面向小樣本的多模態雷達有源欺騙干擾識別方法

張順生 陳 爽 陳曉瑩 劉 瑩 王文欽

①(電子科技大學電子科學技術研究院 成都 611731)

②(中國科學院大學計算機科學與技術學院 北京 100190)

③(電子科技大學信息與通信工程學院 成都 611731)

1 引言

隨著電子干擾技術的發展，特別是數字射頻存儲(Digital Radio Frequency Memory,DRFM)技術的出現[1]，調制方式多樣參數多變的雷達有源欺騙干擾給雷達帶來了前所未有的威脅。為了抑制有源欺騙干擾信號對雷達正常工作的影響，采取相應的抗干擾措施是必要的。從邏輯上講，雷達對干擾的識別和抑制是相互依存的兩個環節。在這個過程中，需要準確地檢測干擾信號，并對干擾進行分類和識別，然后針對性地采取相應的抗干擾措施來削弱或消除干擾。因此，正確識別多樣的雷達有源欺騙干擾信號，可以為復雜電磁環境下雷達抗干擾提供決策。

目前，已有不少學者將人工智能算法應用于雷達欺騙干擾的識別[2,3]，并取得了一定的成果。Mendoza等人[4]、Wu等人[5]在提取多域特征后，利用支持向量機和BP (Back Propagation)神經網絡進行干擾信號的識別，但提取的特征容易受到干噪比的影響，閾值難以設置；Zhao等人[6]以時域信號為輸入，借助LeNet網絡對7種不同參數的雷達壓制類干擾完成了識別；Liu等人[7]借助OS-CFAR算法和時頻處理提取特征，使用卷積神經網絡(Convolutional Neural Network,CNN)實現了包括3類壓制干擾6類欺騙干擾在內的9種干擾的識別。這些研究根據不同的需要選取相應的特征，借助神經網絡實現干擾識別。但是這些方法都需要大量的干擾樣本來支撐訓練，而在實際環境中，很難獲取到足夠的樣本，因此，基于小樣本的雷達有源欺騙干擾識別具備重要的現實意義與應用價值。

自2005年來，小樣本識別在機器視覺等方面取得了不少成果[8-10]，并且被應用于雷達干擾識別方向。Shao等人[11]針對訓練樣本有限的問題，提出了一種基于CNN和孿生網絡進行雷達干擾信號分類的方法，實現了小樣本下的干擾識別。但孿生網絡主要衡量的是兩個輸入的關系，即相似性，在干擾參數改變或個體差異較大時，檢測性能會有所下降。陳澤偉等人[12]針對毫米波雷達時頻域干擾面臨的實測樣本不足的問題，使用深度卷積生成對抗網絡(Deep Convolutional Generative Adversarial Networks,DCGAN)來對數據進行增廣，提高了CNN模型的干擾抑制性能。但并非所有數據集都適合于應用GAN進行增廣，例如，低分辨率的圖像數據集，利用GAN擴充數據集時需要很長時間才能達到收斂，且收斂后的樣本模糊度較高。Koch等人[13]提出多模態單樣本學習算法，將語音信號與對應圖像進行匹配訓練，實現小樣本下的語音信號分類。

針對目前存在的訓練樣本不足、低信噪比下識別率低等問題，本文提出一種基于小樣本的多模態雷達有源欺騙干擾識別方法。以雷達信號處理的手段，提取信號的特征參數與時頻圖像作為兩個模態的輸入，借助原型網絡[14](Prototypical Networks,PN)訓練多模態特征，并利用圖像預處理和加權歐氏距離提高低信噪比下的識別率，實現了小樣本下的雷達有源欺騙干擾識別。

2 干擾信號的特征提取

目前的雷達有源欺騙干擾主要是通過DRFM干擾機對截獲到的雷達信號幅度、時延、多普勒頻率等進行調制之后形成的轉發式欺騙干擾信號。本文選取典型的10種雷達欺騙干擾樣式作為研究對象，分別為距離維密集假目標(Range Multi-false-Target,RMT)干擾、速度維密集假目標(Velocity Multi-false-Target,VMT)干擾、距離-速度聯合密集假目標(Range-Velocity Multi-false-Target,RVMT)干擾、切片重構(Chopping and Interleaving,C&I)干擾、間歇采樣轉發干擾(Interrupted Sampling Repeater Jamming,ISRJ)、頻譜彌散(Smeared Spectrum,SMSP)干擾、卷積調制靈巧噪聲干擾(Smart Noise Jamming)、距離拖引(Range Gate Pull-Off,RGPO)干擾、速度拖引(Velocity Gate Pull-Off,VGPO)干擾，以及距離-速度聯合拖引(Range-Velocity Gate Pull-Off,RVGPO)干擾。

雷達接收端的采樣信號一般為真實回波信號、干擾信號與噪聲的疊加，記為

其中，s(n)表 示真實回波信號，j(n)表示干擾信號，y(n)表示隨機噪聲，針對式(1)所示接收信號模型進行干擾識別[15,16]。

短時傅里葉變換(Short-Time Fourier Transform,STFT)是一種常用的提取時變非平穩信號特征的時頻分析方法，因其算法簡單而被廣泛應用于雷達信號處理中，離散形式的STFT定義如下：

其中，N表示信號長度，x(n)表示輸入時域信號序列，w(i)表 示窗函數，隨著n,k的變化，式(2)便有了時頻分析能力。

與單獨的時域或頻域特征相比，短時傅里葉變換能夠得到信號能量分布與時間和頻率的關系，具有更直觀的物理意義，且在預處理過程中不易丟失特征。與其他時頻處理方法相比，短時傅里葉變換的計算復雜度低，可降低處理過程的時間復雜度。因此，選取短時傅里葉變換后的時頻圖像作為主要特征進行雷達有源欺騙干擾的識別[17]。

為了更好地利用時頻圖像對干擾進行識別，以及盡可能地降低隨機噪聲對于識別結果的影響，需要先對時頻圖像進行相應的預處理。首先，需要對圖像進行線性灰度變換，使噪聲和信號之間的灰度值拉大來實現灰度圖像增強。假設一幅圖像f(x,y)的原始灰度范圍在[a,b]之間，經過線性變換后的圖像g(x,y) 的灰度范圍在[c,d] 之間，則圖像f(x,y)中任意像素點的灰度值k，變換后得到圖像g(x,y)中對于像素點灰度值l可表示為

圖像增強后，采用形態學閉運算[18]對時頻圖像進行降噪處理。閉運算為先膨脹運算，再腐蝕運算，看上去將兩個細微連接的圖塊封閉在一起，閉運算能夠彌合小裂縫，并保持總的位置和形狀不發生改變。其中集合A被集合B膨脹，可以表示為A ⊕B，其定義為

其中，A稱為輸入圖像，B稱為結構元素，Ac為A的補集。在數字圖像處理中，集合B又被稱為結構元。

集合A被集合B腐蝕，表示為A ?B，其定義為

其中，A ?B由將B平移x但仍然包含在A內的所有點x組成。

圖像的閉運算可以表示為

設定信號載波為5.5 GHz，帶寬為10 MHz，信噪比為-8 dB，圖1和圖2為經過預處理前后10種干擾的時頻圖像，仿真時取a=0.1,b=0.8,c=0.1,d=0.4。對比圖1和圖2不難看出，經過預處理后，時頻圖像中基本看不到隨機噪聲的影響，有利于低信噪比下的干擾識別。

圖1 預處理前的時頻圖像Fig.1 Time-frequency images before preprocessing

圖2 預處理后的時頻圖像Fig.2 Time-frequency images after preprocessing

3 面向小樣本的多模態雷達有源欺騙干擾識別方法

原型網絡是近年來常用于小樣本學習的網絡模型，基本架構如圖3所示[19,20]，其網絡結構主要由兩部分組成。第1部分為卷積神經網絡。在原型網絡的結構中，記fθ為網絡的映射函數，fθ可將原本的D維數據x映射到M維空間上，完成對樣本的特征提取并得到高維特征向量z，

圖3 原型網絡基本架構圖Fig.3 Basic architecture of prototype network

其中，θ表示原型網絡的參數。

第2部分為原型中心的計算，通過對每類樣本的特征向量求和取平均，得到各個類別在特征空間中的原型中心，第k類的原型中心ck的計算方式如式(8)所示：

其中，Sk表示類別為k的數據集合，|Sk|為樣本數，xi表示第i個輸入數據，yi表示數據標簽。迭代更新此原型中心向量，直至網絡學到一個能夠使同類樣本聚為一簇，不同簇間盡量遠離的特征空間。最終，以特征空間中待測樣本與各原型中心的距離為分類依據，完成分類任務。

3.1 多模態數據集的構建

一般情況下，神經網絡模型僅將輸入信息的一種模態信息標簽化后進行訓練。但不同模態之間往往蘊含著互補的信息，如果能夠合理地融合多模態信息，對齊特征，就可以獲得一加一大于二的效果，得到信息量豐富的多模態融合特征。因此，可以考慮使用特征參數和時頻圖像兩個模態的信息，再利用特征層融合的方式進行干擾識別。

對于特征參數模態的數據集構建，本文根據雷達有源欺騙干擾的特點，利用干擾信號提取了包括時域矩偏度、時域矩峰度、時域包絡起伏度、歸一化幅度標準差、頻域矩偏度、頻域矩峰度、頻域包絡起伏度、歸一化幅度頻譜最大值、尺度重心在內的9種共10個特征，構成了特征參數向量[21]，作為一種模態信息。將本文第2節經過預處理的時頻圖像作為另外一個模態的輸入特征。

小樣本學習中每類數據的測試樣本數量都比較少，為了在樣本極度匱乏的情況下也能得到一定的訓練結果，訓練時需進行數據集的擴充。

對于特征向量可以采取高斯隨機化樣本擴充方法，即對每個特征向量重復多次加入均值為0、方差為σ2的獨立同分布高斯噪聲，得到充足的特征參數的訓練樣本，以匹配圖像模態的數據量。此外，高斯隨機化過程在擴充訓練樣本空間、防止中心網絡過擬合的同時，還可以提高魯棒性，有利于后續的訓練。

對于時頻圖像，由于隨機噪聲對于進行預處理后的時頻圖像影響較小，無法考慮類似特征向量的隨機化擴充方式。而Omniglot數據集[22]由來自50種不同語言的1623個手寫字符構成的，每個字符都有20個不同的筆跡，這就構成了一個樣本類別極多，但每種類別的樣本數量極少的小樣本手寫字符數據集。字符數據集的識別主要依靠簡單的線條特征，與雷達有源欺騙干擾的時頻圖像有著相似之處，借助該數據集擴充干擾時頻圖像樣本，并與擴充過的特征參數進行匹配訓練，以實現小樣本條件下的訓練效果。

3.2 多模態特征融合網絡

Concat為向量拼接。根據式(9)和式(8)可構建新的原型中心，之后便可以通過計算網絡的損失函數，對參數進行優化完成迭代訓練。最后，將待識別數據的特征參數向量和時頻圖像輸入網絡，根據待識別樣本與各原型中心的距離實現干擾識別。由于小樣本識別過程中可能會存在信噪比較低的單模態數據，或者單模態失效的數據，為了排除可能存在的“壞數據”的影響，提高低信噪比下的檢測概率，在訓練過程中需要對傳統的歐氏距離進行加權，加權歐氏距離如式(10)所示：

網絡中通過查詢集中樣本的預測分數pi可表示如下：

其中，yi表 示查詢集中第i個樣本xi的真實標簽。將pi和真實標簽進行對比，計算損失值并通過反向傳播的方式優化損失函數L中的參數θ，損失函數如下：

多模態網絡結構如圖4所示，網絡?T和?P分別計算特征參數模態下和時頻圖像模態下的原型。計算機中的運算大都是基于基礎的乘加運算進行的，單個卷積層的時間復雜度計算方法如下：

圖4 多模態特征融合網絡Fig.4 Multimodal feature fusion network

其中，Cin表示輸入特征圖通道數，K為卷積核的尺寸，H和W分別代表對應輸出特征圖的尺寸，Cout表示卷積核的數目，即輸出的維度。池化層的時間復雜度計算方式為

其中，d為網絡的深度，l表示第l個卷積層，Cl為第l個卷積層的輸出通道數，對于第l個卷積層而言，Cl-1即為第l個卷積層的輸入通道數。

為衡量模型的復雜度，在實際網絡中，根據圖4中輸入尺寸與各層卷積核大小分別計算網絡?T,?P以及時頻圖像網絡[23]、特征參數網絡[24]與孿生網絡[25]的浮點運算數(Floating Point Operations,FLOPs)和參數量，結果如表1所示。

表1 不同網絡的復雜度參數表Tab.1 Table of complexity parameters for different networks

4 仿真實驗與分析

針對第2節所述10種雷達有源欺騙干擾，以式(1)作為接收信號模型，構建仿真數據集進行算法性能測試。信號基本參數及部分干擾信號核心參數如表2所示。

表2 回波信號與欺騙干擾信號基本參數設置Tab.2 Basic parameter setting of echo signal and jamming signal

為擬合小樣本場景，以每種欺騙干擾僅包含20個脈沖信號，信噪比隨機取-10～10 dB，其他參數如表1所示，按照3.1節所述構造干擾信號訓練集。在訓練時，為提高模型訓練能力與泛化能力，除10種干擾類型外，引入Omniglot數據集的214種手寫字符每類20個樣本進行輔助訓練，支持集與查詢集樣本數均為5，每次訓練10個類，初始學習率設置為0.001。同時隨機生成10種干擾每種干擾500個脈沖信號，其他參數不變，構建測試樣本集，對多模態特征融合網絡進行測試，測試結果如圖5所示(實驗在GPU為NVIDIA GeForce RTX 2060的電腦上運行，通過MATLAB 2021a編程實現)。

圖5 本文方法的混淆矩陣(平均識別率97.65%)Fig.5 Confusion matrix of the proposed method (average recognition rate 97.65%)

從圖5可以觀察到，利用特征融合的原型網絡在訓練樣本較少的情況下，依舊可以得到比較好的識別效果，總體識別率達到了97.65%，實現了小樣本下的干擾識別。從圖5可以看到針對特征鮮明的干擾，例如卷積靈巧噪聲等，網絡的識別情況較好，主要的混淆出現在拖引干擾和密集假目標類干擾，這是由于在拖引的前期，真假目標還處在同一波門內，差距較小，識別的難度高，容易和其他拖引類混淆，同時也容易與波門內存在較少假目標的密集假目標類干擾混淆。

4.1 抗噪性分析

為驗證所提網絡在不同信噪比下的識別性能，設置信噪比從-15～10 dB，選取每種干擾20個脈沖樣本進行訓練，測試時隨機生成10種干擾每種干擾500個脈沖信號。這樣，得到不同網絡在不同信噪比下的識別性能如圖6所示。

圖6 不同網絡在不同信噪比下識別性能比較Fig.6 Comparison of recognition performance of different networks under different signal-to-noise ratios

從圖6可以觀察到，僅考慮單一模態下的識別，時頻圖像模態的識別效果是要優于特征參數模態的，這說明圖像的抗噪能力要強于時域特征。當信噪比較高時，采用模態融合的方式可以豐富識別特征的信息量，從而提高總體識別率。同時，從圖6可以看出，用加權歐氏距離訓練的多模態網絡在低信噪比下的識別性能要優于傳統的歐氏距離。

4.2 小樣本性能分析

小樣本識別的出現，最初就是為了解決訓練集樣本不充分、不全面條件下的識別問題。通過簡化網絡以及度量學習的方法，小樣本識別可以在較少樣本下得到識別結果，但依舊會在一定程度內受到樣本數量的影響。因此，訓練樣本數也是衡量小樣本識別網絡的一個重要指標。

為測試多模態網絡能力，選取信噪比在-10～10 dB下，樣本數量為2,5,10,15,20的各類干擾信號構建訓練集，另外選取每類干擾500個隨機信噪比的樣本構建測試集，分別進行訓練并完成測試，測試結果如表3所示。

表3 不同訓練樣本數下識別性能比較(%)Tab.3 Comparison of recognition performance under different numbers of training samples (%)

從表3可以看到，本文所述方法在訓練樣本較少的情況下依舊可以很好地進行干擾信號的識別，在少量訓練樣本訓練時，借助數據集的擴充，可以達到80%左右的識別率。固定訓練集樣本信噪比，測試集信噪比隨機時，可以觀察到單信噪比訓練效果要差于混合信噪比樣本訓練效果，這主要是由于固定信噪比訓練無法捕捉更多的噪聲信息，抗噪性能下降，導致總體識別率降低。而當訓練樣本數大于10后，平均識別率小幅度上升并逐步趨于穩定，能夠將識別準確率維持在96%以上。

4.3 泛化能力分析

利用原型網絡作為識別網絡的優勢之一在于，基礎的卷積神經網絡學習[26]的是某一類樣本的具體特征，而原型網絡學習的是樣本在特定空間內的表達，這就使得以原型網絡作為分類器時能夠泛化到訓練集中沒有出現過的新類。這種泛化能力的優勢在于，訓練好的網絡參數不再受制于特定場景的使用，在其他場景下依賴同場景構建的干擾原型也能進行有效的識別，此外在提供干擾原型時，還可以對未訓練干擾類型進行有效識別，更適應于復雜多變的真實場景。

前一部分的網絡訓練及測試所用數據主要來自軟件仿真，訓練與測試的數據為同源數據。為了測試網絡的泛化能力，利用干擾模擬器重新采集包括距離滯后密集假目標干擾、距離超前密集假目標干擾、切片重構干擾、間歇采樣轉發干擾、距離拖引干擾、速度拖引干擾、距離-速度聯合拖引干擾在內的7種干擾信號，干擾模擬器及控制平臺如圖7所示。

圖7 干擾信號數據獲取平臺Fig.7 Interference signal data acquisition platform

對于干擾模擬器采集的7種干擾信號，隨機選取每種類型的干擾干噪比為5 dB的5個脈沖信號用以構建原型，另外選取每類200個參數隨機的信號構建測試集，利用4.1節中不在雷達模擬器干擾類別的4種干擾，即速度維密集假目標干擾、距離-速度聯合密集假目標干擾、頻譜彌散、卷積調制靈巧噪聲干擾，進行訓練。圖8(a)為孿生網絡[25]的測試結果，圖8(b)為本文網絡未引入Omniglot數據集的測試結果，圖8(c)為本文網絡引入Omniglot數據集的測試結果。

圖8 泛化能力測試結果Fig.8 Generalization ability test results

從圖8(a)和圖8(b)可以看出：對于模擬器產生的7種干擾信號，本文所提網絡相比孿生網絡能夠獲得更高的平均識別準確率。對比圖8(b)和圖8(c)可知，引入Omniglot數據集后，網絡的泛化能力有著明顯的增強，對于多種干擾表現良好，7種干擾的平均識別準確率優于92%。而對于拖引類干擾，模擬器產生的數據由于模擬器件的使用會產生一定的諧波，這對干擾識別會產生一定的影響，但從總體識別結果來看多模態網絡還是得到了比較不錯的識別效果，這也從一定程度上證明了本章所提網絡的泛化能力。

5 結語

針對一般的雷達欺騙干擾識別方法依賴完備的樣本集，無法對有限小樣本下的干擾完成檢測的問題，本文提出了一種基于小樣本的多模態原型網絡。通過遷移Omniglot數據集擴充預處理后的時頻圖像數據集，并融合特征參數與時頻圖像兩個模態的特征，實現特征互補，最后以原型網絡訓練多模態特征，實現了基于小樣本的多模態雷達有源欺騙干擾識別。仿真結果表明，本文所提方法能夠在訓練樣本有限的情況下將不同類型干擾信號總體識別率提升至97%以上，且在泛化能力上表現良好；時頻圖像的降噪處理和多模態特征的融合，使得所提網絡在低信噪比條件下也有良好的識別性能。