臧 勤,洪 鼎，錢 鷗,劉佳媛，尚 睿

(中國船舶集團有限公司第八研究院，南京211153)

0 引 言

信息技術在軍事領域的廣泛應用和武器裝備的飛速發(fā)展引發(fā)了現代戰(zhàn)爭形式的革命性變化。戰(zhàn)場的透明化程度是關系到戰(zhàn)爭成敗的重要因素。準確的平臺類型與威脅等級的識別能力成為現代戰(zhàn)爭中獲取信息優(yōu)勢的關鍵[1]。目標信號分類技術是輻射源識別的基礎，是偵測系統在未來復雜電磁環(huán)境下的核心技術。通過對電磁輻射信號的搜索、截獲和相關信息積累，本文研究各類復雜相控陣調制信號的時頻域調制規(guī)律、空間掃描規(guī)律，結合信息智能化處理技術提出了一種基于深度特征的目標分類方法，并在工程中予以應用，取得了一些階段性的研究成果。

1 復雜波形分析

針對實際偵測輻射源目標信號交疊、參數靈活多變、波形不完整等特點，采用時間序列分析方法提取隱藏特征參數；通過數據積累對全脈沖數據進行補全、糾錯；再通過聚類、時間差計算、參數關聯等方法對未知數據進行參數特征分析、目標分類。

為了提高復雜波形信號目標識別判證的準確性，傳統的雷達特征5參數已經無法適應當前的雷達目標識別的要求，而是需要更多維度的特征來表達信號。通過時間序列分析、時頻域聯合變換等方法，獲取雷達信號輻射源脈沖上升、下降沿、脈間/脈組時間序貫、脈內調制、時頻變化、空間掃描等特征，從而實現對輻射源目標的精細化特征提取。

由于一些雷達信號形式復雜多變，信號的SNR起伏較大，難以直接提取出輻射源信號的本質特征，因而首先需要從時域、頻域、空域、能量域等不同角度采用多種不同方法對該復雜體制輻射源信號進行充分的特征提取，并將提取出的大量特征組成特征向量來實現對輻射源的分類判別。當前主要提取載頻、信號帶寬、脈內特征、頻率捷變參數、脈寬、重頻、脈沖幅度、方位角、俯仰角、位置估計信息、速度估計信息、天線方向圖、天線掃描速率、輻射源脈沖上升、下降沿特征、脈間/脈組時間序貫特征、脈內調制特征、時頻變化特征、空間掃描特征等18維參數特征描述信號。

2 分類識別算法

在識別流程中,目標識別算法是雷達輻射源識別的核心。通常使用的分類識別技術主要包括相似系數法、參數模板法、聚類分析法、神經網絡法、物理模型法和基于知識的方法。考慮到神經網絡可以大規(guī)模并行處理、分布式信息存儲、良好的自組織自學習能力等特點，本方法采用神經網絡法，并對幾種典型網絡模型進行深入研究和分析對比，如表1所示，最終根據雷達序列特征選擇采用循環(huán)神經網絡模型進行算法設計。

表1 各模型組成特點分析

3 算法驗證情況

搭建分類識別算法驗證平臺,在該平臺對模型層數和節(jié)點數進行比較、訓練和測試，再對訓練效果進行評估比較，選擇最適合的訓練模型參數。具體處理流程如圖1所示。

圖1 目標關聯識別流程

通過對采集數據(包含RDW數據、PDW數據、中頻數據等信息)讀取，提取載頻、信號帶寬、脈內特征、頻率捷變參數、脈寬、重頻、脈沖幅度、方位角、俯仰角、位置估計信息、速度估計信息、天線方向圖、天線掃描速率、輻射源脈沖上升、下降沿特征、脈間/脈組時間序貫特征、脈內調制特征、時頻變化特征、空間掃描特征等時域、空域、頻域、調制域等多維特征參數；搭建并訓練深度學習網絡，基于訓練好的學習模型實現對復雜體制輻射源數據的分類和識別。

3.1 樣本準備

深度學習處理樣本要求較高。當前研究過程中遇到的主要困難就是樣本搜集問題?，F在已搜集到以往采集的多種偵測數據。然而數據質量不高，樣本中的噪聲較多；有些采集數據包含多個目標并互相交疊；有些數據由于偵測任務設置為多個頻點掃頻或天線扇掃模式，目標未持續(xù)跟蹤數據。需要結合可視化圖譜顯示，根據經驗和已獲取的資料進行判斷，結合預處理算法對樣本進行挑選和清洗。

深度學習通常會把樣本數據分為3個集合：訓練集、驗證集和測試集。訓練集用來學習的樣本集，通過這些向量來確定網絡中的各個待定系數。驗證集用來調整分類器的參數的樣本集，在訓練的過程中網絡模型會立刻在驗證集進行驗證。根據驗證集數據的損失函數值、準確率等驗證情況進行調整和修正。測試集是在訓練后為測試模型的能力(主要是分類能力)而設置的一部分數據集合。

3.2 效果評估

評估深度學習模型的方法一般采用錯誤率、查全率、查準率等，對已明確標識的數據可通過該方法進行評估。但是，該類數據需要提前進行準備打上標識，實際偵測數據都為非配合信號，無法簡單判斷該數據是否分類或識別成功，同時無法完全反映出該方法在實際偵測時對未處理過的偵測數據的處理效果。因此，結合可視化圖譜顯示的方式標注分類結果進行直觀顯示和評價，結合經驗和已獲取的資料進行綜合判斷。具體實現方法如下：通過不同方法對全脈沖數據進行處理后通過可視化方式驗證分類效果。驗證方式如下：采用優(yōu)化算法分為2類。如圖2所示，橫軸是時間，縱軸是幅度，不同墨色代表不同分類結果。

圖2 分類效果圖

3.3 驗證過程

對試驗偵測到的復雜信號數據進行特征提取和關聯，對目標信號進行樣本制作。每個目標的樣本數據提取大約10 000組，對樣本數據進行隨機劃分：80%訓練，20%測試。根據測試結果選擇循環(huán)神經網絡模型讀取原始文件進行進一步預測驗證。驗證結果表明，基本實現了對該幾類目標的識別。

神經網絡需要通過若干次學習來訓練，根據數據集大小設置桶容量，即一次訓練的樣本個數。系統每次取一桶數據輸入神經網絡進行訓練，確定神經網絡中的權值，并通過下一桶數據的訓練修正已經確定的網絡權值。采用原始數據樣本對其預測效果如表2。

表2 預測效果對比表

4 結束語

針對實際偵測數據目標信號交疊、參數靈活多變、波形不完整導致采用傳統目標分類識別方法準確率不高的問題，本文提出了一種基于深度特征的信號分類方法。該方法通過數據積累對全脈沖數據進行補全、糾錯，綜合時域、頻域、空域、能量域、調制域等多域參數提取隱藏特征，搭建深度學習網絡對偵測數據進行持續(xù)訓練，實現對復雜目標信號的分類。另一方面，該算法隨著新體制新模式雷達信號層出不窮， 需要進一步提高算法模型的遷移學習能力，以提高對未知數據集的泛化能力。