基于集成深度學習的有源干擾智能分類

呂勤哲, 全英匯,*, 沙明輝, 董淑仙, 邢孟道

(1. 西安電子科技大學電子工程學院, 陜西 西安 710071; 2. 北京無線電測量研究所, 北京 100854;3. 西安電子科技大學前沿交叉研究院, 陜西 西安 710071)

0 引 言

雷達能夠全天候實時獲取遠距離目標信息,以實現戰場區域目標檢測、跟蹤或成像,在現代戰爭中占據重要地位[1-2]。隨著數字射頻存儲器(digital radio frequency memory, DRFM)的發展,針對雷達的干擾措施不斷加強[3],新型有源干擾技術能夠實現多維、多域聯合干擾,產生壓制性、欺騙性的干擾效果[4],對雷達的戰場生存帶來嚴峻挑戰[5]。現有的雷達抗干擾手段大多針對特定干擾類型,因此首先需要對雷達有源干擾進行準確分類識別,才能選擇合適的抗干擾策略進行對抗[6],故研究雷達有源干擾的分類識別方法具有重要意義。

現有經典的雷達有源干擾識別研究主要包括兩方面:基于似然準則的識別算法和基于專家特征提取與分類器設計的識別算法[7]。文獻[8]針對多類噪聲干擾機(noise-like jammer, NLJ)的識別問題,采用似然比測試和循環優化程序等方法,實現對未知數量NLJ的聯合檢測;文獻[9]采用基于廣義似然比檢驗的方法,研究了基于DRFM的欺騙干擾與目標分類識別問題。然而,基于似然準則的算法需要復雜的先驗知識,并且計算復雜度高、應用場景受限。文獻[10]通過平滑偽Wigner-Ville分布(smoothed pseudo-Wigner-Ville distribution, SPWD)對雷達回波信號進行時頻分析,并計算其Zernike矩以構成人工特征向量,最終采用V-支持向量分類器(v-support vector classification, v-SVC)實現對多種拖引式欺騙干擾的分類。文獻[11]通過對干擾信號變分模態分解,并計算矩形積分雙譜及Renyi熵以組成特征參量,采用隨機決策樹與隨機森林相結合的分類器實現多種有源干擾的分類。文獻[12]結合雙譜分析和奇異譜分析提取回波和干擾信號的特征參數,利用基于遺傳算法的反向傳播(genetic alogorithm back propagation, GA-BP)網絡實現分類識別。然而,上述方法中人工特征提取需要先驗知識且均存在計算量較大的問題。

近年來,深度學習逐漸被應用于雷達干擾識別領域,具有無需人工特征提取、魯棒性強等優勢[4,13-15],但基于深度學習的識別算法需要大量的訓練樣本,這在復雜戰場電磁環境下非常困難;針對這一難點,本文提出一種基于多通道特征融合的集成卷積神經網絡(ensemble convolutional neural network, ECNN)分類方法,該方法利用短時傅里葉變換(short-time Fourier transform, STFT)獲取雷達回波信號的時頻分布圖,并提取其三通道特征以構建包含不同特征組合的增強化、多樣化樣本集,最終構建ECNN模型,充分融合并提取各樣本集中多通道特征,實現小樣本情況下多類有源干擾的智能化準確分類。

1 信號模型與STFT

本節將對線性調頻(linear frequency modulation, LFM)信號以及7種單一雷達有源干擾的數學模型和產生機理進行簡要分析,并對所采用的時頻分析方法——STFT進行介紹,為后續有源干擾識別研究提供基礎。

1.1 LFM信號

LFM信號是現代雷達常用的信號之一,具有大的時寬-帶寬積,能同時獲得較遠的作用距離和較高的距離分辨率,因此本文采用LFM信號作為雷達發射波形,其時域信號[16]表達式為

(1)

式中：A為信號幅度；f0為信號中心頻率;T為信號時寬;設B為信號帶寬;則調頻斜率k=B/T;rect(t/T)為矩形函數,定義為

(2)

LFM信號對寬脈沖進行調制,使得頻率連續線性變化,增加了信號的發射帶寬,并通過脈沖壓縮實現寬脈沖下高距離分辨率。

1.2 雷達有源干擾模型

雷達有源干擾可分為有源壓制式干擾和有源欺騙式干擾,選取典型干擾樣式建立數學模型并進行實驗,其中有源壓制式干擾[17-18]包括瞄準式干擾(spot jamming, SJ)、阻塞式干擾(blocking jamming, BJ)、線性掃頻式干擾(linear sweep jamming, LSJ)[19];有源欺騙式干擾包括距離欺騙干擾(range deception jamming, RDJ)[20]、密集假目標干擾(dense false target jamming, DFTJ)[21]、間歇采樣轉發干擾(interrupted-sampling repeater jamming,ISRJ)[22]、靈巧噪聲干擾(smart noise jamming, SNJ)[23]。

1.2.1 有源壓制干擾

根據有源壓制干擾對雷達接收機的作用類型,壓制性干擾可分為SJ、BJ和LSJ[24]。

(1) SJ

SJ通常滿足以下條件:

(3)

(2) BJ

BJ的帶寬通常滿足Δfj≥5Δfr,其干擾帶寬大且對頻率導引要求較低,能夠全覆蓋式干擾雷達的工作頻段,但其干擾功率密度較低,造成在雷達工作頻帶外的功率浪費。

(3) LSJ

本文所采用的LSJ[25]滿足以下條件:

(4)

由式(4)可知,與SJ不同的是,其干擾中心頻率fj為周期函數,通過設置較寬的掃頻范圍,能夠對雷達造成周期性的壓制效果。

1.2.2 有源欺騙干擾

(1) DFTJ

DFTJ通過對干擾機截獲雷達信號進行多次延遲、疊加轉發,能夠在形成多個不同距離假目標的同時消耗雷達資源,其時域模型可表示為

(5)

式中：M為假目標轉發次數；Am為第m次轉發的干擾調制幅度;t0和τm分別為真實目標時延和第m次干擾轉發時延。

(2) RDJ

RDJ通過對所截獲雷達信號進行調制并延遲轉發,為保證逼真的欺騙干擾效果,通常只進行幅度調制,其時域表達式為

J(t)=AJS(t-t0-τ0)

(6)

式中:AJ為干擾幅值;t0和τ0分別為真實目標時延和干擾轉發時延。

(3) ISRJ

ISRJ通過干擾機“收發分時”體制,對所截獲雷達信號進行多次轉發,以實現干擾目的[26],其時域模型可以表示為

(7)

式中：N為切片數目;切片寬度為TW;M為單個切片轉發次數。

(4) SNJ

SNJ通過對干擾機所截獲的雷達信號進行噪聲調制,從而同時具有噪聲干擾和欺騙干擾的效果。本文選取調幅靈巧噪聲干擾,采用高斯白噪聲與間歇采樣轉發干擾相乘,其時域表達式如下:

J(t)=n(t)·JISRJ(t)

(8)

式中:n(t)是均值為0,方差為σ2的高斯白噪聲。

1.3 STFT

STFT又稱作加窗傅里葉變換,其基本思想是設計一個時域窗函數φ(t)與待分析時間信號x(t)相乘,將其分割為多個時間段信號,然后對每個時間段信號做傅里葉變換,最終得到完整時間信號的時頻分布情況,STFT數學表達式[26-27]如下:

(9)

式中:τ為窗函數中心位置。由式(9)可知,STFT是線性變換的,因此在時頻分析中不會產生交叉干擾項。研究表明,若滑窗時間越短,時頻分析的頻率分辨率越低、時間分辨率越高;若滑窗時間延長,則其時間分辨率降低、頻率分辨率升高,即STFT無法同時滿足時域、頻域的高分辨率需求[28]。

2 雷達有源干擾智能分類

本文所提基于集成深度模型的有源干擾智能分類流程如圖1所示,主要利用STFT獲取干擾樣本的時頻分布數據,并通過多通道特征組合方法得到不同時頻特征組合的樣本集,以實現特征多樣化融合并增強數據多樣性,采用集成深度模型實現對各樣本集的自動特征提取、類別預測及決策融合,最終實現對多型有源干擾的智能化分類識別。

圖1 基于集成深度模型的有源干擾智能分類流程

2.1 集成深度模型

集成學習是一種元算法,能夠調用機器學習算法構成基分類器并采用隨機子空間技術[29]、決策融合等方式將若干基分類器組合成一個集成學習模型,以提高模型泛化性能。深度學習算法具有強大的非線性特征提取能力,本文所設計的集成深度模型采用卷積神經網絡(convolutional neural network, CNN)作為基分類器,利用其強大的特征提取、分類能力對輸入樣本集進行獨立分類,并采用多數投票方法對各基分類器的預測標簽進行決策融合,最終得到集成深度模型的預測結果。本文所設計的CNN模型包括卷積層、池化層、正則化層和全連接層等,分別介紹如下。

(1) 卷積層

卷積層使用卷積運算替代普通全連接層的相乘運算,是CNN與傳統神經網絡的最大區別之處。設輸入為融合多通道特征的三維矩陣X,其大小為m×n×d,其中m×n為時頻譜圖大小,d為樣本所含特征通道數,設第一個卷積層具有k個濾波器,則第j個濾波器的輸出[30]可表示為

(10)

式中:xi是X的第i個特征矩陣;*代表卷積運算;wj和bj分別代表第j個濾波器的權重和偏置量;f(·)是激活函數,用于增強模型的非線性表示能力,本文采用ReLU激活函數,表示為

f(x)=max(0,x)

(11)

(2) 池化層

池化層對輸入特征矩陣進行降采樣操作,即首先將輸入特征矩陣分割為多個子塊(可重疊),然后對每個子塊取平均值(平均池化)或最大值(最大池化)作為該子塊的特征表示。

(3) 正則化層

正則化層通過降低模型的存儲信息量來優化模型,使其學習最重要的模式以減少過擬合風險,并提高模型泛化性能。本文在CNN模型中添加dropout正則化層以提高小樣本情況下算法的泛化性能,其主要思想是在模型訓練過程中隨機地將該層β%的輸出特征置0;由于測試過程中不置0,故將該層輸出值按β%縮小以保持平衡。

(4) 全連接層

在CNN模型中,全連接層通常起到分類器的作用,即將模型所提取的分布式特征映射到各個樣本標簽。本文所設計CNN模型中的全連接層采用Softmax激活函數,計算分類器輸入z屬于第c類的概率,其數學表達式為

(12)

式中:C為類別總數;θ為分類器參數。

2.2 基于多通道特征融合的ECNN算法

步驟 1按照第1節中雷達發射波形與干擾信號模型仿真建立雷達回波信號時域數據集,其中共包含N個時域序列樣本;

步驟 2對時域數據集中N個樣本分別采用STFT并提取其實部、虛部和模值特征以得到大小為N×(m×n×3)的時頻分布數據集;

步驟 3在時頻分布數據集中提取實部、虛部和模值三通道特征,進行15種特征組合并分別構建大小為N×(m×n×nf)的樣本集Se,依次選取每類樣本的α%作為訓練樣本集,其余1-α%為測試集;

步驟 4設計基分類器CNN并構建包含15個獨立基分類器的ECNN模型,利用ECNN模型的各個基分類器分別對15個樣本集進行特征提取和分類,采用多數投票方法獲得集成模型的整體預測結果。

3 仿真實驗及分析

為了驗證本文所提基于多通道特征融合的ECNN算法的有效性,仿真多種單一及復合干擾信號數據進行實驗分析。雷達發射波形采用LFM信號,設置信號時寬T=20 μs,帶寬B=10 MHz,采樣率fs=20 MHz,真實目標信噪比(signal-to-noise ratio, SNR)為0 dB;每個時域樣本即距離門長度為2 000點,且真實目標隨機出現在每個距離門中任意位置,仿真產生僅含真實目標的回波信號以及第1.2節中所介紹的7種單一有源干擾信號,其參數如表1所示。為提升干擾場景的復雜性,仿真產生RDJ+SNJ、DFTJ+SNJ、RDJ+ISRJ以及LSJ+ISRJ共4種復合干擾類型,上述12類信號每類仿真500個樣本,即樣本總數為6 000,每類樣本時域波形如圖2所示;對每個時域樣本采用STFT以生成時頻分布樣本集,其中輸入時域樣本被分為32段,各段間重疊采樣點數為8點,窗函數選用Hamming窗,傅里葉變換點數NFFT=100,故所得每個時頻分布樣本大小為247×100,其時頻譜圖如圖3所示;最后提取三通道特征以構建大小為6 000×(247×100×3)的時頻分布樣本集S,并采用特征組合方法分別構建15種樣本集Se。分別選取每類樣本的8%、6%、4%和2%作為訓練樣本,其余全部作為測試樣本,從而構建各類樣本數目平衡的樣本集。

表1 干擾信號仿真參數

圖2 干擾信號仿真數據時域波形圖

圖3 干擾信號仿真數據時頻譜圖

本文所設計的ECNN模型包含15個基分類器CNN,每個CNN的詳細結構參數如表2所示,主要包含4個卷積層、池化層和2個正則化層。為驗證本文所提算法的有效性和優越性,分別利用表2、表3所示CNN模型在時頻域、時域三通道干擾數據集上進行對比分類實驗,并采用文獻[7]所提出的有源干擾信號分類算法作為對比,即提取了干擾信號均值、方差、頻域矩偏度、頻域矩峰度、盒維數、近似熵以及分數低階矩等7維人工特征,采用隨機森林(random forest, RF)分類器進行干擾信號分類,其中RF所包含決策樹數目為100。為明確地衡量各個算法的泛化能力,采用整體精度(overall accuracy, OA)、平均精度(average accuracy, AA)作為分類性能評價指標,所有實驗結果均為10次獨立重復實驗取平均,以提高實驗結果的可靠性。

表2 基礎分類器CNN模型參數

表3 時域CNN模型參數

上述4種算法的實驗結果分別如圖4所示,在訓練樣本數占8%(較為充足)的情況下,4種算法均取得了較好的實驗結果,當訓練集大小依次減少到2%時,各個算法的精度都依次下降。利用本文所生成時頻域數據集進行分類的時頻域三通道CNN算法及ECNN算法的精度均高于時域三通道CNN算法精度與基于特征提取的RF算法的精度,且所提ECNN算法精度始終為最佳,即具有最佳泛化能力;在不同訓練樣本的實驗中,其OA相比傳統基于人工特征提取的RF算法提高3.87%～7.93%,相比時域三通道CNN算法提高0.97%～16.70%,相比時頻域三通道CNN算法提高1.55%～4.54%;其AA相比傳統基于人工特征提取的RF算法提高2.81%～6.95%,相比時域三通道CNN算法提高0.82%～16.52%,相比時頻域三通道CNN算法提高1.39%～4.27%;由此可見,所提ECNN分類算法在2%的訓練樣本下較之對比算法的精度提升最多,模型泛化能力更好。

圖4 雷達干擾智能分類結果

表4詳細給出了訓練樣本占4%時4種算法實驗結果的每類精度,其中每類干擾的最佳分類精度用加粗字體顯示,本文所設計的ECNN算法在9種干擾類別中取得了最佳分類效果,且該算法重復實驗所得分類結果的方差最小(穩定性最高),較之對比算法有著顯著優勢。

表4 訓練集占4%時的每類精度

續表4

4 結束語

為了解決傳統雷達有源干擾分類算法需要構建人工特征集,且小樣本情況下分類精度較低的問題,本文提出一種基于多通道特征融合的ECNN分類算法;通過結合集成學習與深度學習的優勢,實現對雷達干擾數據實部、虛部和模值特征的充分融合與特征提取,最終實現對雷達有源干擾的智能化準確分類,相比傳統基于特征提取的RF算法與時域三通道CNN以及時頻域三通道CNN算法的分類精度更高、算法穩定性更好。

本文所提ECNN算法仍存在深度學習模型耗時較長且僅采用了仿真數據進行實驗等問題,引入實測數據進行實驗并優化算法以減少模型訓練時間是下一步研究工作的重點。