黃 智 王俊杰 石國良
(海軍工程大學(xué) 武漢 430000)
雷達輻射源識別(Emitter Identification,EID)作為電子戰(zhàn)領(lǐng)域最基礎(chǔ)的技術(shù)之一,在認(rèn)知雷達、雷達發(fā)射機識別和偵察威脅告警等方向皆有應(yīng)用,它對敵方雷達信號進行截獲、定位、分析和識別,為作戰(zhàn)指揮人員提供戰(zhàn)場態(tài)勢信息和戰(zhàn)術(shù)決策行動[1]。隨著雷達技術(shù)的不斷發(fā)展,雷達信號形勢越來越多樣化,按照傳統(tǒng),根據(jù)脈沖描述字(Pulse Descrip?tion Word,PDW)實現(xiàn)輻射源識別的方法其效果不斷降低[2]。為適應(yīng)現(xiàn)代戰(zhàn)爭,近些年研究重點開始轉(zhuǎn)向雷達輻射源脈內(nèi)特征的提取,開始發(fā)展許多關(guān)于輻射源脈內(nèi)特征提取的方法,其中,基于時頻特征[3]的輻射源識別方法在EID領(lǐng)域取得了較好的識別效果,但目前依舊有一些問題存在:1)許多理論模型在時間消耗上太大;2)通過人為提取特征進行識別,識別的結(jié)果很大程度上依賴于特征參數(shù)的設(shè)計。因此,如果能夠設(shè)計出自動提取信號本質(zhì)特征、識別速度塊且能夠分類多種輻射源的神經(jīng)網(wǎng)絡(luò)模型,對識別性能的提升和理論的實際應(yīng)用具有重要意義。
近些年,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)因其強大的性能廣泛應(yīng)用于自動駕駛[4]、圖像識別[5]以及醫(yī)療[6]等領(lǐng)域,其通過相互連接的卷積層和池化層自動提取圖像深層特征,達到極高的識別準(zhǔn)確率[5]。不少研究者開始將CNN與輻射源識別相結(jié)合,文獻[7]通過信號脈寬、脈幅和載頻形成表征信號特征空間的三維圖像,輸入到CNN完成58個獨立輻射源的識別[7];文獻[14]將低信噪比下的時頻圖處理與圖像形態(tài)學(xué)相結(jié)合,利用圖像形態(tài)學(xué)的知識去除時頻圖中產(chǎn)生的噪聲,同時構(gòu)造一個包含兩層卷積層的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)8種輻射源信號的分類;文獻[15]同樣運用了卷積神經(jīng)網(wǎng)絡(luò)的方法,實現(xiàn)了12種低截獲概率信號的分類。但是,在這些方法中,作為輸入的特征圖像尺寸大,并且在關(guān)于網(wǎng)絡(luò)的識別速度上沒有做更進一步的分析。所以,本文構(gòu)建11層CNN實現(xiàn)輻射源識別,主要貢獻在于:1)引入時頻圖作為CNN的輸入特征圖像,進一步提高在低信噪比下對不同輻射源信號的識別率;2)簡化輸入圖像尺寸為64×64并構(gòu)建深層網(wǎng)絡(luò),進一步縮短對輻射源信號的識別時間。
卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的經(jīng)典結(jié)構(gòu)通常包含5個部分:輸入層、卷積層、池化層(又稱下采樣層)、全連接層和輸出層。它通過交替進行的卷積和池化操作來完成圖像的特征提取和降維。本文采用時頻分析的方法將信號轉(zhuǎn)換為時頻圖,輸入時頻圖X∈?n×n,最終通過全連接層劃分為目標(biāo)類別 y∈?m,如圖1。
圖1 CNN基本結(jié)構(gòu)
其中,“?”代表卷積操作,bk表示對于第k組卷積核的偏置量。
在得到第i+1層卷積層的特征圖后,CNN接著做池化操作,有
其中,Sample(·)是池化函數(shù),CNN將卷積層大小為n×n的特征圖做池化,經(jīng)過池化,特征圖的數(shù)量不
經(jīng)過CNN交替進行的卷積和池化,最終得到的特征圖被拉成一組一維向量,再將該組向量經(jīng)過若干個全連接網(wǎng)絡(luò),最終劃分為m個目標(biāo)類別。
其中,F(xiàn)ullconnect(·)表示全連接操作。
提取信號的時頻特征有多種方法[8],而非線性時頻表示的Choi-William分布(Choi-Williams dis?tribution,CWD)可以有效抑制時頻交叉項[9],在接收頻率編碼信號或同時接收多個輻射源信號時能展示出更清晰、準(zhǔn)確的時頻特征圖,所以本文選擇CWD作為信號時頻特征圖的提取方法。
對于輸入信號s(t),作時頻變換:
其中,CWD(·)表示對輸入信號作Choi-William變換,經(jīng)過變換得到大小為n的一維向量t∈?n、二維向量 f∈?n×n和二維向量 trf∈?n×n。需要強調(diào)的是,f中每個元素代表該點的頻率值,trf中每個元素代表該點的信號強度。
CNN主要完成圖像識別,而圖像的值范圍在0~255,經(jīng)過變換后,信號的強度值有時會超出0~255的范圍,根據(jù)這個情況,假設(shè)trf內(nèi)任意一點的強度值為 ||trfij,做如下數(shù)據(jù)處理:
其中,max(·)和 min(·)分別表示取最大值和取最小值函數(shù)。
圖2是本文搭建的基于CNN的雷達輻射源識別網(wǎng)絡(luò)圖,它包括4層卷積層,4層池化層,2層全連接層以及1層dropout層。其中,dropout層是為了防止網(wǎng)絡(luò)過擬合而設(shè)計,其將神經(jīng)元按照一定的概率暫時從網(wǎng)絡(luò)中丟棄以防止網(wǎng)絡(luò)的過擬合。
圖2 基于CNN的輻射源識別流程圖
根據(jù)圖2,構(gòu)建的CNN可以表示為
CNN沒有訓(xùn)練好之前,網(wǎng)絡(luò)輸出的 y1,y2,…,ym共m個預(yù)測結(jié)果與預(yù)先設(shè)置好的正確結(jié)果(標(biāo)簽值)y1_label,y2_label,…,ym_label之間計算損失值:
根據(jù)損失值,用反向傳播算法[10]對CNN中各卷積核和全連接層中的權(quán)重值進行誤差精調(diào),使網(wǎng)絡(luò)內(nèi)部的所有權(quán)重參數(shù)與需要分類的輻射源類型不斷契合。
神經(jīng)元在經(jīng)過分類器后,所有類別的輸出概率和為1,最有可能的類別將輸出最大的概率值,至此可以得到輻射源的分類識別結(jié)果result=
采用Matlab產(chǎn)生六種脈沖壓縮體制輻射源信號進行仿真實驗,以此來進一步驗證所提出CNN網(wǎng)絡(luò)的識別性能。這六種輻射源信號分別為常規(guī)脈沖信號(CP)、線性調(diào)頻信號(LFM)、非線性余弦調(diào)頻信號(NCFM)、二相編碼壓縮信號(BPSK)、二頻率編碼信號(BFSK)和四頻率編碼信號(QFSK)。
在實際信號環(huán)境中存在多種載頻的信號,而接收機在接收不同載頻的信號后,時頻圖會有所變化(如圖3),所以,本文在產(chǎn)生6種調(diào)制信號的基礎(chǔ)上,對每種調(diào)制信號的訓(xùn)練樣本內(nèi)產(chǎn)生不同載頻的信號,產(chǎn)生的信號載頻范圍從0~fs/2,以此調(diào)整時頻圖中調(diào)制信號的分布位置,得到更多不同的時頻圖,擴大訓(xùn)練樣本包含的內(nèi)容。
根據(jù)以上條件,在訓(xùn)練集中,針對每種調(diào)制信號產(chǎn)生1800個訓(xùn)練樣本,共產(chǎn)生10800個訓(xùn)練樣本。對于每種調(diào)制信號,1800個訓(xùn)練樣本中隨機添加噪聲,噪聲的產(chǎn)生范圍從-6dB~9dB,同時,這1800個訓(xùn)練樣本包含的載頻范圍從0~fs/2。在測試方面,共設(shè)置6個測試集,它們的信噪比分別為-6dB、-3dB、0dB、3dB、6dB和9dB,每個測試集包含1800個測試樣本,針對每種調(diào)制信號產(chǎn)生300個測試樣本,隨機生成每個樣本的載頻,載頻的產(chǎn)生范圍從0~fs/2。
圖3 兩種調(diào)制信號在不同載頻下對時頻圖的分布影響
信號參數(shù)設(shè)置采樣率為50MHz,BPSK和BFSK采用11位Barker碼,QFSK采用16位Frank碼,仿真中均采用加性高斯白噪聲。
需要強調(diào)的是,本文仿真設(shè)置CNN塊大小為200,訓(xùn)練次數(shù)3000次,卷積核大小3×3,學(xué)習(xí)率0.1。采用該參數(shù)設(shè)置,經(jīng)python的tensorflow框架訓(xùn)練后,CNN模型在信噪比為9dB的測試集上最終可達到100%的識別率。
利用配置的模型,分別在設(shè)計的六個測試集上進行識別,考慮到CNN高識別率的獲得是采用較長的時間和大數(shù)量的樣本來訓(xùn)練達到的,以長時間、大數(shù)量訓(xùn)練得到的模型來識別較小數(shù)量的測試集,不足以驗證網(wǎng)絡(luò)的整體性能,所以在每個信噪比的測試集中分別產(chǎn)生 600、1800、3000、4200、5400共5種大小的測試樣本,得到的識別情況如圖4所示。
圖4表明,隨著信噪比的提升,CNN的識別率增加的很快,在信噪比為-6dB的時候識別率較差,為72%左右,但信噪比提高到-3dB時,CNN的識別率達到96%左右,當(dāng)信噪比在3dB~9dB的時候,CNN在所有測試集上均可以100%的分類六種輻射源信號,在增加測試樣本的情況下,CNN的識別率沒有太大波動,說明結(jié)合時頻分析的CNN對六種輻射源的識別結(jié)果是準(zhǔn)確、有效的。
圖4 不同訓(xùn)練樣本數(shù)的識別率(%)
表1 不同分類算法的識別率(%)
本文選取4種識別率較高的算法與CNN作為對比,文獻[11]提出用稀疏分類(SC)的方法識別輻射源,并將傳統(tǒng)KNN分類器作為對比,文獻[12]提出利用RBF-SVM對輻射源時頻特征進行分類,文獻[13]提出使用多自動編碼器(SAE)來識別輻射源,并將識別結(jié)果同KNN算法、文獻[11]提出的SC算法和文獻[12]提出的RBF-SVM算法作對比,表明其SAE算法在KNN、RBF-SVM、SC等算法中表現(xiàn)最佳。本文從文獻[13]的仿真條件出發(fā),設(shè)置相同的測試樣本,在不同的信噪比下獲得的識別結(jié)果如表2所示,可以發(fā)現(xiàn),當(dāng)SNR=-6dB時,SAE識別率略高于CNN,當(dāng)SNR≥-3后,五種算法中CNN的識別率更好,高于其余四種算法。此外,在平均識別時間上,CNN為5.86s,僅次于KNN,所以從整體來看,CNN的識別性能最佳。
根據(jù)CNN能夠自動提取時頻圖特征并完成分類的特性,本文構(gòu)建11層的CNN,并將信號經(jīng)過時頻變換后得到的時頻圖作為輸入訓(xùn)練出能夠識別輻射源的較優(yōu)權(quán)重模型,該模型能夠?qū)Σ煌愋洼椛湓催M行正確識別,驗證了算法的有效性。之后,CNN模型的效率被進一步作比較討論,仿真結(jié)果表明,從識別率以及識別速度上進行綜合考量,基于時頻分析和CNN的雷達輻射源識別算法是性能更優(yōu)且更加高效的一種輻射源識別算法。