基于BAS-BPNN的調(diào)頻無線電引信目標(biāo)與掃頻干擾識(shí)別方法

劉冰, 郝新紅, 周文, 楊瑾

(北京理工大學(xué) 機(jī)電動(dòng)態(tài)控制重點(diǎn)實(shí)驗(yàn)室, 北京 100081)

0 引言

現(xiàn)代信息化戰(zhàn)爭戰(zhàn)場環(huán)境使得無線電引信工作環(huán)境具有探測背景多變、打擊目標(biāo)多樣、面臨的電磁環(huán)境惡劣等多重復(fù)雜特征[1-2]。未來作戰(zhàn)方式與戰(zhàn)場環(huán)境迫切需要智能化無線電引信,其應(yīng)具有復(fù)雜電磁環(huán)境感知與目標(biāo)實(shí)時(shí)自主識(shí)別的能力,具有從目標(biāo)發(fā)現(xiàn)與識(shí)別、炸點(diǎn)與毀傷控制推理到毀傷控制決策的全過程控制的智能化[3-4]。因此,研究無線電引信目標(biāo)與掃頻干擾信號(hào)的識(shí)別方法具有重要意義,可為智能無線電引信精準(zhǔn)目標(biāo)打擊提供理論支撐。

目前的國內(nèi)外文獻(xiàn)中,已經(jīng)有很多對(duì)無線電探測器目標(biāo)識(shí)別方法展開了研究。文獻(xiàn)[5]提出一種雷達(dá)脈沖壓縮方法,利用塊密碼生成相位和頻率加密碼,同時(shí)利用四相碼代替二進(jìn)制碼,實(shí)現(xiàn)了較好的抗干擾效果。文獻(xiàn)[6]基于信息型干擾下脈沖多普勒引信基帶濾波器的輸出信號(hào),結(jié)合脈沖多普勒引信目標(biāo)函數(shù),并利用二分類與單分類支持向量機(jī)構(gòu)造引信期望信號(hào)空間,設(shè)計(jì)了基于目標(biāo)聯(lián)合特征提取和識(shí)別的引信原理樣機(jī),實(shí)驗(yàn)結(jié)果表明,分類識(shí)別成功率大于90%。文獻(xiàn)[7]通過對(duì)不同調(diào)制類型的汽車?yán)走_(dá)信號(hào)進(jìn)行二維傅里葉變換,得到距離-多普勒?qǐng)D像,然后利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行分類識(shí)別,最終的準(zhǔn)確率超過96%。文獻(xiàn)[8]針對(duì)脈沖多普勒引信受到的箔條干擾,以飛機(jī)目標(biāo)調(diào)幅帶寬和調(diào)頻帶寬作為特征量,結(jié)合Kruskal-Wallis檢驗(yàn)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN),提出一種能識(shí)別出飛機(jī)目標(biāo)和箔條干擾的分類識(shí)別方法。文獻(xiàn)[9]提出一種基于調(diào)頻載波(FMCW)雷達(dá)的飛行器分類算法,以回波信號(hào)的微多普勒特征作為分類依據(jù),利用輕量級(jí)CNN對(duì)目標(biāo)進(jìn)行識(shí)別,最終的準(zhǔn)確率達(dá)到95%。文獻(xiàn)[10]提出一種用于雷達(dá)目標(biāo)和欺騙式干擾的信號(hào)融合算法,利用目標(biāo)和干擾信號(hào)的空間散射差異,結(jié)合奈曼皮爾遜準(zhǔn)則,實(shí)現(xiàn)干擾信號(hào)的恒概率檢測,實(shí)驗(yàn)和仿真結(jié)果證明了該方法的可行性。文獻(xiàn)[11]建立了對(duì)地調(diào)頻引信粗糙面差頻信號(hào)模型,利用二維距離-速度提取方法提取其差頻頻率和多普勒頻率,采用差頻頻率峰值帶寬和多普勒頻率峰值帶寬2個(gè)特征量識(shí)別地面目標(biāo)回波信號(hào)和數(shù)字射頻存儲(chǔ)器(DRFM)轉(zhuǎn)發(fā)式干擾信號(hào)。

本文以某型連續(xù)波調(diào)頻無線電引信為分析對(duì)象,針對(duì)對(duì)調(diào)頻引信威脅最嚴(yán)重的噪聲調(diào)幅掃頻、正弦調(diào)幅掃頻、方波調(diào)幅掃頻和純掃頻干擾信號(hào),提出基于無線電引信檢波端輸出信號(hào)頻域信息熵、范數(shù)熵和倒頻譜熵的特征矩陣,作為天牛須搜索(BAS)-BPNN的輸入,對(duì)檢波端輸出信號(hào)和干擾進(jìn)行分類識(shí)別的方法。通過對(duì)實(shí)測數(shù)據(jù)的實(shí)驗(yàn),結(jié)果表明,該方法能夠有效地對(duì)目標(biāo)和調(diào)幅掃頻干擾信號(hào)進(jìn)行分類識(shí)別。

1 連續(xù)波調(diào)頻無線電引信目標(biāo)信號(hào)特征提取

1.1 數(shù)據(jù)采集

本文數(shù)據(jù)為在微波暗室環(huán)境內(nèi)實(shí)測采集的某型調(diào)頻引信數(shù)據(jù),信號(hào)的采樣頻率為1 000 kHz,采集引信啟動(dòng)信號(hào)輸出時(shí)刻前50 ms內(nèi)的數(shù)據(jù)點(diǎn),即采集引信啟動(dòng)信號(hào)輸出前的50 000個(gè)數(shù)據(jù)點(diǎn)進(jìn)行信號(hào)處理分析。其中,采集微波暗室內(nèi)鐵板模擬的目標(biāo)作用于引信的檢波輸出信號(hào)200組,噪聲調(diào)幅掃頻干擾信號(hào)作用于引信的檢波端輸出信號(hào)78組,正弦調(diào)幅掃頻干擾和方波調(diào)幅掃頻干擾作用于引信的檢波端輸出信號(hào)各80組,純掃頻信號(hào)作用于引信檢波端輸出信號(hào)40組。圖1(a)～圖1(e)分別為目標(biāo)信號(hào)作用下、噪聲調(diào)幅干擾信號(hào)作用下、正弦調(diào)幅干擾信號(hào)作用下、方波調(diào)幅干擾信號(hào)作用下和掃頻信號(hào)作用下的引信檢波端輸出信號(hào)時(shí)域波形圖,通道1的信號(hào)(黃色)為檢波時(shí)域信號(hào),通道2的信號(hào)(綠色)為引信啟動(dòng)信號(hào)。

1.2 信號(hào)預(yù)處理

為了最大程度抑制無用的噪聲信號(hào)的輸入,同時(shí)降低數(shù)據(jù)維度減少信號(hào)數(shù)據(jù)處理的復(fù)雜度,對(duì)無線電引信檢波端的輸出信號(hào)遵循如下的采集策略:引信開機(jī)后,對(duì)檢波端輸出信號(hào)進(jìn)行頻率為 1 000 kHz 的采樣,直到采集到引信的啟動(dòng)信號(hào)后,停止采樣。將采集到的所有數(shù)據(jù)點(diǎn)存儲(chǔ)下來,選取引信啟動(dòng)信號(hào)輸出前的50 000個(gè)數(shù)據(jù)點(diǎn)作為后續(xù)信號(hào)處理分析的樣本點(diǎn),即引信啟動(dòng)前0.05 s的數(shù)據(jù)點(diǎn)。預(yù)處理后的目標(biāo)和各干擾信號(hào)作用下引信檢波端輸出信號(hào)如圖2所示。

1.3 基于熵的信號(hào)特征提取

1.3.1 頻域信息熵特征

信息熵最初提出是為了表示熱力學(xué)中熱狀態(tài)的不平衡程度,而現(xiàn)在將熵理論應(yīng)用于信息論中,其物理意義則是表示信息系統(tǒng)描述信息的能力[12]。如果一個(gè)系統(tǒng)越有序,熵值越小,反之,一個(gè)系統(tǒng)越混亂,熵值越大。熵可以與不同信號(hào)處理手段有機(jī)結(jié)合從而實(shí)現(xiàn)不同變換空間的信號(hào)特征提取[13]。

(1)

本文中,對(duì)引信檢波端輸出的信號(hào)進(jìn)行頻域的信息熵的特征提取,引信檢波端時(shí)域輸出信號(hào)為uk,k=1,2,…,K,K為檢波端輸出信號(hào)的采樣點(diǎn)個(gè)數(shù),對(duì)時(shí)域信號(hào)進(jìn)行快速傅里葉變換(FFT)后,可以得到檢波端輸出信號(hào)的頻譜Ur,r=1,2,…,N,N為檢波輸出信號(hào)頻域頻點(diǎn)個(gè)數(shù),檢波端輸出信號(hào)在頻域的能量值表示為

(2)

計(jì)算頻域每一個(gè)頻點(diǎn)能量占總能量的比值,計(jì)算式為

(3)

將式(3)代入式(1),可求得檢波端輸出信號(hào)頻域信息熵值,用Hf表示,即

(4)

1.3.2 范數(shù)熵特征

目標(biāo)回波信號(hào)檢波端輸出信號(hào)與干擾信號(hào)作用下檢波端輸出信號(hào)頻譜形狀不同,能量的分布函數(shù)不同,范數(shù)熵可用來定量描述信號(hào)的能量分布情況[14]。范數(shù)熵的定義如下:

對(duì)于隨機(jī)矩陣x=[x1,x2,…,xi,…,xM],令En(i)=|xi|P,1

(5)

為x的范數(shù)熵。檢波端輸出信號(hào)范數(shù)熵的計(jì)算方式與式(4)中檢波輸出信號(hào)頻域信息熵的計(jì)算方法相似,只需將范數(shù)熵計(jì)算中利用的隨機(jī)序列替換成檢波端輸出信號(hào)頻譜序列Ur即為所求。在式(5)中,參數(shù)P的選取直接影響范數(shù)熵特征值的大小,因此選取合適的參數(shù)P值將會(huì)使得目標(biāo)與干擾信號(hào)具備不同的差異顯著性。以MATLAB軟件中的顯著性檢驗(yàn)函數(shù)Kruskal-Wallis的輸出p值為目標(biāo)函數(shù),選取最優(yōu)范數(shù)熵中的P值,使得目標(biāo)和干擾信號(hào)的范數(shù)熵特征的差異顯著性最大,以利于后續(xù)分類準(zhǔn)確度的提升。按照式(6)構(gòu)建范數(shù)熵中P值的取值集合,

P(j)=1+(j-1)×0.001,j=1,2,…,1 001

(6)

分別計(jì)算范數(shù)熵中P值對(duì)應(yīng)的目標(biāo)與干擾信號(hào)的Kruskal-Wallis檢驗(yàn)輸出p值,得到二者關(guān)系如圖3所示,計(jì)算可得,當(dāng)范數(shù)熵中P取值為1.345時(shí),Kruskal-Wallis顯著性檢驗(yàn)的輸出值p最小為3.800 6×10-74。當(dāng)p值越小時(shí),表明顯著性檢驗(yàn)的結(jié)果越顯著,拒絕原假設(shè)的理由越充分,因此在范數(shù)熵的P值選取1.345時(shí),式(5)中范數(shù)熵的表達(dá)式可以寫為

圖3 范數(shù)熵P值與差異顯著性檢驗(yàn)輸出值的關(guān)系

(7)

且滿足目標(biāo)信號(hào)的范數(shù)熵與干擾信號(hào)的范數(shù)熵的差異顯著性最大。

1.3.2 倒頻譜熵特征

倒頻譜也稱為二次譜或?qū)?shù)功率譜,可用于分析復(fù)雜譜圖中的周期性成分,可將譜圖中的眾多邊頻譜線簡化為單根譜線,具有信息凝聚作用[15]。倒頻譜包括的種類分別為幅值倒頻譜、功率倒頻譜和復(fù)倒頻譜等,其中,工程中最常用的幅值倒頻譜可通過對(duì)時(shí)域信號(hào)的幅值譜密度函數(shù)取對(duì)數(shù)之后,再進(jìn)行一次傅里葉變換得到。對(duì)時(shí)域信號(hào)x(t)計(jì)算幅值倒頻譜的方法如式(8)所示:

Ca(q)=|F{lgSx(f)}|

(8)

式中:q為倒頻率,即時(shí)間;|F(·)|表示先進(jìn)行傅里葉變換再取模;Sx(f)為時(shí)域信號(hào)x(t)的幅值譜密度函數(shù)。

本文中,同頻域信息熵特征提取的方法類似,首先對(duì)引信檢波端輸出的采樣后的時(shí)域信號(hào)進(jìn)行FFT,然后對(duì)信號(hào)的幅值譜取對(duì)數(shù),最后再進(jìn)行FFT,并取模值,至此得到目標(biāo)信號(hào)和干擾信號(hào)的倒頻譜Ca(r),然后按照式(1)～式(4)的計(jì)算方法,求得目標(biāo)與干擾信號(hào)的倒頻譜熵。

1.4 信號(hào)特征可行性分析

提取的目標(biāo)和干擾信號(hào)特征直接關(guān)系到后續(xù)目標(biāo)與干擾識(shí)別分類結(jié)果的準(zhǔn)確性,因此對(duì)于特征進(jìn)行可行性分析極有必要性。首先采用概率密度函數(shù)(PDF)對(duì)目標(biāo)和干擾信號(hào)的頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征進(jìn)行定性分析。通過不同檢波輸出信號(hào)特征概率密度分布的重疊度來驗(yàn)證特征的可分性,分別繪制目標(biāo)和干擾信號(hào)3種特征的概率密度分布函數(shù)圖,如圖4所示。圖4(a)為目標(biāo)與干擾信號(hào)頻域信息熵的概率密度分布圖,該特征下目標(biāo)信號(hào)和方波調(diào)幅干擾信號(hào)的曲線有小部分的重合,目標(biāo)信號(hào)與其他干擾信號(hào)的曲線僅有極小部分的重合,因此可以初步判定,頻域信息熵特征對(duì)于目標(biāo)信號(hào)和干擾信號(hào)具有區(qū)分度。圖4(b)為目標(biāo)與干擾信號(hào)范數(shù)熵的概率密度分布圖,該特征下目標(biāo)信號(hào)的曲線與干擾信號(hào)的曲線在范數(shù)熵取值范圍重合部分占據(jù)目標(biāo)信號(hào)范數(shù)熵取值范圍的較大部分,但是占據(jù)的概率密度值極小,因此可以初步判定,范數(shù)熵特征對(duì)于目標(biāo)信號(hào)和干擾信號(hào)具有區(qū)分度。圖4(c)為目標(biāo)與干擾信號(hào)倒頻譜熵特征的概率密度分布圖,該特征下4種干擾信號(hào)曲線比較類似,與目標(biāo)信號(hào)具備一定程度的重合,但是重合部分面基只占據(jù)各自總面積的小部分,同樣可以初步認(rèn)定倒頻譜熵對(duì)于目標(biāo)信號(hào)和干擾信號(hào)具備區(qū)分度。

圖4 頻域信息熵、范數(shù)熵和倒頻譜熵概率密度分布

通過特征值概率密度分布函數(shù)圖的重合度判定不同信號(hào)類型的可分程度,只能做定性分析,初步大致判定不同特征類型對(duì)目標(biāo)和干擾信號(hào)區(qū)分的可行性,并沒對(duì)各自特征下的目標(biāo)和干擾信號(hào)的可分性做定量分析,下一步通過差異顯著性分析方法對(duì)取不同特征目標(biāo)和干擾信號(hào)的可分程度進(jìn)行分析。由于目標(biāo)信號(hào)與干擾信號(hào)的參數(shù)在特征提取之前并不確定具體滿足哪一種統(tǒng)計(jì)分布類型,因此對(duì)于特征的差異顯著性檢驗(yàn)選取非參數(shù)Kruskal-Wallis檢驗(yàn)方法,又稱為單因素非參數(shù)方差分析,該檢驗(yàn)的原假設(shè)是k個(gè)獨(dú)立樣本來自同一個(gè)分布總體。MATLAB軟件中的Kruskal-Wallis檢驗(yàn)工具箱對(duì)檢驗(yàn)樣本的差異顯著性進(jìn)行分析后返回p值,遵照統(tǒng)計(jì)學(xué)原則認(rèn)為,當(dāng)返回值p<0.05時(shí)為具有統(tǒng)計(jì)學(xué)差異,當(dāng)返回值p<0.01時(shí)為具有顯著統(tǒng)計(jì)學(xué)差異,當(dāng)返回值p<0.001時(shí)為具有極其顯著的統(tǒng)計(jì)學(xué)差異。在前一部分對(duì)于目標(biāo)和干擾信號(hào)的頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征進(jìn)行定性分析之后,利用非參數(shù)Kruskal-Wallis檢驗(yàn)方法對(duì)于這幾種特征進(jìn)行定量分析。利用Kruskal-Wallis 工具箱分別繪制不同特征類型下目標(biāo)和干擾信號(hào)的分布箱型圖,并求解出檢驗(yàn)返回p值,結(jié)果如圖5所示。圖5(a)為目標(biāo)與干擾信號(hào)頻域信息熵特征的箱型圖,輸出值pFE=3.078 5×10-74。圖5(b)為目標(biāo)與干擾信號(hào)范數(shù)熵特征的箱型圖,輸出值pNE=3.806 8×10-74。圖5(c)為目標(biāo)與干擾信號(hào)倒頻譜熵特征的箱型圖,輸出值pCN=6.642 4×10-74。3種特征的Kruskal-Wallis檢驗(yàn)輸出p值均遠(yuǎn)遠(yuǎn)小于0.001,因此可認(rèn)定目標(biāo)和干擾信號(hào)的頻域信息熵、范數(shù)熵和倒頻譜熵具有極其顯著的差異特性,用于區(qū)分目標(biāo)和干擾具備可分性。

圖5 目標(biāo)和干擾信號(hào)頻域信息熵、范數(shù)熵和倒頻譜熵箱型圖

2 BAS-BPNN目標(biāo)信號(hào)識(shí)別方法

2.1 BAS算法原理

BAS算法是由Jiang等[16]在2017年提出的一種基于天牛覓食過程中搜尋食物具體方位原理的函數(shù)全局尋優(yōu)算法。BAS算法只關(guān)注一個(gè)個(gè)體即天牛本身,并不需要知道函數(shù)的具體形式和梯度信息,相比于粒子群優(yōu)化算法,運(yùn)算量小、收斂速度快,具有全局尋有能力等優(yōu)點(diǎn)[17]。建模流程如下:

1)建立天牛頭部朝向的隨機(jī)方向向量:

(9)

式中:rands(·)表示隨機(jī)函數(shù);k表示空間位置的維度。

2)建立天牛左須和右須的空間坐標(biāo):

(10)

(11)

式中:xr為天牛右須的坐標(biāo);xl為天牛左須的坐標(biāo);xt表示第t次迭代后頭部質(zhì)心位置空間坐標(biāo);dt表示第t次更新時(shí)兩須之間的距離。根據(jù)上面得出的左右須的空間位置坐標(biāo),分別求解相應(yīng)的位置的氣味濃度值,即目標(biāo)函數(shù)值f(xr)和f(xl),并通過式(12)的迭代更新公式,對(duì)于天牛新的頭部質(zhì)心位置進(jìn)行更新計(jì)算:

xt=xt-1+δtbsign(f(xr)-f(xl))

(12)

式中:δt為第t次迭代更新時(shí)的步長。

為了保證收斂速度同時(shí)避免陷入局部最小值,更新步長δt和兩須之間的距離dt通常按照如式(13)和式(14)所示的更新規(guī)則進(jìn)行更新:

dt=αdt-1

(13)

δt=βδt-1

(14)

式中:α和β分別為[0,1]之間的小數(shù),一般取值α=β=0.95。

2.2 BAS算法性能驗(yàn)證

為驗(yàn)證BAS算法在在處理最優(yōu)化問題時(shí)的有效性,選取加拿大Simon Fraser大學(xué)公共的虛擬仿真實(shí)驗(yàn)庫測試函數(shù)集中2個(gè)測試函數(shù)進(jìn)行驗(yàn)證,選取的函數(shù)分別為Ackley函數(shù)和CROSS-IN-TRAY函數(shù)。BAS算法參數(shù)設(shè)置選取兩須之間的距離初始值dt=2,初始步長δt=2,迭代更新系數(shù)α=β=0.95,迭代次數(shù)n=100,空間維度k=2。

Ackley函數(shù)廣泛地應(yīng)用于優(yōu)化算法地測試中,表達(dá)式為

(15)

為便于搜索結(jié)果的可視化展示,選取維度2,即d=2、a=20、b=0.2、c=2π。

圖6中(a)為二維Ackley函數(shù)地三維圖像,由圖6(a)可見該函數(shù)存在多個(gè)局部極小值,存在一個(gè)全局最小值,理論上該函數(shù)在x*=(0,0)處取得全局最小值f(x*)=0,圖6(b)為BAS算法搜尋Ackley全局最小值地搜索路徑示意圖,最終地計(jì)算結(jié)果為在x=(-0.000 342 34,0.002 338 4)處取得最小值f(x)=0.006 833 2,與理論值相近。圖6(c)為BAS算法隨迭代次數(shù)地增減計(jì)算最小值與最終最小值的曲線關(guān)系圖,由圖可見在經(jīng)過67次迭代后,計(jì)算值趨于收斂,不再波動(dòng)。

CROSS-IN-TRAY函數(shù)具有多個(gè)全局最小值,同樣作為測試函數(shù)廣泛應(yīng)用于最優(yōu)化算法的測試中,函數(shù)的表達(dá)式如式(16)所示:

(16)

該函數(shù)理論上在x*=(±1.349 1,±1.349 1)可取得全局最小值,f(x*)=-2.062 61,圖7(a)為Cross-In-Tray函數(shù)三維圖,圖7(b)為BAS算法搜索測試函數(shù)最小值的示意圖。計(jì)算結(jié)果為在x=(-1.348,1.346 4)處取得最小值f(x)=-2.062 6,與理論值幾乎一致。由圖7(c)可知,在40次迭代之后,BAS算法可計(jì)算搜尋到函數(shù)的最小值,結(jié)果收斂不再波動(dòng)。

圖7 BAS算法搜索Cross-In-Tray函數(shù)最小值結(jié)果

2.3 BAS-BPNN算法

利用BAS算法在函數(shù)全局尋優(yōu)中的收斂速度快等特點(diǎn),對(duì)BPNN的初始神經(jīng)元連接權(quán)重和神經(jīng)元輸出閾值進(jìn)行優(yōu)化,以網(wǎng)絡(luò)的計(jì)算輸出值與實(shí)際輸出值的均方誤差為目標(biāo)函數(shù)函數(shù),對(duì)網(wǎng)絡(luò)的初始值進(jìn)行更新計(jì)算,選出均方誤差值最小的初始參數(shù)集合,即求解目標(biāo)函數(shù)取得的最小值時(shí)的參數(shù)集合。目標(biāo)函數(shù)可表示為

(17)

式中:自變量組合(w,b)為神經(jīng)元連接權(quán)重和輸出閾值的集合,(w,b)的初始值可根據(jù)式(9)中的描述,隨機(jī)生成;i為網(wǎng)絡(luò)的計(jì)算輸出值;Yi為網(wǎng)絡(luò)的實(shí)際輸出值,在本文中,實(shí)際輸出值即為訓(xùn)練樣本中信號(hào)的實(shí)際種類。BAS優(yōu)化BPNN初始參數(shù)的算法流程圖如圖8所示。

圖8 BAS確定最優(yōu)網(wǎng)絡(luò)初始參數(shù)流程圖

3 實(shí)驗(yàn)結(jié)果與分析

為進(jìn)一步驗(yàn)證1.3節(jié)所提出的信號(hào)頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征的可分性和BAS-BPNN的分類識(shí)別性能,選取某型連續(xù)波調(diào)頻無線電引信的微波暗室實(shí)測數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。由于無線電引信在戰(zhàn)場環(huán)境中作用的重點(diǎn)是目標(biāo)和干擾信號(hào)的分類與識(shí)別問題,并沒有對(duì)各類干擾信號(hào)進(jìn)行區(qū)分的必要性。

本文的研究重點(diǎn)在目標(biāo)與干擾信號(hào)的分類識(shí)別。選取引信在目標(biāo)作用下的檢波端輸出信號(hào)200組,噪聲調(diào)幅掃頻干擾信號(hào)作用下檢波輸出信號(hào)78組,正弦調(diào)幅掃頻干擾信號(hào)作用下檢波端輸出信號(hào)80組,方波調(diào)幅掃頻干擾作用下檢波端輸出信號(hào)80組,純掃頻信號(hào)干擾作用下檢波端輸出信號(hào)40組。其中,噪聲調(diào)幅掃頻、正弦調(diào)幅掃頻、方波調(diào)幅掃頻和純掃頻干擾信號(hào)共同歸納為干擾信號(hào),共計(jì)278組。數(shù)據(jù)實(shí)測采集的現(xiàn)場如圖9所示,調(diào)頻引信、目標(biāo)、干擾機(jī)和干擾機(jī)天線已經(jīng)在圖中標(biāo)注。

圖9 實(shí)驗(yàn)場景示意圖

數(shù)據(jù)采集實(shí)驗(yàn)中,干擾機(jī)的參數(shù)設(shè)置對(duì)標(biāo)美國“游擊手”電子干擾系統(tǒng)的參數(shù)進(jìn)行等效功率密度換算,引信及干擾機(jī)參數(shù)設(shè)置方法如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置

為了更高效地對(duì)不同特征進(jìn)行分類識(shí)別,避免信號(hào)特征量綱差異對(duì)識(shí)別準(zhǔn)確率帶來的影響,在特征輸入網(wǎng)絡(luò)之前,首先需要對(duì)特征數(shù)值進(jìn)行歸一化處理,將不同信號(hào)類別的同類特征進(jìn)行歸一化處理,采用線性歸一化函數(shù),將原始特征數(shù)據(jù)映射到[0,1]之間,歸一化函數(shù)公式為

(18)

式中:mn為歸一化之后的特征值;m為原始特征值數(shù)據(jù);mmax為同類特征中最大特征值;mmin為同類特征中最小的特征值。

BPNN分類器的隱層神經(jīng)元和輸出層神經(jīng)元的激活函數(shù)選取Sigmoid激活函數(shù),該函數(shù)的表達(dá)式為

(19)

典型的Sigmoid函數(shù)的函數(shù)圖像如圖10所示,它可以把較大范圍內(nèi)變化的輸入值擠壓到(0,1)輸出值的范圍內(nèi)。當(dāng)輸入值在0附近時(shí),Sigmoid函數(shù)近似為線性函數(shù);當(dāng)輸入值靠近兩端時(shí),對(duì)輸入進(jìn)行抑制。輸入越小,越接近于0;輸入越大,越接近于1[18-20]。

圖10 Sigmoid激活函數(shù)

在200組檢波端目標(biāo)輸出信號(hào)和278組檢波端干擾輸出信號(hào)中,隨機(jī)選取2/3的數(shù)據(jù)作為訓(xùn)練樣本,剩下1/3的數(shù)據(jù)作為測試樣本,即隨機(jī)選取 133組目標(biāo)信號(hào)和185組干擾信號(hào)作為訓(xùn)練樣本,67組目標(biāo)信號(hào)和93組干擾信號(hào)作為測試樣本。對(duì)選取出來的每一組信號(hào)分別進(jìn)行特征提取處理,提取出頻域信息熵特征、范數(shù)熵特征和倒頻譜熵特征,組成特征矩陣,經(jīng)類間歸一化處理后,準(zhǔn)備作為BPNN的輸入?yún)?shù)。

為驗(yàn)證目標(biāo)與干擾信號(hào)識(shí)別方法的性能,本實(shí)驗(yàn)首先研究對(duì)比了訓(xùn)練樣本在網(wǎng)絡(luò)訓(xùn)練過程中迭代次數(shù)對(duì)于目標(biāo)識(shí)別方法的影響。選取相同的訓(xùn)練樣本,網(wǎng)絡(luò)的訓(xùn)練次數(shù)取值范圍為1～30,步進(jìn)間隔為1,共計(jì)30組不同的訓(xùn)練迭代次數(shù)訓(xùn)練而成的網(wǎng)絡(luò),對(duì)每組實(shí)驗(yàn)分別重復(fù)進(jìn)行100次,測試得到不同樣本訓(xùn)練迭代次數(shù)識(shí)別準(zhǔn)確率平均值和標(biāo)準(zhǔn)偏差平均值。

在無線電調(diào)頻引信的實(shí)際作戰(zhàn)場景中,為抵抗掃頻式信號(hào)的干擾,需要對(duì)于目標(biāo)信號(hào)和掃頻式干擾信號(hào)進(jìn)行區(qū)分,即只需要判斷檢波端輸出信號(hào)是目標(biāo)還是干擾信號(hào)然后根據(jù)判決結(jié)果執(zhí)行下一步的決策。本文使用識(shí)別準(zhǔn)確率評(píng)價(jià)所提方法的性能,識(shí)別準(zhǔn)確率定義為

(20)

式中:DTT為將目標(biāo)識(shí)別成目標(biāo)的數(shù)目;DJJ為將干擾識(shí)別成干擾的數(shù)目;NT為目標(biāo)總數(shù);NJ為干擾總數(shù)。

測試結(jié)果如表2所示。直觀觀測不同迭代次數(shù)對(duì)目標(biāo)識(shí)別準(zhǔn)確率的影響以及識(shí)別準(zhǔn)確率的標(biāo)準(zhǔn)偏差變化情況,繪制不同迭代次數(shù)目標(biāo)識(shí)別準(zhǔn)確率和標(biāo)準(zhǔn)偏差的柱狀圖如圖11所示。由圖11可以看出,識(shí)別準(zhǔn)確率隨著迭代次數(shù)的增加,初始呈現(xiàn)增加趨勢:在迭代次數(shù)15次時(shí),識(shí)別準(zhǔn)確率趨于穩(wěn)定,且標(biāo)準(zhǔn)偏差變小,即識(shí)別準(zhǔn)確率趨于穩(wěn)定;隨著迭代次數(shù)從15次增加到30次的過程中,識(shí)別準(zhǔn)確率呈現(xiàn)小幅度波動(dòng)趨勢,在迭代次數(shù)為26次時(shí),首次取得最高的識(shí)別準(zhǔn)確率99.96%,且標(biāo)準(zhǔn)偏差為0.001 6,在迭代次數(shù)為 29次、30次時(shí),識(shí)別準(zhǔn)確率在此時(shí)再次達(dá)到到最高99.96%。

表2 識(shí)別準(zhǔn)確率隨迭代次數(shù)變化

圖11 不同迭代次數(shù)識(shí)別準(zhǔn)確率和標(biāo)準(zhǔn)偏差

在驗(yàn)證訓(xùn)練樣本不同迭代次數(shù)對(duì)于識(shí)別準(zhǔn)確率的影響后,實(shí)驗(yàn)再次研究對(duì)比了不同訓(xùn)練樣本占比對(duì)目標(biāo)識(shí)別方法性能的影響。隨機(jī)選取的訓(xùn)練樣本數(shù)目分別占據(jù)樣本總量的1/10、1/9、1/8、1/7、1/6、1/5、1/4、1/3、1/2,為確保測試樣本中的數(shù)據(jù)不包含任何訓(xùn)練樣本,選取樣本總量除去訓(xùn)練樣本的部分作為測試樣本,即測試樣本分別占據(jù)數(shù)據(jù)總量的9/10、8/9、7/8、6/7、5/6、4/5、3/4、2/3、1/2。訓(xùn)練樣本的訓(xùn)練迭代次數(shù)選為26次,對(duì)于不同的訓(xùn)練樣本占據(jù)樣本總量的實(shí)驗(yàn),分別重復(fù)進(jìn)行100次測試,然后計(jì)算求得100次測試的識(shí)別準(zhǔn)確率平均值和識(shí)別準(zhǔn)確率標(biāo)準(zhǔn)偏差平均值,結(jié)果如表3所示。由表3可以看出,在訓(xùn)練樣本數(shù)占比分別為1/10、1/9、1/8、1/7、1/6、1/5、1/4、1/3、1/2,訓(xùn)練迭代次數(shù)為26次時(shí),分類識(shí)別方法均取得了不錯(cuò)的識(shí)別準(zhǔn)確率,識(shí)別準(zhǔn)確率最差為訓(xùn)練樣本占比1/10時(shí)的99.78%,識(shí)別準(zhǔn)確率最優(yōu)為訓(xùn)練樣本占比為1/2時(shí)的99.94%,且標(biāo)準(zhǔn)偏差都相對(duì)較小。

表3 識(shí)別準(zhǔn)確率隨訓(xùn)練樣本數(shù)占比變化

圖12為表3中數(shù)據(jù)的直方圖和標(biāo)準(zhǔn)偏差分布直方圖,可以看到不同訓(xùn)練樣本占比情況下,識(shí)別準(zhǔn)確率都表現(xiàn)出良好的性能,差異很小,進(jìn)一步說明信號(hào)特征提取方法和目標(biāo)識(shí)別方法對(duì)于目標(biāo)信號(hào)和干擾信號(hào)具備良好的可分性。

圖12 不同訓(xùn)練樣本占比識(shí)別準(zhǔn)確率和標(biāo)準(zhǔn)偏差

為了驗(yàn)證本文算法對(duì)目標(biāo)與干擾信號(hào)分類識(shí)別的性能,選取BPNN分類器進(jìn)行對(duì)比實(shí)驗(yàn),對(duì)比過程選取相同的訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù),迭代次數(shù)分別選取15次、20次和25次,訓(xùn)練樣本占比分別選取2/3和1/3,每組實(shí)驗(yàn)分別重復(fù)100次,以最終的識(shí)別準(zhǔn)確率平均值和標(biāo)準(zhǔn)偏差的平均值作為衡量指標(biāo),對(duì)比結(jié)果如表4所示。由表4可以看出,在相同訓(xùn)練樣本占比和相同迭代次數(shù)的情況下,本文算法的識(shí)別準(zhǔn)確率均優(yōu)于BPNN算法。圖13為表4的簇形柱狀圖表示,算法類別及訓(xùn)練樣本占比坐標(biāo)軸中,BPNN(1/3)表示選擇的算法為BPNN、訓(xùn)練樣本占比為1/3,以此類推。由圖13可以更加直觀地觀察到本文算法相比于BPNN算法,對(duì)目標(biāo)和干擾信號(hào)分類具有更優(yōu)的識(shí)別準(zhǔn)確率。

表4 不同算法識(shí)別準(zhǔn)確率對(duì)比

圖13 不同算法識(shí)別準(zhǔn)確率

4 結(jié)論

本文針對(duì)調(diào)幅掃頻式干擾對(duì)連續(xù)波調(diào)頻無線電引信的威脅,提出一種以頻域信息熵、范數(shù)熵和倒頻譜熵作為特征參量,以BAS優(yōu)化BPNN初始連接權(quán)重值和閾值后作為分類器的連續(xù)波調(diào)頻無線電引信目標(biāo)與干擾分類識(shí)別。通過采集某型連續(xù)波調(diào)頻無線電引信微波暗室實(shí)測數(shù)據(jù),分別提取目標(biāo)和干擾信號(hào)作用下引信檢波端輸出信號(hào)的頻域信息熵、范數(shù)熵和倒頻譜熵特征。首先對(duì)提取的特征可分性進(jìn)行定性和定量分析,然后作為輸入值對(duì)優(yōu)化初始權(quán)重值和閾值的神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行再次訓(xùn)練,得到最優(yōu)的優(yōu)化神經(jīng)網(wǎng)絡(luò)分類模型;對(duì)未知的信號(hào)經(jīng)過預(yù)處理提取相應(yīng)特征輸入訓(xùn)練好的優(yōu)化神經(jīng)網(wǎng)絡(luò)模型中,根據(jù)網(wǎng)絡(luò)的輸出結(jié)果對(duì)輸入信號(hào)類型進(jìn)行識(shí)別。得出以下主要結(jié)論:

1)所提出的頻域信息熵、范數(shù)熵和倒頻譜熵特征提取方法對(duì)于目標(biāo)和干擾信號(hào)具備顯著性差異。

2)利用BAS優(yōu)化初始權(quán)重值和閾值的BPNN作為分類器對(duì)目標(biāo)和干擾信號(hào)的特征進(jìn)行分類識(shí)別,可獲得很高的識(shí)別正確率,在迭代次數(shù)為 26次的情況下,識(shí)別準(zhǔn)確率達(dá)到99.96%,具備很好的連續(xù)波調(diào)頻無線電引信的對(duì)目標(biāo)和干擾信號(hào)的識(shí)別能力,為無線電引信的抗干擾設(shè)計(jì)提供了理論依據(jù)。