胡 焱，卓書龍，司成可

(中國(guó)民用航空飛行學(xué)院航空工程學(xué)院,四川 廣漢 618300)

0 引 言

廣播式自動(dòng)相關(guān)監(jiān)視(Automatic Dependent Surveillance-Broadcast, ADS-B)系統(tǒng)的主要作用是實(shí)現(xiàn)民航飛機(jī)間、飛機(jī)與地面間的信息共享，目前已成為國(guó)際民航組織(ICAO)唯一推薦的廣域空域監(jiān)視技術(shù)[1-2]。然而，隨著無(wú)線電用頻環(huán)境的日益復(fù)雜，加之ADS-B系統(tǒng)每隔0.5 s～1 s就會(huì)廣播一次報(bào)文數(shù)據(jù)，導(dǎo)致ADS-B信號(hào)在實(shí)際使用過程中經(jīng)常面臨各種信號(hào)干擾[3-4]。特別是在機(jī)場(chǎng)終端區(qū)域，各類用頻設(shè)備導(dǎo)致ADS-B信號(hào)面臨的電磁環(huán)境更加惡劣，各類型航空器間的ADS-B信號(hào)相互交織所造成的干擾現(xiàn)象更加嚴(yán)重，地面其他用頻設(shè)備的出現(xiàn)使得信號(hào)間的干擾更加頻繁，導(dǎo)致地面和機(jī)載ADS-B系統(tǒng)在解碼時(shí)出現(xiàn)誤碼，甚至出現(xiàn)解碼無(wú)效的情況[5]，從而給空中交通管理和飛行安全帶來嚴(yán)重威脅。因此，在廣泛普及應(yīng)用ADS-B監(jiān)視技術(shù)的同時(shí)，也對(duì)ADS-B干擾信號(hào)的識(shí)別能力提出了越來越高的要求[6]。

在傳統(tǒng)的干擾信號(hào)類型識(shí)別算法中，張葛祥等人[7]對(duì)信號(hào)的高階累積量和信息維數(shù)、熵特征等進(jìn)行提取，并將其作為干擾信號(hào)調(diào)制類型識(shí)別的信號(hào)特征，進(jìn)行干擾信號(hào)的調(diào)制類型識(shí)別。胡波等人[8]采用基于特征提取的識(shí)別算法對(duì)不同調(diào)制類型信號(hào)進(jìn)行調(diào)制類型識(shí)別，其信號(hào)類型包括線性調(diào)頻信號(hào)(Linear Frequency Modulation, LFM)和二相編碼信號(hào)(Binary Phase Shift Keying, BPSK)等。但面對(duì)不斷增加的信號(hào)調(diào)制類型，利用上述特征提取的傳統(tǒng)識(shí)別方法，存在有特征提取耗時(shí)大、分類識(shí)別算法復(fù)雜度高、信號(hào)識(shí)別精度低以及不具備對(duì)實(shí)際應(yīng)用場(chǎng)景的自適應(yīng)能力等固有缺陷[9-12]。

對(duì)于傳統(tǒng)的基于信號(hào)特征的調(diào)制識(shí)別算法可分為3個(gè)步驟：信號(hào)預(yù)處理、特征提取和調(diào)制制式分類。與傳統(tǒng)的基于信號(hào)特征的調(diào)制識(shí)別算法相比，深度神經(jīng)網(wǎng)絡(luò)識(shí)別算法的步驟減少為2步，即信號(hào)預(yù)處理之后同時(shí)完成信號(hào)特征提取和調(diào)制類型識(shí)別。國(guó)內(nèi)外學(xué)者對(duì)此已進(jìn)行了大量研究，利用各種類型的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)干擾信號(hào)類型識(shí)別。具體地說，O’Shea等人[13-14]基于USRP仿真生成了信號(hào)調(diào)制類型數(shù)據(jù)集(同時(shí)涵蓋了多種模擬和數(shù)字調(diào)制信號(hào)類型)，利用雙層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)類型識(shí)別實(shí)驗(yàn)，證實(shí)了基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)調(diào)制類型識(shí)別的技術(shù)可行性；Zhang等人[15]采用原始復(fù)信號(hào)的實(shí)部、虛部以及信號(hào)的四階累積量作為訓(xùn)練樣本，將卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)進(jìn)行組合，提出組合式的信號(hào)識(shí)別神經(jīng)網(wǎng)絡(luò)，并取得了較理想的識(shí)別效果。

無(wú)論傳統(tǒng)算法還是基于神經(jīng)網(wǎng)絡(luò)的智能識(shí)別算法，其研究對(duì)象大多是認(rèn)知通信領(lǐng)域的信號(hào)類型，且一般為連續(xù)波信號(hào)。而ADS-B信號(hào)是典型的脈沖類(Pulse Position Modulation, PPM)信號(hào)，且現(xiàn)有的識(shí)別算法對(duì)通信類和脈沖類混合信號(hào)的調(diào)制類型識(shí)別的研究甚少。鑒于此，本文針對(duì)通信類與脈沖類混合的調(diào)制類型分類識(shí)別問題，將基于深度神經(jīng)網(wǎng)絡(luò)識(shí)別算法的識(shí)別效果與傳統(tǒng)的基于特征提取算法的識(shí)別效果進(jìn)行對(duì)比分析，采用深度學(xué)習(xí)的方法對(duì)不同場(chǎng)景下的多種調(diào)制類型信號(hào)的分類識(shí)別展開深入的研究。

本文主要工作如下：首先，采用經(jīng)驗(yàn)?zāi)B(tài)分解-多尺度排列熵的特征提取方法，對(duì)實(shí)采的IQ信號(hào)進(jìn)行特征提取后，將其作為訓(xùn)練樣本輸入全連接神經(jīng)網(wǎng)絡(luò)(Deeping Neural Network, DNN)中進(jìn)行訓(xùn)練，并采用新數(shù)據(jù)進(jìn)行識(shí)別性能測(cè)試；其次，基于深度神經(jīng)網(wǎng)絡(luò)的算法，在事先不對(duì)實(shí)采的IQ數(shù)據(jù)人工進(jìn)行特征提取的前提下，僅對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的切片預(yù)處理，將其輸入到所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)中訓(xùn)練、測(cè)試，利用神經(jīng)網(wǎng)絡(luò)模型挖掘IQ信號(hào)的深度特征，實(shí)現(xiàn)信號(hào)調(diào)制類型的自動(dòng)識(shí)別；最終，將兩者的識(shí)別性能進(jìn)行對(duì)比分析，結(jié)果表明，深度學(xué)習(xí)算法在多類型多場(chǎng)景下針對(duì)于通信類與脈沖類混合的信號(hào)類型，具有識(shí)別精度高、處理步驟簡(jiǎn)便的優(yōu)點(diǎn)。

1 干擾信號(hào)類型識(shí)別方法

1.1 EMD-MPE特征的DNN識(shí)別法

基于經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decompo-sition, EMD)和多尺度排列熵(Multi-scale Permuta-tion Entropy, MPE)特征的智能識(shí)別算法，首先將所采集到的非線性信號(hào)以時(shí)間尺度為劃分標(biāo)準(zhǔn)，將其分解成若干個(gè)對(duì)應(yīng)的本征模函數(shù)(Intrinsic Mode Function, IMF)，隨后對(duì)多個(gè)時(shí)間尺度下的IMF進(jìn)行排列熵計(jì)算，提取出原信號(hào)在多重時(shí)間尺度下蘊(yùn)藏的細(xì)微特征。具體地，是將長(zhǎng)度為N的原始信號(hào)進(jìn)行EMD分解，得到信號(hào)的本征模函數(shù)[3]，不妨記為：

simf=[x1,x2,…,xN]

(1)

進(jìn)一步地，按照下式對(duì)本征模函數(shù)進(jìn)行粗?；幚韀16]，其表達(dá)式為：

(2)

其中，μ為尺度因子；[N/μ]表示對(duì)[N/s]取整操作。對(duì)于s取1時(shí)，其粗粒化后的序列即是原始的時(shí)間序列。

將粗?；幚砗蟮男蛄羞M(jìn)行空間重構(gòu)[3,16]，其表達(dá)式如下：

(3)

其中，m是嵌入維數(shù)；τ是時(shí)間延遲。對(duì)重構(gòu)矩陣首行進(jìn)行升序排列，得到y(tǒng)[i+(l1-1)τ]≤y[i+(l2-1)τ≤…≤y[i+(lm-1)τ]，其中，l1,l2,…,lm為第一行重新排列后各分量所在列的索引值。依照重構(gòu)矩陣首行的排列方式，對(duì)矩陣的其余重構(gòu)向量進(jìn)行升序排列，并將重排列后的符號(hào)序列表示為S(r)=(n1,n2,…,nm)，其中r=1,2,…,m!。當(dāng)重構(gòu)分量出現(xiàn)相等的情況時(shí)，根據(jù)分量的索引值大小進(jìn)行排序，則在m維的相空間中，對(duì)于符號(hào)序列而言，共有m!種排列組合形式。再對(duì)每種符號(hào)序列的出現(xiàn)概率進(jìn)行求取，依照m!種符號(hào)序列的排列方式，通過計(jì)算重構(gòu)分量中每種符號(hào)序列出現(xiàn)的次數(shù)與所有符號(hào)序列出現(xiàn)次數(shù)的比值來定義其概率值。為不失一般性，假設(shè)第i種序列特征出現(xiàn)的概率值記為Pi,i∈[1,m!]。對(duì)此，可將該符號(hào)序列的排列熵Hp(m)定義為[3,17]:

(4)

采用歸一化方法對(duì)Hp(m)進(jìn)行處理[3,18]：

(5)

當(dāng)采用上述方法求得所有經(jīng)過粗?；幚硇蛄械呐帕徐睾?，將其重構(gòu)成多尺度排列熵，可由式(6)表示：

HM=[Hp1,Hp2,…,Hpn]

(6)

其中，序列個(gè)數(shù)為n。

對(duì)此，將所得到的多尺度排列熵進(jìn)行數(shù)據(jù)集構(gòu)建，可得：

DN=[H1,H2,…,HN]

(7)

其中，N為訓(xùn)練樣本數(shù)。

將DNN作為分類器對(duì)不同調(diào)制類型的信號(hào)進(jìn)行分類，是因?yàn)镈NN網(wǎng)絡(luò)架構(gòu)簡(jiǎn)單且自身具有強(qiáng)大的非線性擬合能力，從理論上講，可以對(duì)任何類型的函數(shù)進(jìn)行擬合。全連接神經(jīng)網(wǎng)絡(luò)雖然結(jié)構(gòu)比較簡(jiǎn)單，但它具有網(wǎng)絡(luò)參數(shù)量多和訓(xùn)練所需的數(shù)據(jù)量大的特點(diǎn)，從而導(dǎo)致網(wǎng)絡(luò)的計(jì)算量龐大且訓(xùn)練時(shí)間長(zhǎng)，其輸入信息始終自淺層向深層流動(dòng)直至輸出結(jié)果，輸出結(jié)果對(duì)網(wǎng)絡(luò)的輸入沒有反饋信息[19-20]。對(duì)此，基于EMD-MPE特征的DNN識(shí)別法處理流程如圖1所示。

圖1 基于EMD-MPE-DNN的算法處理流程圖

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別原理

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)主要利用卷積核的模式匹配能力和全連接層的維度映射能力對(duì)信號(hào)類型進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)在不同信道場(chǎng)景下的調(diào)制識(shí)別性能均能超過傳統(tǒng)基于信號(hào)特征的調(diào)制識(shí)別算法。同時(shí)由于CNN的調(diào)制識(shí)別性能與訓(xùn)練數(shù)據(jù)的設(shè)定密切相關(guān)，所以采用合適的數(shù)據(jù)集訓(xùn)練的CNN網(wǎng)絡(luò)在信號(hào)類別數(shù)量擴(kuò)展或考慮更多信號(hào)干擾后，依然具備良好的調(diào)制識(shí)別性能[21]。

與基于EMD-MPE特征的DNN識(shí)別算法(即EMD-MPE-DNN)不同的是，CNN網(wǎng)絡(luò)不需要專門進(jìn)行特征提取，網(wǎng)絡(luò)中的每個(gè)神經(jīng)元不再連接到上一層的所有神經(jīng)元，而僅連接到少數(shù)神經(jīng)元，網(wǎng)絡(luò)中采取權(quán)值共享策略，大大減少了網(wǎng)絡(luò)參數(shù)，同時(shí)加速了網(wǎng)絡(luò)收斂速度。CNN網(wǎng)絡(luò)主要的組成模塊有卷積層、池化層、全連接層、激活函數(shù)等。

與普通神經(jīng)網(wǎng)絡(luò)相比，CNN中的卷積層將前一層的特征映射結(jié)果作為輸入，對(duì)輸入數(shù)據(jù)進(jìn)行二維卷積操作。若給定1個(gè)二維樣本x，樣本經(jīng)過二維卷積核h的卷積運(yùn)算過程為[22-23]：

(8)

隨著網(wǎng)絡(luò)層數(shù)的增加，卷積網(wǎng)絡(luò)能夠?qū)⒌途S度信息映射到高維度空間上，從而提取出更為抽象的維度特征。輸入符號(hào)序列首先通過多個(gè)卷積層，由多個(gè)卷積層對(duì)輸入符號(hào)序列進(jìn)行變換得到信號(hào)特征。輸出的信號(hào)特征輸入到后續(xù)的全連接神經(jīng)網(wǎng)絡(luò)，即傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，對(duì)其進(jìn)行調(diào)制識(shí)別分類判決，最后輸出判決結(jié)果[20]。對(duì)此，本文基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別算法流程為：

Step1對(duì)原始信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理。將L×1長(zhǎng)度的信號(hào)進(jìn)行切片，形成2×l×N的三維張量，其中N=L/l，形成CNN網(wǎng)絡(luò)的數(shù)據(jù)集。

Step2設(shè)計(jì)CNN網(wǎng)絡(luò)架構(gòu)及網(wǎng)絡(luò)參數(shù)選擇。本文所采取的CNN網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、隱藏層、輸出層。其隱藏層中包括4層卷積層、4層池化層、1層展平層與4層全連接層，選擇ReLU與Softmax作為網(wǎng)絡(luò)的激活函數(shù)。

Step3對(duì)所設(shè)計(jì)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測(cè)試，并采用新數(shù)據(jù)對(duì)網(wǎng)絡(luò)的識(shí)別性能進(jìn)行驗(yàn)證。其流程如圖2所示。

圖2 CNN網(wǎng)絡(luò)流程圖

1.3 基于殘差神經(jīng)網(wǎng)絡(luò)的識(shí)別算法

單純地增加神經(jīng)網(wǎng)絡(luò)深度會(huì)帶來梯度消失或爆炸的問題，為了解決上述問題，本文提出的殘差神經(jīng)網(wǎng)絡(luò)(Residual Neural Network, ResNet)可以有效解決梯度爆炸導(dǎo)致深層卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)的退化問題，并且能夠保持良好的泛化能力[24-25]。

本文的訓(xùn)練集大小為142800個(gè)信號(hào)，測(cè)試集大小為25200個(gè)信號(hào)?？紤]到所采集的是具有I、Q兩路的復(fù)信號(hào)，為適應(yīng)數(shù)據(jù)樣本維度，本文除了第一個(gè)殘差塊采用二維卷積核，其他殘差塊的卷積核維數(shù)設(shè)置為一維。二維卷積核大小為3×2，一維卷積核大小為3×1，且卷積核數(shù)均設(shè)置為32。網(wǎng)絡(luò)采用的池化方式為最大池化，步長(zhǎng)均設(shè)置為1。選擇ReLU函數(shù)作為卷積層的激活函數(shù)，以增加模型的非線性建模能力。最大池化層的二維采樣核大小為2×2，一維采樣核為2×1。為此，在本文設(shè)計(jì)的殘差網(wǎng)絡(luò)中，殘差塊數(shù)量為5個(gè)，且殘差塊由2個(gè)殘差單元組成，每個(gè)殘差單元對(duì)應(yīng)2層卷積層，數(shù)據(jù)經(jīng)過殘差處理后，輸出的信號(hào)特征通過網(wǎng)絡(luò)的展平層展開，作為全連接層的輸入數(shù)據(jù)。該網(wǎng)絡(luò)共有2層全連接層，首層全連接層的神經(jīng)元個(gè)數(shù)為128，輸出層的神經(jīng)元個(gè)數(shù)由待分類的調(diào)制類型數(shù)量所決定，并采用Softmax函數(shù)作為輸出層激活函數(shù)，將識(shí)別結(jié)果映射到(0,1)區(qū)間以得到各類別的識(shí)別概率。

基于ResNet網(wǎng)絡(luò)的調(diào)制類型識(shí)別算法流程可分為訓(xùn)練和測(cè)試2個(gè)過程，如圖3所示。

圖3 ResNet網(wǎng)絡(luò)流程圖

訓(xùn)練過程：

1)將采用軟件仿真并通過數(shù)據(jù)收發(fā)平臺(tái)實(shí)現(xiàn)采集的調(diào)制信號(hào)用作訓(xùn)練數(shù)據(jù),為滿足網(wǎng)絡(luò)數(shù)據(jù)的輸入格式與保證網(wǎng)絡(luò)良好的識(shí)別性能，本文將實(shí)測(cè)數(shù)據(jù)預(yù)處理成2×1024×1的三維張量，再輸入到ResNet網(wǎng)絡(luò)模型中。

2)ResNet網(wǎng)絡(luò)模型對(duì)輸入的信號(hào)序列進(jìn)行卷積、池化等運(yùn)算，提取信號(hào)特征，將提取的信號(hào)特征展平，并經(jīng)過全連接層處理后，由輸出層輸出分類識(shí)別結(jié)果。

3)將各信號(hào)調(diào)制方式的識(shí)別結(jié)果與輸入ResNet網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)的標(biāo)簽進(jìn)行對(duì)比，利用代價(jià)函數(shù)計(jì)算出識(shí)別結(jié)果的誤差，并利用反向傳播算法對(duì)網(wǎng)絡(luò)的權(quán)值偏置進(jìn)行更新迭代。

測(cè)試過程：在ResNet網(wǎng)絡(luò)模型訓(xùn)練完成之后，保存網(wǎng)絡(luò)的架構(gòu)、權(quán)值與偏置，并采用新數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行識(shí)別性能驗(yàn)證，檢驗(yàn)網(wǎng)絡(luò)是否出現(xiàn)過擬合。

本文設(shè)計(jì)了深度殘差網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)處理ADS-B干擾信號(hào)類型識(shí)別任務(wù)。在后續(xù)的實(shí)驗(yàn)中，與傳統(tǒng)方法進(jìn)行了多項(xiàng)對(duì)比，包括性能度量、模型收斂情況、識(shí)別率曲線等，結(jié)果表明，深度殘差網(wǎng)絡(luò)的總體性能最優(yōu)。

2 仿真驗(yàn)證

為驗(yàn)證本文所提出的基于深度神經(jīng)網(wǎng)絡(luò)的ADS-B信號(hào)干擾源個(gè)體識(shí)別算法與傳統(tǒng)算法性能相比的優(yōu)越性，本文選用不同的方法對(duì)以下10種調(diào)制類型波形進(jìn)行針對(duì)性仿真驗(yàn)證。

2.1 數(shù)據(jù)集構(gòu)建

ADS-B以及各類干擾信號(hào)共10種波形的時(shí)域圖如圖4所示。

圖4 10種調(diào)制類型波形時(shí)域圖

對(duì)OFDM干擾信號(hào)做EMD分解處理，得到固有模態(tài)函數(shù)時(shí)域圖，圖5顯示了該分解方法得到的8個(gè)固有模態(tài)函數(shù)的細(xì)節(jié)特征。

圖5 OFDM信號(hào)的本征模函數(shù)圖

2.2 實(shí)驗(yàn)及結(jié)果分析

2.2.1 實(shí)驗(yàn)1及結(jié)果分析

實(shí)驗(yàn)1：不同類型的識(shí)別算法對(duì)ADS-B信號(hào)干擾類型的識(shí)別精度。

對(duì)于采用不同類型的識(shí)別算法對(duì)ADS-B信號(hào)干擾信號(hào)調(diào)制類型識(shí)別精度如圖6、圖7所示。

圖6 EMD-MPE-DNN算法的識(shí)別結(jié)果

圖7 2種不同網(wǎng)絡(luò)的識(shí)別精度圖

實(shí)驗(yàn)結(jié)果分析：

1)基于經(jīng)驗(yàn)?zāi)B(tài)分解-多尺度排列熵-全連接神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)識(shí)別算法中，神經(jīng)網(wǎng)絡(luò)分類器在經(jīng)過30次迭代后，該網(wǎng)絡(luò)分類器的識(shí)別精度未能達(dá)到45%，而CNN網(wǎng)絡(luò)以及本文設(shè)計(jì)的ResNet網(wǎng)絡(luò)的識(shí)別算法在經(jīng)過2.5次迭代后識(shí)別準(zhǔn)確率就已達(dá)到90%以上，經(jīng)過15次迭代后識(shí)別準(zhǔn)確率接近100%。表明深度神經(jīng)網(wǎng)絡(luò)在ADS-B干擾源識(shí)別方面具有很強(qiáng)的優(yōu)勢(shì)。

2)本文提出的ResNet網(wǎng)絡(luò)樣本數(shù)據(jù)在經(jīng)過1次迭代后識(shí)別準(zhǔn)確率就已經(jīng)超過90%，而CNN網(wǎng)絡(luò)經(jīng)過2.5次迭代后才超過90%，此外在網(wǎng)絡(luò)訓(xùn)練過程中，ResNet網(wǎng)絡(luò)識(shí)別精度始終在CNN網(wǎng)絡(luò)識(shí)別精度之上，因此本文提出的ResNet網(wǎng)絡(luò)在ADS-B干擾源識(shí)別方面效果更好。

2.2.2 實(shí)驗(yàn)2及結(jié)果分析

實(shí)驗(yàn)2：2種神經(jīng)網(wǎng)絡(luò)在不同信噪比下的識(shí)別性能對(duì)比。

為驗(yàn)證本文所提出的ResNet網(wǎng)絡(luò)架構(gòu)在ADS-B干擾源識(shí)別方面的優(yōu)勢(shì)，在ADS-B干擾信號(hào)不同SNR場(chǎng)景下與CNN網(wǎng)絡(luò)架構(gòu)進(jìn)行對(duì)比分析。2種神經(jīng)網(wǎng)絡(luò)在不同信噪比下的識(shí)別結(jié)果如圖8所示。

圖8 2種神經(jīng)網(wǎng)絡(luò)在不同信噪比下的識(shí)別精度圖

實(shí)驗(yàn)結(jié)果分析：

CNN網(wǎng)絡(luò)在ADS-B干擾信號(hào)的SNR低于0 dB時(shí)，干擾信號(hào)識(shí)別精度急劇惡化，-10 dB時(shí)識(shí)別精度只達(dá)到70%左右。而本文提出的ResNet網(wǎng)絡(luò)架構(gòu)即使信噪比在-10 dB時(shí)，網(wǎng)絡(luò)的識(shí)別精度也達(dá)到95%以上，既提升了調(diào)制類型識(shí)別的整體識(shí)別精度，又解決了低信噪比條件下網(wǎng)絡(luò)識(shí)別性能急劇下降的缺點(diǎn)。

為進(jìn)一步表明本文所提出的ResNet網(wǎng)絡(luò)架構(gòu)在ADS-B干擾源識(shí)別方面的優(yōu)勢(shì)，將10種ADS-B干擾類型信號(hào)分別在不同的SNR場(chǎng)景下與CNN網(wǎng)絡(luò)架構(gòu)進(jìn)行對(duì)比分析，則每種干擾信號(hào)在不同網(wǎng)絡(luò)架構(gòu)下識(shí)別結(jié)果分別如圖9、圖10所示。

圖9 CNN網(wǎng)絡(luò)下的每種干擾信號(hào)識(shí)別精度圖

圖10 ResNet網(wǎng)絡(luò)下的每種干擾信號(hào)識(shí)別精度圖

實(shí)驗(yàn)結(jié)果分析：

1)對(duì)于不同的ADS-B干擾調(diào)制信號(hào)，不同類型的神經(jīng)網(wǎng)絡(luò)在相同SNR場(chǎng)景下的識(shí)別精度也存在著差異。

2)低信噪比時(shí)CNN網(wǎng)絡(luò)的識(shí)別精度差異明顯。對(duì)于ADS-B+Barker干擾調(diào)制類型的識(shí)別率低于50%，對(duì)不含干擾調(diào)制類型的ADS-B識(shí)別率最高接近100%，CNN網(wǎng)絡(luò)識(shí)別精度差異達(dá)到50%以上。此外，ADS-B+P1調(diào)制、ADS-B+OFDM調(diào)制、ADS-B+NLFM調(diào)制、ADS-B+LFM調(diào)制干擾類型在低信噪比下的識(shí)別精度也都低于80%。隨著SNR的提升，網(wǎng)絡(luò)的識(shí)別精度并沒有進(jìn)一步地提升。且在高信噪比下，大部分ADS-B信號(hào)的調(diào)制干擾類型識(shí)別率均在90%以下。因此，CNN網(wǎng)絡(luò)架構(gòu)存在著在低信噪比場(chǎng)景下的識(shí)別性能不足，在高信噪比下識(shí)別性能不能進(jìn)一步提升的局限。

3)相對(duì)于CNN網(wǎng)絡(luò)，本文所提出的ResNet網(wǎng)絡(luò)在低信噪比時(shí)識(shí)別精度差異較小。對(duì)于最低識(shí)別率的ADS-B+Barker干擾調(diào)制類型，其識(shí)別率也高于85%，對(duì)不含干擾調(diào)制類型的ADS-B在SNR為-5 dB以上時(shí)識(shí)別率基本為100%，網(wǎng)絡(luò)識(shí)別精度差異最大也在15%以內(nèi)。此外，ADS-B+NLFM調(diào)制、ADS-B+LFM調(diào)制、ADS-B+Costas調(diào)制類型的干擾在低信噪比時(shí)識(shí)別精度均大于96%，在0 dB時(shí)所有干擾調(diào)制類型的識(shí)別準(zhǔn)確率均達(dá)到100%。因此，本文所搭建的ResNet網(wǎng)絡(luò)架構(gòu)在ADS-B干擾類型識(shí)別方面具有十分明顯的優(yōu)勢(shì)。

2.2.3 實(shí)驗(yàn)3及結(jié)果分析

實(shí)驗(yàn)3：網(wǎng)絡(luò)識(shí)別結(jié)果中的混淆矩陣性能對(duì)比。

為直觀地表達(dá)本文所提出的ResNet網(wǎng)絡(luò)架構(gòu)對(duì)于10種ADS-B干擾類型信號(hào)的識(shí)別效果，本文分別在多種信噪比場(chǎng)景下給出混淆矩陣形式的識(shí)別結(jié)果，如圖11～圖14所示，其中，橫軸表示樣本的預(yù)測(cè)調(diào)制類型，縱軸表示樣本的真實(shí)調(diào)制類型，混淆矩陣中的點(diǎn)代表將真實(shí)標(biāo)簽識(shí)別為某個(gè)預(yù)測(cè)標(biāo)簽的概率，用點(diǎn)區(qū)域顏色的深淺表示算法的識(shí)別效果，顏色越深代表識(shí)別準(zhǔn)確率越高。

圖11 CNN網(wǎng)絡(luò)在SNR=-10 dB時(shí)的識(shí)別混淆圖

圖12 CNN網(wǎng)絡(luò)在SNR=16 dB時(shí)的識(shí)別混淆圖

圖13 ResNet網(wǎng)絡(luò)在SNR=-10 dB時(shí)的識(shí)別混淆圖

圖14 ResNet網(wǎng)絡(luò)在SNR=16 dB時(shí)的識(shí)別混淆圖

實(shí)驗(yàn)結(jié)果分析：

1)當(dāng)SNR為-10 dB時(shí)，CNN網(wǎng)絡(luò)僅對(duì)干擾類型為Sig_2(ADS-B+Costas)、Sig_3(ADS-B+Frank)、Sig_5(ADS-B+LFM+Barker)以及原始的ADS-B信號(hào)識(shí)別準(zhǔn)確率較高，其他干擾調(diào)制類型識(shí)別均存在嚴(yán)重的識(shí)別差錯(cuò)，其整體識(shí)別率僅有80%左右。本文所提出的ResNet網(wǎng)絡(luò)只在ADS-B+Frank調(diào)制類型、ADS-B+P1調(diào)制類型、ADS-B+LFM+Barker調(diào)制類型存在少量的識(shí)別差錯(cuò)，且該網(wǎng)絡(luò)的整體識(shí)別率達(dá)到95%以上。

2)當(dāng)SNR為16 dB時(shí)，CNN網(wǎng)絡(luò)對(duì)于干擾類型為Sig_1(ADS-B+Barker)、Sig_6(ADS-B+NLFM)、Sig_9(ADS-B+P1)調(diào)制類型仍存在一定的識(shí)別錯(cuò)誤，而本文所提出的ResNet網(wǎng)絡(luò)均沒有出現(xiàn)任何識(shí)別差錯(cuò)，與CNN網(wǎng)絡(luò)相比，ResNet網(wǎng)絡(luò)的識(shí)別性能更好。

3 結(jié)束語(yǔ)

鑒于傳統(tǒng)的ADS-B信號(hào)的干擾信號(hào)識(shí)別算法存在特征提取時(shí)間長(zhǎng)、識(shí)別精度低、識(shí)別耗時(shí)大的缺點(diǎn)，本文基于深度學(xué)習(xí)理論提出了一種用于ADS-B信號(hào)的干擾信號(hào)類型智能識(shí)別的深度殘差網(wǎng)絡(luò)架構(gòu)。利用所搭建的深度殘差網(wǎng)絡(luò)對(duì)不同調(diào)制類型的ADS-B干擾信號(hào)進(jìn)行分類識(shí)別，通過挖掘復(fù)信號(hào)的深度特征實(shí)現(xiàn)對(duì)不同調(diào)制類型的ADS-B干擾信號(hào)的自動(dòng)識(shí)別來達(dá)到高識(shí)別率的要求。實(shí)驗(yàn)表明，本文所提出的基于深度殘差網(wǎng)絡(luò)的算法識(shí)別性能遠(yuǎn)優(yōu)于傳統(tǒng)方法。其次，與CNN網(wǎng)絡(luò)的識(shí)別性能相比，本文所提網(wǎng)絡(luò)既能提升對(duì)干擾信號(hào)調(diào)制類型的整體識(shí)別準(zhǔn)確度，又能保證在低信噪比條件下極高的識(shí)別精度。