徐 晶 張生杰 張譯方 周 超 閆亞斌 邱光輝

(西南電子設備研究所 成都 610036)

0 引言

雷達輻射源型號識別是將偵測到敵方雷達發(fā)射的信號，在信號分選基礎上，分析工作參數(shù)，實現(xiàn)雷達輻射源型號判識，完成準確的威脅判斷和搭載平臺識別，為作戰(zhàn)指揮人員提供戰(zhàn)場態(tài)勢信息和戰(zhàn)術決策行動信息[1-2]。

隨著新體制、多功能雷達的廣泛運用，戰(zhàn)場電磁環(huán)境呈現(xiàn)密集性和復雜性，雷達信號呈現(xiàn)頻率捷變快、參數(shù)變化多的特點，傳統(tǒng)雷達信號處理在分選、關聯(lián)、識別各個環(huán)節(jié)面臨巨大挑戰(zhàn)，難以有效處理新體制雷達信號[3]。其中，以相控陣雷達型號的準確識別問題尤為突出；另一方面，隨著神經(jīng)網(wǎng)絡等人工智能算法的引入，一定程度上解決了對復雜雷達信號的識別問題[4-6]。但由于戰(zhàn)場環(huán)境的非合作化，復雜體制雷達信號參數(shù)的可區(qū)分特征維度少、樣本數(shù)據(jù)存在錯誤、缺失等特點，要求所運用的人工智能算法能夠同時具備對小樣本數(shù)據(jù)泛化能力和對錯誤樣本數(shù)據(jù)容錯能力的特點[7]。因此，運用諸如隨機森林、SVM、CNN等目前較為成熟的單一人工智能算法無法取得最優(yōu)的識別效果。

為解決上述問題，本文提出一種基于Stacking組合分類方法的雷達輻射源型號識別技術，通過構造兩級疊加式架構，將卷積神經(jīng)網(wǎng)絡、支持向量機等機器學習算法組合，豐富識別手段，同時擴展識別參數(shù)維度，結合特征規(guī)律和不同智能算法的特點，針對性地將不同參數(shù)作為各個分類器的輸入特征向量，達到對特征參數(shù)的最佳運用，形成對復雜體制雷達的準確識別。

1 Stacking框架基本原理

Stacking框架是一種疊加式分類器[10]，具有較強的可擴展性，組合的層次可以從一層到多層向上延伸，該方法將組合問題看做歸納過程，利用前一級模型的輸出作為下一級的輸入，使得前一次的學習能充分用于后面的歸納過程，發(fā)現(xiàn)并糾正分類偏差[11]，提高學習的精度。

Stacking框架通常采用的是兩級式框架結構，通過對多個分類器的輸出結果進行融合，利用前一級分類器的輸出結果以及其他的特征作為下一級分類器的學習輸入特征，使得后一級的學習對前一級輸出結果進行充分的歸納學習，同時能及時發(fā)現(xiàn)識別誤差并糾正，從而獲得比單個獨立分類器更優(yōu)異的識別率[12]。兩級Stacking框架中第1級代表各個成員分類器，稱為基分類器，第2級代表更高一層的融合歸納分類器[13]，稱為元分類器，決定Stacking泛化能力的關鍵是基分類器和元分類器的組合方式。

Stacking框架工作的過程分為訓練和分類兩個階段，訓練階段采用訓練樣本數(shù)據(jù)來創(chuàng)建第1級和第2級分類器，分類階段使用生成的1、2級分類器來測試未知類別的數(shù)據(jù)類別[12]。

1.1 訓練過程

首先利用訓練數(shù)據(jù)對第1級分類器進行訓練，訓練過程采用交叉驗證的方式進行[13]，假設訓練數(shù)據(jù)為

D={(x(n),y(n)),n=1,2,3,…,N}

其中：x(n)代表第n個訓練樣本數(shù)據(jù)，y(n)代表訓練樣本標簽，隨機將訓練數(shù)據(jù)劃分為k個大小基本相等的子集D1,D1,…,Dk，分別定義Dk和D(-k)=D-Dk為K折交叉驗證中的第k折測試集和訓練集。給定S個分類學習算法作為第1級歸納算法，對訓練集D(-k)用第s個算法歸納得到模型D(-k),s=1,…,S。

Dcv={(yn,z1n,…,zsn),n=1,…N}

圖1 Stacking的泛化示意圖

基于Stacking的組合分類器方法系統(tǒng)架構如圖2所示。

圖2 基于Stacking組合分類器系統(tǒng)架構

1.2 分類過程

對于輸入的一個待分類樣本x，對它的分類過程分為如下兩步：

1)由第1級分類器對它進行分類，得到預測結果；

2)將第1級分類器的預測結果看做是一個新的預測樣本，送入第2級分類器，由第2級分類器來預測類別[14]。

2 基于Stacking框架的識別技術

雷達輻射源型號識別的關鍵在于特征參數(shù)和分類器的選擇。分類器選擇主要面臨如下挑戰(zhàn)：一是特征矢量比較復雜，維度較多，對分類器識別能力提出較高的要求；二是雷達輻射源識別作為偵收機信號處理的關鍵環(huán)節(jié)，接收到的信號持續(xù)時間較短，分類器必須具備在小樣本條件下的快速、穩(wěn)定識別能力，識別準確率必須滿足實戰(zhàn)化需要[15]。

2.1 總體思路

參照Stacking組合分類器系統(tǒng)架構，將傳統(tǒng)一級分類架構擴展到兩級，通過一個融合模型來融合若干個單模型的預測結果，這個單模型稱為1級模型，融合模型稱為2級模型，第1級分類器采用卷積神經(jīng)網(wǎng)絡(CNN)，第2級分類器采用支持向量機(SVM)，通過合理組織兩級分類器使得Stacking架構具備更優(yōu)異的泛化能力。利用新體制雷達脈間常規(guī)特征參數(shù)、脈內特征參數(shù)，實現(xiàn)對雷達不同特征參數(shù)識別結果的融合。

2.2 分類器選擇

由于受電磁環(huán)境的影響，偵收到的輻射源信號數(shù)據(jù)受到嚴重干擾，無法準確提取表征信號的有效特征，尤其是新體制雷達技術的快速發(fā)展使得現(xiàn)有技術無法靈活適應，因此需采用類似大腦皮層多級處理的層級編碼結構智能化提取更抽象的深層特征。

神經(jīng)網(wǎng)絡分類器具有分析非線性模式數(shù)據(jù)、處理大數(shù)據(jù)的能力，處理分析數(shù)據(jù)速度較快，通過對數(shù)據(jù)特征的學習和記憶達到對未知類別數(shù)據(jù)的準確識別[21]。卷積神經(jīng)網(wǎng)絡(CNN)作為一種典型的深度學習算法，目前廣泛應用于圖像處理、語音識別等領域，取得了突破性的成果。深度學習模型從低層次特征提取更高層抽象特征屬性，實現(xiàn)了復雜的非線性函數(shù)逼近，較淺層模型泛化能力更強，能刻畫數(shù)據(jù)更豐富的本質信息[16]。卷積神經(jīng)網(wǎng)絡采用“局部感受區(qū)域”的策略，以減少網(wǎng)絡中的非重要參數(shù)，同時采用權值共享和降采樣技術，大幅減少了訓練參數(shù)的數(shù)量，提高訓練識別速度并有效防止網(wǎng)絡過擬合，以達到更好的學習和泛化效果，能取得較好的識別準確率。根據(jù)目前的研究資料，雷達輻射源識別領域采用的均是人為設計的特征參數(shù)，深度特征的學習尚未得到廣泛應用，提取雷達輻射源信號深層表征特征是目前亟待解決的問題。

支持向量機(SVM)專門研究小樣本條件下機器學習規(guī)律，在處理高維數(shù)據(jù)時，能有效解決“維度災難”，具有很好的泛化能力[17-19]。支持向量機在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出結構簡單、全局最優(yōu)、泛化能力強等許多特有的優(yōu)勢[18]，已在許多研究領域得到成功應用。

雷達輻射源數(shù)據(jù)具有非合作、小樣本、碎片化等顯著特點，因此輻射源分類識別是在小樣本條件下的非線性分類問題，對識別速度和識別準確率均有較高的要求，為了提取雷達輻射源深層特征，實現(xiàn)多維度特征數(shù)據(jù)處理，本文采用卷積神經(jīng)網(wǎng)絡作為第1級分類器，為了解決小樣本條件的判識問題，增強識別模型的泛化能力，采用支持向量機作為第2級分類器，SVM卷積核采用徑向基函數(shù)(RBF)。

2.3 系統(tǒng)設計

本文采用Stacking框架與機器學習算法相結合的方式，系統(tǒng)結構如圖3所示。主要分為訓練過程和識別過程。

圖3 Stacking融合算法分類器實現(xiàn)

其中，訓練過程為：

1)數(shù)據(jù)預處理

預處理步驟主要分為數(shù)據(jù)過濾、特征提取，具體為：

①數(shù)據(jù)過濾：為了濾除噪聲及背景信號影響，根據(jù)已知數(shù)據(jù)接收情況，按照頻段、參數(shù)范圍等規(guī)則進行過濾；

②特征提取：根據(jù)信號分選算法、特征提取算法挖掘常規(guī)信號特征及脈間細微特征，根據(jù)脈內特征提取算法分析脈內調制特征參數(shù)。

2)標簽加載

根據(jù)先驗知識，對信號特征參數(shù)數(shù)據(jù)賦予對應的標簽(特征參數(shù)對應的目標ID)。

3)第1級分類器訓練

傳統(tǒng)特征參數(shù)在雷達輻射源型號識別領域仍具有非常重要的作用，因此以傳統(tǒng)特征參數(shù)為主，脈間細微特征、脈內特征為輔，訓練識別分類器。為了提取雷達信號深層特征，第1級分類器采用卷積神經(jīng)網(wǎng)絡。利用傳統(tǒng)特征參數(shù)訓練第1級分類器中第一個卷積神經(jīng)網(wǎng)絡，利用傳統(tǒng)特征參數(shù)加脈間細微特征訓練第1級分類器中的第二個卷積神經(jīng)網(wǎng)絡，利用傳統(tǒng)特征參數(shù)加脈內特征訓練第1級分類器中的第三個卷積神經(jīng)網(wǎng)絡。

4)第2級分類器訓練

第2級分類器采用支持向量機(SVM)，將第1級分類器中三個卷積神經(jīng)網(wǎng)絡的輸出，結合脈內特征，形成第1級分類器輸出的特征向量，標簽與第1級分類器的標簽相同，利用第1級分類器輸出的特征向量及標簽訓練第2級分類器。

第1級分類器和第2級分類器訓練過程如圖4所示。

圖4 訓練測試過程

5)模型保存

將第1級分類器中的三個卷積神經(jīng)網(wǎng)絡訓練的模型加標簽、第2級分類器訓練的模型加標簽及備注信息依次保存至模型文件中，在每個模型數(shù)據(jù)之前先保存模型標識信息，用以標識各個模型，模型保存方式如圖5所示。

圖5 模型保存方式

識別過程為：

1)數(shù)據(jù)預處理

識別的預處理方式與訓練的預處理過程相同，即需要對原始數(shù)據(jù)進行過濾、信號特征參數(shù)提取等操作。

2)分類識別

首先加載已訓練的模型文件，根據(jù)模型標識完成對應分類器的初始化，根據(jù)數(shù)據(jù)預處理提取的信號特征參數(shù)，采用Stacking架構模型進行識別。

3)結果輸出

采用第2級分類器的結果，作為最終的結果輸出。

3 仿真分析

運用仿真方法生成6類新體制雷達目標特征參數(shù)，按照上述算法進行驗證分析。

不同分類器的識別結果混淆矩陣如圖6、圖7、圖8所示。采用識別準確率、召回率、F1-Score指標驗證不同分類器的識別性能。驗證結果如表1、表2、表3所示。

圖6 CNN識別結果歸一化混淆矩陣

圖7 SVM識別結果歸一化混淆矩陣

圖8 Stacking識別結果歸一化混淆矩陣

表1 CNN分類器識別結果

表2 SVM分類器識別結果

表3 Stacking分類器識別結果

從表1、表2、表3的驗證結果可以看出，相對于單一分類器SVM、CNN，本文提出的Stacking組合分類算法能提高1%～2%的識別準確度，因此，對于不同體制雷達，不需要針對性地選擇最優(yōu)的基分類算法，而是利用組合分類算法去組合不同的基分類器，這種組合結果可以充分應用不同特征參數(shù)對不同使用場景的分類貢獻率，結合不同信號特征參數(shù)取得最佳分類效果，具有較強的工程應用價值。

4 結束語

本文從機器學習算法著手，以雷達信號特征參數(shù)為基礎，將卷積神經(jīng)網(wǎng)絡、支持向量機應用在新體制雷達型號識別領域，采用不同基分類器學習不同維度信號特征參數(shù)，利用Stacking架構組合不同分類器的識別結果，實現(xiàn)新體制雷達型號的準確判識，相對于單一分類器，本文提出的識別技術能有效提升雷達輻射源識別率，具有較好的應用前景。