戰場電磁頻譜智能認知技術

張澤輝,趙玉超,劉 沖,張 越,賀 棋,凌宇軒,葉 能,楊 凱*

(1.北京理工大學 網絡空間安全學院,北京 100081;2.中國電子科技集團公司第五十四研究所,河北 石家莊 050081;3.北京理工大學 信息與電子學院,北京 100081)

0 引言

空天戰場是未來戰場發展的趨勢,軍事力量競爭正在向空天領域轉移,軍事力量建設不斷向空天方向拓展[1]。外層空間不僅已成為提供戰場信息支援的媒介,而且將成為實施戰略性攻擊的場所。在信息化戰爭條件下,戰場信息主要依存于電磁空間,電磁空間已經成為繼陸地、海洋、天空、太空、網絡之后的第六維戰場[2]。電磁環境效應直接影響著武器裝備戰斗效能的發揮和戰場的生存能力,制電磁權成為制信息權的核心[3]。能否有效地掌握電磁頻譜信號的使用權與控制權、科學而合理地利用電磁頻譜信息,將對戰爭產生巨大影響[4]。

然而伴隨著戰場空間不斷擴展以及對抗裝備信息化水平不斷提高,對抗雙方使用的無線電設備種類、數量迅速增加,功率增大,同時對抗區域內還存在大量的民用電磁設備以及自然界的輻射源所輻射的大量電磁能量[5],戰場空間內信號多樣、縱橫交錯、相互交織,電磁環境快速時變。為了消除電磁頻譜的自擾互擾,維護己方用頻秩序,解決電磁兼容問題,需要強化戰場中的電磁頻譜智能認知技術。

我國電磁頻譜認知技術隨著無線電通信業務的發展有了進一步的提升[6],但我國空天電磁頻譜認知系統目前仍存在認知能力薄弱、自動化程度不足等問題。

針對空天戰場電磁頻譜環境快速時變、信號多樣的挑戰,提出了戰場電磁頻譜智能認知架構,并詳細介紹了基于該架構的全并行瞬時大帶寬信號處理、高精度多信號參數估計、復合特征調制識別和多域融合干擾識別技術。首先介紹了電磁頻譜監測系統的相關研究基礎,在此基礎上提出了電磁頻譜智能認知系統架構;然后分別介紹了全并行瞬時大帶寬信號處理技術、基于動態補償的高精度多信號參數估計技術、基于多維域特征的智能調制識別技術以及基于多域融合的干擾識別技術;最后對電磁頻譜智能認知技術進行總結。

1 研究現狀

隨著信息化水平的快速發展,頻譜資源的地位在對抗中越來越重要。目前研究的核心是實現對戰場電磁頻譜的持續監測,應對頻譜空間的沖突與干擾,更好地促進戰場電磁環境監測系統的可持續發展。

戰場電磁環境監測系統需要對信號進行采集和實時性智能分析,包括信號參數估計、調制識別和干擾識別等,及時發現戰場上無線通信鏈路中存在的問題,保障戰場通信的傳輸質量。目前國內外頻譜監測系統受限于硬件設備能力,實時分析帶寬多為40～160 MHz,對于多信號或大帶寬頻譜分析往往采用循環掃描或分時分析的方式實現,對于短突發信號則可能因為循環掃描概率的原因造成漏檢測[7]。

信號參數分析技術隨著頻譜監測設備的發展不斷更新,例如占據重要地位的載波中心頻率與帶寬的盲估計技術,從傳統的最大似然估計法、雙線幅度法[8-9],發展出了多種頻率分析技術。如基于自相關函數的載波頻率估計算法,利用自相關函數對高斯白噪聲良好的抑制性能,分析自相關函數特性并在此基礎上構造了代價函數,通過頻率搜索的方法估計載波頻率[10]。針對短時平穩序列,黃玉春等人[11]設計了一種基于線性調頻z變換(Chirp-z Transform)的改進Rife頻率估計。此外還有李兵兵等人[12]提出的基于廣義四階循環累積量的時頻重疊信號載波頻率估計算法,利用廣義四階循環累積量幅度譜的循環頻率與重疊信號的載波頻率相對應的特性,以及循環頻率處存在離散譜線的特性估計出重疊信號的載波頻率。但對于戰場通信信號來說,這些方法在信噪比(Signal to Noise Ratio, SNR)低的情況下精度較低,或者對于時間分辨率不足,無法捕獲信號的快速變化,因此不滿足信號的高精度實時分析要求,需要設計更合適的高精度參數分析技術。

調制類型的識別是信號波形識別和分類中最重要的環節之一。空間相關性是多輸入多輸出(Multiple-Input Multiple-Output, MIMO)系統的關鍵因素, Hassan等人[13]解決了空間相關MIMO系統中的盲數字調制識別問題,使用接收信號的高階矩和累積量來驗證所提出的算法,從而在沒有任何先驗信號信息的情況下識別不同的多進制移位鍵控線性調制方案。Marey等人[14]利用無線通信系統中廣泛使用的比特交織編碼調制方案的特性,研發正交頻分復用-軟件無線電(Orthogonal Frequency Division Multiplexing-Software Defined Radio,OFDM-SDR)系統實現自動調制識別。該算法的識別性能通過迭代得到顯著提高,優于傳統的未編碼算法。在空天戰場中,電磁環境復雜且收發雙方具有高動態的特征,以上方案無法實現較高精度的調制識別。為了在復雜的環境中高效地開發頻譜資源,需要更加高效的調制識別方法。

此外,加劇的頻譜擁塞會導致眾多干擾事件,干擾識別是確保戰場通信系統正常運行的關鍵環節。Wu等人[15]使用一種低復雜度的盲干擾檢測方法對時頻重疊的干擾信號進行操作,可實現將干擾信號從接收信號中分離出來。分離后的干擾信號與原始干擾信號具有相同的特征,實現了良好的干擾檢測性能。Qu等人[16]提出了一種新型干擾識別網絡(Interference Recognition Networks, IRNet),用于識別8種類型的干擾信號,包括惡意干擾和無意干擾等。該算法通過計算干擾信號的自相關函數獲得干擾信號的自相關特征,將其轉換為二維特征圖像,并將圖像用作IRNet的輸入,通過IRNet輸出預測的干擾類型。但相關研究中缺少系統性的干擾檢測和識別方法。

為應對大帶寬電磁信號動態變化快、數量繁多、調制方式多樣和干擾復雜等特點導致的電磁頻譜認知難題,智能頻譜認知技術將成為未來空天戰場電磁環境監測的重要發展方向。

2 系統架構

傳統的電磁頻譜認知系統多利用頻譜分析儀對信號進行監測,效率低、實時性差、不能進行頻譜數據的記錄和分析,數據獲取繁瑣。同時隨著空天平臺頻段不斷提高,傳統監測設備瞬時采集帶寬往往不足以覆蓋人們關心的頻段,當對大帶寬信號進行監測時通常采用分次循環掃描的方式實現,必然存在監測盲點,難以滿足快速響應的需求。同時,單通道監測設備隨著信號數量增多也增加了系統成本。

圖1為空天戰場電磁頻譜智能認知系統架構,該系統以無盲區監測、多監測對象、高精度分析為優化目標,旨在解決傳統監測系統所面臨的各種挑戰。系統架構主要分為大帶寬并行信號采集和高精度信號分析。信號經采集模塊采集并存儲數據,傳遞到信號分析模塊完成空天戰場信號分析。

圖1 空天戰場電磁頻譜智能認知系統架構Fig.1 System architecture of electromagnetic spectrum intelligent cognitive for air and space battlefield

2.1 大帶寬并行信號采集

大帶寬并行信號采集依托電磁頻譜監測設備實現,采用多通道并行監測架構的設計,具有多路全并行、1.2 GHz以上瞬時大帶寬數據采集分析的優勢,可應用于空天移動平臺信號的監測中,確保對大帶寬信號的實時監測,解決多路重點信號并行監測分析的需求,節省了多套設備投入,提高了系統工作效率。

2.2 高精度信號分析

信號高精度分析主要由信號參數估計、調制識別及干擾識別組成,圍繞人工智能,實現對戰場多信號高精度智能認知。

針對戰場信號時變性強、動態變化大導致監測精度低的問題,提出了基于動態補償的高精度信號參數估計技術,實現對載波頻點、帶寬等時頻域參數精準估計;針對多類別調制方式易混淆的問題,提出多維域特征提取技術,構建基于優化反向傳播(Back Propagation, BP)神經網絡的分類器,實現多類別調制方式精準識別;針對復雜干擾識別率低、計算復雜的問題,提出了多域融合的干擾識別算法,實現對空天平臺潛在干擾信號的全方位智能感知。

3 關鍵技術

3.1 全并行瞬時大帶寬信號處理技術

針對大帶寬多通道并行采樣與監測設備小體型、高性能、低功耗的需求,提出了一個高速率并行采集處理架構,如圖2所示。

圖2 高速率并行采集處理架構Fig.2 High-rate parallel acquisition processing architecture

該架構由集成帶寬接收模塊和基帶信號處理單元構成,支持多路信號進行采集處理,將模數轉換器(Analog-to-Digital Converter, ADC)輸出的串行數據存入緩存,利用低速時鐘將數據一次性讀出,從而將高速的串行數據轉換成多路并行的低速數據,每個通道都能實現高采樣率采集,數據進入后續的基帶信號處理單元,由可編程邏輯(Programmable Logic, PL)端的數字下變頻、濾波抽取模塊、快速傅里葉變換(Fast Fourier Transform, FFT)模塊和處理系統(Process System, PS)端的頻譜拼接模塊、頻譜抽取模塊、協議封裝與解析模塊分析處理。由此實現了對具有大帶寬空天平臺信號的全并行、多通道、瞬時高精度實時處理。

其中PL端的濾波抽取模塊由于大寬帶、高動態信號難以精準捕捉和識別,采用多級變速率濾波器,實現各通道分辨率動態可調,且節省了數字信號處理器(Digital Signal Processor,DSP)計算資源。在快速傅里葉變換FFT模塊利用邊緣實時處理實現高處理速度,顯著降低了計算資源和時延消耗。多級變速率濾波器如圖3所示,多級變速率濾波器負責對輸入信號進行逐級濾波抽取,實現采樣帶寬可調。將各級濾波器的輸出數據轉化為并行數據,依據選通信號輸出對應濾波器輸出結果。

圖3 多級變速率濾波器Fig.3 Multi-stage variable rate filters

在該濾波器的設計中,為了盡可能節約DSP資源,考慮了如下幾個策略：① 盡可能地降低有限脈沖響應(Finite Impulse Response, FIR)濾波器階數,并縮短通帶范圍;② 使抽頭系數對稱,從而可以對輸入濾波器的信號先對稱相加再做乘法;③ 調整濾波器抽頭使部分抽頭系數為0。應用以上策略設計的多級濾波器抽頭系數少,且通過濾波器連續抽取后通帶對應的FFT結果與抽取前完全一致,在保證精度的前提下節約資源,提高了系統集成度。

多級變速率濾波器突破了片上資源限制、提高了片上處理能力,顯著降低了計算資源損耗。表1為該濾波器和其他濾波器的DSP資源消耗對比。

表1 傳統濾波器與多級變速濾波器資源消耗對比

3.2 基于動態補償的高精度多信號參數估計技術

空天平臺信號時變性強、動態變化大,導致信號多普勒頻移和功率電平大范圍快速時變,對空天平臺信號高精度參數分析提出了挑戰。應用動態補償修正技術對空天平臺時變信號進行補償修正,在此基礎之上使用基于窗口差分的多信號參數估計技術對補償后的多個信號進行精準的參數識別。

3.2.1 動態補償修正技術

在自由空間,通過自由空間損耗公式可以得到信號損耗Loss空間：

Loss空間=32.4+20lg(F)+20lg(D),

(1)

式中：F為頻率,單位MHz;D為距離,單位km。

電磁頻譜認知系統根據天線與空天平臺的距離計算鏈路的空間傳播損耗,對功率進行補償。

為了提高空天平臺信道通信質量,針對空天平臺時變性強、動態變化大的特性,必須在極短時間內對其多普勒頻移做出精確估計[17]。多普勒頻偏的基本表達式為：

fDoppler=fc×vr/c,

(2)

式中：fc為載波頻率,c為光速,vr為兩個相互移動節點間的相對運動速度(即徑向速度)。

通過對信號的自由空間損耗與多普勒頻移的計算分析,能夠對空天平臺信號進行動態補償,補償后的信號通過窗口差分能夠精準獲取信號參數。

3.2.2 基于窗口差分的多信號參數估計技術

針對空天平臺信號數量多、監測系統無先驗信息的問題,采用現有的信號參數估計方法如重心法、瞬時相位法等[18-19],實現復雜度較高,且需要先驗信息,無法適用于多信號參數估計,因此提出了一種基于窗口差分的多信號參數估計方法,實現對多信號參數的精確盲估計。

圖4為基于窗口差分與多級循環估計的參數盲估計流程。將接收的時域空天平臺通信信號進行快速傅里葉變換,轉換為頻域信號,獲得原始采集數據。對頻域信號進行滑動窗口濾波,通過濾波窗口對頻域信號進行序列平滑濾波,減小雜散信號對信號檢測率的影響。

圖4 基于差分的多信號參數估計流程Fig.4 Difference-based multi-signal parameter estimation process

窗口差分技術將濾波后的頻域信號通過檢測窗口進行序列檢測。以窗口長度進行分段,計算得到每個窗口段內信號序列的均值;用后一段信號序列的均值與當前段信號序列均值進行差分,得到一系列差分值;根據差分值的峰值設置一組正負門限,將各差分值與設置的門限值進行比較,差分值大于正門限值則該段存在一個信號的上升沿,差分值小于負門限值則該段存在一個信號的下降沿。通過識別連續的上升沿與下降沿實現信號的檢測,檢測出監測頻段內存在的信號窗口區間。

利用多級循環估計技術,將獲得的信號取其上升沿窗口最小的采樣點n1作為下限,將下降沿窗口最大的采樣點n2作為上限,尋找頻段范圍內的功率譜密度峰值Pmax。

Pmax=max[P(n1：n2)]=P(imax),

(3)

式中：imax表示功率譜密度峰值對應的采樣點。

以峰值為中心分別進行前向和后向搜索,向前尋找低于峰值點xdB的一個頻點,并向后尋找低于峰值點xdB的一個頻點,即該峰值點對應的xdB帶寬。

(4)

式中：iL和iH分別為功率譜密度值低于峰值xdB的對應最小索引和最大索引采樣點。此時信號xdB帶寬所占功率譜總帶寬的比值表示為：

(5)

式中：N為采樣點數。

由已知的采集功率譜總帶寬S即可求得該信號的帶寬B：

B=S×R。

(6)

由已知的信號采集功率譜起始頻率FS得出中心頻點FC為：

(7)

即根據式(7)識別出信號的中心頻率。

基于窗口差分的多信號參數估計將平滑后的頻域信號通過檢測窗口進行均值差分檢測,僅需檢測出存在信號的窗口區間,并通過識別xdB帶寬計算檢測信號的中心頻率,提高中心頻率檢測精度,實現多信號的中心頻率精準盲估計。

3.3 基于多維域特征的智能調制識別技術

在實際空天平臺系統的調制識別過程中,調制類型復雜多樣,很難針對調制信號某一特征進行有效區分,對此,介紹基于多維域特征的智能調制識別技術。引入智能多維域特征提取技術,包括時頻域、調制域、高階累積量域、特征變換域的特征提取,為調制識別提供豐富的維度信息;采用復合特征的多類別調制識別技術,依據BP神經網絡準確識別包括QPSK、8PSK、16QAM等總計17種調制方式。基于多維域特征的智能調制識別技術能夠應對復雜多樣的調制信號,提升了調制識別準確性和可靠性。

3.3.1 智能多維域特征提取技術

針對空天平臺信道時變動態大、調制信號特征難以區分的問題,本文提出智能多維域特征提取技術,所提取的信號特征總計19種,具體信號特征種類如圖5所示。

圖5 多維域特征類別Fig.5 Multidimensional domain feature category

3.3.1.1 時頻域、調制域

零中心非弱信號段非線性相位的標準偏差σdp反映了信號瞬時相位的波動情況,可用于區分信號是否包含直接相位信息,計算如下：

(8)

式中：C為在全部N個采樣數據中屬于非弱信號值的個數,φNL(i)為經零中心化處理后瞬時相位的非線性分量,An(i)為信號幅度,at為判決門限。

零中心瞬時幅度歸一化后的譜密度的最大值γmax反映了信號瞬時幅度的波動情況,進而可以區分恒包絡調制和非恒包絡調制。γmax的表達式為：

(9)

式中：N為采樣點數,Acn為歸一化后的零中心瞬時幅度,可以表示為：

Acn(i)=An(i)-1。

(10)

(11)

(12)

式中：Acn為歸一化后的零中心瞬時幅度,fcn(i)為歸一化后的零中心瞬時頻率：

(13)

(14)

式中：f(i)為瞬時頻率,mf為瞬時頻率f(i)的平均值,N為采樣點數。

載頻的頻譜對稱性rs反映了信號頻譜以載波頻率為中心的對稱性,可用于區分非對稱邊帶調制和對稱邊帶調制,或區分上邊帶調制和下邊帶調制。

(15)

式中：PL和PU分別為信號下邊帶頻譜功率和信號上邊帶頻譜功率。PL和PU的表達式為：

(16)

(17)

式中：X(i)為離散頻域數據。

3.3.1.2 高階域

高階累積量具有能夠反映調制信號的高階統計特性、良好的抗衰落性以及抑制高斯白噪聲有效性的性質,且不同的數字調制信號有著不同的高階累積量。可以將不同特征的高階累積量作為調制信號分類依據。

對于一個復隨機過程x(t),其高階矩計算過程為：

Mpq=E[x(t)p-q(x*(t))q],

(18)

式中：E[·]表示求期望,*表示復共軛,p表示階數,q表示共軛個數。

根據所求信號的高階矩,可以計算出二階、四階、六階和八階的累積量：

C20=M20,

(19)

C21=M21,

(20)

(21)

C41=M41-3M21M20,

(22)

(23)

(24)

(25)

(26)

(27)

3.3.1.3 特征變換域

特征變換域包括熵域特征、小波變換域特征及循環平穩性特征。

熵域特征使用Renyi熵、功率譜香農熵和功率譜指數熵作為調制識別的特征參數。α階Renyi熵的定義如下：

(28)

式中：X、P(X)為隨機變量。

當α-1趨近于0時,Renyi熵退化為香農熵,香農熵公式如下：

(29)

式中：pi為概率。

功率譜指數熵表示信號能量在功率譜劃分下的不確定性,是對信號在頻域上能量分布的復雜程度的定量描述,功率譜指數熵定義為：

(30)

式中：H表示熵值。

小波變換是一種信號的時頻分析方法,具有多分辨分析的特點,同時具有時域局部化和頻域局部化的性質。利用小波變換把信號在不同尺度下分解,能呈現各種調制類型信號的細節。用不同的小波基分析同一個問題會產生不同的結果,常見的小波函數有Haar小波、Daubechies小波、Coflet小波、Symlet小波、Morlet小波等。由于Haar小波形式簡單、易于計算,適用于工程,因此采用Haar小波。Haar小波定義為：

(31)

其小波基函數Ψ(a,b)(t)為：

(32)

循環累積量表征了信號的循環平穩特性,不同調制類型的通信信號在循環統計量域具有不同的雙頻(或多頻)平面分布。因此可以利用循環統計量對調制信號進行分類。

通過智能多維域特征提取技術,系統可支持對時頻域、調制域、高階域、特征變換域特征提取,從而為后面的調制識別提供豐富的差異化參數輸入,提高了調制信號分類的準確性。

3.3.2 基于優化BP神經網絡的調制識別技術

基于優化BP神經網絡的調制識別技術是在上述多維域特征庫提取技術基礎上,針對BP神經網絡易陷入局部極小值點的問題,采用遺傳算法優化BP神經網絡,設計優化的BP神經網絡分類器進行調制識別的技術。

傳統的BP神經網絡分類器初始權值和初始閾值隨機選取,選取不當時,BP神經網絡會陷入局部極小值點,最終導致分類器的分類效果變差。

為了解決該問題,采用基于遺傳算法優化的BP神經網絡的調制識別技術。遺傳算法是一種最優解全局搜索算法,可以對BP神經網絡的初始權值和初始閾值進行優化,進而避免BP神經網絡陷入局部極小值點。而BP神經網絡的局部尋優能力較強,因此,將遺傳算法與BP神經網絡相結合,既可以避免BP神經網絡的權值和閾值收斂于局部極小值,又可以提高BP神經網絡在調制識別問題中的識別性。

基于遺傳算法優化的BP神經網絡的調制識別技術,需要對遺傳操作進行設計,遺傳操作包括選擇、交叉及變異三部分[20]。遺傳操作中的選擇部分采用輪盤賭選擇算法,在輪盤賭選擇算法中,個體的適應度越高,個體被選擇的概率就越大。交叉部分的完成首先需要確定交叉父代,然后將交叉父代兩兩隨機分對,最后將分對后的交叉父代進行兩兩交叉替換。變異部分的完成與交叉部分類似,同樣需要先確定變異父代,之后確定變異父代的變異位置,然后再對挑選出來的變異父代的變異位置進行變異。

基于上述遺傳操作的設計,采用遺傳算法優化BP神經網絡權值和閾值的算法流程如圖6所示。

圖6 優化BP神經網絡分類器算法流程Fig.6 Algorithmic process for optimising BP neural network classifiers

為了進一步驗證遺傳算法對BP神經網絡的優化效果,對優化BP神經網絡分類器和傳統BP神經網絡分類器的分類效果進行比較。比較結果如圖7所示,其中,平均識別率是指在同一個SNR下,所有待識別調制信號的識別率的平均值。

圖7 分類器的分類效果比較Fig.7 Comparison of classification effects of classifiers

從圖7可以看出,當SNR≥0 dB時,優化BP神經網絡分類器的分類效果和傳統BP神經網絡分類器的分類效果相近,平均識別率均接近于100%。當SNR<0 dB時,優化BP神經網絡分類器的分類性能優于傳統BP神經網絡分類器,特別是當SNR= -5 dB時,采用優化BP神經網絡分類器的調制識別算法的平均識別率比采用傳統BP神經網絡分類器的調制識別算法高約8%。這說明優化BP神經網絡分類器通過采用遺傳算法優化BP神經網絡,可以有效提高調制信號的識別率。

使用17種不同調制類型的仿真信號測試經遺傳算法優化的BP神經網絡的調制識別能力,在不同信噪比條件下的識別效果如圖8所示。

圖8 基于優化BP神經網絡的調制識別算法在不同 SNR下的識別效果Fig.8 Recognition effects of modulation recognition algorithm based on optimized BP neural net- work under different SNR

3.4 基于多域融合的干擾識別技術

空天平臺信號傳輸過程中,無線鏈路極易受到各類無線電的干擾,為了應對這一挑戰,提出基于多域融合的干擾識別技術,以提高空天平臺通信系統對各類干擾的識別能力。

針對合法信號帶內干擾識別率的問題,提出了多域融合干擾類型識別技術。在頻域和時頻域分別提取了干擾信號的頻域序列和時頻圖像特征融合進行干擾識別研究,充分利用不同域間的互補性,提高干擾識別性能。

在設計的特征融合干擾識別模型中,主要采用一維卷積神經網絡提取干擾信號頻域序列的頻譜微觀特征,采用引入注意力機制的殘差網絡(Residual Network, ResNet)模型提取干擾信號的時頻域信號頻率隨時間變化的特征。將提取的干擾信號頻域與時頻域特征進行拼接,使用全連接神經網絡進行分類得到干擾信號類別。如圖9所示,特征融合網絡分為三部分：一維卷積神經網絡(1D Convolutional Neural Network, 1DCNN)、ResNet和深度神經網絡(Deep Neural Network, DNN)。其中,1DCNN網絡結構中使用8層卷積模塊進行特征的提取,每層卷積模塊由卷積層、批量歸一化(Batch Normalization,BN)和激活函數構成。進行了7層池化操作進一步壓縮提取特征,減少參數量的同時保證特征的有效性,最后使用兩層全連接層將特征展開并使用Softmax進行分類。

圖9 基于多域融合的干擾識別系統框架Fig.9 Framework for interference recognition system based on multi-domain fusion

卷積神經網絡通過對數據逐層卷積提取其深層特征,所以其性能受網絡深度影響明顯。理論上,網絡越深表示空間越大,網絡應該具有更強的表達能力,從而獲得更高的分類正確率。然而在不斷的堆疊卷積層的過程中,會產生梯度消失或梯度爆炸的現象使網絡訓練困難,從而降低深層網絡的映射能力。He等人[21]提出了基于殘差模塊的ResNet網絡,解決了DNN的梯度消失問題和退化問題,其數學表達式為：

H(x)=F(x)+x。

(33)

殘差結構示意如圖10所示,H(x)為輸入x經過非線性變換的輸出結果,F(x)=H(x)-x為該模塊的殘差函數。當殘差函數F(x)趨近于0,卷積層將進行一個恒等映射,即該層網絡不進行重復的學習任務,只學習現有解與最優解之間的誤差,降低了學習難度。

圖10 殘差結構示意Fig.10 Residual structure diagram

ResNet選用了表現較好的ResNet50作為模型進行干擾信號分類任務。而卷積塊注意力模塊(Convolutional Block Attention Module, CBAM)內部只有少量的卷積和池化操作,減少了卷積運算帶來的大計算量和高復雜度,使得CBAM具備很高的輕量化程度,同時基于池化操作的CBAM能夠直接嵌入到卷積操作后,可以加到現有的ResNet模型中增強特征的提取,有助于提高分類性能,如圖11所示。

圖11 CBAM網絡結構圖Fig.11 CBAM network structure diagram

DNN的網絡結構參數如表2所示。

表2 DNN網絡結構參數

為了減少過擬合現象,在第一層網絡引入了BN和Dropout。激活函數使用LeakyReLU函數。

對引入單音干擾、多音干擾、部分頻帶干擾、寬帶噪聲干擾、線性掃頻干擾和脈沖干擾6種干擾信號的OFDM信號進行干擾分類,做2 048點FFT獲得其功率譜數據,保存2 048維向量作為頻域數據集。

同時對6種信號做短時傅里葉變換(Short-time Fourier Transform, STFT)獲得時頻圖像作為時頻圖像數據集。實驗結果表明,在干信比(Jamming-to-Signal Ratio,JSR)為 -12 dB時,識別率達到97%以上,能夠準確分類6種干擾信號,如圖12所示。

圖12 不同JSR下各干擾類型識別率仿真結果Fig.12 Simulation results of recognition rate of each interference type under different JSR

4 結論

針對現代戰場電磁頻譜環境快速時變、信號多樣的挑戰,提出了空天戰場電磁頻譜智能認知系統架構,有效提高了電磁頻譜監測系統的實時性、可實現性及經濟性。基于此架構提出了全并行瞬時大帶寬信號處理技術,實現了對具有大帶寬信號的全并行、多通道實時采集;提出了高精度多信號參數估計技術,實現對載波頻點、帶寬等參數精準估計;提出了基于多維域的復合特征調制識別技術,實現了低信噪比下17種調制方式的精準識別;提出了多域融合干擾識別技術,實現了合法信號帶內干擾的檢測和類型的識別。研究成果為空天戰場復雜環境下大寬帶、高動態信號的智能電磁頻譜認知提供了有力技術支撐。