徐洪志 姚家馳 劉 超 李彩霞 蔣東翔 孫騰龍 趙新青
(1.中國人民解放軍32142部隊(duì) 河北保定 071000;2.清華大學(xué) 北京 100084;3.河北大學(xué) 河北保定 071000)
電磁目標(biāo)識別在軍事領(lǐng)域中具有非常重要的作用,通過識別電磁目標(biāo)的類型和數(shù)量能夠有助于判斷敵方所使用的設(shè)備狀態(tài)及人員規(guī)模,進(jìn)而提前有針對性地部署相應(yīng)的作戰(zhàn)方案。目前國內(nèi)外學(xué)者對電磁目標(biāo)識別進(jìn)行了許多研究,主要有基于卷積神經(jīng)網(wǎng)絡(luò)的方法,基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的方法,基于深度學(xué)習(xí)的方法,基于深度神經(jīng)網(wǎng)絡(luò)與多任務(wù)學(xué)習(xí)的方法,基于輕量級深度神經(jīng)網(wǎng)絡(luò)的方法,基于遷移學(xué)習(xí)的方法,基于壓縮感知的識別方法,基于模型的識別方法,基于指紋機(jī)制的識別方法等?;谏窠?jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的方法雖然識別準(zhǔn)確率高,但是復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)會導(dǎo)致計(jì)算時間較長,且需要較高的計(jì)算硬件條件;基于模型和指紋機(jī)制的識別方法需要根據(jù)電磁目標(biāo)的特點(diǎn)建立相應(yīng)的數(shù)學(xué)模型,雖然能夠準(zhǔn)確識別電磁目標(biāo),但是存在模型通用性有限等限制。
本項(xiàng)工作針對實(shí)際現(xiàn)場環(huán)境中要求快速準(zhǔn)確識別出電磁目標(biāo)的需求,提出一種基于特征提取和機(jī)器學(xué)習(xí)的電磁目標(biāo)識別方法,同時針對現(xiàn)有電磁目標(biāo)數(shù)據(jù)庫數(shù)據(jù)有限的情況,提出通過重采樣、改變幅值和信號疊加三種方法擴(kuò)充現(xiàn)有數(shù)據(jù)庫,通過本項(xiàng)工作既能擴(kuò)充現(xiàn)有電磁目標(biāo)數(shù)據(jù)庫,又能實(shí)時準(zhǔn)確地識別出各電磁目標(biāo)。
對于電磁目標(biāo)識別,Anu Jagannath和Jithin Jagannath學(xué)者通過研究得到了電磁目標(biāo)數(shù)據(jù)庫。該數(shù)據(jù)庫主要包含8種信號類型和6種調(diào)制類型,8種信號類型分別為Airborne detection radar、Airborne range radar、Air-Ground MTI radar、Ground mapping radar、Radar Altimeter、SATCOM、AM Radio、Short-range wireless;6種調(diào)制類型分別為Pulsed Continuous wave、Frequency modulated Continuous wave、BPSK、AM-DSB、AM-SSB、ASK。雖然該數(shù)據(jù)庫中已有許多數(shù)據(jù),但是在實(shí)際應(yīng)用中可能還不夠,為了擴(kuò)充數(shù)據(jù)庫,提出通過重采樣、改變幅值和信號疊加三種方法對現(xiàn)有數(shù)據(jù)庫進(jìn)行擴(kuò)充:重采樣指改變電磁信號的采樣頻率;改變幅值指增加或降低電磁信號的幅值;信號疊加指將兩個或兩個以上的電磁信號混合生成新的電磁信號。通過重采樣、改變幅值和信號疊加三種數(shù)據(jù)擴(kuò)充方法能夠有效擴(kuò)充現(xiàn)有的電磁目標(biāo)數(shù)據(jù)庫,有助于開展電磁目標(biāo)識別研究。
對于擴(kuò)充的電磁目標(biāo)數(shù)據(jù)庫,選取8種電磁目標(biāo)進(jìn)行研究,如表1所示。
表1中電磁目標(biāo)類型6采用了重采樣處理,電磁目標(biāo)類型7采用了改變幅值處理,電磁目標(biāo)類型8由電磁目標(biāo)類型1和2疊加生成。對于選取的8種電磁目標(biāo),研究能在不同信噪比(18dB、16dB、14dB、12dB、10dB、8dB)下準(zhǔn)確識別各電磁目標(biāo)的方法,每種電磁目標(biāo)類型有600個樣本,表1中8種電磁目標(biāo)類型的波形圖如圖1所示。
表1 8種電磁目標(biāo)
圖1中展示的是在信噪比18 dB下第78個樣本數(shù)據(jù)的電磁目標(biāo)波形圖。對于8種電磁目標(biāo)類型,每種類型共有600個樣本數(shù)據(jù),將其中的70%當(dāng)作訓(xùn)練集用于訓(xùn)練,剩下的30%當(dāng)作測試集驗(yàn)證所提出電磁目標(biāo)識別方法的識別效果。
圖1 8種電磁目標(biāo)波形圖
電磁目標(biāo)識別方法主要包括三個步驟:特征提取、特征降維和分類識別,下面分別對這三個步驟的計(jì)算過程進(jìn)行分析。
在特征提取部分,對于電磁目標(biāo)信號,提取其時域和頻域統(tǒng)計(jì)特征,時域和頻域統(tǒng)計(jì)特征參數(shù)的計(jì)算公式分別如表2和表3所示。
表2 時域統(tǒng)計(jì)特征
表3 頻域統(tǒng)計(jì)特征
表2中的表示電磁目標(biāo)時間序列信號,表3中的和分別表示經(jīng)過傅里葉變換后的頻率成分和頻譜幅值。通過計(jì)算時域統(tǒng)計(jì)特征可以得到16個特征參數(shù),通過計(jì)算頻域統(tǒng)計(jì)特征可以得到12個特征參數(shù),為了提高計(jì)算效率,采用特征降維方法保留主成分。
經(jīng)過特征提取后可得到16個時域統(tǒng)計(jì)特征和12個頻域統(tǒng)計(jì)特征,采用主成分分析(Principal Component Analysis,PCA)方法對其進(jìn)行特征降維。
對于個特征參數(shù)對應(yīng)的個值,構(gòu)造的特征矩陣為
(1)
將特征矩陣進(jìn)行線性變換使其滿足式(2)。
(2)
且有
(3)
式中var()表示方差,cor(,)表示主成分間的相關(guān)性。
通過PCA方法能夠?qū)⑻卣鲄?shù)變換成多個主成分,為了提高計(jì)算效率,這里選取前三個主成分進(jìn)行計(jì)算和分析。
對于8種電磁目標(biāo),每種電磁目標(biāo)有600個樣本,總共4800個樣本,對每個樣本提取16個時域統(tǒng)計(jì)特征和12個頻域統(tǒng)計(jì)特征,然后經(jīng)過PCA處理選取前三個主成分,最后得到4800×3維的特征空間,將其中的70%當(dāng)作訓(xùn)練集用于訓(xùn)練,剩余的30%當(dāng)作測試集驗(yàn)證識別的準(zhǔn)確率。為了進(jìn)行對比分析研究,選取SVM、KNN、Random forest和AdaBoost四種基于機(jī)器學(xué)習(xí)的分類識別算法進(jìn)行識別,同時考慮在現(xiàn)場環(huán)境應(yīng)用中的實(shí)際需求,還研究了在不同信噪比下的識別結(jié)果以及進(jìn)行識別所需耗費(fèi)的時間,在進(jìn)行計(jì)算時所使用的計(jì)算機(jī)為Windows 10系統(tǒng),CPU為英特爾i7-9700,內(nèi)存為64 GB,程序代碼用python語言編寫,并基于Spyder編譯器運(yùn)行。
通過計(jì)算得到的電磁目標(biāo)識別結(jié)果如表4所示。
表4 電磁目標(biāo)識別結(jié)果
由表4可知,隨著信噪比(18dB、16dB、14dB、12dB、10dB、8dB)降低,電磁目標(biāo)識別的準(zhǔn)確率也逐漸降低。在采用時域統(tǒng)計(jì)特征時,8dB信噪比下SVM、KNN、Random forest和AdaBoost算法識別的準(zhǔn)確率分別為92.92%、93.75%、94.72%和94.86%;在采用頻域統(tǒng)計(jì)特征時,其識別準(zhǔn)確率分別為96.88%、97.29%、97.78%和98.06%;在同時采用時域和頻域統(tǒng)計(jì)特征時,其識別準(zhǔn)確率分別為89.86%、93.26%、93.75%和92.85%。當(dāng)同時采用時域和頻域統(tǒng)計(jì)特征時,電磁目標(biāo)的識別準(zhǔn)確率沒有只采用頻域統(tǒng)計(jì)特征時高,這可能是因?yàn)殡姶拍繕?biāo)對頻域特征參數(shù)更加敏感,因此只需采用頻域統(tǒng)計(jì)特征即可準(zhǔn)確識別各電磁目標(biāo),此外通過比較平均耗費(fèi)時間可知,Random forest算法雖然識別準(zhǔn)確率略高于AdaBoost算法,但是其所需的時間比AdaBoost算法約長1.3s。為了快速準(zhǔn)確識別電磁目標(biāo),研究結(jié)果表明基于AdaBoost算法采用頻域統(tǒng)計(jì)特征能夠準(zhǔn)確快速識別出電磁目標(biāo),識別的平均準(zhǔn)確率高達(dá)99.20%,所需時間為0.19s。
本項(xiàng)工作提出了重采樣、改變幅值和信號疊加三種電磁目標(biāo)數(shù)據(jù)庫擴(kuò)充方法,通過這三種方法能夠有效擴(kuò)充現(xiàn)有數(shù)據(jù)庫?;跀U(kuò)充的電磁目標(biāo)數(shù)據(jù)庫,提出了一種基于特征提取和機(jī)器學(xué)習(xí)的電磁目標(biāo)識別方法,研究結(jié)果表明,基于頻域統(tǒng)計(jì)特征采用AdaBoost算法能夠準(zhǔn)確識別出不同信噪比下的電磁目標(biāo),平均識別準(zhǔn)確率高達(dá)99.20%,在8dB低信噪比下的識別準(zhǔn)確率仍有98.06%,且平均耗時僅為0.19s。