基于TC-CNN網絡的殘缺TACAN空/地信號識別方法

郝彥超，侯 進，楊宗源，王祥宇 ，李天宇 ,文志龍

(1.西南交通大學 信息科學與技術學院 智能感知智慧運維實驗室，四川 成都 611756；2.西南交通大學 綜合交通大數據應用技術國家工程實驗室，四川 成都 611756;3.西南交通大學 唐山研究院，河北 唐山 063000)

0 引言

TACAN導航系統作為軍用領域的傳統通信手段，在全世界都有著十分廣泛的應用。TACAN導航系統主要包括空/空、空/地2種模式，其中空/空模式用于空中設備間的通信，空/地模式用于空地設備間的通信，因此在對TACAN信號的偵收處理過程中，對TACAN空/地信號進行識別有著十分重要的軍事意義[1-2]。

傳統TACAN空/地信號識別的方法主要包括以下幾種方案：一種是基于數字化的譯碼識別[3]，該方法主要是通過FPGA可編程邏輯器件的使用，對信號進行了數字化處理，針對TACAN空/地信號的脈沖類型、調制方式和不同脈沖群的周期等特點進行識別；另一種是通過使用模板匹配的方法[4-5]進行識別，該方法通過匹配TACAN空/地信號的脈沖數量、脈沖寬度等信號特征完成對信號的判斷。上述2種方法都是以TACAN空/地信號的脈沖群特征作為判斷條件，雖然能夠檢測出完整周期的TACAN空/地信號，但是當信號發生缺失時，信號部分特征(各個脈沖群數量、脈沖群個數等)不再完整，上述2種方法的識別率將會受到嚴重影響。

為解決因TACAN空/地信號缺失導致的識別率較低的問題。本文設計了一種基于CNN的新型神經網絡模型方法，并利用該模型對殘缺的TACAN空/地信號進行識別。經驗證，該模型與傳統模板匹配算法相比，在信號處于較低信噪比且信號殘缺度較高的情況下，也能使信號的識別精度得到有效的提升。

1 TC-CNN模型

TC-CNN基于傳統的CNN模型進行設計，CNN模型在數據分類和預測問題上比傳統算法有著更高的效率和準確度，能夠全面地捕捉TACAN空/地信號的關鍵特征。該模型的基本思想是通過TACAN空/地信號產生的IQ數據，分別對I路和Q路2組信號進行特征提取，同時，2組信號中的每一個數據都作為模型輸入的特征點傳遞給后續的卷積層，之后通過模型中的連接層對I，Q信號進行特征融合，并使用多個隱藏層實現關鍵特征的提取。通過模型的多次迭代學習，計算出TACAN空/地信號中關鍵特征的權值，最后通過輸出層輸出2類偵收信號的識別概率，并選擇最大概率作為最終結果，實現殘缺TACAN偵收信號的識別。

1.1 構建TACAN空/地數據集

原始TACAN空/地信號采用了高斯脈沖調制技術[13-14]，以脈沖對的形式進行編碼實現。在空/地X模式下，TACAN空/地信號一秒由3 600對脈沖組成，其中包括900對方位基準脈沖及由識別信號脈沖對、距離應答脈沖和隨機填充脈沖對組成的2 700對其他脈沖。在空/地Y模式下，TACAN空/地信號一秒由7 155個脈沖構成，其中1 755個是方位基準脈沖群。剩余的2 700對由識別信號脈沖對、距離應答脈沖及隨機填充脈沖等多種脈沖構成。TACAN空/地X信號和空/地Y信號的最大區別在于TACAN空/地信號的主基準脈沖群和輔助基準脈沖群的構成方式不同，TACAN空/地X信號的主基準脈沖群共由12個脈沖對組成，輔助基準脈沖群共由6個脈沖對組成，其中主基準脈沖群的脈沖間隔為(12±0.1)μs，脈沖對間隔為(30±0.1)μs；輔助基準脈沖群的脈沖間隔為(12±0.1)μs，脈沖對間隔為(24±0.1)μs。對于TACAN空/地Y信號，其主基準脈沖群共由13個單脈沖組成，輔助基準脈沖群也由13個單脈沖組成，其中主基準脈沖間隔為(30±0.1)μs，輔助基準脈沖群的脈沖間隔為(15±0.1)μs。上述特征是傳統模板匹配法的識別關鍵。在本文實驗中，所有TACAN空/地模式信號均來自SIMULINK工具包[15]所產生的帶噪信號數據。本文根據上述TACAN空/地模式下的信號特征，對空/地模式下的2類信號進行了仿真實現。

根據TACAN空/地信號的產生條件[16-18]，設置信號的采樣頻率為51.2 MHz，中心頻率為1 GHz，信號強度為-65 dBm，同時在信噪比分別為-3，0，3 dB的條件下，空/地X和空/地Y模式分別產生了900個信號，其中，各組信號分別以10%，20%，30%的丟失比例構造數據集。信號的產生參數設置具體如表1所示。根據參數設置，最終生成的各類型TACAN空/地信號數量如表2所示，其中，每種信噪比下的不同丟失比例的信號數量均為300個。

表1 TACAN空/地模式下的數據集參數

表2 TACAN空/地模式下的各類信號數量

完成上述工作后，將數據集以7∶2∶1的比例劃分為訓練集、驗證集和測試集，同時在輸入模型之前，使用隨機脈沖信號對殘缺的TACAN空/地信號進行補全處理，以保證數據長度的一致性。

1.2 TC-CNN模型設計

TC-CNN模型以多層CNN模型為基礎，分別對TACAN空/地模式下的實部信號和虛部信號進行特征提取，并使用連接層進行特征融合，之后，再通過使用多個隱藏層進行二次特征提取，其中有一個重要的隱藏層——LSTM層[11]，該層的作用主要是提高TC-DNN模型對TACAN空/地信號時序性特征的學習能力，并最終通過輸出層輸出模型的分類結果。該模型的主要結構如圖1所示。

圖1 TC-CNN模型結構Fig.1 TC-CNN model structure diagram

構建完成上述模型后，選擇使用交叉熵損失函數作為該模型的損失函數，由于該模型是二分類模型，因此該損失函數的形式如下：

L=-[ylbp+(1-y)lb(1-p)]，

(1)

式中，y為TACAN空/地信號的真實標簽；p為該樣本經過模型預測之后分類為y的概率。也可以將該函數寫為：

由于核心網網元之間的接口所涉及的鏈路，均通過核心網CE進行互聯，對移動互聯網的鏈路只需采集核心網CE與各個網元之間的鏈路，集采系統建議設置在核心網CE側，如下圖：

(2)

為了表示簡便，最終用p空/地X表示樣本屬于空/地X信號的概率，最終該模型的交叉熵損失函數可以表示為：

CE(p,y)=CE(P空/地X)=-lb(P空/地X)。

(3)

2 實驗

2.1 TC-CNN模型訓練

在TC-CNN模型的訓練過程中，選擇AdamOptimizer[12]作為該模型的訓練優化器，設置模型訓練的epoch為50，學習率參數為0.000 1，學習衰減率decay為0.000 01。同時，模型中加入Dropout層來防止模型發生過擬合，訓練開始后，Dropout層在模型訓練時隨機關閉的神經單元比例個數設置為0.5，測試時設置為1.0。為了能夠使模型達到最優性能，模型中加入提前終止訓練操作，當模型在5個epoch范圍內不再上升或下降時，提前終止訓練，這樣能夠使模型在停止訓練時達到最優性能。最終，不同分類下各個模型的訓練結果如圖2～圖4所示。

圖2 信噪比為-3 dB時不同殘缺率下模型訓練結果Fig.2 Model training results under different defect rates when the signal-to-noise ratio is -3 dB

圖3 信噪比為0 dB時不同殘缺率下模型訓練結果Fig.3 Model training results under different defect rates when the signal-to-noise ratio is 0 dB

圖4 信噪比為3 dB時不同殘缺率下模型訓練結果Fig.4 Model training results under different defect rates when the signal-to-noise ratio is 3 dB

由圖2～圖4可以看出，不同信噪比下，各模型方法均已收斂，當信噪比為-3 dB，信號殘缺率為30%時，模型的準確率穩定在84%左右；信號殘缺率為20%時，模型的準確率穩定在92%左右；信號殘缺率為10%時，模型的準確率穩定在97%左右。當信噪比為0 dB，信號殘缺率為30%時，模型的準確率穩定在86%左右；信號殘缺率為20%時，模型的準確率穩定在95%左右；信號殘缺率為10%時，模型的準確率穩定在99%左右。當信噪比為3 dB，信號殘缺率為30%時，模型的準確率穩定在89%左右；信號殘缺率為20%時，模型的準確率穩定在96%左右；信號殘缺率為10%時，模型的準確率穩定在99.8%左右。在各殘缺率下，模型的識別準確率隨著信噪比的提升而漸次升高。但是當信噪比高于0 dB且信號殘缺率低于10%時，模型的提升性能有限，這是因為當信號殘缺率低于10%時，TACAN空/地信號中的各脈沖群信號較為完整，殘缺的部分以隨機脈沖為主。隨機脈沖對模型最終的分類結果影響較小，因此當信號的信噪比高于0 dB且信號殘缺率低于10%時，幾乎可以忽略信號殘缺率對模型造成的影響。

由該模型的訓練結果也可以看出，信噪比保持一致的前提下，信號殘缺率越低，模型準確率越高。這是因為對于TC-CNN模型，信號越完整，模型可學習到的特征越多，尤其是作為區分TACAN空/地信號的關鍵特征，主基準脈沖群和輔助基準脈沖群。因此當信號殘缺率下降時，TC-CNN模型能夠有效地提高模型的識別率。

2.2 實驗結果對比

在完成訓練后，使用不同條件下的測試集對模型進行評估，由于本文實驗任務是對殘缺的空/地X和空/地Y等2類信號進行分類，因此，在不同信噪比及不同殘缺率下，各模型的召回率(Recall)、精確率(Precision)、F1-Score值對2種模型的預測結果進行評估。

2種模型的識別結果如表3～表5所示，可以看出，傳統模板匹配算法在信噪比為-3 dB，殘缺率為30%時，效果最差，精確率僅為66.4%。在信噪比為3 dB，殘缺率為10%時，效果最好，精確率可以達到92.8%。而TC-CNN模型的精確率在信噪比為-3 dB，殘缺率為30%時，精確率為84.4%；在信噪比為3 dB，殘缺率為10%時，精確率可以達到99.8%。傳統模板匹配算法的召回率、精確率及F1-Score的值在各殘缺率下均低于TC-CNN模型，TC-CNN模型算法即使在較低信噪比的前提下(信噪比為-3 dB)，當信號的殘缺率低于30%時，仍然可以達到84%以上的精確率。

表3 各模型Recall評估對照結果

表4 各模型Precision評估對照結果

表5 各模型F1-Score評估對照結果

本文繪制了信噪比在0 dB且信號殘缺率為30%時，傳統模板匹配法和TC-CNN模型識別結果的混淆矩陣圖，如圖5和圖6所示。

圖5 信噪比為0 dB,殘缺率為30%時模板匹配法識別結果的混淆矩陣Fig.5 Confusion matrix of the recognition result of template matching method when the signal-to-noise ratio is 0 dB and the defect rate is 30%

圖6 信噪比為0 dB,殘缺率為30%時TC-CNN識別結果的混淆矩陣Fig.6 Confusion matrix of TC-CNN recognition results when the signal-to-noise ratio is 0 dB and the defect rate is 30%

在該混淆矩陣中，縱軸代表實際的TACAN空/地信號類型，橫軸代表預測的信號類型。由圖5和圖6可以看出，本文提出的TC-CNN模型方法在信號完整度較低的情況下具有更高的識別率。

3 結束語

本文通過研究信噪比和丟失率對TACAN空/地信號的影響，提出了一種基于改進的多層卷積神經網絡模型TC-CNN。該模型對3種不同信噪比、不同信號殘缺率下的TACAN空/地信號進行識別，并與傳統模板匹配算法的結果進行了對比和評估。實驗結果顯示，傳統模板匹配算法受信噪比和信號殘缺率的影響較大，TC-CNN模型在保持較高識別率的前提下同時具有較好的魯棒性。因此TC-CNN模型具有一定的實際應用價值。在后續工作中將繼續考慮提升低信噪比的情況下，該模型的識別準確率。同時考慮加入不同的頻率偏移以提高神經網絡對實際信號中頻偏的適應性。