徐 晶 張生杰 張譯方 周 超 閆亞斌 邱光輝

(西南電子設(shè)備研究所 成都 610036)

0 引言

雷達(dá)輻射源型號(hào)識(shí)別是將偵測(cè)到敵方雷達(dá)發(fā)射的信號(hào)，在信號(hào)分選基礎(chǔ)上，分析工作參數(shù)，實(shí)現(xiàn)雷達(dá)輻射源型號(hào)判識(shí)，完成準(zhǔn)確的威脅判斷和搭載平臺(tái)識(shí)別，為作戰(zhàn)指揮人員提供戰(zhàn)場(chǎng)態(tài)勢(shì)信息和戰(zhàn)術(shù)決策行動(dòng)信息[1-2]。

隨著新體制、多功能雷達(dá)的廣泛運(yùn)用，戰(zhàn)場(chǎng)電磁環(huán)境呈現(xiàn)密集性和復(fù)雜性，雷達(dá)信號(hào)呈現(xiàn)頻率捷變快、參數(shù)變化多的特點(diǎn)，傳統(tǒng)雷達(dá)信號(hào)處理在分選、關(guān)聯(lián)、識(shí)別各個(gè)環(huán)節(jié)面臨巨大挑戰(zhàn)，難以有效處理新體制雷達(dá)信號(hào)[3]。其中，以相控陣?yán)走_(dá)型號(hào)的準(zhǔn)確識(shí)別問(wèn)題尤為突出；另一方面，隨著神經(jīng)網(wǎng)絡(luò)等人工智能算法的引入，一定程度上解決了對(duì)復(fù)雜雷達(dá)信號(hào)的識(shí)別問(wèn)題[4-6]。但由于戰(zhàn)場(chǎng)環(huán)境的非合作化，復(fù)雜體制雷達(dá)信號(hào)參數(shù)的可區(qū)分特征維度少、樣本數(shù)據(jù)存在錯(cuò)誤、缺失等特點(diǎn)，要求所運(yùn)用的人工智能算法能夠同時(shí)具備對(duì)小樣本數(shù)據(jù)泛化能力和對(duì)錯(cuò)誤樣本數(shù)據(jù)容錯(cuò)能力的特點(diǎn)[7]。因此，運(yùn)用諸如隨機(jī)森林、SVM、CNN等目前較為成熟的單一人工智能算法無(wú)法取得最優(yōu)的識(shí)別效果。

為解決上述問(wèn)題，本文提出一種基于Stacking組合分類(lèi)方法的雷達(dá)輻射源型號(hào)識(shí)別技術(shù)，通過(guò)構(gòu)造兩級(jí)疊加式架構(gòu)，將卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法組合，豐富識(shí)別手段，同時(shí)擴(kuò)展識(shí)別參數(shù)維度，結(jié)合特征規(guī)律和不同智能算法的特點(diǎn)，針對(duì)性地將不同參數(shù)作為各個(gè)分類(lèi)器的輸入特征向量，達(dá)到對(duì)特征參數(shù)的最佳運(yùn)用，形成對(duì)復(fù)雜體制雷達(dá)的準(zhǔn)確識(shí)別。

1 Stacking框架基本原理

Stacking框架是一種疊加式分類(lèi)器[10]，具有較強(qiáng)的可擴(kuò)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(wèn)題看做歸納過(guò)程，利用前一級(jí)模型的輸出作為下一級(jí)的輸入，使得前一次的學(xué)習(xí)能充分用于后面的歸納過(guò)程，發(fā)現(xiàn)并糾正分類(lèi)偏差[11]，提高學(xué)習(xí)的精度。

Stacking框架通常采用的是兩級(jí)式框架結(jié)構(gòu)，通過(guò)對(duì)多個(gè)分類(lèi)器的輸出結(jié)果進(jìn)行融合，利用前一級(jí)分類(lèi)器的輸出結(jié)果以及其他的特征作為下一級(jí)分類(lèi)器的學(xué)習(xí)輸入特征，使得后一級(jí)的學(xué)習(xí)對(duì)前一級(jí)輸出結(jié)果進(jìn)行充分的歸納學(xué)習(xí)，同時(shí)能及時(shí)發(fā)現(xiàn)識(shí)別誤差并糾正，從而獲得比單個(gè)獨(dú)立分類(lèi)器更優(yōu)異的識(shí)別率[12]。兩級(jí)Stacking框架中第1級(jí)代表各個(gè)成員分類(lèi)器，稱(chēng)為基分類(lèi)器，第2級(jí)代表更高一層的融合歸納分類(lèi)器[13]，稱(chēng)為元分類(lèi)器，決定Stacking泛化能力的關(guān)鍵是基分類(lèi)器和元分類(lèi)器的組合方式。

Stacking框架工作的過(guò)程分為訓(xùn)練和分類(lèi)兩個(gè)階段，訓(xùn)練階段采用訓(xùn)練樣本數(shù)據(jù)來(lái)創(chuàng)建第1級(jí)和第2級(jí)分類(lèi)器，分類(lèi)階段使用生成的1、2級(jí)分類(lèi)器來(lái)測(cè)試未知類(lèi)別的數(shù)據(jù)類(lèi)別[12]。

1.1 訓(xùn)練過(guò)程

首先利用訓(xùn)練數(shù)據(jù)對(duì)第1級(jí)分類(lèi)器進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程采用交叉驗(yàn)證的方式進(jìn)行[13]，假設(shè)訓(xùn)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(gè)訓(xùn)練樣本數(shù)據(jù)，y(n)代表訓(xùn)練樣本標(biāo)簽，隨機(jī)將訓(xùn)練數(shù)據(jù)劃分為k個(gè)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(yàn)證中的第k折測(cè)試集和訓(xùn)練集。給定S個(gè)分類(lèi)學(xué)習(xí)算法作為第1級(jí)歸納算法，對(duì)訓(xùn)練集D(-k)用第s個(gè)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(lèi)器方法系統(tǒng)架構(gòu)如圖2所示。

圖2 基于Stacking組合分類(lèi)器系統(tǒng)架構(gòu)

1.2 分類(lèi)過(guò)程

對(duì)于輸入的一個(gè)待分類(lèi)樣本x，對(duì)它的分類(lèi)過(guò)程分為如下兩步：

1)由第1級(jí)分類(lèi)器對(duì)它進(jìn)行分類(lèi)，得到預(yù)測(cè)結(jié)果；

2)將第1級(jí)分類(lèi)器的預(yù)測(cè)結(jié)果看做是一個(gè)新的預(yù)測(cè)樣本，送入第2級(jí)分類(lèi)器，由第2級(jí)分類(lèi)器來(lái)預(yù)測(cè)類(lèi)別[14]。

2 基于Stacking框架的識(shí)別技術(shù)

雷達(dá)輻射源型號(hào)識(shí)別的關(guān)鍵在于特征參數(shù)和分類(lèi)器的選擇。分類(lèi)器選擇主要面臨如下挑戰(zhàn)：一是特征矢量比較復(fù)雜，維度較多，對(duì)分類(lèi)器識(shí)別能力提出較高的要求；二是雷達(dá)輻射源識(shí)別作為偵收機(jī)信號(hào)處理的關(guān)鍵環(huán)節(jié)，接收到的信號(hào)持續(xù)時(shí)間較短，分類(lèi)器必須具備在小樣本條件下的快速、穩(wěn)定識(shí)別能力，識(shí)別準(zhǔn)確率必須滿(mǎn)足實(shí)戰(zhàn)化需要[15]。

2.1 總體思路

參照Stacking組合分類(lèi)器系統(tǒng)架構(gòu)，將傳統(tǒng)一級(jí)分類(lèi)架構(gòu)擴(kuò)展到兩級(jí)，通過(guò)一個(gè)融合模型來(lái)融合若干個(gè)單模型的預(yù)測(cè)結(jié)果，這個(gè)單模型稱(chēng)為1級(jí)模型，融合模型稱(chēng)為2級(jí)模型，第1級(jí)分類(lèi)器采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)，第2級(jí)分類(lèi)器采用支持向量機(jī)(SVM)，通過(guò)合理組織兩級(jí)分類(lèi)器使得Stacking架構(gòu)具備更優(yōu)異的泛化能力。利用新體制雷達(dá)脈間常規(guī)特征參數(shù)、脈內(nèi)特征參數(shù)，實(shí)現(xiàn)對(duì)雷達(dá)不同特征參數(shù)識(shí)別結(jié)果的融合。

2.2 分類(lèi)器選擇

由于受電磁環(huán)境的影響，偵收到的輻射源信號(hào)數(shù)據(jù)受到嚴(yán)重干擾，無(wú)法準(zhǔn)確提取表征信號(hào)的有效特征，尤其是新體制雷達(dá)技術(shù)的快速發(fā)展使得現(xiàn)有技術(shù)無(wú)法靈活適應(yīng)，因此需采用類(lèi)似大腦皮層多級(jí)處理的層級(jí)編碼結(jié)構(gòu)智能化提取更抽象的深層特征。

神經(jīng)網(wǎng)絡(luò)分類(lèi)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(guò)對(duì)數(shù)據(jù)特征的學(xué)習(xí)和記憶達(dá)到對(duì)未知類(lèi)別數(shù)據(jù)的準(zhǔn)確識(shí)別[21]。卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為一種典型的深度學(xué)習(xí)算法，目前廣泛應(yīng)用于圖像處理、語(yǔ)音識(shí)別等領(lǐng)域，取得了突破性的成果。深度學(xué)習(xí)模型從低層次特征提取更高層抽象特征屬性，實(shí)現(xiàn)了復(fù)雜的非線性函數(shù)逼近，較淺層模型泛化能力更強(qiáng)，能刻畫(huà)數(shù)據(jù)更豐富的本質(zhì)信息[16]。卷積神經(jīng)網(wǎng)絡(luò)采用“局部感受區(qū)域”的策略，以減少網(wǎng)絡(luò)中的非重要參數(shù)，同時(shí)采用權(quán)值共享和降采樣技術(shù)，大幅減少了訓(xùn)練參數(shù)的數(shù)量，提高訓(xùn)練識(shí)別速度并有效防止網(wǎng)絡(luò)過(guò)擬合，以達(dá)到更好的學(xué)習(xí)和泛化效果，能取得較好的識(shí)別準(zhǔn)確率。根據(jù)目前的研究資料，雷達(dá)輻射源識(shí)別領(lǐng)域采用的均是人為設(shè)計(jì)的特征參數(shù)，深度特征的學(xué)習(xí)尚未得到廣泛應(yīng)用，提取雷達(dá)輻射源信號(hào)深層表征特征是目前亟待解決的問(wèn)題。

支持向量機(jī)(SVM)專(zhuān)門(mén)研究小樣本條件下機(jī)器學(xué)習(xí)規(guī)律，在處理高維數(shù)據(jù)時(shí)，能有效解決“維度災(zāi)難”，具有很好的泛化能力[17-19]。支持向量機(jī)在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出結(jié)構(gòu)簡(jiǎn)單、全局最優(yōu)、泛化能力強(qiáng)等許多特有的優(yōu)勢(shì)[18]，已在許多研究領(lǐng)域得到成功應(yīng)用。

雷達(dá)輻射源數(shù)據(jù)具有非合作、小樣本、碎片化等顯著特點(diǎn)，因此輻射源分類(lèi)識(shí)別是在小樣本條件下的非線性分類(lèi)問(wèn)題，對(duì)識(shí)別速度和識(shí)別準(zhǔn)確率均有較高的要求，為了提取雷達(dá)輻射源深層特征，實(shí)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(luò)作為第1級(jí)分類(lèi)器，為了解決小樣本條件的判識(shí)問(wèn)題，增強(qiáng)識(shí)別模型的泛化能力，采用支持向量機(jī)作為第2級(jí)分類(lèi)器，SVM卷積核采用徑向基函數(shù)(RBF)。

2.3 系統(tǒng)設(shè)計(jì)

本文采用Stacking框架與機(jī)器學(xué)習(xí)算法相結(jié)合的方式，系統(tǒng)結(jié)構(gòu)如圖3所示。主要分為訓(xùn)練過(guò)程和識(shí)別過(guò)程。

圖3 Stacking融合算法分類(lèi)器實(shí)現(xiàn)

其中，訓(xùn)練過(guò)程為：

1)數(shù)據(jù)預(yù)處理

預(yù)處理步驟主要分為數(shù)據(jù)過(guò)濾、特征提取，具體為：

①數(shù)據(jù)過(guò)濾：為了濾除噪聲及背景信號(hào)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(jìn)行過(guò)濾；

②特征提取：根據(jù)信號(hào)分選算法、特征提取算法挖掘常規(guī)信號(hào)特征及脈間細(xì)微特征，根據(jù)脈內(nèi)特征提取算法分析脈內(nèi)調(diào)制特征參數(shù)。

2)標(biāo)簽加載

根據(jù)先驗(yàn)知識(shí)，對(duì)信號(hào)特征參數(shù)數(shù)據(jù)賦予對(duì)應(yīng)的標(biāo)簽(特征參數(shù)對(duì)應(yīng)的目標(biāo)ID)。

3)第1級(jí)分類(lèi)器訓(xùn)練

傳統(tǒng)特征參數(shù)在雷達(dá)輻射源型號(hào)識(shí)別領(lǐng)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(xì)微特征、脈內(nèi)特征為輔，訓(xùn)練識(shí)別分類(lèi)器。為了提取雷達(dá)信號(hào)深層特征，第1級(jí)分類(lèi)器采用卷積神經(jīng)網(wǎng)絡(luò)。利用傳統(tǒng)特征參數(shù)訓(xùn)練第1級(jí)分類(lèi)器中第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，利用傳統(tǒng)特征參數(shù)加脈間細(xì)微特征訓(xùn)練第1級(jí)分類(lèi)器中的第二個(gè)卷積神經(jīng)網(wǎng)絡(luò)，利用傳統(tǒng)特征參數(shù)加脈內(nèi)特征訓(xùn)練第1級(jí)分類(lèi)器中的第三個(gè)卷積神經(jīng)網(wǎng)絡(luò)。

4)第2級(jí)分類(lèi)器訓(xùn)練

第2級(jí)分類(lèi)器采用支持向量機(jī)(SVM)，將第1級(jí)分類(lèi)器中三個(gè)卷積神經(jīng)網(wǎng)絡(luò)的輸出，結(jié)合脈內(nèi)特征，形成第1級(jí)分類(lèi)器輸出的特征向量，標(biāo)簽與第1級(jí)分類(lèi)器的標(biāo)簽相同，利用第1級(jí)分類(lèi)器輸出的特征向量及標(biāo)簽訓(xùn)練第2級(jí)分類(lèi)器。

第1級(jí)分類(lèi)器和第2級(jí)分類(lèi)器訓(xùn)練過(guò)程如圖4所示。

圖4 訓(xùn)練測(cè)試過(guò)程

5)模型保存

將第1級(jí)分類(lèi)器中的三個(gè)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的模型加標(biāo)簽、第2級(jí)分類(lèi)器訓(xùn)練的模型加標(biāo)簽及備注信息依次保存至模型文件中，在每個(gè)模型數(shù)據(jù)之前先保存模型標(biāo)識(shí)信息，用以標(biāo)識(shí)各個(gè)模型，模型保存方式如圖5所示。

圖5 模型保存方式

識(shí)別過(guò)程為：

1)數(shù)據(jù)預(yù)處理

識(shí)別的預(yù)處理方式與訓(xùn)練的預(yù)處理過(guò)程相同，即需要對(duì)原始數(shù)據(jù)進(jìn)行過(guò)濾、信號(hào)特征參數(shù)提取等操作。

2)分類(lèi)識(shí)別

首先加載已訓(xùn)練的模型文件，根據(jù)模型標(biāo)識(shí)完成對(duì)應(yīng)分類(lèi)器的初始化，根據(jù)數(shù)據(jù)預(yù)處理提取的信號(hào)特征參數(shù)，采用Stacking架構(gòu)模型進(jìn)行識(shí)別。

3)結(jié)果輸出

采用第2級(jí)分類(lèi)器的結(jié)果，作為最終的結(jié)果輸出。

3 仿真分析

運(yùn)用仿真方法生成6類(lèi)新體制雷達(dá)目標(biāo)特征參數(shù)，按照上述算法進(jìn)行驗(yàn)證分析。

不同分類(lèi)器的識(shí)別結(jié)果混淆矩陣如圖6、圖7、圖8所示。采用識(shí)別準(zhǔn)確率、召回率、F1-Score指標(biāo)驗(yàn)證不同分類(lèi)器的識(shí)別性能。驗(yàn)證結(jié)果如表1、表2、表3所示。

圖6 CNN識(shí)別結(jié)果歸一化混淆矩陣

圖7 SVM識(shí)別結(jié)果歸一化混淆矩陣

圖8 Stacking識(shí)別結(jié)果歸一化混淆矩陣

表1 CNN分類(lèi)器識(shí)別結(jié)果

表2 SVM分類(lèi)器識(shí)別結(jié)果

表3 Stacking分類(lèi)器識(shí)別結(jié)果

從表1、表2、表3的驗(yàn)證結(jié)果可以看出，相對(duì)于單一分類(lèi)器SVM、CNN，本文提出的Stacking組合分類(lèi)算法能提高1%～2%的識(shí)別準(zhǔn)確度，因此，對(duì)于不同體制雷達(dá)，不需要針對(duì)性地選擇最優(yōu)的基分類(lèi)算法，而是利用組合分類(lèi)算法去組合不同的基分類(lèi)器，這種組合結(jié)果可以充分應(yīng)用不同特征參數(shù)對(duì)不同使用場(chǎng)景的分類(lèi)貢獻(xiàn)率，結(jié)合不同信號(hào)特征參數(shù)取得最佳分類(lèi)效果，具有較強(qiáng)的工程應(yīng)用價(jià)值。

4 結(jié)束語(yǔ)

本文從機(jī)器學(xué)習(xí)算法著手，以雷達(dá)信號(hào)特征參數(shù)為基礎(chǔ)，將卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)應(yīng)用在新體制雷達(dá)型號(hào)識(shí)別領(lǐng)域，采用不同基分類(lèi)器學(xué)習(xí)不同維度信號(hào)特征參數(shù)，利用Stacking架構(gòu)組合不同分類(lèi)器的識(shí)別結(jié)果，實(shí)現(xiàn)新體制雷達(dá)型號(hào)的準(zhǔn)確判識(shí)，相對(duì)于單一分類(lèi)器，本文提出的識(shí)別技術(shù)能有效提升雷達(dá)輻射源識(shí)別率，具有較好的應(yīng)用前景。