趙 帥，劉松濤，汪慧陽

(海軍大連艦艇學院信息系統(tǒng)系，遼寧 大連 116018)

0 引言

雷達輻射源識別(emitter identification，EID)是認知電子戰(zhàn)系統(tǒng)的重要功能模塊之一[1]，其在提取分選信號核心特征的基礎上識別信號類型，為判斷威脅等級、構建戰(zhàn)場態(tài)勢、推理戰(zhàn)術意圖提供重要參考。在現(xiàn)代戰(zhàn)場電磁環(huán)境的復雜度及交戰(zhàn)雙方電子攻防激烈程度不斷提高的背景下，低截獲概率(low probability of intercept，LPI)雷達得到廣泛應用，其通過脈沖壓縮技術實現(xiàn)強抗干擾能力及低截獲特性,大大提高了雷達對抗一方的信號捕獲及識別難度。因此，自動有效識別LPI雷達信號對提高電子對抗能力具有重要的研究意義。

當前，已有學者對LPI雷達輻射源識別問題進行了初步研究。文獻[2—3]分別使用多層感知機(multi-layer perceptron，MLP)和Elman 神經(jīng)網(wǎng)絡(elman neural network，ENN)學習大量人工設計選擇的信號特征，實現(xiàn)了較好的LPI雷達信號識別效果，但算法受載頻估計準確性的影響很大且依賴人工設計提取特征。文獻[4]直接使用多種(wigner-ville distribution，WVD)圖像分別作為多CNN分支網(wǎng)絡輸入，避免了人工提取特征的過程，并通過特征融合強化識別效果，但網(wǎng)絡結構較為復雜。文獻[5]則在LPI雷達信號(choi-william distribution，CWD)的基礎上，進行了單CNN網(wǎng)絡識別信號類型的研究。近年來，基于目標檢測的LPI雷達信號分類算法被提出并展現(xiàn)出獨特的優(yōu)勢，其不僅可以確定信號類型，還可以定位圖像中的目標信號區(qū)域，很好地解決了非目標脈沖信號的干擾問題。文獻[6]使用原始SSD模型[7]進行了相關方面的初步研究，但并未考慮模型實時性這一關鍵屬性。

針對該領域基于目標檢測類方法實時性不高的問題，本文提出一種基于改進SSD的LPI雷達輻射源識別算法，進行7種常見LPI雷達信號的分類識別研究，包括線性調(diào)頻、Barker碼、Frank碼以及P1—P4碼。

1 SSD模型

SSD模型作為一種基于回歸的單級(one-stage)目標檢測網(wǎng)絡，目標分類與預測框回歸同時進行，兼顧了識別精度和檢測效率。通過對VGG-16網(wǎng)絡的部分保留、修改及刪補構成具有11級卷積層的SSD基礎網(wǎng)絡結構，并由不同的中間卷積層輸出6種尺度的特征層(feature map)，用來檢測不同大小的目標。SSD基礎網(wǎng)絡結構如圖1所示。

圖1 SSD網(wǎng)絡結構圖Fig.1 SSD network structure

具體流程：將圖片輸入SSD網(wǎng)絡后，自動調(diào)整尺寸為300×300，各卷積層相繼提取不同深度的特征，生成6種尺度的特征圖(38×38，19×19，10×10，5×5，3×3，1×1)，將特征圖分割為對應尺度的單元格，并在每一個單元格上生成既定數(shù)量的先驗框。先驗框中存在有大量的負樣本，即與真實框交并比(intersection-over-union，IoU)小于0.5的框樣本，其數(shù)量遠超正樣本且其有效信息少，往往拖慢網(wǎng)絡訓練、降低檢測效果。SSD模型采用難例挖掘解決正負樣本不平衡現(xiàn)象，通過對先驗框的類別置信度排序，以3∶1的比例選取正負樣本。設網(wǎng)絡每個特征層對應的先驗框總數(shù)為Ni，隨后對每個特征層進行一次Ni×4的卷積用以確定該特征層每一個單元格上每一個先驗框的位置偏移，包括真實框與先驗框中心點在x軸、y軸上的偏移情況以及兩框的寬、高偏差情況，再進行一次Ni×Nc的卷積，其中Nc為預測類別數(shù)，用以確定每個先驗框?qū)念悇e置信度。

訓練階段，通過迭代確定網(wǎng)絡權重，最小化損失函數(shù)Loss最大程度地將預測框回歸到真實框，Loss函數(shù)由兩部分加權構成，分別為樣本位置(loc)損失以及樣本的置信度(conf)損失，如式(1)所示：

(1)

式(1)中，N為與真實框相匹配的先驗框個數(shù)，當N為0時，設置損失值為0；c為目標置信度，l和g分別為預測框及真實框參數(shù)，權重α取值為1。Lloc(x,l,g)為目標位置偏移損失，Lconf(x,c)為置信度損失。樣本位置損失表示為：

(2)

(3)

式(3)中，Pos,Neg分別表示正負樣本。

預測階段，SSD網(wǎng)絡預測每個先驗框的類別置信度和位置偏移量，采用非極大值抑制算法(non-maximum suppression，NMS)對先驗框進行篩選得到最終的預測框。

作為一種基于回歸的單級檢測網(wǎng)絡，SSD算法有著遠超R-CNN[8]、Faster R-CNN[9]等基于候選區(qū)域的兩級檢測算法的檢測速度，更易滿足實時性要求，同時得益于更多尺度特征圖的融合，與同樣是單級檢測網(wǎng)絡的YOLO[10]算法相比，SSD算法的檢測精度也更高。需要說明的是，盡管SSD算法兼顧速度與精度，但兩者都不是最優(yōu)，仍有可提高的空間。

2 基于改進SSD模型的輻射源識別算法

為進一步提高SSD模型的識別精度和實時性，本文采用準確度更高、速度更快及更為輕量化的ResNet-50網(wǎng)絡代替VGG-16網(wǎng)絡搭建SSD模型，并對ResNet-50網(wǎng)絡進行相應改進，以期獲得更好的LPI雷達信號識別效果。

2.1 基于ResNet-50的SSD網(wǎng)絡結構

VGG-16網(wǎng)絡是傳統(tǒng)CNN結構的簡單堆疊，參數(shù)數(shù)量大，且隨著網(wǎng)絡的加深會出現(xiàn)梯度消失和梯度爆炸的問題以及網(wǎng)絡訓練效果不升反降，即網(wǎng)絡退化問題。2015年，ResNet[11]問世，通過引入批歸一化(batch normalization，BN)層和殘差(Residual)子塊解決了這兩個問題。BN層對中間層的特征圖進行歸一化處理，以加速網(wǎng)絡收斂并提高準確度，避免梯度消失和梯度爆炸問題的出現(xiàn)。殘差子塊通過在網(wǎng)絡層與層之間增加跳躍連接，將前層最優(yōu)權值直接傳遞到后層，擬合殘差映射達到消除網(wǎng)絡退化的效果，該結構還一定程度上減少了模型參數(shù)量，增加了檢測網(wǎng)絡的效率及精度。VGG-16與ResNet-50網(wǎng)絡參數(shù)量與復雜度對比如表1所示[11-14]。

表1 VGG-16與ResNet-50網(wǎng)絡復雜度對比

網(wǎng)絡參數(shù)量是衡量網(wǎng)絡大小的重要參數(shù)，通常按照下式計算：

(4)

浮點運算次數(shù)(floating point operations, FLOPs)是衡量網(wǎng)絡復雜度的標準參數(shù)，其計算可依據(jù)下式[14]：

(5)

式(4)、式(5)中，H、W及Cin分別為輸入特征圖的高、寬及通道數(shù)；K為卷積核寬度，Cout為輸出通道數(shù)；I、O分別為全連接層的輸入、輸出維度。

從表1中可直觀看出，ResNet-50的參數(shù)量、浮點運算次數(shù)均遠低于VGG-16，證明了其更為輕量化，也具備了具有更快速度的條件。

使用ResNet-50網(wǎng)絡搭建SSD模型需做出如下改進[15-16]：首先保留ResNet-50的前4級卷積模塊，移除隨后的第5級卷積模塊、全連接層及Softmax層；為保證第1級feature map的尺寸依然為38×38，將第4級卷積模塊的第1個殘差子塊的步長(stride)全部修改為1，避免其降維；額外增加5級層結構，分別輸出尺度為19×19，10×10，5×5，3×3及1×1的feature map，并在該5級層結構中加入BN層結構以加強網(wǎng)絡表征能力?；赗esNet-50的SSD模型結構如圖2所示。

由于基于ResNet-50的SSD模型特征圖、先驗框的生成與原始模型并無差別，在該兩種模型復雜度的比較方面，本部分僅對其特征提取網(wǎng)絡進行分析。按照式(4)、式(5)，粗略計算得到的兩種模型特征提取網(wǎng)絡部分的參數(shù)量與浮點運算次數(shù)如表2所示。

圖2 基于ResNet-50的SSD模型結構圖Fig.2 SSD model based on ResNet-50

表2 理論上VGG16-SSD與ResNet50-SSD模型復雜度對比

2.2 LPI雷達輻射源識別算法

為完整地模擬雷達輻射源識別過程，本文的識別算法框架如圖3所示。天線偵收到射頻信號，經(jīng)過一系列操作輸出可處理的中頻信號。通過時頻分析算法處理中頻信號得到時頻圖像，然后利用人工標注等預處理訓練SSD模型，或者將其輸入訓練好的模型進行檢測識別。

圖3 輻射源識別算法框圖Fig.3 Block diagram of emitter recognition algorithm

在眾多的時頻分析算法中，WVD算法具有最高的時頻分辨率，但在處理多分量信號時易產(chǎn)生交叉項干擾。SPWVD(smoothed pseudo wigner-ville distribution)作為WVD的改進版本在保持高時頻分辨率的基礎上，很好地抑制了交叉項干擾。本文即采用SPWVD作為時頻分析方法，信號s(t)的SPWVD定義如下：

(6)

式(6)中，t與f分別代表時間和頻率，g(u)和h(τ)為兩個漢明窗函數(shù)，滿足g(0)=h(0)=1。

3 仿真實驗

3.1 建立LPI雷達信號數(shù)據(jù)集

LPI雷達信號多通過頻率編碼和相位編碼等脈沖壓縮技術來實現(xiàn)低截獲特性，頻率編碼以線性調(diào)頻(LFM)為代表，相位編碼分為二相編碼及多項編碼，前者以巴克碼(Barker)為主，后者則有Frank碼、P1、P2、P3及P4多種編碼選擇。本文建立的數(shù)據(jù)集主要以該7種LPI雷達信號為主，具體信號參數(shù)選擇如表3和表4所示。

表3 7種LPI雷達信號仿真參數(shù)

表4 數(shù)據(jù)集仿真條件設置

大多數(shù)此方向的研究[2-6]均僅考慮AWGN的影響，與真實信道環(huán)境差距較大。本文對生成的原始訓練信號隨機施加SNR范圍為[-6,30] dB的AWGN以及范圍為[fs/6,fs/5]的載頻偏移，并在此基礎上構建萊斯衰落信道模擬信號傳輸過程，具體信道參數(shù)如表5所示。

依據(jù)以上參數(shù)完成信號仿真后，通過SPWVD時頻分析獲取信號的時頻圖像作為SSD模型的輸入。同一信號由WVD與SPWVD獲取的時頻圖像對比如圖4所示。

表5 萊斯衰落信道參數(shù)

圖4 同一信號的WVD與SPWVD時頻圖像Fig.4 WVD and SPWVD time-frequency images of the same signal

對比圖4(a)、(b)兩圖，和前面理論分析一致，SPWVD的效果遠遠好于WVD的效果。7種LPI雷達信號的SPWVD時頻圖像展示如圖5。

圖5 7種LPI雷達信號的SPWVD時頻圖像Fig.5 SPWVD time-frequency images of seven LPI radar signals

分析7種LPI雷達信號時頻圖像特征如下：LFM及Barker信號具有較為明顯的區(qū)分特征，其余5類多相編碼信號時頻圖像較為相似，但也有著可區(qū)分的個體特征表現(xiàn)：Frank，P1及P2時頻圖像具有明顯的階梯狀特征，而P3，P4信號則為邊緣光滑的直線段；Frank及P3信號能量中心分布于圖像左右兩側，而P1及P4能量中心聚集于圖像中心；P2信號與P1圖像特征極為相似，但兩者時頻圖像中特征線段走勢相反，P2為下行，P1為上行?？傊?種時頻圖像具有SSD模型可區(qū)分的不同特征，從而使用SSD模型進行LPI信號識別算法具有可行性。

3.2 改進SSD模型的訓練和檢測測試

使用LabelImg工具將用于訓練的7 000張圖片進行人工標注制作成PASCAL數(shù)據(jù)集，并按8∶2的比例將其分為訓練集和驗證集。由于各類LPI雷達信號時頻圖像的相似性，不對數(shù)據(jù)集進行翻轉、平移及模糊等數(shù)據(jù)增廣處理。實驗平臺參數(shù)如下：Intel(R) Core(TM) i7-8750H CPU@2.20 GHz 處理器，16 GB內(nèi)存，4 GB NVIDIA GeForce GTX 1060 GPU，Pytorch深度學習框架。將數(shù)據(jù)集放入改進后的模型進行訓練，設置Epoch=15，初始學習率為0.000 5，并隨著迭代次數(shù)增加逐步減小學習率。訓練過程Loss函數(shù)及學習率變化如圖6所示。

圖6 訓練時Loss函數(shù)及學習率變化Fig.6 The change of Loss function and learning rate during training

進行目標檢測時，設置目標框得分閾值為0.5，當?shù)梅执笥诘扔?.5時顯示預測目標框。依據(jù)表4建立測試集對模型進行測試，部分檢測結果示例見圖7，圖中依次展示了7種LPI雷達信號的檢測結果示例，并選取Barker、P3兩種信號進行了不同SNR下的檢測效果展示。

如圖7所示，模型在檢測時將信號目標框起并顯示目標類型及檢測得分，在噪聲淹沒嚴重、主觀難以分辨的情況下，模型也能準確地實現(xiàn)對目標的檢測。

圖7 目標檢測結果示例Fig.7 Example of target detection results

3.3 改進SSD模型的性能評估

首先對模型的復雜度進行實際評估，該部分由Pytorch框架的thop模塊和ptflops第三方庫分別進行實現(xiàn)，兩種實現(xiàn)方式結果一致，如表6所示。

對比發(fā)現(xiàn)，改進后SSD模型參數(shù)、浮點運算次數(shù)更少，復雜度更低。特征提取網(wǎng)絡部分的參數(shù)值與前面的理論分析基本一致。兩種模型的參數(shù)量和浮點運算次數(shù)均集中在骨干網(wǎng)絡，其余部分所占比例很小且兩種模型相差不大，由此證明骨干網(wǎng)絡是決定SSD模型復雜度的關鍵，使用ResNet-50網(wǎng)絡替換VGG-16網(wǎng)絡是可行且正確的選擇。

表6 SSD模型與改進SSD模型復雜度實際對比

其次對模型的速度進行評估，對比項包括訓練時迭代一次所需時間(time per epoch，TPE)，單位為秒(s)，取訓練過程中15次迭代的平均值；在CPU上每秒檢測圖片張數(shù)(CPU-FPS)以及在GPU上每秒檢測張數(shù)(GPU-FPS)，取7類11種SNR共77個測試子集的檢測平均值。通過改進模型與SSD模型的對比，客觀評價改進SSD模型的性能。模型速度對比如表7所示。

表7 模型速度性能評估

表7結果說明，改進SSD模型具有比原始SSD模型更好的實時性。改進SSD模型訓練時迭代一次所需時間縮短了28.50%，在GPU上的檢測速度提高了29.74%。

然后通過對比模型對測試集的檢測準確率來評估模型的精度性能。所建立的測試集共包括15 400張圖片，每類LPI雷達信號在每分貝(dB)SNR下有200張測試圖片，SNR范圍為[-10,10] dB，間隔為2 dB?，F(xiàn)選取改進SSD模型在SNR為{10,6,2,-2,-6,-10} dB下的檢測結果展示為表8。

表8 改進SSD模型在SNR為{10,6,2,-2,-6,-10} dB下的檢測混淆矩陣

表8中行表示LPI雷達信號的實際類型，列表示改進后SSD模型的預測類型。觀察表中數(shù)據(jù)可知，在SNR=-10 dB時，模型分類表現(xiàn)大幅下降，出現(xiàn)了更多的“未檢測到信號”類型的結果。與前面對7種信號的時頻圖像分析一致，在低SNR情況下，錯檢現(xiàn)象多發(fā)生在Frank與P1信號之間，以及P3與P4信號之間。

使用相同的訓練集和測試集對原始SSD模型進行測試，得到的結果與改進SSD模型對比如圖8所示。

分析圖8(a)可知，改進后的SSD模型與原始模型在高SNR情況下均實現(xiàn)了較好的檢測性能，在不低于-4 dB的情況下，可實現(xiàn)高于92.9%的檢測準確率。但隨著SNR的降低，原始模型準確率下降的更快，改進后的模型在低SNR情況下有著更好的穩(wěn)定性。

分析各類LPI雷達信號的檢測準確率變化，改進后模型對7類信號的檢測準確率變化趨勢基本相同，改進后模型對LFM，P3及P4三種信號在低SNR下的檢測效果要遠高于原始模型，由于該3種信號的時頻圖像均為光滑的直線段，在低SNR下信號被噪聲淹沒，區(qū)分度大大降低，原始模型的特征提取能力相對改進模型較弱，導致其檢測效果變差。但需指出，改進后模型對P1及P4兩種時頻圖像相近信號在高SNR下檢測時效果略低于平均水平，推斷原因為ResNet-50網(wǎng)絡提取到了時頻圖像更為深層的特征而這些特征對P1及P4信號的區(qū)分度不高。

圖8 改進模型與原模型的檢測準確率對比Fig.8 Comparison of detection accuracy between improved model and original model

綜上所述，改進后SSD模型在保持與原始SSD模型相近精度的基礎上較大地提高了實時性，增強了工程實用性。

4 結論

在現(xiàn)代戰(zhàn)場LPI雷達被廣泛應用，將其快速準確識別具有重要意義。本文提出一種基于改進SSD的LPI雷達輻射源識別算法，并將其應用于7種常見LPI雷達信號的識別中。該算法采用精度更高、速度更快的ResNet-50代替原VGG-16網(wǎng)絡，并對網(wǎng)絡進行了改進設計。生成仿真數(shù)據(jù)時，為更貼近真實情況，構建了萊斯衰落信道用以模擬信號傳播環(huán)境。仿真實驗結果表明，在SNR=-4 dB時算法的識別準確率可達到92.9%，與原始SSD模型相比，訓練及檢測速度分別提高了28.50%和29.74%。后續(xù)工作將思考如何進一步提高模型在高SNR下的識別準確率及模型的抗噪能力。