓練，使原始信號在經過CVAE生成網絡訓練學習后，能夠提取出原始信號的譜圖，最后將譜圖進行特征提取后輸入LSTM網絡識別。

圖4 基于深度學習的引信干擾信號識別網絡架構

為了網絡模型訓練具有更好的真實性，設計了如下兩個損失函數約束訓練過程，生成譜圖后再基于卷積神經網絡對譜圖中的特征參量進行提取。

2.2 訓練過程

在CVAE網絡訓練過程中，通過KL散度來評價生成數據和真實數據之間的相似度：

KL(q(z|x,y)||p(z|x,y))=lgp(x|y)-L(x,y).

(14)

由圖4網絡結構中可以看出，經過CVAE訓練生成的譜圖需要和WVD變換的譜圖做均方誤差( Mean Square Error， MSE)比較，其中真實值為yi′，訓練目標值為yi，則均方誤差損失函數可表示為：

(15)

為了防止訓練過程陷入局部最優點，引入結構相似性損失函數( Structural Similarity Index， SSIM),類比人的視覺感知，同時考慮了亮度、對比度和結構性指標。假設真實譜圖為X，生成的譜圖為Y，SSIM計算過程如下：

(1) 首先計算X、Y的均值μX、μY；

(2) 計算圖像X、Y的方差和協方差σX、σY和σXY；

(3) 計算中間方程組L(X,Y)、S(X,Y)和C(X,Y)分別表示亮度因子、結構對比因子和對比度因子：

(16)

(17)

(18)

其中：C1、C2、C3為常數。

式(19)即為結構相似性損失函數：

SSIM(X,Y)=L(X,Y)×C(X,Y)×S(X,Y).

(19)

3 實驗設計及結果分析

實驗分為三部分：第一部分是根據引信回波模型生成原始數據;第二部分是基于CVAE訓練生成譜圖的過程;第三部分是對生成的譜圖進行特征提取，然后經過LSTM識別的結果。

3.1 實驗環境

本文訓練平臺電腦系統為Ubuntu 16.04，顯卡為NVIDIA GeForce2070,使用python語言基于Tensorflow架構進行開發調試。

3.2 仿真數據

通過改變干擾數據參數，得到不同回波信號，再經過WVD變換后得到譜圖如圖5所示，生成的譜圖分辨率為128×128。

3.3 基于CVAE生成的譜圖

通過CVAE生成的譜圖如圖6所示，與圖5中經過WVD變換的譜圖對比，生成效果良好，具備原始數據中的細節信息。

圖5 WVD變換后的譜圖

圖6 基于CVAE生成的譜圖

3.4 基于LSTM的干擾信號識別過程

LSTM是一種時間遞歸神經網絡，適合于處理和預測時間序列中延遲相對較長的重要事件。雖然LSTM網絡適合對序列數據進行處理，但很難針對序列中的細節進行精確定位及區分，對于單一時間步長內發生的頻譜特征缺乏準確定位及細分。因此，擬在LSTM網絡的基礎上，同時對固定時間步長下的時頻譜圖進行端到端深度卷積神經網絡識別，并將圖像的識別特征信息補償進入LSTM網絡，進一步修正網絡參數，降低訓練過程中梯度消失的風險。

經過CVAE生成的譜圖再經過卷積層的特征提取后輸入到LSTM進行識別。為了測試網絡模型的魯棒性，設計了消融實驗，通過改變卷積層數測試其對識別準確率的影響，經過均值化處理后識別結果如表1所示,其中conv表示卷積層數，dconv表示反卷積層數，FC表示全連接層數，BN表示歸一化層數，如2conv+2FC+1BN表示編碼器由2層卷積層、2層全連接層、1層歸一化層組成。

表1 識別結果

4 結論

本文基于引信回波模型仿真獲取目標回波信號，設計了一種基于CVAE的引信干擾信號識別網絡，在實驗基礎上，得到以下結論：

(1) 基于CVAE網絡對干擾信號識別可減少由于硬件設備造成的范圍受限，能夠識別更多干擾類型。

(2) 利用深度學習對回波時序信號進行訓練學習可移植到GPU平臺進行計算，相比傳統時頻變換可減少計算量，提高識別速度，為引信工作提供有利條件。

(3) 通過對回波信號測試集進行識別，結果表明該網絡對干擾信號具備一定的辨別能力。

同時本文的方法也出現了一些問題，需要對生成網絡進一步優化，嘗試在簡化網絡模型的同時對訓練數據集中干擾信號的復雜度進行完善，從而更好地模擬真實場景下的干擾信號數據。