基于改進UNet3+網絡的雷達輻射源信號識別

李 霜，董 瑋，董會旭，凌云飛，張歆東

(1.吉林大學電子科學與工程學院，長春，130012； 2.空軍航空大學航空作戰勤務學院，長春，130022)

輻射源信號識別是電子對抗偵察的關鍵部分[1-2]，識別敵方雷達信號，獲取戰場信息，為戰役指揮決策提供了關鍵的判斷依據。早期戰場電磁環境相對簡單，人工提取特征后通過與雷達數據庫比對，能夠較為準確地識別雷達信號。文獻[3]提出了一種融合先驗信息的輻射源信號識別方法；文獻[4]提出了基于小波網絡對不同脈沖重復間隔模式的輻射源信號識別方法。這些方法在并不復雜的電磁環境下具有較好的識別能力，但是在電磁環境日益復雜的背景下，這類方法的識別速度和識別精度不能滿足識別要求。如何在復雜的電磁環境[5-7]中準確地識別信號成為亟待解決的問題。

深度學習(deep learning，DL)作為機器學習中的分支，近年來廣泛應用在計算機視覺[8]、智能控制[9]、自然語言處理[10-11]等領域，在輻射源信號識別中也具有優異的性能。文獻[12]對雷達信號的偽WVD和CWD時頻圖像提取特征，并用多層感知機、徑向基函數神經網絡、概率神經網絡3種分類器對信號進行識別，但是在低信噪比條件下，部分信號的識別精度較低；文獻[13]利用AlexNet 網絡模型對信號的時頻圖進行分類識別,將信號轉化為二維圖像進行識別，提高了識別精度，但大幅度增加了計算量，耗時較長，樣本量較大時并不適用。

為解決上述問題，本文引入UNet3+[14]網絡對輻射源信號進行識別。UNet3+網絡能處理序列數據，相較于處理時頻圖像的方法，計算量較小，可以適應樣本量較大的情況。UNet3+網絡能自主進行信號特征提取，無需人為選擇特征，相較于人工提取特征的方法，能較為全面地提取特征，適應多數類型信號的識別。該網絡通過全尺度跳過連接將數據的深層特征和淺層特征進行融合[15-17]，充分提取了數據特征，進而擁有較高的識別準確率。本文在UNet3+的基礎上，將5層級的UNet3+網絡刪減為3層級，保留其特征融合能力的同時降低了網絡的復雜度，并引入注意力機制，優化了模型性能，在低信噪比的條件下也擁有較好的識別能力。

1 UNet3+網絡

圖1 UNet3+網絡的結構圖

2 注意力機制

注意力機制[21-24]是從人類視覺的注意力機制得到啟發：人類在觀察事物時，先全面觀察，再經過大腦處理，挑選出需要重點關注的位置仔細觀察，得到關鍵信息。

特征提取是信號識別的關鍵。注意力機制能篩選出重要信息，其具體表現形式為會根據信息的重要程度分配不同的概率權重，網絡會更加注重權重系數較大的信息，忽略一些無需關注的信息，突出關鍵信息的影響，增強模型判斷的準確性，提升識別速度。

注意力機制的具體實現流程如圖2所示。

圖2 注意力機制實現流程

如圖2所示，[x1,x2，…，xt-1，xt]表示輸入的輻射源信號信息，計算注意力主要分為以下3步：

步驟 1計算權重：

et=utanh(ωkt+b)

(1)

式中：b是偏置系數；u和ω是權重系數。

步驟 2對上一步得到的權重et歸一化，得到的at為注意力機制對神經網絡隱藏層輸出的注意力概率權重：

(2)

步驟 3將注意力概率權重和輻射源信號中各元素進行加權求和得到注意力輻射源信號：

(3)

3 改進UNet3+模型及訓練流程

神經網絡是通過提取到的特征進行判斷識別，提取到較好的特征有助于提高識別能力。UNet3+網絡通過全尺度跳過連接進行特征融合，淺層特征和深層特征互相補充，更好地描述了信號特征，避免特征丟失，網絡能通過更多的特征去判斷識別信號，識別能力較好。未改進的UNet3+網絡模型雖然能充分地提取信號特征，但也具有一定的局限性：由UNet3+網絡的結構圖可知，每增加一個網絡層級，就要進行更多的特征融合，即使充分提取信號特征，但模型結構過于復雜，需要進行更多的運算，大幅度增加網絡的訓練時間。針對上述問題，本文將5層級的UNet3+網絡刪減為3層級，降低網絡的復雜度，避免進行過多的特征融合，減少了網絡的運算量，提高網絡的訓練速度。網絡雖然提取到了詳細的數據特征，但在判斷識別信號時，并不是提取到的所有的特征都有助于判斷識別信號，有些特征是多余的，故在此基礎上，引入注意力機制，注意力機制通過分配不同的概率權重，使網絡能關注重要的特征，忽略無關的特征，將多余的特征無效化，這樣就能突出提取到的所有的特征中較為關鍵的特征的影響，進一步提高網絡的訓練速度和識別準確率。

3.1 網絡結構

改進UNet3+網絡結構如圖3所示。

圖3 本文模型的網絡結構

圖3中黃色虛線框中的是3個一維卷積池化層，通過32個長度為5的卷積核處理數據，最大池化層的大小都為2，在每個卷積池化層后接正則化層，防止過擬合現象，3個正則化層的系數分別為0.2、0.1、0.1。網絡通過這些結構進行特征提取。再經過卷積層4、5、6處理數據，他們通過8個長度為5的卷積核處理數據，再通過全尺度跳過連接的方式進行特征融合，如藍色虛框所示，其中卷積層7、8是通過8個長度為7的卷積核處理數據，卷積池化層9是通過8個長度為7的卷積核處理數據，最大池化層的大小為2，在特征融合層2后接綠色虛線框內的注意力層。批量歸一化(batch normalization，BN)層2后接的正則化層系數為0.4，最后在正則化層后接平鋪層和全連接層。

3.2 訓練流程

步驟 1數據輸入。將輻射源數據和對應的標簽輸入到網絡模型中。

步驟 2數據預處理。將標簽轉換成獨熱碼。

步驟 3建立數據集。以0.47∶0.23∶0.3的比例將樣本劃分為訓練集、驗證集、測試集，并使用隨機種子將其打亂。

步驟 4設置早停機制。當驗證集損失不再減小，再經過5輪訓練后損失仍沒有低于最小值，則終止訓練。

步驟 5編譯網絡。選擇Adam作為網絡的優化器，使用categorical_crossentropy計算損失。

步驟 6設置學習率動態調整機制。最初將學習率為設置0.000 1，網絡訓練時，當驗證集損失增大，學習率將會衰減為原來的一半，設置學習率最多衰減為0.000 012 5。

步驟 7模型訓練。設置一次訓練所選取的樣本數為512、最大訓練輪數為50輪進行訓練。

4 試驗及結果分析

本文使用MATLAB仿真不同調制類型的信號的序列數據驗證模型性能，仿真的8種信號為：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4，是未經時頻分析處理的脈內數據,將脈內數據采樣，對采樣后的結果截取成長度為1 024×1的數據，直接輸入到網絡中，載頻為1～1.2 kHz，信噪比為-20～10 dB，為全頻段功率信噪比[25]，信噪比的間隔為2 dB，共16種信噪比，在每種信噪比條件下，8種信號共產生2 000個長度為1 024的樣本，所以數據集的樣本總數為256 000個：訓練集的樣本總數為120 063，驗證集的樣本總數為59 127，測試集的樣本總數為76 800，所有樣本隨機打亂進行訓練。信號的具體參數見表1。計算機配置見表2。

表1 8種信號的主要參數

表2 計算機配置

4.1 實驗1

為了探究刪減網絡層級對網絡的影響，對5層級的UNet3+模型和3層級的UNet3+模型做對比試驗，其他參數保持不變，評價標準為測試集的準確率，訓練集的訓練時間。實驗結果見表3。

表3 刪減網絡層級對網絡的影響

由表3可知，3層級UNet3+的訓練時間比5層級UNet3+的訓練時間少522 s，準確率沒有太大改變，說明刪減后的3層級UNet3+網絡在不降低網絡識別準確率的同時提升了識別速度，減低了網絡模型的復雜度，提升了模型的泛化能力。

4.2 實驗2

為了探究全尺度跳過連接的特征融合對網絡識別能力的影響，以是否進行全尺度跳過連接的特征融合作為自變量，分別訓練無特征融合的UNet3+模型和有特征融合的UNet3+模型做對比試驗(二者都是5層級的網絡模型)，其他參數保持不變，評價標準為測試集的準確率和損失、訓練集的訓練時間。實驗結果如表4所示。

表4 特征融合對網絡識別能力的影響

由表4可知，進行特征融合的UNet3+模型訓練時間較長，因為特征融合后需要處理的數據變多，導致訓練時間變長；在準確率、損失上效果更好，說明UNet3+模型通過特征融合保留了更多的細節信息，充分利用了原始數據集，可以通過更多的特征進行識別，進而提高識別能力。

4.3 實驗3

為了探究引入注意力機制帶來的影響，將是否引入注意力機制作為自變量進行對比試驗，評價標準為測試集的準確率、訓練集的訓練輪數和訓練時間，實驗結果如表5所示。

表5 注意力機制實驗結果

由表5可知，有注意力機制的UNet3+網絡訓練時間更短、訓練輪數更少，網絡的識別能力約提高了0.9%，可以看出注意力機制小幅度提升了識別準確率，大幅度提高了識別速度，這是因為注意力機制對需要關注的特征分配了更多的注意力資源，忽略一些無需關注的特征，進而提高網絡對輻射源信號的識別能力。

為進一步探究注意力機制提升網絡識別準確率和訓練速度的原因，實驗將注意力層的概率權重數值畫出圖像，實驗分為以下3步：

步驟 1隨機從P3信號中抽取一個長度為1024的數據，直接輸入到訓練好的有注意力機制的UNet3+模型中。

步驟 2通過get_layer函數獲得注意力層的概率權重。因為網絡模型結構的原因，獲得的數據長度為(1×1 536×8)。

步驟 3將步驟2中獲得的三維張量展平，長度為(1×12 288)畫出圖像，注意力層概率權重如圖4所示。

圖4 注意力層的概率權重

概率權重是由輻射源信號和輻射源信號中各元素權值的相似度計算得出的，從圖4可以清楚地看出得到的是一組長短明顯的針狀圖，說明有的輻射源信號元素分配了較小的概率權重，即注意力機制抑制了不重要特征，有的輻射源信號元素分配了較大的概率權重，說明注意力機制保留了關鍵信息，最終突出了關鍵信息的影響，進而提升網絡的識別能力。

4.4 實驗4

實驗4分為3個小實驗進一步探究模型的識別能力。

1)小實驗1：為了探究本文模型對比常見深度學習模型的優勢。用本文模型與CLDNN[26]模型、GRU[27]模型、VGG16[28]、AlexNet[29]4種常用的經典網絡模型以及未改進UNet3+模型進行對比試驗。在不同信噪比下的識別準確率如圖5所示。

圖5 不同深度學習模型在不同信噪比下的識別準確率

從圖5中可以看出，本文模型曲線全程在最上方，說明本文模型的識別精度最高，尤其是在信噪比最低的-20 dB的條件下，本文模型的準確率高于80%，遠高于大部分經典模型。

2)小實驗2：為了探究本文模型在復雜電磁環境下的識別能力，使用訓練完成的模型對不同信噪比下的8類信號的測試集進行識別，實驗結果如圖6所示。

圖6 8類信號識別準確率

由圖6中可以看出，在噪聲較嚴重的-16 dB的信噪比條件下，8類信號的識別準確率皆能達到90%，在噪聲最嚴重的-20 dB信噪比條件下，8類信號均有高于70%的識別準確率，其中FMCW信號識別準確率最低為72%，說明在低信噪比環境下FMCW信號最難識別。綜上所述，本文模型是基本能夠滿足低信噪比條件下識別要求的。

3)小實驗3：圖7為8類信號的混淆矩陣。圖中深藍色對角線為正確識別出8類信號的概率，對角線外的區域是錯誤分類識別信號的概率。由圖7可知，8類信號的識別準確率均能達到94%以上，其中Costas與BPSK、Costas與FMCW、FMCW與BPSK錯誤率比較高，說明分類識別他們的能力較低。其他錯誤區域錯誤率全部低于1%，說明本文網絡識別能力較好，基本能夠滿足輻射源信號的識別要求。

圖7 8類信號混淆矩陣

5 結語

本文在UNet3+模型的基礎上進行改進，在減少網絡層級的同時，保留了UNet3+網絡的特征融合能力，并引入了注意力機制，進一步優化了模型性能。實驗表明，本文提出的網絡能夠較為準確地識別8種輻射源信號，尤其是在信噪比較低時，相較于經典網絡模型，能夠更加準確地識別信號。綜上所述，本文提出的模型在低信噪比條件下能較好地識別雷達信號，更加適應戰場上復雜的電磁環境。