黃 智 王俊杰 石國良

（海軍工程大學 武漢 430000）

1 引言

雷達輻射源識別（Emitter Identification，EID）作為電子戰(zhàn)領域最基礎的技術(shù)之一，在認知雷達、雷達發(fā)射機識別和偵察威脅告警等方向皆有應用，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)的設計。因此，如果能夠設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)絡模型，對識別性能的提升和理論的實際應用具有重要意義。

近些年，卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）因其強大的性能廣泛應用于自動駕駛［4］、圖像識別［5］以及醫(yī)療［6］等領域，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)學相結(jié)合，利用圖像形態(tài)學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，并且在關于網(wǎng)絡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，進一步縮短對輻射源信號的識別時間。

2 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡（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，最終劃分為m個目標類別。

其中，F(xiàn)ullconnect(·)表示全連接操作。

3 基于CNN的雷達輻射源識別

3.1 時頻特征提取和數(shù)據(jù)預處理

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)。

3.2 構(gòu)建CNN

圖2是本文搭建的基于CNN的雷達輻射源識別網(wǎng)絡圖，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)絡過擬合而設計，其將神經(jīng)元按照一定的概率暫時從網(wǎng)絡中丟棄以防止網(wǎng)絡的過擬合。

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

3.3 精調(diào)網(wǎng)絡

CNN沒有訓練好之前，網(wǎng)絡輸出的 y1,y2,…,ym共m個預測結(jié)果與預先設置好的正確結(jié)果（標簽值）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。

3.4 識別輻射源

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=

4 仿真實驗和結(jié)論分析

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)制信號的基礎上，對每種調(diào)制信號的訓練樣本內(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，擴大訓練樣本包含的內(nèi)容。

根據(jù)以上條件，在訓練集中，針對每種調(diào)制信號產(chǎn)生1800個訓練樣本，共產(chǎn)生10800個訓練樣本。對于每種調(diào)制信號，1800個訓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個訓練樣本包含的載頻范圍從0～fs/2。在測試方面，共設置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。

4.1 識別結(jié)果分析

需要強調(diào)的是，本文仿真設置CNN塊大小為200，訓練次數(shù)3000次，卷積核大小3×3，學習率0.1。采用該參數(shù)設置，經(jīng)python的tensorflow框架訓練后，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)量的樣本來訓練達到的，以長時間、大數(shù)量訓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)果是準確、有效的。

圖4 不同訓練樣本數(shù)的識別率（%）

4.2 算法效率對比

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SNR=-6dB時，SAE識別率略高于CNN，當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。

5 結(jié)語

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。