基于ResNet車載雷達干擾分類研究

蔣留兵， 申杰琦， 車 俐

(1. 桂林電子科技大學信息與通信學院， 廣西桂林 541004; 2. 廣西無線寬帶通信與信號處理重點實驗室, 廣西桂林 541004； 3. 桂林電子科技大學計算機與信息安全學院, 廣西桂林 541004)

0 引 言

隨著無人駕駛技術的發展，智能傳感器成為自動駕駛中關鍵的一部分，如：相機、激光雷達、毫米波雷達等[1]。與其他傳感器相比，毫米波雷達具有全天時、全天候的工作特性，具有更強的環境適應性。因此，毫米波雷達在汽車領域得到了廣泛推廣。但是如果兩個或三個雷達共用同一個頻帶，雷達相互間就會發生干擾，而且隨著越來越多的車輛裝配毫米波雷達，每輛車上部署六個甚至更多的毫米波雷達。因此毫米波雷達間相互干擾成為了該行業必須解決的重大工程問題，并引發了許多學者的關注[2-3]。

2010年，歐洲啟動的MOSARIM(More Safety for All by Radar Interference Mitigation)項目，從六個領域來抑制干擾：極化、時域、頻域、空域、編碼技術和策略方法[4]。文獻[5]提出了一種基于Chirp序列調制干擾抑制方法，通過估計干擾信號的參數，來移除干擾并進行信號重構。文獻[6]利用形態學分量分析方法將接收信號分解為干擾信號和目標中頻信號，從而去除干擾信號達到干擾抑制的效果。文獻[7]通過峰值檢測來確定干擾發生的區域，然后利用卡爾曼濾波來重構干擾區域內的信號。文獻[8]利用自適應噪聲消除器來消除干擾。上述文獻雖然在干擾抑制方面取得了很好的效果，但研究內容都集中于如何抑制干擾，而不是對干擾信號的識別和分類。目前已經有學者提出在進行干擾抑制之前，首先要對干擾信號進行分類[9]，并且在信號干擾分類方面已經取得了一些成果[9-13]。文獻[10]對干擾信號分別進行了快慢維度的傅里葉變換得到距離多普勒(Range-Doppler，RD)圖，并用支持向量機(Support Vector Machines，SVM)對RD圖進行分類，由于沒有對RD圖進行特征提取，因此可能需要大量的計算時間。在文獻[11]中，提出了一種基于信號特征空間和SVM的干擾分類方法。文獻[9]采用原始信號的均值、方差、偏度和峰度作為特征輸入，利用SVM進行干擾分類。文獻[9-11]都是采用SVM來進行干擾分類，雖然都能夠實現分類，但是由于干擾信號類型有多種，而經典的SVM算法為二分類算法，要做多分類問題時，需要多個二分類器組合在一起來實現，算法復雜度較高。文獻[12]使用功率譜密度和循環譜作為特征輸入，使用深度神經網絡來進行分類，但是功率譜密度和循環譜特征信息相比于RD圖信息較少。文獻[13]使用卷積神經網絡對干擾信號生成的RD圖進行干擾分類，但是在訓練和驗證過程中在反向傳播的時候梯度可能消失，神經網絡訓練效果差，且收斂速度慢。

針對上述的問題，本文采用ResNet殘差神經網絡對干擾信號進行分類，不僅可以提高準確率，而且可以使網絡盡快收斂，加快訓練的速度。本文實驗步驟：首先仿真出不同類型干擾數據，然后對干擾數據分別在快慢維度進行傅里葉變換得到RD圖，最后采用殘差神經網絡對干擾信號進行分類。

1 信號模型

在這一小節中，對調頻連續波(Frequency Modulated Continuous Wave，FMCW)基本原理、不同干擾信號數學模型進行詳細描述。1.1節主要是對調頻連續波的測距測速原理簡要描述。1.2節主要是對不同干擾信號數學模型進行描述。

1.1 FMCW基本原理

圖1為FMCW雷達基本結構，時序器和本地振蕩器產生線性調頻信號，調相器進行相位調制，功率放大器增強信號功率，最后由發射天線向外界傳播。當信號在外界傳輸過程中遇到目標后會被反射，反射信號會被接收天線接收，通過低噪聲放大器，與發射信號進行混頻得到中頻信號。中頻信號包含目標的距離和速度信息。中頻信號通過低通濾波器，經過模數轉換后數據就可以用于提取目標信息。

圖1 FMCW雷達基本結構

線性調頻信號又稱為Chirp，其頻率隨著時間呈線性變化。則Chirp的瞬時頻率為

f=fc+St

(1)

式中，fc表示信號載波頻率，S=B/T表示信號掃頻斜率，B表示信號帶寬，T表示信號持續時間。

單個Chirp發射信號表達式為

(2)

式中，AT表示發射信號功率。

當發射信號遇到目標后，會被反射，形成回波信號，回波信號表達式為

(3)

式中，AR表示接收信號功率，td表示回波延遲，fd表示多普勒頻移。圖2為Chirp發射信號和接收信號序列。

圖2 Chirp發射信號和接收信號序列

接收到的目標的回波信號與發射信號進行混頻得到中頻信號，其表達式為

(4)

式中，AIF為中頻信號功率。

當連續發送M個Chirp，在每個Chirp中采樣N個點，就會形成一個M×N的二維矩陣，然后分別在兩個維度上執行快速傅里葉變換以及CFAR檢測算法，提取出目標所在的距離和速度單元，就可以實現對目標的距離和速度的測量。

1.2 不同類型的干擾信號

本小節主要對不同類型的干擾模型進行詳細描述，干擾類型的信號有：長單頻信號、慢調頻信號、快調頻信號、短單頻信號、步進頻率信號。

1.2.1 長單頻信號

長單頻信號：持續時間較長且頻率恒定的信號，如圖3所示。

圖3 長單頻信號

頻率表達式為

(5)

時域信號表達式為

S=AIej2πft

(6)

式中，AI為干擾信號的功率。

1.2.2 慢調頻信號

慢調頻信號：頻率隨著時間緩慢變化的信號，如圖4所示。

圖4 慢調頻信號

頻率表達式為

f(t)=fc+St,0≤t

(7)

時域信號表達式和式(6)相同。

慢調頻信號產生干擾是與回波信號發生交叉，則干擾持續時間為

(8)

式中，ST回波信號斜率，SI為干擾信號斜率，fL為低通濾波器帶寬。

1.2.3 快調頻信號

快調頻信號：頻率隨時間快速變化的信號，如圖5所示。

圖5 快調頻信號

其頻率公式和時域公式與慢調頻信號相同，只是頻率隨時間變化較快。

1.2.4 短單頻信號

短單頻信號：持續時間較短且頻率恒定的信號，如圖6所示。

圖6 短單頻信號

頻率表達式為

(9)

時域信號表達式和式(6)相同。

1.2.5 步進頻率信號

步進頻率信號就是頻率每間隔Tp時間呈線性變化的信號，如圖7所示。

頻率表達式為

i=floor(t/Tp),0≤t

(10)

式中，Tp表示一個脈沖要持續的時間，floor表示向下取整，i表示第幾個脈沖。

f(t)=fc+iΔf

(11)

式中，Δf表示頻率步進量。

時域信號表達式和式(6)相同。

2 干擾機理

在這一小節中，對雷達間互相干擾原理以及干擾功率與目標回波功率進行詳細描述。2.1節主要是對雷達間互相干擾原理進行介紹。2.2節主要是對干擾功率與目標回波功率進行比較。

2.1 干擾原理

圖8為道路上的干擾場景圖。車輛1為受害車輛，裝配有發射信號為快調頻信號的雷達。車輛2為目標車輛，當車輛1發射信號時，車輛2會產生回波信號。車輛3為干擾車輛，裝配有各種各樣發射信號的雷達。

圖8 道路干擾場景

當車輛3和車輛1的工作頻率在相同頻帶內時，車輛3發射的干擾信號就會被車輛1裝配的雷達所接收，則車輛1接收到的信號如下：

SR(t)=STarget(t)+SInterference(t)

(12)

式中，SR(t)為車輛1接收到總的信號，STarget(t)為車輛2的回波信號，SInterference(t)為車輛3發射的干擾信號。

2.2 功率比較

假定圖8中的車輛1和車輛2的距離為R1，車輛1和車輛3的距離為R2，且車輛1和車輛3裝配相同的雷達型號，則車輛1接收到車輛2的目標信號的功率為

(13)

式中，Pt為發射功率，Gt為發射天線增益，Gr為接收天線增益，λ為波長，σ為車輛2的散射截面積。

車輛1接收到車輛3的干擾信號的功率為

(14)

干擾信號功率與接收信號功率之比為

(15)

通過仿真實驗，觀察干擾信號功率與接收信號功率之比，假定R1為10 m，σ為5 m2，R2的范圍為[5,30] m，間隔為5 m，仿真結果如圖9所示，隨著R2的增加，干擾信號功率與接收信號功率之比下降，但是比值仍然大于1，對目標檢測仍然有很大的干擾，目標完全被淹沒。

圖9 干擾信號功率與接收信號功率之比

3 仿真實驗

在這小節中，對仿真實驗進行詳細描述。3.1節中生成不同類型的干擾數據。3.2節中利用ResNet殘差神經網絡對干擾信號分類。3.3節中，在不同信號干擾噪聲比的情況下來檢測分類算法的性能。3.4節通過對比實驗，驗證ResNet殘差神經網絡對干擾分類的有效性。

3.1 干擾信號仿真

根據圖8場景生成干擾數據。車輛1為受害車輛。車輛2為目標車輛，假定車輛2距車輛1的距離范圍為5 m到50 m， 速度相對于車輛1為-30 km/h到30 km/h。車輛3為干擾車輛，假定車輛3距車輛1的距離范圍為15 m到60 m，速度相對于車輛1為-40 km/h到40 km/h。

生成6種不同類型的數據，其中一種是沒有干擾的數據，其余是1.2節提出的5種類型干擾數據。具體參數如下：表1為受害雷達所發射的參數，表2至表6為干擾雷達所發射的干擾信號。其中，表2為長單頻干擾信號參數，表3為慢調頻干擾信號參數，表4為快調頻干擾信號參數，表5為短單頻干擾信號參數，表6為發射步進頻率干擾信號參數。在汽車雷達系統中，N表示接收信號的采樣點數，M表示信號的數目，即Chirp數。

表1 受害雷達參數

表2 長單頻信號參數

表3 慢調頻信號參數

表4 快調頻信號參數

表5 短單頻信號參數

表6 步進頻率信號參數

根據上述不同干擾類型的參數對干擾數據進行仿真，其中SINR(信號干擾噪聲比)的范圍為-30 dB至30 dB，對生成的數據分別在快慢維度執行傅里葉變換，得到RD圖，如圖10所示。每種類型的數據為500張圖片，總共為3 000張圖片。 在圖10(b)中，干擾信號為長單頻信號，其頻率在整個慢時間內都是恒定的，因此長單頻信號僅與快時間頻率有關，導致在RD圖中沿距離維度為橫線。圖10(c)為慢調頻干擾信號，其頻率隨著時間增加，因此，在沿多普勒軸具有偏移，導致在RD圖中具有傾斜線條。

圖10 6種干擾數據

3.2 分類實驗

在分類過程中，采用的分類方法是何凱明提出的ResNet殘差神經網絡。ResNet block如圖11所示。ResNet block在傳統的CNN網絡上增加了一個恒等映射，通過X的恒等映射來解決反向傳播時梯度消失的問題，并且實驗證明在訓練集和驗證集上loss值都非常小，可以保證得到很好的精度[14]。

圖11 殘差網絡塊

圖12 ResNet網絡訓練的準確率和損失值

將生成的3 000張干擾數據作為ResNet殘差網絡的輸入，其中80%作為訓練集，20%作為驗證集。損失函數采用交叉熵損失函數，學習率為0.01，優化函數為隨機梯度下降。經過25批次迭代，訓練準確率和損失值曲線如圖12所示，從圖中可以看到，訓練準確率和驗證準確率隨著迭代次數增加，并且驗證準確率甚至和訓練準確率一樣，與此同時，訓練損失和驗證損失隨著迭代次數減小，從而驗證了ResNet殘差網絡在干擾分類方面的有效性。

3.3 算法性能

為了進一步測試該分類算法的性能，在不同的SINR的情況下，檢驗該干擾信號分類算法的性能，分類的準確率與SINR的關系如圖13所示。

圖13 準確率與信號干擾噪聲比的關系

3.4 對比試驗

為了驗證ResNet殘差網絡在雷達干擾分類方面的有效性。在使用相同數據集的情況下，分別采用SVM和CNN作為對比實驗。

3.4.1 SVM分類算法

在使用SVM對數據分類之前，采用PCA特征提取技術，提取數據的主要特征，減少計算開銷，實驗結果如表7所示。從實驗結果看出，步進頻移信號和慢調頻信號的識別準確率達到了100%，但是其他類的干擾信號準確率較低，導致總體識別率下降。

表7 PCA+SVM分類準確率

3.4.2 CNN分類算法

圖14為 CNN網絡訓練的準確率和損失值，雖然在一定的程度上取得了不錯的效果，但是在驗證集的準確率仍然低于訓練集的準確率。同時，損失值一直維持在0.5左右，而ResNet網絡恰好解決了這個問題。

圖14 CNN網絡訓練的準確率和損失值

通過對比實驗可知，本文采用的ResNet網絡對雷達干擾分類相比于SVM、CNN等已經采用的算法在準確率以及網絡收斂速度上有很好的提升。

4 結束語

針對雷達間相互干擾信號分類的問題，提出了ResNet殘差神經網絡對雷達干擾信號進行分類。首先對雷達的不同干擾信號進行仿真，對其干擾信號分別在快慢維度做傅里葉變換，得到待分類的數據集，然后進行多種分類算法進行實驗對比，分別采用了SVM、CNN分類算法作為對比，來驗證本文采用的ResNet殘差網絡在雷達干擾分類方面有很好的效果。結果證明ResNet殘差網絡相比于其他分類算法準確率有很大提升，而且網絡能夠很好地收斂。