基于改進型AlexNet的LPI雷達信號識別

楊潔 張歡

摘? 要： 為了識別低截獲概率（LPI）雷達信號，給出一種基于Choi?Williams分布（CWD）和改進型AlexNet網(wǎng)絡(luò)模型。首先，利用CWD時頻分析方法獲得LPI雷達信號的二維時頻圖像;然后，對獲取的原始圖像進行預(yù)處理，建立改進型AlexNet網(wǎng)絡(luò)模型對處理后的圖像進行訓(xùn)練，獲得訓(xùn)練模型;最后，利用訓(xùn)練模型對常見LPI雷達信號（FMCW，Costas，F(xiàn)rank，P1，P2，P3，P4）進行識別。仿真結(jié)果表明，與AlexNet網(wǎng)絡(luò)模型相比，改進型AlexNet對LPI雷達信號識別率更高。

關(guān)鍵詞： LPI雷達信號; Choi?Williams分布; 時頻圖像; 圖像處理; 深度學(xué)習(xí); AlexNet

中圖分類號： TN957.52?34? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）05?0057?04

LPI radar signal recognition based on improved AlexNet

YANG Jie， ZHANG Huan

（School of Communication and Information Engineering， Xian University of Posts and Telecommunications， Xian 710121， China）

Abstract： A Choi?Williams distribution （CWD） and an improved AlexNet network model are presented to identify the low probability of intercept （LPI） radar signals. Firstly， the two?dimensional time?frequency image of LPI radar signals is obtained by CWD time?frequency analysis method， and then the obtained original image is preprocessed. The improved AlexNet network model is created to train the processed image for the training model. Finally， the training model is used to identify common LPI radar signals （FMCW， Costas， Frank， P1， P2， P3， P4）. The simulation results show that the improved AlexNet has a higher recognition rate for LPI radar signals than that of the AlexNet network model.

Keywords： LPI radar signal; Choi?Williams distribution （CWD）; time?frequency image; image processing; deep learning; AlexNet

0? 引? 言

雷達信號識別是電子情報偵察和電子支援措施必須解決的問題[1]。低截獲概率（Low Probability of Intercept，LPI）雷達具有低功率、高分辨、大帶寬、抗干擾和低截獲等屬性，使得非合作截獲接收機難以截獲和檢測到其發(fā)射的信號[2?3]。傳統(tǒng)基于脈沖描述字（Pulse Description Word，PDW）的五大特征難以滿足識別要求[4]。因此，如何正確識別LPI雷達信號成為非合作雷達信號處理研究的重點。

用于LPI雷達信號識別問題的方法有K鄰近算法[5]、密度聚類算法[6]，這兩種算法雖然操作簡單，耗費的成本較少，但往往識別效果不太理想[7]。文獻[8]利用徑向基神經(jīng)網(wǎng)絡(luò)對LPI雷達信號進行識別，但對降噪處理研究不深且在較低信噪比下識別的效果不太理想。文獻[9]采用基于時頻圖像二維的模式分解（Empirical Mode Decomposition，EMD）和重構(gòu)算法完成LPI雷達信號識別，雖然改進了文獻[8]中的圖像降噪問題，但對較低信噪比下的識別正確率改進的不明顯。這些算法采用的時頻分析方法產(chǎn)生的圖像存在交叉項，又需要將彩色圖像轉(zhuǎn)化為灰度圖像，使得圖像的前期處理任務(wù)復(fù)雜而繁瑣，且在圖像裁剪時會出現(xiàn)一定量的數(shù)據(jù)丟失現(xiàn)象，從而對分類正確率有一定的影響。

AlexNet網(wǎng)絡(luò)模型結(jié)構(gòu)簡潔，采用了一些新方法以實現(xiàn)高效的訓(xùn)練和穩(wěn)定的收斂速度。已經(jīng)在圖像分類識別[10]、通信信號識別[11]、遙感圖像[12]以及個體動態(tài)識別[13]上都取得了非常優(yōu)秀的效果。本文提出基于時頻圖像和改進型AlexNet的LPI雷達信號識別方法，先利用Choi?Williams方法生成時頻圖像，然后對時頻圖像預(yù)處理，最后將改進型AlexNet網(wǎng)絡(luò)模型應(yīng)用到LPI雷達信號識別中。通過仿真實驗驗證了改進型AlexNet網(wǎng)絡(luò)模型對LPI雷達信號識別的有效性。

1? 時頻分析與AlexNet網(wǎng)絡(luò)模型

1.1? LPI雷達信號與時頻分析

改進型AlexNet模型對LPI雷達信號進行訓(xùn)練的迭代過程準(zhǔn)確率和損失率曲線如圖4所示。信噪比為0 dB時7種雷達信號的混合識別結(jié)果如表1所示，此時信號的整體平均識別率為97%。

由圖4可見，訓(xùn)練開始時由于沒有進行迭代使得訓(xùn)練正確率低、損失率高，隨著迭代次數(shù)不斷增加，獲得的圖像特征更加精細(xì)，從而正確率不斷增加，同時損失率曲線逐步降低，在迭代2 000次時曲線已經(jīng)趨于平穩(wěn)。

在不同信噪比下，利用實驗中訓(xùn)練好的改進型AlexNet網(wǎng)絡(luò)模型測試對7種雷達信號的正確識別率，實驗結(jié)果如圖5所示。由其可見，在信噪比小于-2 dB時，P3碼信號和P4碼信號的識別正確率低，這是因為它們的信號編碼是直接趨近LFM信號，這種相似性從圖1所給出的時頻圖像中可以明顯看出。但在越低的信噪比條件下，它們的瞬時頻率差距就變得越模糊。在信噪比為2 dB的情況下，7種信號的正確識別率幾乎達到100%。

在實驗過程中，使用相同的時頻分析和圖像處理方法比較AlexNet和改進型AlexNet訓(xùn)練模型分別對7種雷達信號識別的準(zhǔn)確率，對比結(jié)果如圖6所示。

從圖6可以看出：改進型AlexNet網(wǎng)絡(luò)模型的識別率和傳統(tǒng)的AlexNet模型識別率都隨著信噪比的增大不斷提高，當(dāng)信噪比為2 dB時，改進型算法對信號整體識別率接近100%，而AlexNet在信噪比為6 dB時識別率才趨于穩(wěn)定狀態(tài);改進型AlexNet模型在訓(xùn)練時獲得更細(xì)致的圖像特征，并減少了連接層節(jié)點數(shù)量，防止過擬合，與傳統(tǒng)AlexNet模型的識別率相比，其識別正確率始終高于傳統(tǒng)模型的正確識別率。

4? 結(jié)? 語

針對LPI雷達信號的識別問題，本文提出了一種改進型AlexNet網(wǎng)絡(luò)模型的LPI雷達信號識別。采用CWD時頻分析對LPI雷達信號進行處理，獲取二維時頻圖像，然后利用雙線性三次插值法對時頻圖像進行預(yù)處理操作，以滿足改進型AlexNet網(wǎng)絡(luò)模型的輸入大小。分別利用AlexNet和改進型AlexNet對LPI雷達信號進行識別，仿真結(jié)果表明，利用這兩種網(wǎng)絡(luò)模型用來識別LPI雷達信號是有效的，且改進型算法識別正確率更高。

參考文獻

[1] 符穎，王星，周東青，等.基于模糊函數(shù)SVD和改進S3VM的雷達信號識別[J].計算機工程與應(yīng)用，2017，53（6）：264?270.

[2] 郭立民，寇韻涵，陳濤，等.基于棧式稀疏自編碼器的低信噪比下低截獲概率雷達信號調(diào)制類型識別[J].電子與信息學(xué)報，2018，40（4）：876?881.

[3] 符穎，王星，周一鵬，等.基于改進半監(jiān)督樸素貝葉斯的LPI雷達信號識別[J].系統(tǒng)工程與電子技術(shù)，2017，39（11）：2463?2469.

[4] ZHANG Ming， LIU Lutao， DIAO Ming， et al. LPI radar waveform recognition based on time?frequency distribution [J]. Sensors， 2016， 16（10）： 1682?1706.

[5] 沈家煌，黃建沖，朱永成.特征參數(shù)匹配法在雷達信號識別中的應(yīng)用[J].航天電子對抗，2017，33（2）：9?13.

[6] YANG Tsunhua， FENG Lei， CHANG Lungyao. Improving radar estimates of rainfall using an input subset of artificial neural networks [J]. Journal of applied remote sensing， 2016， 10（2）： 026013

[7] TBARKI Khaoula， SAID Salma Ben， KSANTINI Riadh， et al. RBF kernel based SVM classification for landmine detection and discrimination [C]// 2016 International Image Processing， Applications and Systems （IPAS）. Hammamet， Tunisia： IEEE， 2016： 1?6.

[8] 熊坤來，羅景青，吳世龍.基于時頻圖像和神經(jīng)網(wǎng)絡(luò)的LPI雷達信號調(diào)制識別[J].彈箭與制導(dǎo)學(xué)報，2011，31（5）：230?233.

[9] 張帆，刁鳴，楊承志.時頻圖像二維EMD分解在LPI信號識別中的應(yīng)用[J].現(xiàn)代防御技術(shù)，2015，43（5）：172?177.

[10] XIAO L， YAN Q， DENG S. Scene classification with improved AlexNet model [C]// 2017 12th International Confe?rence on Intelligent Systems and Knowledge Engineering （ISKE）. Nanjing， China： IEEE， 2017： 1?6.

[11] LI Jiachen， QI Lin， LIN Yun. Research on modulation identification of digital signals based on deep learning [C]// 2016 IEEE International Conference on Electronic Information and Communication Technology （ICEICT）. Harbin， China： IEEE， 2016： 402?405.

[12] HINTON Geoffrey， SALAKHUTDINOV Ruslan. Discovering binary codes for documents by learning deep generative models [J]. Topics in cognitive science， 2011， 3（1）： 74?91.

[13] 張邯，羅曉曙，袁榮尚.基于優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)在交通標(biāo)志識別中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2018，41（21）：132?136.

[14] LIU Yongjian， XIAO Peng， WU Hongchao， et al. LPI radar signal detection based on radial integration of Choi?Williams time?frequency image [J]. Journal of systems engineering and electronics， 2015， 26（5）： 973?981.

[15] MATUSZEWSKI Jan， SIKORSKA??UKASIEWICZ Katarzyna. Neural network application for emitter identification [C]// 2017 18th International Radar Symposium （IRS）. Prague， Czech Republic： IEEE， 2017： 1?8.