金麗潔，武亞濤

（南京電子技術研究所，江蘇南京 210039）

0 引言

早期雷達信號的調制樣式相對簡單，以點頻和線性調頻為主，輔以少量的相位編碼信號。通過常規(guī)的脈沖特征（如脈寬、頻率、幅度、到達時間和到達角等），就可以實現雷達輻射源信號分類和識別。隨著現代軍事戰(zhàn)爭中對抗技術的不斷進步，為了增強雷達系統(tǒng)的抗干擾能力和協(xié)同作戰(zhàn)能力，雷達工作波形不斷復雜化，如相位編碼、頻率編碼、非線性調頻以及復合調制等。因此，基于常規(guī)脈沖特征的輻射源信號識別算法的劣勢逐漸凸顯，利用脈內調制信息的識別算法受到越來越多研究者的重視。

脈內調制信號分類識別有兩種途徑。一是先提取脈內特征參數，再結合分類器進行識別。該傳統(tǒng)方法的識別準確率取決于特征的維數和可區(qū)分性，不同信號通常采用不同的特征來表征，隨著信號的復雜化，特征參數的維度顯著增加。二是基于深度學習的識別技術，一般是以信號的時頻分布圖作為輸入。它可以自動提取調制信號隱式的高維特征，實現分類和識別。文獻［9］結合STFT時頻分布與CNN網絡，實現了點頻、LFM、FSK、BPSK、NLFM等6種信號的分類，準確率在90%以上。文獻［10］將Choi-Williams分布與CNN結合，實現BPSK、LFM、Costas編碼、Frank碼以及多時碼等5種信號的分類，信噪比-2 dB時，準確率在90%以上。此外，研究者還采用Margenau-Hill（MH）分布、Cohen類分布以及Gabor變換等時頻分布，結合其他深度學習算法，如棧式稀疏自編碼器（sSAE），實現雷達信號的調制類型識別。

上述大多數的方法都是針對固定調制參數的雷達信號。然而，在實際電磁環(huán)境中，雷達輻射源信號的調制類型是未知的，其調制參數也是未知的，這會導致識別準確率下降。為了增強算法的自適應能力，本文提出采用雙CNN 串聯的處理方式，對雷達信號進行識別處理，并通過常用的9種調制信號進行驗證。前端CNN 用于區(qū)分不同類的信號，如點頻、LFM、NLFM、FSK 和PSK 類，后端CNN 則用于區(qū)分BPSK、QPSK 以及復合調制BPSK+LFM、QPSK+LFM、BPSK+FSK等。

1 信號生成及時頻分布

本文時頻分析采用的是Wigner-Ville 分布，簡稱WVD，在時頻分析中具有重要的地位和作用。

令信號()的傅里葉變換是(j)，那么()的Wigner-Ville分布定義為

WVD 得到廣泛應用是因為其優(yōu)點很多，然而也有一個缺點：存在交叉項。為了抑制交叉項，提出了加窗WVD，即偽WVD（pseudo WVD，PWVD），其表達式為

式中：()為窗函數，本文采用hamming窗。

仿真生成的信號調制類型分為9 種：點頻、LFM、NLFM、FSK、BPSK、QPSK 以及3 種復合調制BPSK+LFM、QPSK+LFM、BPSK+FSK，采樣點數固定為100，其PWVD如圖1所示。

圖1 不同調制類型信號的PWVD結果Fig.1 The PWVD of different modulation radar signals

圖1 中各圖像尺寸一致，大小為100×100 像素，橫坐標為時間，縱坐標為頻率。從圖中可以看出：點頻信號頻點位置隨機；LFM 斜率隨機；NLFM 采用余弦調制，初始相位隨機；FSK 與PSK 編碼隨機；復合調制信號則同時包含兩種信號的特點。具體各信號參數的動態(tài)范圍見表1，其中為中心頻率，為帶寬。

表1 各調制信號的主要參數和特征Tab.1 Main parameters and features of different modulation signals

以此9種信號的PWVD作為后續(xù)CNN的輸入。

2 CNN結構

CNN通過感知野和權值共享，大大減少了網絡參數的訓練數目，進而減少了網絡訓練時間。目前主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形，在語音識別與圖像處理方面有著獨特的優(yōu)越性。

本文采用的CNN結構如圖2所示，包含輸入層、兩個卷積層（C1、C3）和兩個池化層（S2、S4），以及全連層。

圖2 CNN結構Fig.2 The structure of CNN

輸入層為待分類的信號時頻圖像，大小100×100；C1層有4種卷積核，大小11×11；S2是池化層，下采樣倍數為3；C3 層有8 種卷積核，大小與C1 層相同；S4 池化層下采樣倍數為4，得到8 個大小是5×5 的特征圖像，最后通過全連接的方式與輸出層相連。

3 處理流程

脈內調制類型識別流程如圖3所示。流程中采用雙CNN串聯處理方式，其結構見圖2。

圖3 脈內調制類型識別流程Fig.3 Process of intra-pulse modulation type recognition

本文采用PWVD進行時頻分析，主要是因為相比于其他時頻分布（如短時傅里葉變換STFT、MH 時頻分布以及Gabor 變換等），PWVD 在不同信號類型的脈內調制分析中具有更高辨識度。

圖像預處理部分主要包括灰度化、平滑濾波和圖像尺寸調整?；叶然菫榱藢⑿盘枏姸葰w一化，避免識別結果受信號強弱的影響；再通過基于偏微分方程的圖像降噪算法進行濾波降噪處理，從而提高低信噪比信號的適應性；圖像尺寸調整是針對脈寬不同導致時頻圖尺寸不一致的情況，對圖像進行插值或裁剪。

信號作平方是用于區(qū)分BPSK 和QPSK 信號，BPSK信號相位可表示為

式中：為載頻；為碼元個數；為碼元寬度；為持續(xù)時間為的矩形窗函數，當且僅當0 ≤＜時()=1；α為0或π。

對BPSK 信號作平方可以得到()=2()=4π，即變成頻率為2的單頻信號。因此，經過平方處理后，在時頻圖中可以將BPSK（及其復合調制）信號與QPSK（及其復合調制）信號區(qū)分開來。值得注意的是，信號經平方處理后，載頻增大1 倍，頻譜可能出現反折現象，但只要CNN 網絡訓練中的樣本足夠充分，能夠學習到各種時頻樣式，那么本文方法依然能夠準確識別信號類型。

4 結果與分析

4.1 單CNN與雙CNN結構識別結果對比

固定信噪比為0 dB，仿真生成9 種脈內調制類型信號，每種信號各1 200 個樣本，其中訓練樣本數與測試樣本數分別是1 000、200。

表2 中給出了單CNN 結構的脈內調制信號識別結果。

從表2 可以看出，信噪比為0 dB 時，點頻、LFM、NLFM、FSK 和B+F 這5 種信號的識別準確率高于90%；其他4 種信號識別率較低，這是由于BPSK 與QPSK時頻分布差異較小。

表2 SNR=0 dB時單CNN結構的識別結果Tab.2 Recognition results of single CNN when SNR is 0 dB

為了解決相位編碼信號識別率低的問題，本文提出雙CNN串聯的網絡結構（見圖3），識別結果見表3～表4。

表3 SNR=0 dB 時CNN網絡1識別結果Tab.3 Recognition results of CNN 1 when SNR is 0dB

表4 SNR=0 dB 時CNN網絡2識別結果Tab.4 Recognition results of CNN 2 when SNR is 0dB

對比單CNN 與雙CNN 結構的識別結果，點頻、LFM、NLFM 以及FSK 這4種信號樣式的識別準確率相似，然而PSK 類信號識別得到顯著改善，綜合準確率由50%提升至95%以上。

4.2 識別準確率與信噪比之間關系

實際戰(zhàn)場環(huán)境中，偵收到的雷達信號有強弱之分，其脈沖信噪比并不固定。為了驗證該網絡結構的適應能力，以0 dB信噪比的網絡參數為參考，分析識別準確率與信噪比之間的關系。圖4給出了不同信噪比下，采用雙CNN串聯的9種調制類型識別結果曲線。

圖4 雙CNN網絡識別結果Fig.4 Recognition results of double CNN

從圖中可以看出，在信噪比高于0 dB 時，各調制類型信號的識別率均達到95%以上。

5 結束語

本文針對實際電磁環(huán)境中雷達信號調制類型多樣化及調制參數未知的情況，克服現有技術中的缺點，提供了一種適用于雷達信號的調制類型識別方法。結合PWVD 時頻分布，采用雙CNN 串聯的網絡結構，實現9種調制類型信號的分類識別。

不同于已有的雷達輻射源調制類型識別方法，本文提出的雙CNN 串聯的處理方式具有較強適應性，在低信噪比且雷達信號調制參數不固定時，依然可以穩(wěn)健地進行識別。此外，該方法對于PSK 類信號的識別具有獨特優(yōu)勢。仿真結果表明，當信噪比為0 dB時，9 種調制信號的識別準確率高于95%。在現代電磁戰(zhàn)場中，偵察敵軍雷達信號，并進行信號識別，具有一定應用價值。