基于輕量化網(wǎng)絡(luò)的干擾信號(hào)智能識(shí)別算法

胡婉婉，張勁東，張 瑞，王 娜

（南京航空航天大學(xué)電子信息工程學(xué)院，江蘇南京 211106）

0 引 言

隨著雷達(dá)對(duì)抗技術(shù)的不斷發(fā)展，雷達(dá)系統(tǒng)面對(duì)干擾的多樣化、干擾信號(hào)參數(shù)變化范圍大和干擾功率不斷增強(qiáng)等挑戰(zhàn)。因此，迫切需要提升現(xiàn)代雷達(dá)系統(tǒng)的抗干擾能力［1］。干擾信號(hào)的識(shí)別是雷達(dá)系統(tǒng)抗干擾的前提和基礎(chǔ)，干擾識(shí)別算法是當(dāng)前雷達(dá)抗干擾領(lǐng)域的研究熱點(diǎn)和基本問題。

目前，國(guó)內(nèi)外從機(jī)器學(xué)習(xí)和人工智能的角度對(duì)有源干擾的特征提取和識(shí)別開展了很多研究。文獻(xiàn)［2］利用BP 神經(jīng)網(wǎng)絡(luò)對(duì)建模合理的復(fù)合干擾信號(hào)進(jìn)行識(shí)別，當(dāng)JNR＞10 dB 時(shí)，對(duì)各種復(fù)合干擾信號(hào)的正確識(shí)別率可達(dá)90%以上。文獻(xiàn)［3］提出了一種基于時(shí)頻分布Zernike矩特征的欺騙干擾識(shí)別算法，通過與其他方法的比較，SNR＜6 dB時(shí)，識(shí)別率最高。文獻(xiàn)［4］提出了一種CNN 的雷達(dá)干擾深度學(xué)習(xí)與識(shí)別方法，在0 ～8 dB JNR（干擾噪聲比）范圍內(nèi)，9 種典型干擾的分類精度可達(dá)98.667%，對(duì)不同參數(shù)干擾具有較好的泛化能力。綜上，目前干擾識(shí)別的研究大多數(shù)基于時(shí)頻域分析樣本數(shù)據(jù)，容量較大，CNN 識(shí)別率較高，但存在模型體積大、訓(xùn)練過程伴隨著大量的參數(shù)計(jì)算和迭代等問題。

近年來卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展越來越迅速，從11 層的AlexNet［5］到16 層的VGGNet［5］，再到22 層的GoogLeNet［6］、152 層的ResNet［7］等，它的模型效果越來越好，但模型結(jié)構(gòu)越來越復(fù)雜，對(duì)FPGA［8］這種嵌入式系統(tǒng)很不友好。輕量化網(wǎng)絡(luò)的出現(xiàn)有效地解決了網(wǎng)絡(luò)模型參數(shù)多、訓(xùn)練成本高等問題，且能達(dá)到良好的識(shí)別精度。文獻(xiàn)［9］提出了一種無監(jiān)督和輕型CNN 的SAR 圖像目標(biāo)識(shí)別方法，通過對(duì)MSTAR 數(shù)據(jù)集的測(cè)試，該方法在分類任務(wù)中獲得了滿意的準(zhǔn)確率，有效地實(shí)現(xiàn)了無監(jiān)督目標(biāo)檢測(cè)。文獻(xiàn)［10］提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的SqueezeNet 模型的導(dǎo)航干擾識(shí)別方法，與李建等［11］基于脈寬、調(diào)頻斜率和帶寬比三種分類特征識(shí)別調(diào)制型導(dǎo)航信號(hào)干擾的方法相比，在相同的0 dB干擾噪聲比下，識(shí)別精度提高了約15%。

目前基于輕量化CNN 網(wǎng)絡(luò)的干擾識(shí)別研究相對(duì)較少。本文針對(duì)干擾識(shí)別時(shí)CNN 網(wǎng)絡(luò)模型體積大、訓(xùn)練成本高等問題，提出了一種基于距離多普勒（Range-Doppler,RD）和改進(jìn)的輕量化網(wǎng)絡(luò)SqueezeNet 模型的復(fù)雜干擾信號(hào)識(shí)別算法。利用改進(jìn)的SqueezeNet 模型提取干擾信號(hào)RD 圖像的深度特征，應(yīng)用于典型干擾信號(hào)的智能識(shí)別。通過與經(jīng)典SqueezeNet模型的比較，本文算法在輕量化、識(shí)別速度與準(zhǔn)確率等方面都有更好的效果。

1 距離多普勒?qǐng)D像的生成

1.1 典型干擾信號(hào)模型

本文主要研究幾種典型的雷達(dá)主瓣有源欺騙干擾信號(hào)，包括前沿復(fù)制干擾、間歇采樣轉(zhuǎn)發(fā)干擾、密集假目標(biāo)和距離速度波門拖引干擾。

欺騙干擾具有與雷達(dá)回波相似的特征，它們是由數(shù)字射頻存儲(chǔ)器（Digital Radio-Frequency Memory,DRFM）產(chǎn)生，但每種干擾產(chǎn)生的方式不同，其中：前沿復(fù)制（Front Copy,FC）轉(zhuǎn)發(fā)干擾是由DRFM 截取雷達(dá)發(fā)射信號(hào)前沿部分，隨后將其多次復(fù)制轉(zhuǎn)發(fā)形成。間歇采樣（Intermittent Sampling,IS）轉(zhuǎn)發(fā)干擾［12］是DRFM 間歇的對(duì)信號(hào)進(jìn)行采樣，再逐次轉(zhuǎn)發(fā)，然后對(duì)一個(gè)采樣周期中轉(zhuǎn)發(fā)的信號(hào)進(jìn)行多次采樣轉(zhuǎn)發(fā)產(chǎn)生的。密集假目標(biāo)［12］（Intensive Fake Targets,IFT）是DRFM 截獲一部分雷達(dá)信號(hào)后，在一個(gè)脈沖重復(fù)周期中對(duì)截獲的部分信號(hào)進(jìn)行多次復(fù)制并轉(zhuǎn)發(fā)，在雷達(dá)端形成兩兩之間高度密集的假目標(biāo)，從而形成密集假目標(biāo)。距離-速度波門拖引（Range-Velocity Gate Pull Off,RVGPO）干擾［13］包含捕獲期、波門拖引期和停拖期三個(gè)階段。當(dāng)信號(hào)的多普勒頻率不斷變化時(shí)，干擾信號(hào)可以驅(qū)動(dòng)速度跟蹤門對(duì)目標(biāo)信號(hào)進(jìn)行偏移。同時(shí)根據(jù)干擾脈沖多普勒頻移的變化規(guī)律得到徑向拖引速度，完成有效拖引距離。

當(dāng)不間斷的對(duì)信號(hào)多普勒頻率施加變化時(shí)，可以使得干擾信號(hào)帶動(dòng)速度跟蹤波門偏移目標(biāo)信號(hào)，同時(shí)能夠根據(jù)干擾脈沖多普勒頻移的變化規(guī)律得到徑向拖引速度，完成有效的距離拖引。

1.2 基于RD的干擾特征提取

距離多普勒是一種相對(duì)直觀、應(yīng)用性較強(qiáng)的方法，是從雷達(dá)中提取多目標(biāo)信息的有效方法。它將二維圖像處理過程分別級(jí)聯(lián)為2個(gè)一維過程，修正了成像中的距離偏移問題，同時(shí)達(dá)到了較好的通用性和計(jì)算效率與精度，并且易于實(shí)現(xiàn)。

1.2.1 RD圖像處理流程

RD 圖像生成有三個(gè)核心步驟：距離壓縮、距離徙動(dòng)矯正和方位壓縮［14］。

1）距離壓縮

距離壓縮是一個(gè)匹配濾波的過程，對(duì)待處理信號(hào)與原始發(fā)射信號(hào)分別進(jìn)行傅里葉變換，相乘之后再進(jìn)行傅里葉反變換。原始發(fā)射信號(hào)表達(dá)式為

式中，A0為信號(hào)幅度，ωr(τ)為距離包絡(luò)，R(η)為距離，τ、η為近距方位時(shí)間，ηc為波束中心偏離時(shí)間，ωa(η)為方位包絡(luò)，f0為雷達(dá)中心頻率，Kr為調(diào)頻斜率。取它的匹配濾波器H(f)為

距離壓縮的輸出為

2）方位傅里葉變換和距離徙動(dòng)矯正

距離可表示為

聯(lián)立式（1），距離壓縮信號(hào)可表示為

方位FFT之后的信號(hào):

進(jìn)行方位向壓縮前需進(jìn)行距離徙動(dòng)矯正（RCMC）:

矯正之后的信號(hào)為

此時(shí)，pr與方位頻率無關(guān)，表示RCMC 已被準(zhǔn)確矯正，并且能量都聚在τ=2R0c處。

3）方位壓縮

方位壓縮處理也可通過匹配濾波實(shí)現(xiàn)：

經(jīng)過方位壓縮和IFFT后即可得到最終結(jié)果為

1.2.2 RD圖像重塑

本文使用距離多普勒算法獲取目標(biāo)及干擾信號(hào)的距離多普勒?qǐng)D。信號(hào)經(jīng)RD處理后的圖像尺寸較大、矩陣數(shù)值范圍不統(tǒng)一，需要對(duì)其進(jìn)行重塑。

1）滑窗變換

圖像數(shù)據(jù)點(diǎn)數(shù)較多，為減小數(shù)據(jù)規(guī)模，可以先對(duì)輸入圖像作降維處理。預(yù)定區(qū)域的獲取可以采用圖像滑窗裁剪的方法。設(shè)線性調(diào)頻信號(hào)的斜率為k，斜線區(qū)域上下兩側(cè)的點(diǎn)(n0,m0)、(n1,m1)，則預(yù)定區(qū)域?yàn)?/p>

式中A和Ar分別為裁剪前后的圖像矩陣，1 ≤j≤Ns，Ns為一個(gè)周期的采樣點(diǎn)數(shù)。

2）歸一化

歸一化處理的目的是將輸入數(shù)據(jù)的數(shù)值范圍統(tǒng)一在一個(gè)固定范圍，這里本算法將其轉(zhuǎn)化為0～1之間。若特征間的數(shù)值差距較大，梯度更新時(shí)，會(huì)極不穩(wěn)定，要經(jīng)過很久才能達(dá)到局部最優(yōu)或者全局最優(yōu)值。為解決此問題，需對(duì)數(shù)據(jù)進(jìn)行范圍統(tǒng)一化，保證不同的數(shù)據(jù)能保持在相同的區(qū)間內(nèi)，使梯度下降很快收斂。

原始RD圖像尺寸冗余，選擇合理大小的滑動(dòng)窗口截取RD圖像。本文選擇1 024×4的窗口對(duì)整個(gè)原始圖像滑窗處理，可獲得無效/有效距離和速度范圍內(nèi)的目標(biāo)及干擾RD圖像，之后對(duì)獲得的圖像進(jìn)行維度轉(zhuǎn)換和數(shù)據(jù)歸一化，從而得到重塑的樣本圖像。

1.3 基于RD處理的樣本圖像生成

本實(shí)驗(yàn)針對(duì)多類信號(hào)樣本，首先獲得距離多普勒?qǐng)D像，然后滑窗截取干擾最大時(shí)延范圍內(nèi)的數(shù)據(jù)，最后通過圖像預(yù)處理操作得到最終的樣本圖像。圖1顯示了基于距離多普勒處理的樣本圖像生成流程圖。

圖1 樣本生成流程圖

本文以某系統(tǒng)的典型參數(shù)為例，在噪聲及雜波干擾的背景下，選取信號(hào)脈寬為10 μs，帶寬為50 MHz，采樣率為50 MHz，仿真中信噪比為25 dB，干噪比為30 dB 作為場(chǎng)景參數(shù)?；谝陨蠀?shù)，圖2分別展示了信號(hào)經(jīng)過滑窗處理之后生成的RD 圖像的若干情形，其中，滑窗處理之后的圖像尺寸1 024×4，然后將其轉(zhuǎn)化為64×64 的矩陣。圖2（a）為真實(shí)目標(biāo)RD 圖，圖2（b）為無目標(biāo)與干擾RD圖，即只存在噪聲與雜波干擾，圖2（c）為距離速度波門拖引RD圖，圖2（d）、圖2（e）為不同切片寬度、多普勒頻率下的前沿復(fù)制轉(zhuǎn)發(fā)干擾RD 圖，圖2（f）、圖2（g）為不同時(shí)延、多普勒頻率下間歇采樣轉(zhuǎn)發(fā)干擾RD 圖，圖2（h）、圖2（i）為不同密集假目標(biāo)個(gè)數(shù)、多普勒頻率下的密集假目標(biāo)RD 圖，圖2（j）、圖2（k）、圖2（l）、圖2（m）為部分目標(biāo)干擾復(fù)合信號(hào)RD 圖。由圖2可知，目標(biāo)與干擾的距離多普勒?qǐng)D之間的確存在明顯的差異，其可以用來刻畫干擾與目標(biāo)之間的特征差異。

圖2 目標(biāo)及干擾滑窗處理后距離多普勒?qǐng)D

2 基于改進(jìn)的輕量化CNN模型的干擾識(shí)別算法

本文主要研究了輕量化網(wǎng)絡(luò)SqueezeNet模型，針對(duì)欺騙干擾與真實(shí)目標(biāo)在雷達(dá)RD 圖像上的差異，對(duì)SqueezeNet模型進(jìn)行改進(jìn)以滿足復(fù)雜干擾信號(hào)識(shí)別的需求。

2.1 經(jīng)典輕量化SqueezeNet模型

卷積神經(jīng)網(wǎng)絡(luò)SqueezeNet 模型核心為fire 模塊，其fire 模塊如圖3所示。SqueezeNet 結(jié)構(gòu)說明如下：

圖3 fire模塊

1）fire 模塊：一個(gè)fire 模塊包括一個(gè)squeeze 層（只有1×1 卷積）和expand 層，其中expand 層是1×1 和3×3 卷積的組合。一個(gè)fire 模塊中有3 個(gè)超參數(shù)：s1×1，e1×1 和e3×3，分別代表對(duì)應(yīng)卷積在對(duì)應(yīng)層的數(shù)量。使用fire 模塊時(shí)，設(shè)置s1×1 ＜(e1×1+e3×3)）。expand 層有助于限制3×3卷積中輸入通道的數(shù)量［15］。

2）ReLU 函數(shù)層：ReLU 模塊會(huì)減少大量的計(jì)算環(huán)節(jié)；在ReLU 的反向傳播過程中，網(wǎng)絡(luò)收斂時(shí)間較短；它將使某些神經(jīng)元的輸出趨于零，降低它們之間的相互依賴性，使網(wǎng)絡(luò)稀疏性更強(qiáng)，減少過擬合問題發(fā)生的頻率［15］。

3）Dropout層：主要用于防止過擬合。

4）最大池化層：采用最大池化可以減小上一層的參數(shù)誤差對(duì)估計(jì)平均值的偏差，保留圖像更有效更詳細(xì)的特征信息。同時(shí)，避免了平均池化帶來的模糊特征。

5）全局平均池化層：通過全局平均池化層代替全連接層來計(jì)算分類。

在對(duì)ImageNet 數(shù)據(jù)的實(shí)驗(yàn)中，它實(shí)現(xiàn)的精度幾乎與AlexNet 相同，但參數(shù)大大減少，接近AlexNet 的1/50，使其更適合在資源有限的硬件上使用，并且大大提高了計(jì)算速度。

2.2 基于RD信息尺寸的SqueezeNet網(wǎng)絡(luò)剪枝

近幾年提出的經(jīng)典SqueezeNet 模型在對(duì)1 000類ImageNet 數(shù)據(jù)的分類中，具有與AlexNet 相似的精度。本文針對(duì)目標(biāo)及干擾信號(hào)的RD 圖像特征，采用網(wǎng)絡(luò)剪枝的方式對(duì)經(jīng)典SqueezeNet 網(wǎng)絡(luò)作出改進(jìn)。

為了有效表征目標(biāo)及干擾信號(hào)的RD 圖像，本文對(duì)RD 信息尺寸和統(tǒng)一有效信息尺寸進(jìn)行分別定義。統(tǒng)一有效信息尺寸是指同時(shí)能夠覆蓋目標(biāo)及干擾的RD 信息尺寸的最小圖像。以圖2為例，統(tǒng)一有效信息尺寸大小僅為1 024×4。RD 信息尺寸是指信號(hào)經(jīng)RD 處理后，包含當(dāng)前距離和多普勒頻率信息的最小圖像。圖4顯示的是圖2中距離為1 000，多普勒頻率為1 750 的目標(biāo)及干擾的RD信息尺寸圖。

圖4 目標(biāo)及干擾RD信息尺寸圖

圖4示例RD信息尺寸圖是基于文中實(shí)驗(yàn)參數(shù)范圍內(nèi)所有的干擾信號(hào)及目標(biāo)的最大RD 信息尺寸，所以參數(shù)改變時(shí)，RD 信息尺寸實(shí)際上是有較小的變化，實(shí)驗(yàn)時(shí)考慮到此種情況，以下進(jìn)行合適的隱層剪枝。

1）后四個(gè)fire模塊剪枝

本文目標(biāo)及干擾經(jīng)RD 處理后，統(tǒng)一有效信息尺寸大小僅為1 024×4，經(jīng)矩陣維度轉(zhuǎn)換后，輸入信號(hào)圖像的尺寸為64×64，生成的總訓(xùn)練樣本數(shù)為3 750，即本文使用的樣本圖像尺寸小，數(shù)據(jù)集小，需適當(dāng)對(duì)fire 模塊剪枝以降低模型空間復(fù)雜度和測(cè)試時(shí)發(fā)生過擬合的可能性。經(jīng)多次試驗(yàn)，刪除后四個(gè)fire模塊擁有相對(duì)較好的識(shí)別效果。

2）Maxpool8層剪枝

式（12）和式（13）分別為卷積模塊和池化層輸出大小計(jì)算公式：

式中，N*代表輸出圖像尺寸大小，W*代表輸入圖像尺寸大小，F(xiàn)*代表卷積核大小，P*代表padding 填充，S*代表步長(zhǎng)。通過上述公式可以計(jì)算出經(jīng)卷積層和池化層學(xué)習(xí)后輸出的圖像尺寸。輸出圖像尺寸應(yīng)大于RD信息尺寸，即有

式中，w*，h*分別指目標(biāo)及干擾的RD 信息尺寸的寬和高。網(wǎng)絡(luò)最后輸出的特征圖像素需不小于目標(biāo)及干擾的RD 信息尺寸像素，才能提取到相對(duì)完整的特征圖的信息。

以圖4為例，圖中wT×hT=2×2，wFC×hFC=7×2,wIS×hIS=10×2,wIFT×hIFT=5×2，wRVGPO×hRVGPO=5×2。樣本圖像初始尺寸為64×64，步長(zhǎng)為2。據(jù)式（12）和式（13），經(jīng)一次卷積和兩次池化后，輸出的特征圖尺寸為8×8，如圖5（a）所示。繼續(xù)下采樣，特征圖尺寸變?yōu)?×4，即每個(gè)特征圖只包含16 個(gè)像素的信息，如圖5（b）所示。由于wIS×hIS＞16，導(dǎo)致間歇采樣轉(zhuǎn)發(fā)干擾的部分信息損失，此干擾的識(shí)別率受到影響，所以刪掉第三個(gè)最大池化層，同時(shí)將Maxpool4 放在靠后的位置，延遲網(wǎng)絡(luò)下采樣的時(shí)間，使較大的特征圖都保持在網(wǎng)絡(luò)的后面以獲得較高的識(shí)別率。

圖5 間歇采樣轉(zhuǎn)發(fā)干擾特征圖可視化

3）通道剪枝

通道剪枝是指去除特征映射上的冗余通道，如何選擇剪枝的卷積核通道數(shù)是本措施的重點(diǎn)。式（15）主要通過降低剪枝前后特征圖之間的差別，盡可能地減少卷積核的通道數(shù)。

其中，c為通道數(shù)，M指有/無目標(biāo)及干擾的樣本個(gè)數(shù)，βi是第i個(gè)信道的標(biāo)量掩碼（即是否去掉整個(gè)信道），Wi指第i個(gè)卷積核，X指第i個(gè)原始輸入特征圖，Y為經(jīng)過原網(wǎng)絡(luò)的輸出特征圖，后半部為剪枝后通過網(wǎng)絡(luò)的輸出特征圖，本公式表達(dá)的就是能在最大限度剪枝時(shí)，保證處理后的目標(biāo)及干擾的特征圖和原始網(wǎng)絡(luò)輸出的特征圖的區(qū)別最小。限制項(xiàng)為‖β‖0，c＇為一個(gè)超參數(shù)，表示我們希望剪枝的最小數(shù)量，式中β=0 時(shí)，對(duì)應(yīng)的輸入層沒有作用，達(dá)到想要的效果。

本文減少了fire2/3/4 層s1×1，e1×1 和e3×3卷積核的輸入通道數(shù)。1×1 卷積核是3×3 卷積核參數(shù)量的1/9，為最大限度減少模型參數(shù)量，在保持使用1×1 卷積核的基礎(chǔ)上，減少每層fire 模塊3×3卷積核的通道數(shù)。

隱層剪枝和通道剪枝分別壓縮了模型的深度和寬度，極大地縮小了模型尺寸和存儲(chǔ)空間，且訓(xùn)練時(shí)間大大減少。

圖6為改進(jìn)前的SqueezeNet 模型，圖7、圖8是兩種改進(jìn)后的SqueezeNet模型。

圖6 SqueezeNet網(wǎng)絡(luò)模型

圖7 改進(jìn)1的SqueezeNet網(wǎng)絡(luò)模型

圖8 改進(jìn)2的SqueezeNet網(wǎng)絡(luò)模型

表1對(duì)比了改進(jìn)前后SqueezeNet 網(wǎng)絡(luò)模型的可訓(xùn)練參數(shù)數(shù)目，在本文網(wǎng)絡(luò)的基礎(chǔ)上刪除一個(gè)fire 模塊，可訓(xùn)練參數(shù)數(shù)目減少?？梢钥闯龈倪M(jìn)后的SqueezeNet模型參數(shù)是原網(wǎng)絡(luò)的1/30，能夠極大地減少計(jì)算量和內(nèi)存需求，使之更適合部署在資源有限的嵌入式平臺(tái)上。

表1 本文網(wǎng)絡(luò)和原網(wǎng)絡(luò)具體參數(shù)對(duì)比

2.3 算法流程

如圖9為基于CNN 的干擾識(shí)別算法流程圖，算法分為訓(xùn)練和測(cè)試兩個(gè)階段。訓(xùn)練樣本和驗(yàn)證樣本由大量已知類型的真實(shí)目標(biāo)和干擾經(jīng)雷達(dá)距離多普勒處理后的RD 圖組成，測(cè)試樣本為目標(biāo)和更改部分參數(shù)后的干擾信號(hào)的RD 圖組成，首先對(duì)訓(xùn)練集和驗(yàn)證集做圖像預(yù)處理使之利于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與驗(yàn)證；同時(shí)根據(jù)任務(wù)建立合適的CNN網(wǎng)絡(luò)并設(shè)置合適的網(wǎng)絡(luò)初始參數(shù)；最后將處理樣本送入CNN中進(jìn)行訓(xùn)練，當(dāng)達(dá)到訓(xùn)練次數(shù)后輸出訓(xùn)練好的網(wǎng)絡(luò)；將測(cè)試樣本經(jīng)過相同處理后送入上述訓(xùn)練完成的網(wǎng)絡(luò)中，從而得到最終的識(shí)別結(jié)果。

圖9 基于SqueezeNet的干擾識(shí)別算法流程圖

3 實(shí)驗(yàn)結(jié)果及分析

本節(jié)通過實(shí)驗(yàn)仿真驗(yàn)證和分析了基于輕量化CNN 模型的干擾識(shí)別算法的有效性。由于真實(shí)目標(biāo)與干擾信號(hào)的參數(shù)范圍較大，因此本實(shí)驗(yàn)針對(duì)不同切片寬度、距離時(shí)延以及多普勒頻率等參數(shù)，仿真了多種不同組合參數(shù)下的目標(biāo)及干擾樣本，其仿真參數(shù)如表2所示。按照表中的干擾模型參數(shù)產(chǎn)生7 種雷達(dá)接收信號(hào)，分別為無目標(biāo)及干擾、目標(biāo)回波信號(hào)、前沿復(fù)制轉(zhuǎn)發(fā)干擾、間歇采樣轉(zhuǎn)發(fā)干擾、密集假目標(biāo)、距離速度拖引干擾和目標(biāo)干擾復(fù)合信號(hào)。

表2 實(shí)驗(yàn)參數(shù)

為了訓(xùn)練和評(píng)估模型，將訓(xùn)練集3 750個(gè)按9∶1的比例重新分配訓(xùn)練集和驗(yàn)證集。設(shè)置模型Batch Size=128，初始學(xué)習(xí)率lr=0.000 85，使用3 750 個(gè)訓(xùn)練集樣本對(duì)它們進(jìn)行訓(xùn)練，改進(jìn)前的SqueezeNet 網(wǎng)絡(luò)的訓(xùn)練總時(shí)長(zhǎng)約為173.266 9 s，改進(jìn)1 后的SqueezeNet 網(wǎng)絡(luò)訓(xùn)練總時(shí)長(zhǎng)約132.908 6，改進(jìn)2后的SqueezeNet網(wǎng)絡(luò)訓(xùn)練總時(shí)長(zhǎng)約67 s。圖10是基于改進(jìn)前后的輕量化SqueezeNet 模型訓(xùn)練集和驗(yàn)證集的識(shí)別率曲線與損失曲線。

圖10 基于改進(jìn)前后輕量化SqueezeNet的訓(xùn)練和驗(yàn)證

如圖10所示，隨著迭代次數(shù)的增加，基于改進(jìn)前后SqueezeNet的損失誤差收斂很快，并且識(shí)別達(dá)到較好的效果，驗(yàn)證識(shí)別準(zhǔn)確率均可達(dá)到95%以上，但改進(jìn)2 后SqueezeNet 識(shí)別率與損失曲線收斂明顯變慢。訓(xùn)練完成后，保存的改進(jìn)后的網(wǎng)絡(luò)模型與權(quán)重占用內(nèi)存更小，調(diào)用訓(xùn)練保存下來的模型及權(quán)重，對(duì)未知類型的干擾、目標(biāo)加干擾進(jìn)行測(cè)試，改進(jìn)前的SqueezeNet 測(cè)試每張圖片需43.6 ms，整體識(shí)別準(zhǔn)確率約96.85%，改進(jìn)1 后的SqueezeNet測(cè)試每張圖片需36.1 ms，整體識(shí)別準(zhǔn)確率可達(dá)97.55%。改進(jìn)2 后的SqueezeNet 測(cè)試每張圖片需22.1 ms，整體識(shí)別準(zhǔn)確率可達(dá)99.73%。經(jīng)實(shí)驗(yàn)分析可知，改進(jìn)2 后的SqueezeNet 測(cè)試速度相對(duì)本文網(wǎng)絡(luò)更快，但是識(shí)別準(zhǔn)確率卻不是很高，本文網(wǎng)絡(luò)的訓(xùn)練速度、測(cè)試識(shí)別速度更快，測(cè)試識(shí)別率也更高。這正是由于SqueezeNet 網(wǎng)絡(luò)采用小卷積核代替大卷積核，提取到更具體的圖像特征，刪除部分fire 模塊，適當(dāng)減少卷積核個(gè)數(shù)，從而加快了網(wǎng)絡(luò)的計(jì)算速度。

在多分類問題中，除了對(duì)不同分類點(diǎn)的識(shí)別準(zhǔn)確率進(jìn)行分析外，混淆矩陣也被廣泛應(yīng)用于分析識(shí)別能力。圖11給出了基于改進(jìn)前后的SqueezeNet目標(biāo)及干擾識(shí)別情況的混淆矩陣，其中0、1、2、3、4、5、6分別對(duì)應(yīng)7種信號(hào)：無目標(biāo)、目標(biāo)回波、前沿復(fù)制轉(zhuǎn)發(fā)干擾、間歇采樣轉(zhuǎn)發(fā)干擾、密集假目標(biāo)、距離速度聯(lián)合拖引和目標(biāo)干擾復(fù)合信號(hào)。在基于改進(jìn)前的SqueezeNet 識(shí)別中，39 個(gè)間歇采樣轉(zhuǎn)發(fā)干擾誤分類為目標(biāo)干擾復(fù)合信號(hào)，79 個(gè)間歇采樣轉(zhuǎn)發(fā)干擾樣本誤分類為前沿復(fù)制轉(zhuǎn)發(fā)干擾；在基于改進(jìn)1后的SqueezeNet識(shí)別中，有4個(gè)密集假目標(biāo)干擾誤分類為前沿復(fù)制轉(zhuǎn)發(fā)干擾，6 個(gè)密集假目標(biāo)干擾誤分類為目標(biāo)干擾復(fù)合信號(hào)。在基于改進(jìn)2后的SqueezeNet識(shí)別中，有90個(gè)密集假目標(biāo)干擾誤分類為前沿復(fù)制轉(zhuǎn)發(fā)干擾。也就是說，改進(jìn)前的SqueezeNet 對(duì)間歇采樣轉(zhuǎn)發(fā)干擾的識(shí)別效果不是特別好，但其他類型的干擾信號(hào)都能被正確識(shí)別，改進(jìn)1 后的SqueezeNet 對(duì)各種信號(hào)的識(shí)別效果都非常好，對(duì)密集假目標(biāo)的識(shí)別也僅僅只有2.33%的錯(cuò)誤率，改進(jìn)2 后的SqueezeNet 對(duì)密集假目標(biāo)的識(shí)別效果不是特別好，但對(duì)其他干擾信號(hào)均能準(zhǔn)確識(shí)別。

圖11 基于改進(jìn)前后SqueezeNet的混淆矩陣

圖12給出了25～39 dB 之間每種信噪比下測(cè)試樣本的識(shí)別率，改進(jìn)1網(wǎng)絡(luò)的測(cè)試識(shí)別率在每種信噪比下都明顯優(yōu)于經(jīng)典的SqueezeNet 和改進(jìn)2后SqueezeNet 的識(shí)別率，說明改進(jìn)1 后的輕量化網(wǎng)絡(luò)在進(jìn)行目標(biāo)及干擾的識(shí)別時(shí)效果卓越，具有較強(qiáng)的實(shí)踐意義，所以選擇改進(jìn)1 后的SqueezeNet 作為本文網(wǎng)絡(luò)使用。

圖12 測(cè)試樣本的識(shí)別率

為驗(yàn)證本文網(wǎng)絡(luò)的可靠性，在信噪比25～39 dB之間，本文對(duì)每個(gè)雷達(dá)信號(hào)產(chǎn)生100個(gè)樣本作為測(cè)試數(shù)據(jù)，每個(gè)信噪比下測(cè)試樣本總量為700。圖13給出了每種信噪比下各種雷達(dá)信號(hào)的識(shí)別率，可以看出在低于32 dB 時(shí)，各干擾信號(hào)及目標(biāo)都能被準(zhǔn)確識(shí)別，大于32 dB 時(shí)，密集假目標(biāo)的識(shí)別率稍有變動(dòng)，但其識(shí)別效果仍在95%以上，其他信號(hào)也都能被準(zhǔn)確識(shí)別。

在表3中將本節(jié)方法與文獻(xiàn)［12］中的3 種方法進(jìn)行比較，分別從識(shí)別率、總參數(shù)量、占用內(nèi)存以及訓(xùn)練時(shí)間四個(gè)方面比較，由表中內(nèi)容可以得出本文采用的改進(jìn)的SqueezeNet 網(wǎng)絡(luò)識(shí)別算法識(shí)別率遠(yuǎn)高于傳統(tǒng)SVM 算法，并且在保持文獻(xiàn)［12］中深度學(xué)習(xí)算法整體識(shí)別率的同時(shí)，模型參數(shù)更少，計(jì)算速度更快，占用內(nèi)存更小，驗(yàn)證了本文算法的有效性。

表3 不同算法比較

4 結(jié)束語(yǔ)

本文提出了一種基于改進(jìn)輕量級(jí)網(wǎng)絡(luò)模型SqueezeNet的雷達(dá)信號(hào)識(shí)別算法，利用人工智能實(shí)現(xiàn)高精度復(fù)雜干擾信號(hào)識(shí)別。雖然每次處理的結(jié)果都具有一定的隨機(jī)性，但證明了卷積神經(jīng)網(wǎng)絡(luò)用于識(shí)別干擾類型的有效性。實(shí)驗(yàn)驗(yàn)證改進(jìn)后的SqueezeNet 網(wǎng)絡(luò)參數(shù)量降為經(jīng)典SqueezeNet 網(wǎng)絡(luò)的1/30，節(jié)省了大量模型訓(xùn)練時(shí)間，保存的權(quán)重和網(wǎng)絡(luò)模型占有更小的內(nèi)存，使之更適合嵌入式系統(tǒng)，并且每種干擾信號(hào)的識(shí)別率能夠達(dá)到95%以上。因此，此算法在干擾識(shí)別的硬件存儲(chǔ)方面有很好的應(yīng)用前景。