韓 嘯, 陳世文, 陳 蒙, 楊錦程

(信息工程大學(xué)數(shù)據(jù)與目標(biāo)工程學(xué)院, 河南 鄭州 450001)

0 引 言

隨著雷達(dá)“看見(jiàn)與不被看見(jiàn)”的現(xiàn)實(shí)需求不斷上升,低截獲概率(low probability of intercept, LPI)雷達(dá)信號(hào)的應(yīng)用愈發(fā)廣泛,針對(duì)LPI信號(hào)調(diào)制類型識(shí)別問(wèn)題的研究逐漸增多。在現(xiàn)有的針對(duì)LPI信號(hào)調(diào)制類型識(shí)別的方法中,許多方法采用時(shí)頻圖像結(jié)合深度學(xué)習(xí)模型,對(duì)比傳統(tǒng)的人工提取特征類方法,在性能上有較大提升,尤其在識(shí)別準(zhǔn)確率與抗噪聲性能方面,具備顯著優(yōu)勢(shì)。文獻(xiàn)[3]較早地提出使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)自動(dòng)提取雷達(dá)信號(hào)時(shí)頻圖像特征并進(jìn)行分類,證明了該方法具有良好的抗噪聲性能;文獻(xiàn)[4]使用Choi-Williams分布(Choi-Williams distribution, CWD)得到時(shí)頻圖像并優(yōu)化了圖像預(yù)處理過(guò)程,降低噪聲對(duì)識(shí)別的影響,最后使用CNN實(shí)現(xiàn)對(duì)8種信號(hào)的分類,在-2 dB信噪比下取得93.7%的識(shí)別準(zhǔn)確率;文獻(xiàn)[5]將遷移學(xué)習(xí)的思想引入,通過(guò)遷移預(yù)訓(xùn)練網(wǎng)絡(luò)提升時(shí)頻圖特征的提取效果,并降低了此類方法對(duì)樣本量的要求,提取特征后用支持向量機(jī)(support vector machine, SVM)分類器,8種信號(hào)在-2 dB信噪比下識(shí)別準(zhǔn)確率達(dá)到97.8%。文獻(xiàn)[6]構(gòu)建了新的CNN結(jié)構(gòu),將不同分辨率的特征融合,在-6 dB下對(duì)12種LPI信號(hào)的識(shí)別準(zhǔn)確率達(dá)到95.1%。文獻(xiàn)[7]改進(jìn)殘差網(wǎng)絡(luò)為擴(kuò)張殘差網(wǎng)絡(luò),提升了針對(duì)類線性調(diào)頻信號(hào)的識(shí)別準(zhǔn)確率,并在-6 dB信噪比下對(duì)16種雷達(dá)信號(hào)整體識(shí)別準(zhǔn)確率達(dá)到98.2%。文獻(xiàn)[8]在特征提取網(wǎng)絡(luò)前添加針對(duì)時(shí)頻圖的去噪卷積網(wǎng)絡(luò),在-10 dB信噪比下對(duì)8種LPI信號(hào)識(shí)別準(zhǔn)確率達(dá)到90%。

上述研究雖然在識(shí)別準(zhǔn)確率和抗噪聲性能方面得到了很好的結(jié)果,但是都默認(rèn)識(shí)別階段信號(hào)的種類與訓(xùn)練階段一致,即設(shè)定在訓(xùn)練階段能獲得全部種類的信號(hào)。如果識(shí)別階段出現(xiàn)了訓(xùn)練集中未包含的信號(hào)種類,上述方法就會(huì)錯(cuò)誤地將該信號(hào)劃分至某一類中。在實(shí)際非合作接收條件下,接收機(jī)面對(duì)的是開(kāi)放的電磁環(huán)境,充滿各種干擾和不確定的信號(hào),對(duì)重點(diǎn)關(guān)注的LPI信號(hào)進(jìn)行跟蹤分類時(shí),無(wú)法保證截獲信號(hào)一定是其中的種類。所以應(yīng)用于LPI信號(hào)調(diào)制類型識(shí)別的模型必須具備開(kāi)集識(shí)別能力,才能在分類的同時(shí)應(yīng)對(duì)非目標(biāo)信號(hào)的干擾。

開(kāi)集識(shí)別問(wèn)題一經(jīng)提出就受到廣泛的關(guān)注,現(xiàn)有的方法大致可以分為判別式和生成式兩類。但是,專門針對(duì)輻射源開(kāi)集識(shí)別問(wèn)題的研究較少,尤其是關(guān)于LPI信號(hào)的研究。文獻(xiàn)[18]提出SV-Means算法,基于隨機(jī)梯度下降和k均值(k-means)原理改進(jìn)分位數(shù)單類支持向量機(jī)(quantile one-class support vector machine, q-OCSVM)求解過(guò)程,提高計(jì)算效率,用于解決相位調(diào)制信號(hào)的開(kāi)集識(shí)別問(wèn)題。文獻(xiàn)[20]提出一種基于生成網(wǎng)絡(luò)重構(gòu)已知類信號(hào),擾亂未知類信號(hào)的方法,實(shí)現(xiàn)了通信信號(hào)的開(kāi)集識(shí)別,取得了較好的結(jié)果。但是每新增一種已知類信號(hào),就需要訓(xùn)練一個(gè)重構(gòu)網(wǎng)絡(luò),流程較繁瑣。文獻(xiàn)[21]對(duì)分類與回歸樹(shù)算法進(jìn)行改進(jìn),使基分類器具有開(kāi)集識(shí)別能力,利用脈沖特征參數(shù)實(shí)現(xiàn)雷達(dá)輻射源的開(kāi)集增量學(xué)習(xí),具有計(jì)算復(fù)雜度低、輕量化的優(yōu)勢(shì);但是對(duì)特征的處理較簡(jiǎn)單,不適合脈內(nèi)調(diào)制類型識(shí)別。本文引入一種基于互易點(diǎn)學(xué)習(xí)的開(kāi)集識(shí)別模型,結(jié)合LPI信號(hào)時(shí)頻圖像的特點(diǎn)對(duì)特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn),在網(wǎng)絡(luò)中添加了注意力機(jī)制使其更關(guān)注時(shí)頻圖中能量聚集部分的信息。本文給出模型訓(xùn)練、識(shí)別步驟和開(kāi)集識(shí)別閾值選取方法,解決了LPI信號(hào)在開(kāi)放電磁環(huán)境中的識(shí)別問(wèn)題,并與現(xiàn)有方法有較好的兼容性。

1 網(wǎng)絡(luò)模型

非合作接收條件下,依靠庫(kù)內(nèi)已標(biāo)記信號(hào)構(gòu)建訓(xùn)練集進(jìn)行訓(xùn)練。假設(shè)已有標(biāo)記好的截獲脈內(nèi)信號(hào)類,表示為

={(,),(,),…,(,)}

(1)

={(,),(,),…,(,)}

(2)

式中:表示截獲信號(hào)的樣本數(shù)量;∈{1,2,…,}∪{+1,+2,…,+},表示截獲信號(hào)中的未知信號(hào)種類數(shù)。中的一部分屬于已知類特征空間,表示為-;一部分屬于未知類開(kāi)放特征空間,表示為-。本文方法對(duì)進(jìn)行預(yù)處理,然后訓(xùn)練模型,并確定開(kāi)集識(shí)別閾值;用訓(xùn)練好的模型和閾值實(shí)現(xiàn)中-的分類和-的識(shí)別。

1.1 特征提取網(wǎng)絡(luò)

特征提取網(wǎng)絡(luò)提取時(shí)頻圖像特征,將圖像映射到特征空間。模型采用以CNN為主的特征提取網(wǎng)絡(luò),在此基礎(chǔ)上加入注意力機(jī)制模塊使網(wǎng)絡(luò)更關(guān)注時(shí)頻圖像中能量聚集部分。

注意力機(jī)制模擬人的視覺(jué)系統(tǒng),當(dāng)人在觀察圖像時(shí),更關(guān)注圖像中輔助判斷部分的信息,而忽略不相關(guān)的信息。卷積塊注意力模塊(convolutional block attention module, CBAM)結(jié)合了通道注意力和空間注意力兩種主要的注意力機(jī)制,將原始圖片中的信息變換到另一個(gè)空間中并提取關(guān)鍵的部分。LPI信號(hào)的時(shí)頻圖像與普通物體的圖像不同,有效信息只包含在時(shí)頻分布能量聚集的部分。模型輸入的是時(shí)頻圖像整體,但特征提取網(wǎng)絡(luò)應(yīng)更關(guān)注時(shí)頻圖像中有效的部分。特別是開(kāi)集識(shí)別模型面對(duì)的是開(kāi)放的電磁環(huán)境,學(xué)習(xí)關(guān)注時(shí)頻圖重點(diǎn)區(qū)域有助于更好地將輸入映射至特征空間,使已知類和未知類信號(hào)更具區(qū)分性;同時(shí)降低噪聲對(duì)識(shí)別的干擾,一定程度減緩網(wǎng)絡(luò)因過(guò)于“關(guān)注”噪聲而造成分類錯(cuò)誤。

特征提取網(wǎng)絡(luò)整體結(jié)構(gòu)如圖1所示,由9個(gè)卷積核大小為3×3的卷積模塊級(jí)聯(lián)構(gòu)成。這樣的結(jié)構(gòu)在保持較大的感受野的同時(shí)增加了線性整流函數(shù)(rectified linear unit, ReLU)層數(shù)量,且減少了參數(shù)量。每個(gè)卷積模塊的輸入輸出通道數(shù)在圖中列出。卷積模塊中的卷積層后接批歸一化(batch normalization, BN)層對(duì)數(shù)據(jù)進(jìn)行歸一化提升訓(xùn)練效率,然后通過(guò)ReLU激活函數(shù)。在網(wǎng)絡(luò)中添加Droupout層防止訓(xùn)練過(guò)擬合。將注意力模塊加入分類網(wǎng)絡(luò)的最后一個(gè)卷積模塊中,經(jīng)過(guò)第9個(gè)卷積層并歸一化后的特征與其通過(guò)通道注意力模塊的系數(shù)相乘,然后再與生成的空間注意力系數(shù)相乘,得到最終的特征向量。

圖1 特征提取網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of feature extraction network

1.2 互易點(diǎn)

圖2 互易點(diǎn)示意圖Fig.2 Diagram of reciprocal point

由于網(wǎng)絡(luò)在提取嵌入特征時(shí),通常將未知類樣本隨機(jī)地映射至全空間的任意位置,所以互易點(diǎn)與未知類信號(hào)在特征空間中的相似性更高,即特征空間中未知類與互易點(diǎn)的距離應(yīng)比已知類更近:

(3)

式中:(·,·)代表在特征空間中計(jì)算兩個(gè)樣本集中所有樣本之間的距離。為了更好地表達(dá)空間上的距離,模型使用的距離是歐式距離與點(diǎn)積的結(jié)合:

(4)

式中:表示信號(hào)樣本;(·)表示特征提取函數(shù),即將輸入樣本映射到特征空間的函數(shù);(·)表示由信號(hào)數(shù)據(jù)得到預(yù)處理后的時(shí)頻圖像過(guò)程;是特征空間中特征的維數(shù)。為了使和更具有區(qū)分性,需被限制在空間范圍內(nèi):

(5)

通過(guò)限制未知類樣本與其對(duì)應(yīng)互易點(diǎn)的距離不超過(guò),從而限制開(kāi)放空間大小,降低開(kāi)放風(fēng)險(xiǎn)。

1.3 對(duì)抗訓(xùn)練

對(duì)已知類樣本分類時(shí),根據(jù)樣本與每個(gè)互易點(diǎn)的距離判斷樣本屬于哪一類。樣本屬于第類的概率通過(guò)softmax函數(shù)歸一化:

(6)

樣本在特征空間中與哪一類互易點(diǎn)的距離最大,屬于該類的概率就最大。損失函數(shù)設(shè)置為

(;,)=-ln(=|,,,)

(7)

(8)

對(duì)未知類信號(hào)分類時(shí),目標(biāo)函數(shù)為式(5)。然而未知信號(hào)實(shí)際上來(lái)自識(shí)別階段開(kāi)放的環(huán)境,無(wú)法在訓(xùn)練階段預(yù)知,所以實(shí)現(xiàn)式(8)是十分困難的。但是與是互補(bǔ)的,可以通過(guò)促使中樣本與的距離大于間接約束開(kāi)放空間大小,損失函數(shù)表示為

(9)

(,;,,)=(;,)+(;,,)

(10)

1.4 開(kāi)集識(shí)別閾值

對(duì)抗訓(xùn)練結(jié)果是特征提取網(wǎng)絡(luò)學(xué)習(xí)到一個(gè)良好的特征空間。如第13節(jié)所描述,在該空間中,已知類樣本和未知類樣本具有顯著的分布差異:未知類映射到空間中心,已知類被推向空間邊緣并相互排斥。

使用模型對(duì)分類時(shí),計(jì)算中樣本與已訓(xùn)練模型中每一個(gè)已知類互易點(diǎn)的距離集合:

(,)={,,…,}

(11)

(12)

(13)

圖3 對(duì)抗訓(xùn)練的最終特征空間Fig.3 Final embedding space of adversarial training

(14)

識(shí)別階段使用該閾值對(duì)樣本進(jìn)行分類:

(15)

圖4是實(shí)驗(yàn)中(,)和(,)的分布,模型訓(xùn)練效果越好,已知類和未知類分布的區(qū)分度就越大,閾值適應(yīng)性越強(qiáng)。

圖4 ξ(SR,P)max分布示意圖Fig.4 Diagram of distribution of ξ(SR,P)max

2 識(shí)別流程

2.1 信號(hào)仿真

由于本文研究的重點(diǎn)是信號(hào)調(diào)制類型識(shí)別問(wèn)題,所有仿真信號(hào)均是脈內(nèi)部分。重點(diǎn)以LPI信號(hào)為研究對(duì)象,按照文獻(xiàn)[28]的信號(hào)定義仿真全部12種LPI信號(hào),參數(shù)設(shè)置參考文獻(xiàn)[29],仿真信號(hào)參數(shù)列表如表1所示。

表1 仿真信號(hào)參數(shù)Table 1 Parameters of simulated signal

采樣率設(shè)定為1 200 MHz,(·)表示均勻采樣;{·}表示隨機(jī)取值。載頻取值范圍是(12,4),信號(hào)長(zhǎng)度的范圍是(512,1 920)。

2.2 信號(hào)預(yù)處理

221 時(shí)頻分析

雷達(dá)信號(hào)具有非平穩(wěn)特性,時(shí)頻分析作為處理非平穩(wěn)信號(hào)的有力工具,能夠同時(shí)獲得信號(hào)的時(shí)頻信息,已經(jīng)廣泛地應(yīng)用于信號(hào)識(shí)別。研究表明,時(shí)頻分析方法的選擇對(duì)雷達(dá)信號(hào)識(shí)別的效果有較大影響,CWD同時(shí)具有較好的能量聚集性和抑制交叉項(xiàng)能力,故本文選擇CWD作為時(shí)頻分析方法。對(duì)于信號(hào)(),它的CWD表達(dá)式為

(16)

為平衡時(shí)頻分辨率和抑制交叉項(xiàng),選擇=1;綜合考慮時(shí)頻分辨率和計(jì)算復(fù)雜度,選擇合適的時(shí)域、頻域窗長(zhǎng)。

222 圖像處理

為了使得到的時(shí)頻圖像更好地體現(xiàn)不同LPI信號(hào)的調(diào)制特征,同時(shí)符合模型網(wǎng)絡(luò)輸入的要求,需要對(duì)時(shí)頻圖像進(jìn)行預(yù)處理,如圖5所示。

圖5 時(shí)頻圖像預(yù)處理Fig.5 Preprocessing of time-frequency images

將得到的時(shí)頻圖像能量值通過(guò)最大最小法歸一化為灰度值;

對(duì)灰度圖像進(jìn)行維納濾波;

根據(jù)網(wǎng)絡(luò)輸入尺寸要求,使用雙三次插值重置圖像大小。

(·)即為上述由信號(hào)數(shù)據(jù)生成時(shí)頻圖像和預(yù)處理圖像的過(guò)程。

2.3 模型訓(xùn)練識(shí)別過(guò)程

使用庫(kù)內(nèi)已標(biāo)記信號(hào)對(duì)特征提取網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并通過(guò)訓(xùn)練集得到閾值,然后使用該模型對(duì)截獲信號(hào)集合進(jìn)行識(shí)別,訓(xùn)練、識(shí)別流程如圖6所示。

圖6 訓(xùn)練、識(shí)別流程Fig.6 Processing of training and recognition

231 模型訓(xùn)練

對(duì)進(jìn)行CWD時(shí)頻分析、圖像預(yù)處理,得到時(shí)頻圖像集()。

將()劃分為訓(xùn)練集和驗(yàn)證集。

設(shè)置模型訓(xùn)練優(yōu)化器為Adam,損失函數(shù)為式(10),設(shè)置學(xué)習(xí)率衰減策略。

進(jìn)行互易點(diǎn)對(duì)抗訓(xùn)練。設(shè)置初始學(xué)習(xí)率為0001,batch size為64,最大epoch為50。訓(xùn)練完成時(shí)得到分類器網(wǎng)絡(luò)。

根據(jù)訓(xùn)練集數(shù)據(jù)通過(guò)分類器網(wǎng)絡(luò)后的分布計(jì)算得到開(kāi)集閾值。

232 識(shí)別

從中取樣本,進(jìn)行CWD時(shí)頻分析、圖像預(yù)處理,得到時(shí)頻圖像()。

將()輸入訓(xùn)練好的模型,得到特征(())。

返回步驟1,直到中所有樣本全部被識(shí)別,結(jié)束識(shí)別過(guò)程。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 測(cè)試指標(biāo)

下面分別以接收機(jī)工作特性曲線下面積(area under the receiver operating characteristic, AUROC)、識(shí)別準(zhǔn)確率(accuracy, ACC)和F值(F-measure)為測(cè)試指標(biāo)，開(kāi)展實(shí)驗(yàn)。

311 AUROC

引入一種與數(shù)據(jù)分布和閾值選擇均無(wú)關(guān)的指標(biāo)對(duì)特征空間優(yōu)化效果進(jìn)行評(píng)估。接收機(jī)工作特性(receiver operating characteristic, ROC)曲線通過(guò)改變分類器判決的閾值繪制真正例率與假正例率之間的關(guān)系。曲線的橫坐標(biāo)是假正例率,縱坐標(biāo)是真正例率,AUROC就是ROC曲線下的面積大小。

AUROC數(shù)值正常從0.5到1之間變化,當(dāng)AUROC=0.5時(shí),分類器相當(dāng)于是一個(gè)隨機(jī)分類器,將接收到的LPI信號(hào)隨機(jī)判斷為已知類或未知類。面積越大,AUROC越接近1,模型特征空間中已知類和未知類區(qū)分度越強(qiáng),故模型鑒別已知類和未知類的能力越強(qiáng)。

3.1.2 ACC

在雷達(dá)輻射源閉集識(shí)別場(chǎng)景中,一般用ACC衡量分類結(jié)果。為保持統(tǒng)一,在本文開(kāi)集識(shí)別場(chǎng)景中,計(jì)算ACC時(shí)將接收信號(hào)中類未知信號(hào)全部歸為“未知類”,即第+1類。設(shè)中第類信號(hào)被識(shí)別為第類的個(gè)數(shù)為,識(shí)別準(zhǔn)確率計(jì)算式為

∈{1,2,…,+1};∈{1,2,…,+1}

(17)

313 F-measure

F-measure調(diào)和了查全率和查準(zhǔn)率,被廣泛應(yīng)用于測(cè)試開(kāi)集識(shí)別模型的性能。本文采用文獻(xiàn)[18]的F-measure定義:

(18)

將已知類信號(hào)設(shè)定為正例,未知類信號(hào)設(shè)定為負(fù)例。TP表示真正例數(shù),FP表示假正例數(shù),FN表示假負(fù)例數(shù)。

3.2 測(cè)試注意力機(jī)制

按照表1仿真產(chǎn)生庫(kù)內(nèi)的已標(biāo)注信號(hào)包括線性調(diào)頻(linear frequency modulation, LFM)、BPSK、Costas、Frank、P1～P4共8類,信噪比范圍SNR∈{0 dB,2 dB,4 dB,6 dB,8 dB,10 dB},每個(gè)信噪比下每類信號(hào)產(chǎn)生300個(gè),=14 400。有LFM、BPSK、Costas、Frank、P1～P4碼,T1～T4碼共12類。信噪比范圍SNR∈{-6 dB,-4 dB,-2 dB,0 dB,2 dB,4 dB,6 dB,8 dB,10 dB},每個(gè)信噪比下每類信號(hào)產(chǎn)生100個(gè),=10 800。分別在添加注意力機(jī)制和未添加注意力機(jī)制條件下訓(xùn)練相同輪次epoch=50,進(jìn)行蒙特卡羅實(shí)驗(yàn)10次訓(xùn)練并保存模型。

通過(guò)梯度加權(quán)類激活映射(gradient-weighted class activation mapping, Grad-CAM)方法觀察添加注意力機(jī)制前后的訓(xùn)練模型對(duì)相同信號(hào)時(shí)頻圖“關(guān)注”區(qū)域的變化。Grad-CAM不改變?cè)W(wǎng)絡(luò)結(jié)構(gòu)并且不需要重新訓(xùn)練,通過(guò)計(jì)算每個(gè)通道輸出特征圖對(duì)分類決策貢獻(xiàn)的權(quán)重并累加,得到輸入圖像各個(gè)部分對(duì)最終決策的影響值,可視化為熱力圖形式,影響越大的部分熱力圖中溫度越高。對(duì)添加注意力機(jī)制前后訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行可視化分析,得到同一時(shí)頻圖像經(jīng)過(guò)兩種網(wǎng)絡(luò)后的類別激活熱力圖,如圖7所示。

圖7 添加CBAM前后熱力圖對(duì)比Fig.7 Comparison of thermal diagram before and after adding CBAM

由圖7可知,未添加注意力機(jī)制的網(wǎng)絡(luò)在提取低信噪比信號(hào)特征時(shí)更容易受到噪聲影響,對(duì)噪聲部分置以權(quán)重,這可能導(dǎo)致隨機(jī)分類,降低識(shí)別效果。添加注意力機(jī)制后,抑制一部分噪聲干擾,使網(wǎng)絡(luò)更關(guān)注能量聚集部分,從而提升鑒別已知類和未知類的能力。

使用開(kāi)集測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試,取平均值,得到最終結(jié)果,如圖8所示。

圖8 不同信噪比條件下兩種網(wǎng)絡(luò)的AUROC測(cè)試結(jié)果Fig.8 AUROC test results of two networks under different signal-to-noise ratios

從圖8可以看出,添加CBAM能夠輔助互易點(diǎn)學(xué)習(xí),使特征提取網(wǎng)絡(luò)提取到更好的特征,AUROC指標(biāo)有所提升。

3.3 測(cè)試模型開(kāi)集適應(yīng)性

使用第3.2節(jié)蒙特卡羅實(shí)驗(yàn)10次產(chǎn)生的模型,繼續(xù)進(jìn)行實(shí)驗(yàn)。

3.3.1 模型對(duì)開(kāi)集信號(hào)數(shù)量增加的適應(yīng)性

設(shè)置開(kāi)放的接收環(huán)境中接收到信號(hào)有LFM、BPSK、Costas、Frank、P1～P4碼、T1～T4碼共12類。定義開(kāi)集比例Ratio:

(19)

固定-中每一類產(chǎn)生100個(gè)信號(hào),逐漸增加-數(shù)量,每次每一類增加50個(gè),每個(gè)開(kāi)集比例下測(cè)試10次并計(jì)算最終的平均結(jié)果,如圖9所示。

圖9 不同Ratio條件下的測(cè)試結(jié)果Fig.9 Test results under different Ratio

對(duì)比實(shí)驗(yàn)采用的模型是閉集調(diào)制類型識(shí)別中的經(jīng)典特征提取網(wǎng)絡(luò)ResNet-18,采用遷移學(xué)習(xí),替換最后的全連接層進(jìn)行訓(xùn)練,同樣進(jìn)行蒙特卡羅實(shí)驗(yàn)10次。對(duì)比實(shí)驗(yàn)訓(xùn)練集和測(cè)試集與開(kāi)集模型完全一致。由測(cè)試結(jié)果圖9(a)可知,相比傳統(tǒng)的閉集識(shí)別網(wǎng)絡(luò),本文模型在閉集條件下(Ratio=0)具有相同水平的ACC。但在開(kāi)放電磁環(huán)境中,截獲信號(hào)包含未知類時(shí),使用傳統(tǒng)閉集網(wǎng)絡(luò)失效,ACC迅速下降,本文模型卻仍然能夠保持較高的值。從圖9(b)結(jié)果可知,隨著截獲信號(hào)中未知類比例增大,本文模型在信噪比6 dB下F-measure能夠維持在0.98左右,0 dB下維持在0.90左右,對(duì)增長(zhǎng)的未知類信號(hào)比例適應(yīng)性較強(qiáng)。

3.3.2 模型對(duì)開(kāi)集信號(hào)種類增加的適應(yīng)性

進(jìn)一步驗(yàn)證本文模型對(duì)開(kāi)放電磁環(huán)境的適應(yīng)能力,保持-不變,增加-種類,參數(shù)見(jiàn)表2,其中調(diào)制類型有LFM/BPSK、LFM/頻移鍵控(frequency-shift keying, FSK)、BPSK/FSK復(fù)合調(diào)制和非線性調(diào)頻(non-linear frequency modulation, NLFM)。

表2 補(bǔ)充干擾信號(hào)參數(shù)Table 2 Parameters of supplementary interference signal

-隨機(jī)從{T1,T2,T3,T4,NLFM,LFM/FSK,LFM/BPSK,BPSK/LFM}中抽取一定種類數(shù)的信號(hào),種類數(shù)從0依次增加至8,抽取的每一類信號(hào)仿真100個(gè)。根據(jù)文獻(xiàn)[31]定義開(kāi)放率Openness:

(20)

進(jìn)行蒙特卡羅實(shí)驗(yàn)10次得到實(shí)驗(yàn)結(jié)果如圖10所示。

由圖10可知,當(dāng)截獲信號(hào)中存在大量非目標(biāo)LPI信號(hào)或其他種類信號(hào)時(shí),測(cè)試指標(biāo)ACC和F-measure同樣均維持在較高值,模型能正確識(shí)別未知類信號(hào),并正確分類已知的目標(biāo)信號(hào)種類,對(duì)開(kāi)集場(chǎng)景具有較好的適應(yīng)能力。

圖10 不同Openness條件下的測(cè)試結(jié)果Fig.10 Test results under different Openness

4 結(jié) 論

本文分析了現(xiàn)有基于時(shí)頻圖和深度學(xué)習(xí)模型的LPI信號(hào)識(shí)別方法無(wú)法適應(yīng)開(kāi)集場(chǎng)景,引入互易點(diǎn)學(xué)習(xí)優(yōu)化特征提取網(wǎng)絡(luò),得到具有良好表征特性的特征空間。在該空間中未知類信號(hào)分布在中心,已知類被推向邊緣并彼此分開(kāi)。根據(jù)該分布特點(diǎn)給出未知類信號(hào)的開(kāi)集識(shí)別閾值取值方法。在此基礎(chǔ)上為特征提取網(wǎng)絡(luò)加入CBAM,使網(wǎng)絡(luò)更關(guān)注能量集中部分的有效信息。文章給出完整的模型訓(xùn)練、識(shí)別流程,并在設(shè)定的開(kāi)集場(chǎng)景下測(cè)試了模型的有效性和適應(yīng)性。