張立民, 譚凱文, 閆文君, 張聿遠(yuǎn)

(海軍航空大學(xué)航空作戰(zhàn)勤務(wù)學(xué)院, 山東 煙臺(tái) 264001)

0 引 言

隨著信息化技術(shù)的迅速發(fā)展,現(xiàn)代電磁環(huán)境日益復(fù)雜,高效、準(zhǔn)確的雷達(dá)輻射源識(shí)別技術(shù)在電子偵察和頻譜對(duì)抗領(lǐng)域的重要性日益凸顯,尤其是針對(duì)復(fù)雜體制雷達(dá)的特征參數(shù)提取直接影響到威脅等級(jí)評(píng)估、戰(zhàn)場(chǎng)信息融合等任務(wù)的實(shí)施。強(qiáng)噪聲干擾、復(fù)雜波形調(diào)制、信號(hào)特征參數(shù)突變使得傳統(tǒng)基于5種常規(guī)參數(shù)的輻射源識(shí)別方法的可靠性急劇下降,難以滿足現(xiàn)代戰(zhàn)爭(zhēng)需求?；诖?國(guó)內(nèi)外學(xué)者從時(shí)域[1]、頻域[2]、時(shí)頻域[3-4]等角度進(jìn)行分析,提出了多種特征提取方式[5-8]實(shí)現(xiàn)輻射源信號(hào)的有效識(shí)別。但傳統(tǒng)人工提取特征的方法主要依賴于專家經(jīng)驗(yàn)和大量的先驗(yàn)知識(shí),導(dǎo)致這一類識(shí)別方法的魯棒性較差且容錯(cuò)率較低。

隨著近年來(lái)人工智能技術(shù)的飛速發(fā)展,雷達(dá)信號(hào)的智能化處理已成為重要的發(fā)展趨勢(shì)。深度學(xué)習(xí)以其自動(dòng)提取特征、模型泛化性強(qiáng)等優(yōu)勢(shì)在圖像分類、計(jì)算機(jī)視覺(jué)和語(yǔ)言處理等方面取得突破性進(jìn)展,因此將深度學(xué)習(xí)用于雷達(dá)輻射源識(shí)別[9-11]引起眾多國(guó)內(nèi)外學(xué)者的重視。文獻(xiàn)[12]通過(guò)Choi-Williams時(shí)頻變換將雷達(dá)信號(hào)轉(zhuǎn)換為時(shí)頻圖像,將輻射源識(shí)別問(wèn)題轉(zhuǎn)化為圖像分類問(wèn)題,依靠卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)對(duì)圖像特征進(jìn)行提取,在信噪比為-2 dB下對(duì)costas碼等8種調(diào)制信號(hào)的識(shí)別準(zhǔn)確率達(dá)到93.7%。文獻(xiàn)[13]應(yīng)用集成學(xué)習(xí)框架,構(gòu)建多平臺(tái)融合識(shí)別體系結(jié)構(gòu),通過(guò)設(shè)置不同網(wǎng)絡(luò)的權(quán)重提取信號(hào)時(shí)頻圖像的深層特征,有效避免人工設(shè)計(jì)鑒別特征的冗余過(guò)程,在信噪比為0 dB以上時(shí)對(duì)二進(jìn)制相移鍵控(binary phase shift keying,BPSK)等6類信號(hào)具有良好的識(shí)別精度。文獻(xiàn)[14]提出了基于GoogLeNet[15]的可遷移網(wǎng)絡(luò)和多特征融合-改進(jìn)粒子群算法,并分別用支持向量機(jī)(support vector machine, SVM)[16]完成分類任務(wù),在信噪比為0 dB以上時(shí)的整體識(shí)別準(zhǔn)確率達(dá)到96.2%。文獻(xiàn)[17]采用基于脈內(nèi)特征的自適應(yīng)奇異值重構(gòu)算法對(duì)低信噪比下信號(hào)進(jìn)行降噪處理,并選用殘差網(wǎng)絡(luò)[18]對(duì)經(jīng)過(guò)形態(tài)學(xué)濾波后的時(shí)頻分布圖像進(jìn)行識(shí)別,在信噪比為-8 dB時(shí)對(duì)8類信號(hào)的總體識(shí)別率達(dá)到94.1%。在訓(xùn)練樣本充足的前提下,基于深度學(xué)習(xí)的輻射源識(shí)別方法在低信噪比條件下能夠保持較高識(shí)別率和較強(qiáng)魯棒性,在提取大量數(shù)據(jù)的高維特征參數(shù)方面有較好的效果。盡管目前基于深度學(xué)習(xí)的特征提取方法較傳統(tǒng)算法性能有較大提升,但仍存在不足,比如深層特征提取能力和低信噪比下的識(shí)別效果有待提升;需要大量帶標(biāo)簽數(shù)據(jù)對(duì)樣本特征進(jìn)行學(xué)習(xí),而實(shí)際應(yīng)用中由于電磁環(huán)境的復(fù)雜性以及識(shí)別對(duì)象的非協(xié)作性,獲取大量訓(xùn)練樣本存在困難;網(wǎng)絡(luò)參數(shù)過(guò)多,訓(xùn)練時(shí)間較長(zhǎng),無(wú)法實(shí)現(xiàn)對(duì)輻射源信號(hào)的實(shí)時(shí)識(shí)別;未充分考慮信號(hào)自身特性,缺少對(duì)信號(hào)的差異信息挖掘;單純采用深層、高維度網(wǎng)絡(luò)進(jìn)行特征提取,易造成特征丟失;神經(jīng)網(wǎng)絡(luò)的輸入特征過(guò)多,層數(shù)不斷增加,易導(dǎo)致“維數(shù)災(zāi)難”。

針對(duì)上述問(wèn)題,本文提出了一種基于時(shí)頻特征提取的多級(jí)跳線殘差網(wǎng)絡(luò)(multi-level jumper residual network, MLJ-RN)。首先在殘差網(wǎng)絡(luò)基礎(chǔ)上設(shè)計(jì)多級(jí)跳線連接的殘差單元,并搭建多個(gè)殘差單元串聯(lián)的MLJ-RN以傳遞相鄰卷積層特征,采用隨機(jī)梯度下降法(stochastic gradient descent, SGD)訓(xùn)練殘差網(wǎng)絡(luò);然后對(duì)輻射源信號(hào)進(jìn)行平滑偽Wigner-Ville時(shí)頻變換并生成二維時(shí)頻圖像以反映信號(hào)的能量分布狀態(tài),經(jīng)過(guò)圖像預(yù)處理降維后輸入網(wǎng)絡(luò),并將識(shí)別準(zhǔn)確率和模型收斂速度作為網(wǎng)絡(luò)性能的衡量指標(biāo)從而得到最優(yōu)的參數(shù)組合,仿真結(jié)果表明12類輻射源信號(hào),即連續(xù)波(continuous wave, CW)、線性調(diào)頻信號(hào)(linear frequency modulation, LFM)、二進(jìn)制頻移鍵控(binary frequency shift keying, BFSK)、正交頻移鍵控(quadrature frequency shift keying，QFSK)、P1碼、P2碼、P3碼、P4碼、二進(jìn)制幅度鍵控(binary amplitude shift keying, 2ASK)、正交相移鍵控(quadrature phase shift keying，QPSK)、BPSK、BPSK+LFM,在低信噪比下具有良好的識(shí)別性能,且算法具有合理的計(jì)算復(fù)雜度。

1 信號(hào)模型

雷達(dá)輻射源信號(hào)的時(shí)域模型通常描述為

s(t)=A(t)exp(j2πf0t+jφ(t))+n(t)

(1)

式中:A(t)為信號(hào)幅度；f0為信號(hào)載頻；φ(t)為信號(hào)相位；n(t)為隨機(jī)噪聲。則經(jīng)過(guò)采樣后的雷達(dá)信號(hào)模型可以表示為

s(nT)=A(nT)exp(j2πf0nT+jφ(nT))+n(nT))

(2)

式中：n為信號(hào)采樣點(diǎn)數(shù)；T=1/fs為信號(hào)的采樣間隔,fs為采樣頻率。

本文對(duì)12類雷達(dá)輻射源信號(hào)進(jìn)行了調(diào)制方式識(shí)別,其中包括:CW、LFM、BFSK、QFSK、P1碼、P2碼、P3碼、P4碼、2ASK、QPSK、BPSK、BPSK+LFM,12類信號(hào)模型的描述及信號(hào)參數(shù)說(shuō)明如表1所示,5類多相編碼(P1碼、P2碼、P3碼、P4碼、QPSK)的相位φm,n如表2所示。

表1 信號(hào)模型

表2 多相編碼信號(hào)相位

2 輻射源信號(hào)時(shí)頻特征分析

雷達(dá)輻射源信號(hào)作為一種非平穩(wěn)信號(hào),通過(guò)時(shí)頻變換可以準(zhǔn)確反映信號(hào)能量隨頻率與時(shí)間的變化規(guī)律。平滑偽Wigner-Ville分布(smoothed pseudo Wigner-Ville distribution, SPWVD)[19]是一種在Wigner-Ville分布基礎(chǔ)上改進(jìn)而來(lái)的Cohen類時(shí)頻分析方法,相比于Wigner-Ville時(shí)頻分布,SPWVD能夠更有效消除交叉項(xiàng)干擾,且對(duì)不同頻率范圍的信號(hào)均具有較高的分辨能力和識(shí)別精度。對(duì)于信號(hào)s(t),其解析信號(hào)x(t)表示為

x(t)=s(t)+jH[s(t)]

(3)

式中:H[·]表示信號(hào)的Hilbert變換,則SPWVD的定義為

g(u)h(τ)e-j2πωτdτdu

(4)

式中:x(t-u+τ/2)為s(t)的解析信號(hào)；x*(t-u-τ/2)為共軛解析信號(hào)；g(u)為在時(shí)域上進(jìn)行平滑濾波的窗函數(shù),h(τ)為在頻域上進(jìn)行平滑濾波的窗函數(shù),因此有效抑制交叉項(xiàng),時(shí)頻圖像噪聲明顯降低,后續(xù)可以采用圖像處理方法提取雷達(dá)信號(hào)的時(shí)頻分布特征。圖1給出了信噪比為5 dB條件下,12類信號(hào)對(duì)應(yīng)的SPWVD時(shí)頻圖像,從圖中可以看出,除P3碼、P4碼信號(hào)細(xì)微特征較為相似,識(shí)別難度較大之外,其余10類信號(hào)特征區(qū)別明顯,易于分類。

3 時(shí)頻圖像預(yù)處理

輻射源信號(hào)的SPWVD時(shí)頻圖像的特征參數(shù)較多,直接利用網(wǎng)絡(luò)進(jìn)行訓(xùn)練難度較大,且圖像存在噪聲和交叉項(xiàng),嚴(yán)重影響分類結(jié)果,因此首先對(duì)時(shí)頻圖像進(jìn)行預(yù)處理[20],圖像預(yù)處理流程如圖2所示。首先將三通道的RGB時(shí)頻圖像轉(zhuǎn)化為單通道灰度圖,圖像中不同像素點(diǎn)的灰度值對(duì)應(yīng)時(shí)頻點(diǎn)的能量值;之后對(duì)處理之后的灰度圖像進(jìn)行腐蝕操作,以降低交叉項(xiàng)引起的線狀噪聲條紋;然后進(jìn)行膨脹處理,對(duì)信號(hào)的能量部分進(jìn)行增強(qiáng)以保留不同信號(hào)的細(xì)微特征;接著采取均值濾波[21]去除信號(hào)中的高斯噪聲;最后對(duì)降噪后的圖像進(jìn)行歸一化,將其像素值范圍壓縮為(0,1),避免后續(xù)訓(xùn)練時(shí)梯度消失,從而加快收斂速度,并且用雙三次插值法[22]將圖像尺寸設(shè)置為224×224,從而得到高分辨率的平滑圖像,經(jīng)過(guò)預(yù)處理之后得到的時(shí)頻圖像矩陣維度為(224,224,1)。

以2ASK信號(hào)(SNR=-3 dB)為例,時(shí)頻圖像預(yù)處理的結(jié)果如圖3所示,經(jīng)預(yù)處理后的圖像交叉項(xiàng)線狀噪聲明顯降低,圖像中信號(hào)的能量部分得到顯著增強(qiáng),圖像尺寸縮減,特征維度明顯減少,適合送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

4 MLJ-RN模型

4.1 殘差網(wǎng)絡(luò)

目前,CNN及其衍生的各類網(wǎng)絡(luò)模型如VGGNET[23]、AlexNet[24]、GoogLeNet[15]等網(wǎng)絡(luò)已經(jīng)在計(jì)算機(jī)視覺(jué)[25]、圖像識(shí)別[26]、目標(biāo)檢測(cè)等領(lǐng)域取得良好的應(yīng)用效果,這些網(wǎng)絡(luò)往往采用更深的網(wǎng)絡(luò)結(jié)構(gòu)和更多的網(wǎng)絡(luò)參數(shù)提取更多的特征,而在網(wǎng)絡(luò)層數(shù)達(dá)到一定數(shù)目以后,網(wǎng)絡(luò)性能開(kāi)始出現(xiàn)退化[27],模型訓(xùn)練和測(cè)試的準(zhǔn)確率下降。針對(duì)此問(wèn)題,He于2015年提出了殘差網(wǎng)絡(luò)[18]。殘差網(wǎng)絡(luò)是由多個(gè)殘差塊連接而成,殘差塊結(jié)構(gòu)如圖4所示,其中x為輸入,H(x)為恒等映射函數(shù),{Wi}表示卷積層權(quán)值,F(x)=H(x)-x為殘差函數(shù),shortcut短連接為同等映射,殘差塊輸出為

y=F(x,{Wi})+x

(5)

因此,在殘差網(wǎng)絡(luò)中擬合恒等映射函數(shù)H(x)的問(wèn)題就轉(zhuǎn)化為對(duì)殘差函數(shù)F(x)=H(x)-x進(jìn)行擬合,這使得網(wǎng)絡(luò)的計(jì)算量大大減少,擬合難度降低。

4.2 MLJ-RN網(wǎng)絡(luò)結(jié)構(gòu)

4.2.1 MLJ-RN的殘差單元

原始?xì)埐罹W(wǎng)絡(luò)的卷積層只是對(duì)前一層的特征向量進(jìn)行卷積計(jì)算,因此相鄰兩層之間的特征信息容易丟失,造成時(shí)頻圖像的識(shí)別準(zhǔn)確率降低,為了解決前后卷積層的相關(guān)特征提取問(wèn)題,將兩個(gè)跳線連接的殘差塊定義為一個(gè)殘差單元,其結(jié)構(gòu)如圖5所示。

圖5中,BN表示批標(biāo)準(zhǔn)化。一個(gè)卷積層和λi(i=1,2)倍的跳線連接成為一個(gè)殘差塊,兩個(gè)順序殘差塊和λ3倍跳線連接成為一個(gè)殘差單元,第一個(gè)殘差塊輸出y1表示為

y1=W1(x)+λ1x

(6)

第二個(gè)殘差塊輸出y2表示為

y2=W2(y1)+λ2y1=W2(W1(x)+λ1x)+

λ2(W1(x)+λ1x)

(7)

殘差單元的輸出為

y3=y2+λ3x=W2(W1(x)+λ1x)+

λ2W1(x)+(λ1λ2+λ3)x

(8)

由于輸出y3中含有W2(x)和W1(x),因此2級(jí)跳線連接的殘差單元可以提取2個(gè)順序殘差塊內(nèi)的卷積層特征。

4.2.2 MLJ-RN結(jié)構(gòu)

為了提取時(shí)頻圖像的深層信息,同時(shí)避免網(wǎng)絡(luò)出現(xiàn)梯度消失和梯度爆炸等問(wèn)題,本文在圖像分類領(lǐng)域應(yīng)用廣泛的ResNet-18[18]的基礎(chǔ)上,將網(wǎng)絡(luò)中的8個(gè)順序殘差塊用跳線連接為4個(gè)殘差單元,并將4個(gè)殘差單元順序串聯(lián),構(gòu)造總卷積層數(shù)為18層的MLJ-RN,網(wǎng)絡(luò)中的卷積核尺寸、特征圖深度和ResNet-18網(wǎng)絡(luò)一致,整個(gè)MLJ-RN包括4個(gè)殘差單元和1個(gè)全連接層,每個(gè)殘差單元包括4個(gè)卷積層和4個(gè)批標(biāo)準(zhǔn)化層,網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示,MLJ-RN的工作過(guò)程可以歸納為如下步驟。

步驟 1將經(jīng)過(guò)預(yù)處理的12類信號(hào)的時(shí)頻圖像輸入網(wǎng)絡(luò),將圖像維度填充為(230,230,1),利用Conv1層提取圖像淺層特征,通過(guò)最大池化縮小特征圖尺寸,保留信號(hào)能量部分。

步驟 2將步驟1得到的特征圖作為殘差單元輸入,經(jīng)過(guò)卷積、批標(biāo)準(zhǔn)化和激活后與經(jīng)過(guò)跳線連接的原始特征映射相加。

步驟 3前一個(gè)殘差單元輸出作為后一個(gè)殘差單元輸入,經(jīng)過(guò)4個(gè)殘差單元后輸出的(7,7,512) 維特征向量經(jīng)過(guò)平均池化和展平操作后變成一維向量輸入全連接層,通過(guò)Softmax函數(shù)輸出每類信號(hào)調(diào)制方式預(yù)測(cè)的最大概率值。

4.3 MLJ-RN訓(xùn)練

MLJ-RN能夠通過(guò)多級(jí)的短連接結(jié)構(gòu)提高梯度的反向傳播效率,大大降低原有CNN擬合難度,并且通過(guò)兩個(gè)殘差塊間的跳線連接充分利用相鄰兩個(gè)殘差塊之間的卷積層信息,提高圖像細(xì)微特征提取的效率,網(wǎng)絡(luò)的訓(xùn)練過(guò)程包括前向傳播和反向傳播。前向傳播的目的是使網(wǎng)絡(luò)的輸出值和真實(shí)值之間的誤差變小,即減小損失函數(shù),本文選擇交叉熵函數(shù)J(w,b)為損失函數(shù),其中w為網(wǎng)絡(luò)權(quán)重值,b為網(wǎng)絡(luò)偏置,交叉熵函數(shù)J(w,b)可表示為

(9)

(10)

(11)

式中：α為學(xué)習(xí)率,本文選取SGD作為更新梯度的優(yōu)化算法,準(zhǔn)確率作為衡量網(wǎng)絡(luò)性能的指標(biāo),學(xué)習(xí)率lr設(shè)為0.001,采用one-hot編碼對(duì)原始標(biāo)簽進(jìn)行轉(zhuǎn)換,網(wǎng)絡(luò)訓(xùn)練過(guò)程表示如下步驟。

“然而‘文化壓力’對(duì)于社會(huì)思想是必需的.沒(méi)有，則社會(huì)思想便沒(méi)有統(tǒng)一和完成.我們雖知曉文化壓力的存在，卻不能避免他.避免他，無(wú)異于說(shuō)個(gè)人的心理，比產(chǎn)生他和制馭他的社會(huì)心理還偉大.”[注]詳見(jiàn)林惠祥著《文化人類學(xué)》第二篇第5章“文化壓力說(shuō)”.商務(wù)印書(shū)館，1935年，第62-74頁(yè).

步驟 1利用keras中的ImageDataGenerator對(duì)經(jīng)過(guò)預(yù)處理后的時(shí)頻灰度圖像進(jìn)行數(shù)據(jù)增強(qiáng),并構(gòu)建迭代器。

步驟 2設(shè)置批訓(xùn)練樣本大小和迭代次數(shù),并設(shè)置跳線參數(shù)值λ1、λ2、λ3,將訓(xùn)練集輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

步驟 3觀察模型收斂速度,若模型未收斂且未達(dá)到最大迭代次數(shù),則繼續(xù)訓(xùn)練,否則保存模型。

步驟 4將測(cè)試集輸入模型進(jìn)行預(yù)測(cè),保留準(zhǔn)確率最高和收斂性能最佳的網(wǎng)絡(luò)參數(shù)。

5 仿真分析

5.1 仿真條件

本文模型的搭建、訓(xùn)練及測(cè)試在Tensorflow的keras深度學(xué)習(xí)框架下完成,操作系統(tǒng)為Ubuntu 18.04,CPU為Intel(R) core(TM) i7-9750H,運(yùn)行內(nèi)存大小為16GB,GPU為NVIDIA GeForce RTX 2080 Super;采用Matlab R2016a環(huán)境中自帶的時(shí)頻分析工具箱tftb-0.2繪制出12類雷達(dá)信號(hào)的SPWVD時(shí)頻圖像,信號(hào)的信噪比取值范圍為-9～5 dB,步長(zhǎng)為2 dB,采樣頻率fs為200 MHz,各類信號(hào)模型如表1所示,載頻fc取值范圍為20～40 MHz,帶寬B取值范圍為8～10 MHz,BFSK、QFSK的調(diào)制頻率取值范圍為(1/10i～1/5i)fs(i=1,2或i=1,2,3,4),巴克碼組Cn取值范圍為7、11和13位碼組。同一信噪比下,每類信號(hào)產(chǎn)生400個(gè)脈沖,信號(hào)采樣點(diǎn)為1 024個(gè),經(jīng)過(guò)時(shí)頻變換和預(yù)處理之后得到400張維度為(224,224,1)的歸一化灰度圖像,隨機(jī)選取其中300張作為訓(xùn)練集,100張作為測(cè)試集。

5.2 網(wǎng)絡(luò)參數(shù)配置

由于不同參數(shù)對(duì)網(wǎng)絡(luò)性能影響較大,因此本文在對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí),采取可變參數(shù)策略對(duì)網(wǎng)絡(luò)性能進(jìn)行優(yōu)化,所選取的參數(shù)主要有批樣本數(shù)量(batchsize)、跳線系數(shù)λi(i=1,2,3),衡量網(wǎng)絡(luò)性能的指標(biāo)選取為識(shí)別率、訓(xùn)練時(shí)的損失函數(shù),圖7和圖8分別為不同批樣本數(shù)量與跳線系數(shù)λi對(duì)網(wǎng)絡(luò)性能影響的對(duì)比情況。

從圖7(a)和圖7(b)可以看出,隨著批樣本數(shù)量由16增加至64,各個(gè)信噪比下的識(shí)別準(zhǔn)確率逐漸升高;當(dāng)信噪比大于-3 dB,識(shí)別準(zhǔn)確率達(dá)到90%以上,但批樣本數(shù)量增加至64后,準(zhǔn)確率反而下降,這是因?yàn)樵酱蟮呐鷺颖緮?shù)量會(huì)使得模型的梯度下降方向越準(zhǔn)確,訓(xùn)練振蕩越小,越容易達(dá)到收斂狀態(tài);當(dāng)批樣本數(shù)量增加至64以后時(shí),訓(xùn)練完數(shù)據(jù)集所需的次數(shù)減少,因此訓(xùn)練時(shí)間大幅增加,參數(shù)修正較慢,導(dǎo)致準(zhǔn)確率下降。因此，對(duì)本文的網(wǎng)絡(luò)模型來(lái)說(shuō),最佳的批樣本數(shù)量大小應(yīng)選為64。

5.3 仿真結(jié)果分析

5.3.1 不同網(wǎng)絡(luò)識(shí)別性能對(duì)比

為了驗(yàn)證本文所提出的MLJ-RN性能,本文選取了目前圖像分類領(lǐng)域常用的ResNet-101[18]、AlexNet[24]、VGG-16[23]和GoogLeNet[15]4種網(wǎng)絡(luò)模型進(jìn)行對(duì)比,實(shí)驗(yàn)數(shù)據(jù)集為8個(gè)信噪比下的12類信號(hào)時(shí)頻圖像,其中訓(xùn)練集大小為28 800,測(cè)試集大小為9 600,迭代次數(shù)均為50代,選取10次測(cè)試結(jié)果的平均值進(jìn)行對(duì)比,圖9為不同網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率對(duì)比結(jié)果。

由圖9可知,所選取的5種網(wǎng)絡(luò)在信噪比為-3 dB時(shí)準(zhǔn)確率均能夠達(dá)到90%,在信噪比大于-1 dB時(shí)準(zhǔn)確率能夠達(dá)到95%,這是因?yàn)樵诟咝旁氡葪l件下,通過(guò)SPWVD變換得到的信號(hào)時(shí)頻圖像在信號(hào)的能量區(qū)域特征差異明顯,且經(jīng)過(guò)圖像預(yù)處理之后,由交叉項(xiàng)引起的噪聲紋理得到抑制,信號(hào)的特征信息有效增強(qiáng)。

本文提出的MLJ-RN能夠在多個(gè)尺度上學(xué)習(xí)圖像的深層和淺層特征,高效率擬合多個(gè)非線性函數(shù),對(duì)信號(hào)的細(xì)微特征提取能力優(yōu)于AlexNet。在-5 dB信噪比下,MLJ-RN的識(shí)別準(zhǔn)確率達(dá)到95%,信噪比為-1 dB時(shí),準(zhǔn)確率達(dá)到99%。與具有101個(gè)卷積層的ResNet-101相比,具有多個(gè)殘差單元的MLJ-RN的參數(shù)量更少、網(wǎng)絡(luò)更加精簡(jiǎn)且識(shí)別率更高,這是因?yàn)镽esNet-101的網(wǎng)絡(luò)層數(shù)過(guò)多,參數(shù)數(shù)量龐大,單純通過(guò)簡(jiǎn)單堆疊卷積層來(lái)提取圖像的深層特征導(dǎo)致梯度無(wú)法反向傳遞,參數(shù)更新困難,且在訓(xùn)練過(guò)程中輸入圖像的各個(gè)特征圖之間缺乏關(guān)聯(lián);相比而言,VGG-16和GoogLeNet雖然卷積層數(shù)均較少,提取特征有限,但SPWVD時(shí)頻圖像細(xì)節(jié)特征差異聚焦在局部感受野,有效信息主要集中在部分特征通道,而VGG-16采用了3×3的小卷積核結(jié)構(gòu),更易提取信號(hào)時(shí)頻圖像的細(xì)微特征,因此識(shí)別準(zhǔn)確率相比于GoogLeNet更高。

5.3.2 算法識(shí)別結(jié)果分析

圖10(a)、圖10(b)、圖10(c)分別表示信噪比為-7 dB、-1 dB和5 dB時(shí)測(cè)試10次的平均結(jié)果。

5.3.3 不同算法識(shí)別性能比較

為了客觀地比較本文中算法的性能,選用文獻(xiàn)[28]和文獻(xiàn)[29]中的識(shí)別方法進(jìn)行對(duì)比。文獻(xiàn)[28]對(duì)信號(hào)進(jìn)行短時(shí)傅里葉變換(short time Fourier transform, STFT)并采用兩級(jí)CNN(Double-CNN)完成分類,但在信噪比低于-5 dB時(shí),提取信號(hào)內(nèi)部細(xì)微特征難度較大,對(duì)于BFSK和QFSK信號(hào)識(shí)別存在一定程度混淆;文獻(xiàn)[29]將經(jīng)過(guò)變換后的時(shí)頻域特征與改進(jìn)的強(qiáng)化深度信念網(wǎng)絡(luò)(reinforced deep belief network, RDBN)相結(jié)合,信噪比在-1 dB以上時(shí)分類準(zhǔn)確率達(dá)到96%以上,但在低信噪比下魯棒性較差,網(wǎng)絡(luò)性能受噪聲干擾嚴(yán)重,對(duì)于BPSK與QPSK信號(hào)的識(shí)別效果較差。綜合來(lái)說(shuō),文獻(xiàn)[28-29]所提出的算法性能與傳統(tǒng)算法相比有較大提升,信噪比在-1 dB時(shí)準(zhǔn)確率均能達(dá)到90%,但在信噪比較低時(shí),對(duì)于BFSK與QFSK、BPSK和QPSK的識(shí)別性能有限,主要因?yàn)橄啾扔诒疚乃捎玫钠交瑐蜽igner-Ville變換,STFT會(huì)產(chǎn)生大量交叉項(xiàng),經(jīng)過(guò)變換后得到的時(shí)頻圖像噪聲較強(qiáng),時(shí)頻信號(hào)的能量區(qū)域特征差異微弱,大量特征被噪聲覆蓋而難以提取;且采用的神經(jīng)網(wǎng)絡(luò)提取特征維度有限,缺少對(duì)相鄰卷積層之間的關(guān)注,無(wú)法從信號(hào)的特征差異角度對(duì)4類信號(hào)進(jìn)行有效區(qū)分。而本文算法能夠有效解決低信噪比條件下該4類相似信號(hào)識(shí)別性能較差的問(wèn)題,與文獻(xiàn)[28-29]對(duì)于4類相似特征信號(hào)的識(shí)別結(jié)果對(duì)比如圖11所示。經(jīng)過(guò)圖像預(yù)處理之后的SPWVD時(shí)頻圖像能夠有效保留信號(hào)能量區(qū)域細(xì)微特征,兩個(gè)殘差塊之間的連接跳線能夠傳遞特征圖之間的關(guān)聯(lián)信息,并充分挖掘時(shí)頻圖像的紋理特征對(duì)5類信號(hào)進(jìn)行準(zhǔn)確識(shí)別,因此能夠有效區(qū)分低信噪比條件下的4類相似信號(hào)。

5.4 計(jì)算復(fù)雜度分析

5.4.1 算法計(jì)算量分析

5.4.2 網(wǎng)絡(luò)計(jì)算復(fù)雜度對(duì)比

神經(jīng)網(wǎng)絡(luò)的復(fù)雜度主要包括空間復(fù)雜度和時(shí)間復(fù)雜度,空間復(fù)雜度是指網(wǎng)絡(luò)可訓(xùn)練的參數(shù)量,主要由卷積層和全連接層決定。本文采用的MLJ-RN和ResNet-101[18]、AlexNet[24]、VGG-16[23]以及GoogLeNet[15]的空間復(fù)雜度對(duì)比如表3所示。

表3 空間復(fù)雜度對(duì)比

由表3可知,具有18個(gè)卷積層的MLJ-RN可訓(xùn)練參數(shù)數(shù)量相比于VGG-16減少83%,相比于ResNet-101減少68.6%,相比于AlexNet減少90.1%,盡管空間復(fù)雜度略高于GoogLeNet,但MLJ-RN的識(shí)別準(zhǔn)確率平均高于GoogLeNet約6%,尤其在低信噪比情況下對(duì)信號(hào)細(xì)微特征的提取能力優(yōu)于GoogLeNet。

時(shí)間復(fù)雜度從每輪迭代時(shí)間和平均識(shí)別時(shí)間進(jìn)行衡量,平均識(shí)別時(shí)間為網(wǎng)絡(luò)識(shí)別相同信噪比下12類雷達(dá)信號(hào)20次的平均時(shí)間。不同網(wǎng)絡(luò)的時(shí)間復(fù)雜度對(duì)比如表4所示,MLJ-RN的每輪迭代時(shí)間為116 s,平均識(shí)別時(shí)間為15 s,即本文提出的MLJ-RN具有較低的時(shí)間復(fù)雜度。

表4 時(shí)間復(fù)雜度對(duì)比

6 結(jié) 論

本文針對(duì)低信噪比下雷達(dá)輻射源信號(hào)識(shí)別準(zhǔn)確率低的問(wèn)題,提出了一種基于時(shí)頻圖像分析和多級(jí)跳線殘差網(wǎng)絡(luò)結(jié)合的方法。仿真結(jié)果表明,本文算法能夠有效解決傳統(tǒng)算法人工提取特征困難、需要大量先驗(yàn)知識(shí)的問(wèn)題,通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)提取信號(hào)時(shí)頻圖像高維度紋理特征,識(shí)別效果有極大提升,具有較高實(shí)時(shí)性。在實(shí)際工程應(yīng)用中,針對(duì)MLJ-RN需要大量輻射源信號(hào)樣本作為訓(xùn)練集的問(wèn)題,可以利用生成式對(duì)抗網(wǎng)絡(luò)對(duì)傳感器采集的小批量真實(shí)數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充,以豐富訓(xùn)練集特征從而提高模型泛化能力;或者在MLJ-RN后采用隨機(jī)森林、SVM分類器等對(duì)小樣本進(jìn)行分類,將識(shí)別結(jié)果構(gòu)建特征數(shù)據(jù)庫(kù)并不斷更新,以提高本文算法在真實(shí)電磁環(huán)境中識(shí)別的實(shí)時(shí)性和魯棒性,而對(duì)于低信噪比下對(duì)于P3碼、P4碼識(shí)別發(fā)生混淆的問(wèn)題,可以從多尺度融合角度出發(fā),例如提取信號(hào)的高階矩、Hilbert變換、星座圖、I/Q失衡參數(shù)等多重特征,構(gòu)建多輸入神經(jīng)網(wǎng)絡(luò)并增加次級(jí)結(jié)構(gòu)進(jìn)行識(shí)別分類。與目前基于深度學(xué)習(xí)的特征提取算法相比,本文提出的MLJ-RN通過(guò)構(gòu)造多級(jí)跳線連接的殘差單元,能夠有效利用前后卷積層之間的關(guān)聯(lián)信息,殘差網(wǎng)絡(luò)中的短連接結(jié)構(gòu)充分解決深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)存在的梯度消失、維數(shù)爆炸等問(wèn)題;通過(guò)對(duì)時(shí)頻圖像較少的預(yù)處理以充分保留信號(hào)本質(zhì)特征,有效降低輸入維度,在低信噪比下仍能夠保持較高的識(shí)別準(zhǔn)確率;與現(xiàn)有網(wǎng)絡(luò)相比,在保證良好分類效果的同時(shí)減少參數(shù),計(jì)算復(fù)雜度進(jìn)一步降低,有良好的工程應(yīng)用前景。