徐 晶 張譯方 邱光輝 張生杰 徐才進

(西南電子設(shè)備研究所 成都 610036)

0 引言

雷達輻射源識別是電子偵察的重要環(huán)節(jié)，在信號分選基礎(chǔ)上，對偵收的雷達參數(shù)進行分析，完成對雷達型號甚至個體的準確判識，為作戰(zhàn)籌劃、戰(zhàn)術(shù)決策等提供重要的情報支撐[1]。

近年來，隨著雷達技術(shù)體制不斷升級更新，現(xiàn)代作戰(zhàn)空間呈現(xiàn)電磁信號數(shù)量繁多、密級重疊、動態(tài)交疊、樣式變化快的特點。大數(shù)據(jù)人工智能技術(shù)的發(fā)展，為雷達輻射源識別帶來了新的思路：基于大量偵收數(shù)據(jù)，通過機器學習訓練方法，自動完成對雷達特征的提取及識別空間的構(gòu)建，以此解決對新體制、多功能雷達的準確判識。常見的智能化雷達輻射源識別有基于機器學習的識別方法[1]及基于神經(jīng)網(wǎng)絡(luò)的識別方法[3-4]。另一方面，受實戰(zhàn)環(huán)境、戰(zhàn)術(shù)使用及技術(shù)條件的限制，雷達輻射源識別所面臨的信號是一種“小樣本空間”[5]，對應(yīng)的數(shù)據(jù)存在完備性不足、連續(xù)性差、類別不均衡的缺點，基于數(shù)據(jù)驅(qū)動的人工智能識別方法存在對訓練數(shù)據(jù)過擬合、泛化能力差、魯棒性不足的問題，造成人工智能技術(shù)無法良好適應(yīng)于電子戰(zhàn)系統(tǒng)和裝備的應(yīng)用。

為解決上述問題，本文提出針對偵察低截獲雷達的型號識別技術(shù)，具體地，提出基于K-means和組合采樣的樣本擴展技術(shù)，實現(xiàn)對小樣本類別數(shù)據(jù)的擴展，達到不同類別數(shù)據(jù)的樣本均衡，以此解決基于機器學習的雷達型號識別技術(shù)對大樣本數(shù)據(jù)過擬合的問題，提高模型的泛化能力，提升對偵察低截獲雷達的型號識別準確度。

1 識別框架設(shè)計

本文提出一種針對低偵察目標的雷達型號識別技術(shù)框架，如圖1所示。在已有智能處理識別基礎(chǔ)上，增加基于K-means和組合采樣的樣本均衡技術(shù)：首先，運用K-means算法對各型號樣本進行聚小類處理；進一步，對于樣本數(shù)量少的小類，運用SMOTE方法進行樣本擴充，對于樣本數(shù)量過多的小類，運用隨機采樣方法進行樣本抽樣。以此形成數(shù)量充足、分布均衡的樣本數(shù)據(jù)，達到對機器學習算法的充分訓練，形成泛化能力更強、適應(yīng)性更廣的智能識別模型，解決運用人工智能方法對偵察低截獲雷達型號識別率低的問題，提升電子戰(zhàn)系統(tǒng)或裝備對威脅電子目標的識別效果。

圖1 針對偵察低截獲雷達的型號識別框架

2 基于組合樣本采樣的樣本擴展

受限于戰(zhàn)場環(huán)境和偵收條件，所收集的雷達型號樣本數(shù)據(jù)往往存在類別不均衡的現(xiàn)象。因此，雷達型號識別問題屬于不平衡分類問題，導致運用基于機器學習方法的識別結(jié)果向樣本數(shù)量多的類別傾斜，而忽略樣本少的類別，造成整體分類效果不理想。

針對上述問題，提出一種基于K-means和組合采樣的樣本均衡方法，用以對雷達型號樣本庫進行均衡處理，以此降低由于樣本不均衡造成識別準確度低的問題，以二分類為例，所提出的技術(shù)識別流程如圖2所示。

圖2 基于組合樣本采樣的識別流程圖

2.1 SMOTE基本原理

SMOTE是一種被廣泛應(yīng)用于不平衡分類問題的數(shù)據(jù)預處理方法[6]。SMOTE基本思想是在每個少數(shù)類樣本和K個類內(nèi)近鄰樣本之間線性插值，隨機地生成一個新樣本。因為合成的樣本是兩個樣本間的隨機值，所以能有效增加少數(shù)類樣本多樣性，解決了由隨機過采樣導致的過擬合問題。SMOTE原理如圖3所示。

圖3 SMOTE算法說明圖

SMOTE算法運用K-NN算法計算近鄰，K-NN分類算法是數(shù)據(jù)挖掘領(lǐng)域一種非常成熟而典型的分類方法，具有思路簡單、易于實現(xiàn)的優(yōu)點，同時往往具有較高的分類準確率。算法基本思路是給定含有類別標簽的標記樣本集，對于無標簽的待測樣本，計算其與所有已標記樣本集中所有樣本的距離，選擇聚類最近的K個樣本作為近鄰，然后根據(jù)這K個近鄰樣本的類別標簽，采用少數(shù)服從多數(shù)的原則對待測樣本進行類別標注。

SMOTE的基本步驟為：

首先，利用K-NN算法，在類內(nèi)尋找少數(shù)類樣本Xi的K個近鄰樣本，作為合成新樣本的根樣本，樣本間的相似性度量用歐氏距離來表示為

(1)

然后，從K個根樣本中隨機選擇一個作為合成樣本的輔助樣本，重復n次，在Xi和每個輔助樣本Xij之間進行線性插值，最終得到n個新合成樣本。線性插值可表示為

Xnew=Xi+(Xi-Xij)·γ

(2)

其中，Xi是原有樣本；Xij是近鄰樣本，j=1,2,…,K；γ是[0,1]之間的隨機數(shù)；Xnew是新合成的樣本。

2.2 基于K-means和SMOTE的樣本均衡

新體制、多功能雷達呈現(xiàn)模式多樣、頻率捷變快、參數(shù)變化多的特點。同一雷達型號的樣本數(shù)據(jù)呈現(xiàn)離散程度高，分布不平衡的特點。如機載相控陣雷達，大部分時間工作于搜索或跟蹤模式，造成我方偵收、處理形成的參數(shù)大多為上述兩種模式的樣本，而缺少LPI、頻率分集等特殊運用模式的樣本。造成同一雷達型號的樣本數(shù)據(jù)呈現(xiàn)出類內(nèi)不均衡的特點。

如果直接運用SMOTE方法對上述類內(nèi)不均衡的樣本進行采樣，所形成的樣本數(shù)據(jù)分布無法擬合真實的樣本分布情況，難以全面刻畫雷達型號的樣本特征，造成對LPI等特殊模式下雷達的識別準確度低。直接運用SMOTE擴增造成識別錯誤的示意如圖4所示。

圖4 類內(nèi)不均衡導致識別錯誤示意

針對上述問題，本文提出結(jié)合K-means和SMOTE的樣本均衡方法。運用K-means方法對不同類別的雷達型號進行類內(nèi)的聚類，形成類內(nèi)的小類劃分；進一步，運用SMOTE和隨機采樣方法對所有小類進行均衡處理，以此形成類內(nèi)、類間分布均衡的樣本數(shù)據(jù)集。

K-means聚類是一種無監(jiān)督學習方法，可用于分析數(shù)據(jù)的分布特性[7]?；静襟E如下：

1)選取K個初始聚類中心；

2)分別計算每個樣本點到K個簇心的距離(一般為歐氏距離)，找到離該點最近的簇心，將其劃分到對應(yīng)的簇；

3)所有樣本點被劃分到K個簇后，重新計算各簇中心(平均距離中心)；

4)反復迭代步驟2)和3)，直到達到終止條件。

為獲取同一類別內(nèi)樣本的分布信息，利用K-means對每類樣本進行聚類，使特征參數(shù)接近的樣本歸為統(tǒng)一小類。每種型號的樣本可被劃分為多個小類。

對于樣本數(shù)量少的小類，運用SMOTE方法進行插值擴增。對于樣本數(shù)量冗余的小類，運用隨機不放回抽取的方法，對樣本進行抽樣精簡。以此，形成小類間樣本數(shù)據(jù)相當?shù)木鈽颖炯π☆愡M行處理的過程如圖5所示。

圖5 樣本均衡過程示意

3 仿真分析

本節(jié)運用仿真形成的7型雷達型號數(shù)據(jù)驗證所提出方法的有效性。利用識別率RC評估分類效果(NC為識別正確的樣本個數(shù)，NA為待識別樣本總數(shù))

(3)

本文分別運用原始樣本和均衡后樣本對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，并對比分析上述兩種情況的識別準確度。

本文采用的卷積神經(jīng)網(wǎng)絡(luò)由三個卷積計算層(卷積層+池化層)和一個全連接層組成。網(wǎng)絡(luò)結(jié)構(gòu)示意如圖6所示。

圖6 本文采用的卷積神經(jīng)網(wǎng)絡(luò)示意

圖7、圖8分別為A、D兩種型號均衡前后的樣本分布圖。由圖可以看出，對于每一種型號，采用本文提出的樣本擴展方法，能在不改變原有樣本總體分布的基礎(chǔ)上，對各參數(shù)范圍內(nèi)的樣本進行合理擴充，既能讓每個新增樣本與原有樣本保持相似，也能夠?qū)颖颈壤M行一定調(diào)整，使得各小類的樣本數(shù)目更加均衡，從而確保模型具有良好的訓練效果。

圖7 型號A原始樣本與均衡后樣本分布圖

圖8 型號D原始樣本與均衡后樣本分布圖

表1為均衡前后各型號樣本數(shù)量的對比情況，從表1中可看出，運用所提出方法進行樣本均衡后，各型號的樣本數(shù)量能夠達到相同的數(shù)量級。

表1 各型號樣本數(shù)量

為進一步說明組合樣本均衡方法對識別性能提升的有效性，表2給出了樣本均衡前后，卷積神經(jīng)網(wǎng)絡(luò)對不同型號的識別準確度。

表2 不同型號的識別結(jié)果

由表2可知，低偵察型號A、B、F、G的識別準確率均得到顯著提高。圖9詳細給出了均衡前樣本和均衡后樣本訓練生成模型對型號A的識別結(jié)果對比圖(其中0為正確識別、1為錯誤識別)?？傻贸觯岢龇椒軌蛴行岣邔Φ蛡刹煨吞柕淖R別準確度。

圖9 型號A識別結(jié)果圖

對于樣本數(shù)據(jù)充足的型號C、D、E，識別準確度仍能保持在98%以上，表明對于樣本充足型號，所提出方法能夠保持原有的高識別準確度。

以上實驗結(jié)果表明，本文提出的組合均衡方法能夠有效解決樣本數(shù)據(jù)不平衡的問題，改善機器學習算法對大樣本過擬合情況，使得訓練生成的識別模型能夠同時適用于大樣本和小樣本場景，具備更強的泛化能力，整體提升機器學習算法對雷達型號的識別準確度。

4 結(jié)束語

本文研究并設(shè)計了一種基于K-means和組合采樣的樣本均衡方法：針對新體制雷達參數(shù)分布廣的特點，首先提出運用K-means算法對各型號雷達樣本進行聚類處理，將特征相似的樣本劃分為同一小類；進一步，提出了基于組合采樣的樣本均衡策略，對樣本量較少的低偵察型號采用SMOTE擴充，對樣本量充足的型號采用均勻抽樣去冗余，以實現(xiàn)各型號樣本數(shù)量的平衡。仿真結(jié)果表明，本文方法能有效增強智能識別模型的可靠性和泛化能力，明顯提升了偵察低截獲雷達的型號識別準確率，同時也能保持樣本充足型號的高識別準確度，具有較高的工程應(yīng)用價值。