基于注意力機(jī)制增強(qiáng)殘差網(wǎng)絡(luò)的雷達(dá)信號(hào)調(diào)制類(lèi)型識(shí)別

吳禮洋, 咼鵬程, 劉超, 李文強(qiáng)

(1.空軍通信士官學(xué)校, 遼寧 大連 116600; 2.95183部隊(duì), 湖南 邵東 422000;3.95291部隊(duì), 湖南 衡陽(yáng) 421000)

0 引言

雷達(dá)輻射源識(shí)別作為電子情報(bào)分析(ELINT)的重要一環(huán),也是開(kāi)展分析雷達(dá)平臺(tái)類(lèi)型、工作狀態(tài)、工作模式以及威脅程度等信息的基礎(chǔ)[1-2]。雷達(dá)識(shí)別主要依靠提取到的脈間參數(shù),如脈沖頻率、脈沖寬度、到達(dá)方向、脈沖重復(fù)間隔等,與數(shù)據(jù)庫(kù)進(jìn)行比對(duì),從而得到相關(guān)雷達(dá)信息。而隨著雷達(dá)技術(shù)的發(fā)展,信號(hào)復(fù)雜程度以及電磁環(huán)境復(fù)雜程度日益增加,尤其出現(xiàn)的低截獲概率(LPI)[3-5]雷達(dá)信號(hào)更是使得脈間參數(shù)難以滿(mǎn)足識(shí)別準(zhǔn)確率的要求。因此脈內(nèi)調(diào)制信息也逐漸成為一項(xiàng)重要的匹配參數(shù)用于雷達(dá)輻射源識(shí)別,而國(guó)內(nèi)外學(xué)者對(duì)調(diào)制樣式識(shí)別算法開(kāi)展的探索也是一項(xiàng)研究熱點(diǎn)。

對(duì)調(diào)制樣式的特征提取,已有了大量人工特征選擇的算法[6-7],但是這些特征在低信噪比下識(shí)別率往往捉襟見(jiàn)肘。近年來(lái),人們利用深度學(xué)習(xí)算法的比例越來(lái)越重,主要是因?yàn)槭褂蒙窠?jīng)網(wǎng)絡(luò)自學(xué)習(xí)的強(qiáng)大功能,往往能夠獲得深層、抽象的特征,相比于人工選擇的淺層特征,一方面可以減少特征選擇工作量,另一方面提取到的特征能夠更有效提高識(shí)別率[8-10],在一定程度上可減少低信噪比帶來(lái)的影響。卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像有著獨(dú)特的特征提取優(yōu)勢(shì),許多文獻(xiàn)都是將信號(hào)進(jìn)行相關(guān)時(shí)頻變換得到二維時(shí)頻圖像,進(jìn)而轉(zhuǎn)化為卷積網(wǎng)絡(luò)對(duì)圖像的識(shí)別問(wèn)題。文獻(xiàn)[11]利用LeNet-5卷積網(wǎng)絡(luò)學(xué)習(xí)信號(hào)時(shí)頻特征,并將特征輸入到字典學(xué)習(xí)的分類(lèi)器中進(jìn)行識(shí)別,在0 dB、小樣本條件下實(shí)現(xiàn)了98%的識(shí)別率;文獻(xiàn)[12]首先使用模糊函數(shù)主脊坐標(biāo)變換進(jìn)行信號(hào)調(diào)制樣式特征的一次提取,隨后輸入到卷積網(wǎng)絡(luò)中進(jìn)行分類(lèi)識(shí)別,在-6 dB條件下實(shí)現(xiàn)94.71%識(shí)別率;文獻(xiàn)[13]進(jìn)行DS-STFT時(shí)頻變換進(jìn)行淺層特征提取,再將該特征輸入到卷積網(wǎng)絡(luò)中實(shí)現(xiàn)了在 -10 dB 條件下90.81%的識(shí)別率。然而上述文獻(xiàn)使用的卷積網(wǎng)絡(luò)層數(shù)都比較淺,未能進(jìn)一步實(shí)現(xiàn)深度特征提取,導(dǎo)致識(shí)別率的提高受到一定限制。

隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展,研究人員發(fā)現(xiàn)隨著網(wǎng)絡(luò)層數(shù)進(jìn)一步增加到一定層數(shù),模型的分類(lèi)效果不會(huì)更好,反而會(huì)變差。He等[14]在研究中稱(chēng)該問(wèn)題為網(wǎng)絡(luò)退化,因此提出深度殘差網(wǎng)絡(luò)(ResNets),有效解決該問(wèn)題并將網(wǎng)絡(luò)深度增至一百多層,極大提高了圖像識(shí)別的能力水平,是目前深度學(xué)習(xí)中最為有效的模型之一。雷達(dá)輻射源識(shí)別領(lǐng)域也是借鑒該模型為解決低信噪比條件下識(shí)別率的問(wèn)題提出了許多識(shí)別算法。文獻(xiàn)[15]將時(shí)域雷達(dá)信號(hào)輸入到ResNet32框架中進(jìn)行訓(xùn)練,實(shí)驗(yàn)表明在低信噪比下具有出色的識(shí)別率;文獻(xiàn)[16]將雷達(dá)信號(hào)進(jìn)行Choi-Williams 分布時(shí)頻變換,并構(gòu)建擴(kuò)張殘差網(wǎng)絡(luò)用以自動(dòng)提取時(shí)頻圖像特征實(shí)現(xiàn)分類(lèi)識(shí)別,在-6 dB 信噪比下,對(duì)16類(lèi)雷達(dá)輻射源信號(hào)整體識(shí)別率達(dá)到98.2%; 同時(shí)注意力機(jī)制是圖像識(shí)別領(lǐng)域的重要方法,在雷達(dá)信號(hào)識(shí)別也得到應(yīng)用,其具有模仿人類(lèi)專(zhuān)注于自己感興趣的事物而忽視無(wú)關(guān)事物的特性,在低信噪比下更為有效地關(guān)注到信號(hào)特征,從而提高識(shí)別準(zhǔn)確率。文獻(xiàn)[17] 提出注意力機(jī)制特征融合一維卷積長(zhǎng)短時(shí)深度神經(jīng)網(wǎng)絡(luò),在信噪比-12 dB 以上準(zhǔn)確率保持100%。

受此啟發(fā),本文提出一種基于注意力機(jī)制增強(qiáng)的殘差網(wǎng)絡(luò)雷達(dá)信號(hào)調(diào)制識(shí)別算法。首先對(duì)雷達(dá)信號(hào)采用平滑偽Wigner-Ville分布(SPWVD)[18]得到信號(hào)的二維時(shí)頻圖像,利用該時(shí)頻變化能量聚集度強(qiáng)的優(yōu)勢(shì)來(lái)反映調(diào)制方式的變化情況,具有一定抗干擾性;隨后搭建識(shí)別模型殘差網(wǎng)絡(luò),為強(qiáng)化調(diào)制樣式在時(shí)頻圖像中的表達(dá),利用注意力機(jī)制模型(CBAM),提高網(wǎng)絡(luò)對(duì)調(diào)制樣式相關(guān)特征的權(quán)重,剔除噪聲等冗余,提升網(wǎng)絡(luò)對(duì)噪聲的抗干擾性以及特征提取的有效性,同時(shí)該模型能夠通過(guò)恒等映射緩解深層網(wǎng)絡(luò)梯度彌散和梯度爆炸的問(wèn)題,提高訓(xùn)練的收斂速度,因此增強(qiáng)殘差網(wǎng)絡(luò)整體性能。實(shí)驗(yàn)表明在沒(méi)有進(jìn)行去噪的預(yù)處理前提下,利用SPWVD時(shí)頻變換和CBAM自身的抗噪聲能力,本文識(shí)別算法能夠?qū)崿F(xiàn)在低信噪比下較高的識(shí)別率。

1 SPWVD時(shí)頻變換

假設(shè)截獲到的雷達(dá)信號(hào)為x(t)=s(t)+n(t),s(t)為原始雷達(dá)信號(hào),n(t)為高斯白噪聲,且s(t)與n(t)相互獨(dú)立。信號(hào)x(t)的Wigner分布定義為

(1)

式中:τ為積分變量;t為時(shí)移;f為頻率。對(duì)x(t+τ/2)和x*(t-τ/2)乘積部分作傅里葉變換,即是t時(shí)刻的Wigner-Ville分布(WVD),x*(·)為共軛函數(shù)。根據(jù)Hilbert變換將信號(hào)x(t)構(gòu)造成解析形式z(t)后,對(duì)z(t+τ/2)和z*(t-τ/2)乘積部分作傅里葉變換,z*(·)為共軛函數(shù),Wigner分布變?yōu)閃igner-Ville分布:

(2)

式中:

z(t)=x(t)+jH[x(t)]

(3)

(4)

δ、u為積分變量。

由于Wigner-Ville分布的時(shí)寬帶寬積達(dá)到不確定性原理給出的下界,因此相比于其他聯(lián)合時(shí)頻分布,Wigner-Ville分布擁有較好的時(shí)頻分辨率。

SPWVD時(shí)頻分布是由WVD分布中加入兩個(gè)實(shí)的偶函數(shù)g(u)和h(τ)得來(lái)的,其中g(shù)(u)為時(shí)域平滑窗和h(τ)為頻域平滑窗,

(5)

相對(duì)于WVD,SPWVD可以更好地削弱相干項(xiàng)的影響,能量和時(shí)頻聚集性更強(qiáng),更容易看出信號(hào)的時(shí)頻關(guān)系。圖1展示了在信噪比為0 dB下非線(xiàn)性調(diào)頻信號(hào)的SPWVD和WVD時(shí)頻分布圖。由圖1可以看出:信號(hào)WVD時(shí)頻分布在噪聲干擾下表達(dá)不明顯,且能量聚集程度低;而SPWVD在較低信噪比條件下依然能夠顯著地展示信號(hào)的時(shí)頻變化,并且能量更為聚集凸顯,具有一定的抗干擾性。

圖1 SPWVD和WVD時(shí)頻分布圖對(duì)比

2 CBAM結(jié)構(gòu)

注意力機(jī)制經(jīng)常利用心理學(xué)的內(nèi)容進(jìn)行解釋,即人類(lèi)在復(fù)雜環(huán)境下能夠有效關(guān)注自己感興趣、值得注意的點(diǎn),而該特性也是注意力機(jī)制能夠模仿的。CBAM由通道注意力模塊(CAM)和空間注意力模塊(SAM)串聯(lián)而成,如圖2所示,證明CAM在SAM前效果更好。

圖2 CBAM結(jié)構(gòu)

在CAM中,如圖3所示。假設(shè)輸入的特征圖大小為(H×W×C,分別代表高度、寬度、通道),經(jīng)過(guò)全局平均池化和全局最大池化,使得高度和寬度壓縮為1,得到兩個(gè)1×1×C的特征圖,再同時(shí)送入多層感知器(MLP)網(wǎng)絡(luò)中,層數(shù)為3層,中間層神經(jīng)元個(gè)數(shù)為C/r(r為減少率),在本文中r=4,ReLU函數(shù)作為激活函數(shù)。經(jīng)過(guò)MLP輸出后進(jìn)行特征相加,采用sigmoid激活函數(shù)完成映射,得到通道模塊權(quán)重Wc,與輸入的特征圖相乘完成CAM的計(jì)算。

圖3 CAM結(jié)構(gòu)

在SAM(見(jiàn)圖4),輸入的特征圖經(jīng)過(guò)最大池化和平均池化后在通道上進(jìn)行拼接,得到H×W×2的特征圖,而后經(jīng)過(guò)卷積核為7×7的卷積運(yùn)算,采用sigmoid激活函數(shù)完成映射,得到空間模塊權(quán)重Ws,與輸入的特征圖相乘完成SAM的計(jì)算。

圖4 SAM結(jié)構(gòu)

3 殘差網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)核心在于引入了殘差塊結(jié)構(gòu),如圖5所示。該結(jié)構(gòu)左邊使用了特殊的連接方式,可以稱(chēng)為跳躍連接或短路連接,右邊使用兩層卷積神經(jīng)網(wǎng)絡(luò)。將輸入x經(jīng)過(guò)3×3卷積核的卷積運(yùn)算以及批歸一化、ReLU激活映射得到F(x),同時(shí)與x進(jìn)行跳躍連接得到H(x)=F(x)+x,此時(shí)F(x)=H(x)-x,即為網(wǎng)絡(luò)殘差。若輸入x與輸出F(x)的特征維度相同,則直接加和。若維度不同,則與輸出F(x)維度一致。

圖5 殘差塊結(jié)構(gòu)

4 基于注意力增強(qiáng)的殘差網(wǎng)絡(luò)識(shí)別框架

本文提出注意力增強(qiáng)的殘差網(wǎng)絡(luò)識(shí)別算法,將多個(gè)CBAM穿插在多個(gè)殘差塊之間,增強(qiáng)殘差網(wǎng)絡(luò)對(duì)特征的關(guān)注度,提高特征提取能力,整體網(wǎng)絡(luò)連接如圖6所示,由2個(gè)卷積層、6個(gè)殘差層、4個(gè)CBAM模塊、1個(gè)全局平均池化層、1個(gè)全連接層組成。其中2個(gè)卷積層和1個(gè)CBAM模塊組成第1個(gè)基礎(chǔ)網(wǎng)絡(luò)塊,后續(xù)連續(xù)3個(gè)基礎(chǔ)網(wǎng)絡(luò)塊都是由2個(gè)殘差層和1個(gè)CBAM模塊組成,全局平均池化層對(duì)每個(gè)特征圖求和取平均,將輸入維度壓縮為1×1,能夠生成與類(lèi)別相對(duì)應(yīng)的特征圖,增強(qiáng)特征圖與類(lèi)別的一致性,最后利用全連接層,使用softmax分類(lèi)器進(jìn)行分類(lèi)。

圖6 基于注意力機(jī)制增強(qiáng)的殘差網(wǎng)絡(luò)識(shí)別框架

本文網(wǎng)絡(luò)損失函數(shù)使用負(fù)對(duì)數(shù)似然(NLL)損失函數(shù);優(yōu)化方法使用自適應(yīng)矩估計(jì)(Adam)梯度下降方法,其本質(zhì)上是帶有動(dòng)量項(xiàng)的均方根傳遞(RMSprop)算法,它利用梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率。Adam的優(yōu)點(diǎn)主要在于經(jīng)過(guò)偏置校正后,每一次迭代學(xué)習(xí)率都有個(gè)確定范圍,使得參數(shù)比較平穩(wěn)。

將時(shí)頻圖像預(yù)處理為56像素×56像素,經(jīng)過(guò)卷積網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)和CBAM模塊,在全局平均池化前得到7×7×512的特征圖,最后送入softmax分類(lèi)層得到調(diào)制類(lèi)別。表1為各網(wǎng)絡(luò)層特征參數(shù)。

表1 各網(wǎng)絡(luò)層特征參數(shù)

在第2～第4每個(gè)基礎(chǔ)網(wǎng)絡(luò)塊中第2個(gè)殘差塊Residual_2目的是實(shí)現(xiàn)通道增加一倍、特征圖尺寸減小一半,給出殘差塊的卷積參數(shù)如圖7所示。由圖7可以看到,殘差塊Residual_2相比于殘差塊Residual_1,在跳躍連接線(xiàn)路上增加了卷積核,為了使特征圖尺寸減小一半,本文設(shè)置卷積核大小為2×2,步長(zhǎng)為2,填充為0,保證了通過(guò)跳躍連接線(xiàn)路的輸入x在維度上與殘差一致,滿(mǎn)足相加運(yùn)算。

圖7 殘差塊特征參數(shù)

5 實(shí)驗(yàn)及結(jié)果分析

5.1 實(shí)驗(yàn)信號(hào)設(shè)置

本文雷達(dá)輻射源信號(hào)均通過(guò) Low Probability of Intercept Toolbox產(chǎn)生,產(chǎn)出6種信號(hào)調(diào)制類(lèi)型,參數(shù)設(shè)置如表2所示。

表2 信號(hào)參數(shù)設(shè)置

所有信號(hào)參數(shù)在取值范圍內(nèi)隨機(jī)選取,信噪比取值為-20 dB、-15 dB、-10 dB、-5 dB、0 dB、5 dB,并且每個(gè)信噪比下、每種信號(hào)隨機(jī)產(chǎn)生1 500個(gè)訓(xùn)練樣本、500個(gè)測(cè)試樣本。

信號(hào)產(chǎn)生及時(shí)頻圖像數(shù)據(jù)產(chǎn)生使用數(shù)字仿真軟件平臺(tái);網(wǎng)絡(luò)搭建及訓(xùn)練使用Pytorch學(xué)習(xí)框架;計(jì)算機(jī)配置:CPU為Inter(R) Core(TM) i7-8750H,8 GB內(nèi)存,GPU為NVIDIA GeForce GTX 1050Ti。

圖8展示了6類(lèi)調(diào)制信號(hào)SPWVD時(shí)頻分布圖。由圖8可以看出,除了NLFM和FSK信號(hào)外,其他4種信號(hào)在變化趨勢(shì)上有類(lèi)似的地方,這給網(wǎng)絡(luò)訓(xùn)練識(shí)別增加了一定難度。

圖8 6類(lèi)調(diào)制信號(hào)的SPWVD時(shí)頻分布

5.2 識(shí)別網(wǎng)絡(luò)整體性能分析

圖9展示了在信噪比為-10 dB下,網(wǎng)絡(luò)迭代100次的訓(xùn)練誤差、測(cè)試誤差和識(shí)別率曲線(xiàn)圖。由圖9可以看出,網(wǎng)絡(luò)訓(xùn)練中,訓(xùn)練集和測(cè)試集很快得到收斂,識(shí)別率也是在前9次迭代后迅速?gòu)?7%上升至90%,在經(jīng)過(guò)94次迭代后,誤差及識(shí)別率趨于穩(wěn)定。

圖9 訓(xùn)練誤差、測(cè)試誤差及識(shí)別率

為對(duì)比使用SPWVD時(shí)頻變換的優(yōu)勢(shì),使用WVD時(shí)頻變換重新作為輸入到本文網(wǎng)絡(luò)中(稱(chēng)為WVD+本文網(wǎng)絡(luò)),并且將本文網(wǎng)絡(luò)與LeNet-5及Ori-ResNet兩種卷積網(wǎng)絡(luò)進(jìn)行對(duì)比,其中LeNet-5為經(jīng)典的手寫(xiě)識(shí)別卷積網(wǎng)絡(luò);Ori-ResNet為本文網(wǎng)絡(luò)去掉注意力機(jī)制后剩下的網(wǎng)絡(luò)。圖10為4種網(wǎng)絡(luò)的識(shí)別率對(duì)比圖。由圖10可以看出:WVD時(shí)頻變換由于能量聚集性較差,使得在低信噪比下網(wǎng)絡(luò)很難從中提取到有效特征,使得識(shí)別率快速下降;同時(shí)在信噪比較好的情況下(0 dB及以上),各網(wǎng)絡(luò)都能進(jìn)行很好地識(shí)別,而當(dāng)信噪比降到0 dB以下,網(wǎng)絡(luò)性能出現(xiàn)很大差距,本文算法在-10 dB保持有94.2%的準(zhǔn)確率,在-20 dB依然有63.1%的準(zhǔn)確率;相比于Ori-ResNet網(wǎng)絡(luò),說(shuō)明本文使用的注意力增強(qiáng)的殘差網(wǎng)絡(luò)對(duì)噪聲有著較好的抗干擾性,對(duì)特征提取有有效的促進(jìn)作用;相比于LeNet-5網(wǎng)絡(luò),說(shuō)明網(wǎng)絡(luò)層數(shù)增加能夠進(jìn)一步提高識(shí)別率,而殘差網(wǎng)絡(luò)的優(yōu)勢(shì)能夠確保網(wǎng)絡(luò)加深的同時(shí)保持性能良好。

圖10 識(shí)別率對(duì)比

5.3 網(wǎng)絡(luò)特征可視化及注意力機(jī)制分析

為展示每層網(wǎng)絡(luò)提取到了什么樣的特征,在此進(jìn)行特征可視化操作,以信噪比0 dB的一個(gè)NLFM信號(hào)為例,將該信號(hào)時(shí)頻圖轉(zhuǎn)成56×56像素圖片,如圖11所示,分別提取到第1、第2個(gè)卷積層和第1、第2、第3、第4個(gè)CBAM的特征,每層網(wǎng)絡(luò)取出前12個(gè)通道作為示例,如圖12所示(圖中坐標(biāo)軸均表示像素)。由圖12可以看出:卷積層的操作是對(duì)時(shí)頻信號(hào)圖像的紋理方面進(jìn)行提取;CBAM操作是增強(qiáng)了對(duì)圖像中時(shí)頻信號(hào)能量較高的部分的關(guān)注度,每個(gè)通道對(duì)圖像特征都有所響應(yīng),說(shuō)明每個(gè)卷積核都參與了學(xué)習(xí),并且隨著網(wǎng)絡(luò)加深,提取到的特征越抽象。

圖11 輸入網(wǎng)絡(luò)的NLFM信號(hào)示例

圖12 提取到網(wǎng)絡(luò)層特征可視化圖例

為進(jìn)一步分析加入注意力機(jī)制模塊CBAM對(duì)網(wǎng)絡(luò)識(shí)別率的影響,將去掉所有注意力機(jī)制的網(wǎng)絡(luò)Ori-ResNet為基礎(chǔ),沿著本文網(wǎng)絡(luò)框架從上往下依次增加注意力機(jī)制模塊,每增加一個(gè)CBAM進(jìn)行一次實(shí)驗(yàn),得到的識(shí)別率對(duì)比如圖13所示。可以看出每增加一個(gè)CBAM,識(shí)別率都有所增加。增加第3個(gè)CBAM時(shí),識(shí)別率有一個(gè)較大的提升,說(shuō)明第3個(gè)注意力機(jī)制關(guān)注的特征更具區(qū)分性。

圖13 不同CBAM數(shù)量的識(shí)別率對(duì)比

5.4 不同算法對(duì)比

為進(jìn)一步驗(yàn)證本文算法的優(yōu)勢(shì),與文獻(xiàn)[11](LeNet-FisherDDL)、文獻(xiàn)[19](MRSAF-DBN)、文獻(xiàn)[20](Chrip-Zernike-ResNet)分別在信噪比-20 dB、-10 dB、0 dB下進(jìn)行對(duì)比,如表3所示。由表3可以看出:本文算法在低信噪比條件下具有較強(qiáng)的優(yōu)勢(shì),尤其在信噪比-10 dB下,相比于其他3種算法,識(shí)別率分別高出26.5%、20.7%、24.1%,其中本文算法相比于LetNet-5網(wǎng)絡(luò)更深,提取時(shí)頻信號(hào)特征更為有效;與文獻(xiàn)[19]采用的模糊函數(shù)主脊切片特征相比,SPWVD時(shí)頻圖像保留更豐富的特征信息;使用注意力機(jī)制模塊,提高了殘差網(wǎng)絡(luò)對(duì)噪聲的抗干擾性,因此效果比文獻(xiàn)[20]算法識(shí)別效果較好。

表3 不同算法識(shí)別率

6 結(jié)論

針對(duì)情報(bào)分析中在低信噪比下雷達(dá)信號(hào)調(diào)制樣式識(shí)別率的問(wèn)題,本文提出利用注意力機(jī)制強(qiáng)化殘差網(wǎng)絡(luò)特征提取及識(shí)別的算法,并進(jìn)行了仿真驗(yàn)證。得出以下主要結(jié)論:

1)時(shí)頻變化作為輸入網(wǎng)絡(luò)前的第1次特征提取,需要得到清晰、明顯的二維時(shí)頻圖像;SPWVD可很好地反映信號(hào)調(diào)制樣式的時(shí)頻關(guān)系,并且具有較強(qiáng)的抗干擾性。

2)網(wǎng)絡(luò)深度越深,特征提取的效果越好,但會(huì)出現(xiàn)網(wǎng)絡(luò)退化問(wèn)題,殘差網(wǎng)絡(luò)能夠有效解決該問(wèn)題,使得網(wǎng)絡(luò)層數(shù)可進(jìn)一步加深。

3)注意力機(jī)制可以提高網(wǎng)絡(luò)對(duì)某一特征的關(guān)注度,使得提取到的特征更具有區(qū)分性;實(shí)驗(yàn)表明,CBAM在信號(hào)調(diào)制樣式識(shí)別中,能夠有效地關(guān)注到噪聲干擾下的時(shí)頻特征,提高了對(duì)噪聲的抗干擾性,從而提高了識(shí)別率。