張 見 吳 迪 胡 濤 朱世先 楚倩楠

（1.中國人民解放軍戰(zhàn)略支援部隊信息工程大學數(shù)據(jù)與目標工程學院，河南鄭州 450001；2.91746部隊，北京 102206）

1 引言

短波通信具有抗毀性、方式靈活和遠距離傳輸?shù)忍攸c，一直是軍事通信領域的發(fā)展和保留手段，在通信偵察中，短波信號規(guī)格識別是一項重要內(nèi)容，是后續(xù)開展信號處理、監(jiān)控及對抗等工作的重要基礎。當前，現(xiàn)代短波通信技術(shù)高速發(fā)展，信號規(guī)格和通信設備表現(xiàn)出格式多樣化、種類豐富化、個別信號類間相似度高等特點，為傳統(tǒng)的識別方法帶來挑戰(zhàn)。因此，為滿足新形勢下模塊化、智能化、實時化的電磁環(huán)境感知需求，開展對短波信號規(guī)格高效識別方法的研究具有重要價值。

傳統(tǒng)的信號規(guī)格識別方法主要分為基于特征模板匹配［1］的方法和基于比特流分析［2］的方法?；谔卣髂０迤ヅ涞姆椒ㄖ?，文獻［3］利用小波降噪去除短波信號中的噪聲干擾，進行波形匹配識別，但該類方法建立降噪匹配模板的過程較復雜，且識別效果受判決門限的選取影響較大；文獻［4］對Link4A 和Link11信號建立持續(xù)和消失時間數(shù)據(jù)庫，并結(jié)合信號的時間-頻率-幅度信息進行檢測識別，但該類方法在低信噪比時效果不佳，且判別時采用的聚類算法無法有效區(qū)分持續(xù)和消失幀長時間相似的信號?；诒忍亓鞣治龅姆椒ㄖ?，文獻［5］提取信號比特流幀同步碼作為識別特征，識別合法用戶和非授權(quán)用戶發(fā)送的信號規(guī)格類型，但該類方法要求接收到完整的幀同步碼序列，且在低信噪比下誤檢率較高。隨著深度學習技術(shù)被應用到通信信號處理領域，一些研究利用神經(jīng)網(wǎng)絡的強大特征提取和映射能力，解決信號規(guī)格識別的問題。文獻［6］以不同短波信號幀結(jié)構(gòu)時頻譜圖的視覺特性差異作為特征，利用深度殘差網(wǎng)絡［7］（Deep Residual Network，ResNet）對7種特定信號規(guī)格進行識別；文獻［8］使用單階段多目標檢測（Single Shot Detector，SSD）網(wǎng)絡模型學習信號的圖像特征，實現(xiàn)對4 類信號的檢測和識別。但此類方法依賴于待識別信號集在時頻特性上具有明顯差異，當信號規(guī)格的時頻特征接近時，其識別效果十分受限。根據(jù)以上分析，當前信號規(guī)格識別方法存在以下不足，1）僅采用信號數(shù)據(jù)流提取特征信息，或僅采用信號圖像提取特征數(shù)據(jù)，未將數(shù)據(jù)和圖像兩個維度的特征信息綜合利用；2）集中于對采用不同調(diào)制方式的信號進行識別，對相同調(diào)制方式不同規(guī)格信號識別的研究開展不足。

針對上述問題，本文在已有研究的基礎上，構(gòu)建了基于信號矢量圖和數(shù)據(jù)流的信號淺層特征表達形式，在盡可能保留信號原始信息的同時，充分利用信號不同維度的特征信息，并結(jié)合文獻［6］的特征提取思想，以較深度殘差網(wǎng)絡結(jié)構(gòu)性能更優(yōu)的密集連接卷積［9］（Densely Connected Convolution，DCC）作為特征提取和學習工具，提出了一種短波信號規(guī)格識別的新算法。該算法首先通過數(shù)據(jù)預處理，將采樣的復信號數(shù)據(jù)流轉(zhuǎn)換成實數(shù)據(jù)矩陣和信號矢量圖，其中信號矢量圖能夠充分反映信號的調(diào)制信息，數(shù)據(jù)流矩陣能夠保留信號數(shù)據(jù)完整的差異性信息；其次，構(gòu)建特征融合網(wǎng)絡模型，通過其中的密集連接卷積單元（Dense Block）模塊，以較多的網(wǎng)絡層充分挖掘信號數(shù)據(jù)流和矢量圖蘊含的深度信息特征，將兩類特征進行融合、學習和映射，實現(xiàn)對不同信號規(guī)格的有效識別。此外，利用Dense Block 模塊的特征復用機制，使網(wǎng)絡模型的參數(shù)和計算量大大降低，在不降低系統(tǒng)性能的同時提高了運算速度；在生成訓練樣本時采用添加隨機頻偏的策略，進一步增強了網(wǎng)絡模型的泛化性能。實驗表明，與傳統(tǒng)算法相比，本文算法有效利用了矢量圖和信號數(shù)據(jù)兩個維度的特征信息，既能識別采用不同調(diào)制方式的信號規(guī)格類型，也能識別采用相同調(diào)制方式的不同信號規(guī)格類型，在信噪比為0 dB 時，識別準確率能達到98%以上，同時隨機頻偏策略和特征復用機制的使用，使得當信號樣本含有頻偏時，其識別率相對于傳統(tǒng)算法有5%～14%的提高，且模型空間僅占471 KB，運算速度約為90 ms，具有一定的實用價值。

2 短波信號差異性特征選取

調(diào)制方式是短波信號規(guī)格的一項重要屬性，短波信號矢量圖是信號調(diào)制類型的理想表達形式，由信號的兩路數(shù)據(jù)按時間順序重組得來，通過矢量圖不僅能區(qū)分頻移鍵控（Frequency Shift Keying，F(xiàn)SK）和相移鍵控（Phase Shift Keying，PSK），還能區(qū)分采用不同PSK 調(diào)制方式的信號。圖1 為QPSK-24K 信號、采用8PSK 調(diào)制的MIL-STD-188-110A［10］（以下簡稱110A）和采用8FSK 調(diào)制的MIL-STD-188-141A［11］（以下簡稱141A）信號的矢量圖，由于PSK類信號的符號具有固定相位，因此對接收的信號數(shù)據(jù)進行去載頻和低通濾波處理后，得到的矢量圖為星座點+符號軌跡的形式，而FSK 類信號為恒包絡信號，其相位隨頻率的變化而變化，故矢量圖呈現(xiàn)為圓環(huán)形式。

由上述分析知，使用矢量圖作為特征的淺層表達形式，可以對一系列信號進行有效區(qū)分；實際中，許多短波信號采用相同調(diào)制方式，如均為8PSK 調(diào)制的110A、MIL-STD-188-110B［12］（以下簡稱110B）、MIL-STD-188-141B［13］（以下簡稱141B）和Link11 SLEW［14］（以下簡稱Link11）信號，以及各類FSK 類信號在矢量圖上均呈現(xiàn)為圓環(huán)狀，此時僅通過矢量圖作為特征提取源無法對其進行有效區(qū)分。考慮到短波信號在正向設計時，會制定一系列特定的信號產(chǎn)生標準和規(guī)則，如圖2 為110A 信號產(chǎn)生示意圖，可見原始信息經(jīng)過卷積編碼、交織與格雷碼映射后，添加同步前導序列和訓練序列，再經(jīng)過擾碼、調(diào)制和成型濾波，通過數(shù)模轉(zhuǎn)換（Digital to Ana?logue，DA）單元后經(jīng)發(fā)信機發(fā)射。

由于不同的通信規(guī)格標準對應不同的信號產(chǎn)生算法和傳輸組網(wǎng)規(guī)范，使得其產(chǎn)生的信號數(shù)據(jù)序列會呈現(xiàn)出特殊的信息傳輸格式。例如，110A、141B 和Link11 數(shù)據(jù)鏈信號典型信息格式如圖3 所示，從圖中可知110A 由前導序列、數(shù)據(jù)序列、結(jié)束段和沖洗段組成，141B 由保護序列、前導序列和有效數(shù)據(jù)序列組成，而Link11 信號則由報頭序列、相位參考、起始碼、戰(zhàn)術(shù)數(shù)據(jù)和監(jiān)督停止碼構(gòu)成，同時各類信號數(shù)據(jù)字段中的比特位數(shù)也有明顯差異。

這些特定的信息數(shù)據(jù)組織和排列形式設計，是為了滿足不同的業(yè)務與戰(zhàn)術(shù)通信需求，而這也使得接收的信號數(shù)據(jù)流，呈現(xiàn)出各類信號規(guī)格的獨特波形信息。以第三代短波通信規(guī)格標準的141B 信號典型數(shù)據(jù)流為例，其保護序列是可以進行直接調(diào)制、不需要進行偽隨機序列（Pseudorandom Noise，PN）擴展的256 位三比特符號序列，前導序列是一個64位的三比特符號序列，其傳輸?shù)拿總€數(shù)據(jù)包是長度為640 位的三比特調(diào)制符號，每個141B 信號的波形可以傳輸P個數(shù)據(jù)包，其中P的取值為3、6、12或24。當傳輸?shù)臄?shù)據(jù)生成之后，會按照每3 個比特表達一個調(diào)制符號的形式來產(chǎn)生數(shù)據(jù)包，并與保護序列、前導序列一起，構(gòu)成了141B 信號的獨特波形結(jié)構(gòu)。因此，接收得到的不同類型信號的數(shù)據(jù)流，具有表征各自信號波形完整的差異性特征信息，可作為對不同信號規(guī)格進行區(qū)分的主要依據(jù)。

綜上所述，本文選取信號數(shù)據(jù)流作為主要特征提取源，以矢量圖作為補充以提高識別性能，利用神經(jīng)網(wǎng)絡強大的特征提取與處理能力，經(jīng)過一系列卷積、下采樣、連接和池化等操作，將兩個維度的特征進行融合、學習與映射，彌補傳統(tǒng)算法特征選取單一以及無法區(qū)分相同調(diào)制方式不同規(guī)格信號的問題，實現(xiàn)對各類信號規(guī)格的有效識別。

3 基于特征融合網(wǎng)絡的信號規(guī)格識別

3.1 特征提取模塊

如何有效地提取和學習輸入數(shù)據(jù)中的深度特征，是本文著重考慮的一個問題。理論上，搭建的網(wǎng)絡卷積層數(shù)越多，神經(jīng)網(wǎng)絡提取的特征就會更加豐富，識別的效果就會越好。但是研究［15］指出，在實際中，當網(wǎng)絡層數(shù)超過一定臨界值后，反而會導致網(wǎng)絡識別性能的下降。文獻［7］指出，可以通過殘差映射的方式改善上述問題，其深度殘差網(wǎng)絡結(jié)構(gòu)如圖4（a）所示；文獻［9］在殘差映射的基礎上，提出了性能更優(yōu)的密集連接卷積的理論，即連接網(wǎng)絡中所有特征提取的卷積層，每個特征提取層都會接受之前所有的網(wǎng)絡層作為其額外的輸入。本文依據(jù)上述理論，構(gòu)建密集連接卷積單元（Dense Block）這一特征提取模塊，如圖4（b）所示，實現(xiàn)對輸入樣本數(shù)據(jù)深度特征的有效提取。

對于網(wǎng)絡的第L層，深度殘差網(wǎng)絡將每個層和前面的某層以“短路”的形式相連接，連接形式是元素級相加，其輸出為：

其中xl為網(wǎng)絡第L層的輸出，xl-1為第L-1 層的輸出，Hl(·)為網(wǎng)絡的非線性變換函數(shù)，包括一系列卷積（Convolution）、正則化（Normalization）、激活（Acti?vation）和池化（Pooling）操作。

如圖4（b）所示，Dense Block 模塊采用了特征復用（Feature Reuse）機制，即每一層中提取特征的運算，都會重復利用之前所有層的特征處理和提取結(jié)果，具體為將本層數(shù)據(jù)和之前各層提取的特征數(shù)據(jù)，在通道（Channel）維度上相連接，再進行非線性運算處理：

因此，對于一個L層的Dense Block 模塊結(jié)構(gòu)，共包含個連接，這種連接方式可以直接融合來網(wǎng)絡不同層的特征，增強了特征復用的效果。在達到相同分類準確率時，Dense Block 模塊所使用的參數(shù)數(shù)量不到深度殘差網(wǎng)絡的一半，計算效率大大提升，同時其抗過擬合能力和泛化性能也更強。

3.2 特征融合網(wǎng)絡模型

本文設計的特征融合網(wǎng)絡模型如圖5 所示，考慮網(wǎng)絡模型的內(nèi)部結(jié)構(gòu)和實際信號的相關(guān)參數(shù)，將輸入的信號數(shù)據(jù)樣本統(tǒng)一設置為336×336的數(shù)據(jù)矩陣形式，矢量圖樣本統(tǒng)一設置為128×128 的尺寸。模型對輸入信號樣本的處理和識別流程如下：

1）分別對信號數(shù)據(jù)矩陣和矢量圖進行7×7 的卷積和3×3 的最大池化（Max Pooling）操作，初步提取特征并降低特征數(shù)據(jù)的尺寸。

2）將上述由數(shù)據(jù)矩陣得到的特征數(shù)據(jù)依次通過4 個Dense Block 模塊，由矢量圖得到的特征數(shù)據(jù)依次通過3 個Dense Block 模塊，逐步提取不同層次的特征，每個Dense Block 模塊結(jié)構(gòu)如圖4（b）所示，兩路網(wǎng)絡的Dense Block 模塊含有的密集連接卷積節(jié)點數(shù)量不同，依次為6、12、32、32 個和6、12、12個。每個Dense Block模塊中，各個網(wǎng)絡層的特征數(shù)據(jù)尺寸保持一致，實現(xiàn)在通道維度上將特征數(shù)據(jù)相連接。

3）各相鄰的Dense Block模塊通過變換（Transi?tion）模塊相連接。在變換模塊中，信號的特征數(shù)據(jù)先經(jīng)過一個1×1的卷積，再通過步長為2的2×2的平均池化（Average Pool）層，實現(xiàn)對信號特征數(shù)據(jù)尺寸的減小。

4）對最終得到的兩路特征分別實施7×7 的全局平均池化（Global Average Pool）操作，獲得其特征向量，再將兩路特征向量進以連接（Concatenate）的方式實現(xiàn)特征融合。

5）將上述步驟得到的融合特征送入全連接分類器中進行運算，得到對信號規(guī)格識別的結(jié)果。

在Dense Block 模塊中，對信號進行特征提取采用的非線性函數(shù)H(·)的內(nèi)部結(jié)構(gòu)如圖6 所示，信號樣本數(shù)據(jù)先經(jīng)過批正則化（Batch Normalization，BN）、修正線性單元（Rectified linear unit，ReLU）激活和1×1 的卷積層，使信號的特征層數(shù)減少以增加運算效率，隨后再經(jīng)過批正則化、Relu 激活和一個3×3的卷積，實現(xiàn)對信號數(shù)據(jù)的特征提取。

由上述分析可知，本文設計的特征融合網(wǎng)絡模型對樣本進行特征提取的部分共含(82+30)×2+7=231 層，得益于Dense Block 模塊的良好性能，模型的運算量和資源利用率維持在較好的水平。

3.3 信號數(shù)據(jù)集的生成

本節(jié)介紹訓練和測試信號樣本數(shù)據(jù)集的生成，本文研究的短波信號規(guī)格識別類別包括110A、110B、141A、141B、Link11 SLEW 和PACTOR［16］協(xié)議標準下的信號，其中110A、110B、141B和Link11信號規(guī)格均為8PSK調(diào)制方式，符號速率均為2400 Baud，141A 為8FSK 調(diào)制方式，PACTOR 為2FSK 調(diào)制方式，樣本信號數(shù)據(jù)集使用Matlab 平臺仿真生成，圖7為信號數(shù)據(jù)集的產(chǎn)生流程。

首先根據(jù)指定的規(guī)格標準和隨機的消息符號數(shù)據(jù)序列，產(chǎn)生相應短波信號，信號生成的相關(guān)參數(shù)依據(jù)各協(xié)議具體標準規(guī)范執(zhí)行，信號產(chǎn)生過程中使用高斯信道［17］模擬實際信道環(huán)境，添加高斯噪聲后各樣本的信噪比Es/N0范圍為-5～5 dB。考慮實際應用情況和網(wǎng)絡訓練需求，對數(shù)據(jù)集產(chǎn)生流程中的特定步驟闡述如下：

1）加入隨機頻偏

本文通過對信號樣本的深度特征提取、融合和學習，實現(xiàn)對各類信號規(guī)格差異性特征的區(qū)分?？紤]到實際接收的短波信號在去載頻時，往往伴隨有一定的頻偏，會對信號樣本數(shù)據(jù)的分布產(chǎn)生相當?shù)挠绊?，因此為貼合實際情況，在仿真產(chǎn)生信號樣本數(shù)據(jù)時，設計了隨機頻偏策略，即對信號進行如圖8所示的添加隨機頻偏的處理。在產(chǎn)生每個信號樣本時，通過產(chǎn)生隨機的頻偏控制因子α，使有50%的概率進行隨機頻偏操作。當產(chǎn)生頻偏時，加入的相對于符號速率的頻偏在0～λ范圍內(nèi)隨機選取，其中頻偏上限λ設為0.04。通過對信號加入隨機頻偏，增加了樣本的豐富性，使得網(wǎng)絡模型能夠?qū)@一頻偏范圍內(nèi)的信號樣本進行學習，從而在一定程度上提高模型的泛化能力。

2）隨機截取信號長度

理想情況下，希望能夠獲取短波信號完整長度的幀數(shù)據(jù)以進行識別，但在實際信號傳輸?shù)倪^程中，受各種復雜因素的影響，往往不能接收得到完整的信號幀數(shù)據(jù)。本文對每個信號樣本數(shù)據(jù)進行隨機截取處理，按截取的位置區(qū)間分兩種情況：包括完整的單幀數(shù)據(jù)或單幀數(shù)據(jù)的某部分，若截取單幀的一部分，截取的信號長度在30%～100%間隨機選取，且截取的起始點從幀頭或幀尾隨機選擇。通過對信號樣本進行隨機長度截取，使信號數(shù)據(jù)集更加接近實際情況，從而提升模型的實用性。

3）生成矢量圖

考慮到傳統(tǒng)的矢量圖為二值圖像，無法反映符號軌跡在某些區(qū)域的聚集程度，本文將信號數(shù)據(jù)轉(zhuǎn)換成基于8 位灰度圖像的矢量圖，使得符號軌跡在各區(qū)域的聚集程度得以體現(xiàn)在圖像的灰度值上，并結(jié)合網(wǎng)絡模型的處理需求，將矢量圖設置為128×128的尺寸。

4）轉(zhuǎn)化為單路數(shù)據(jù)

由于神經(jīng)網(wǎng)絡的內(nèi)部結(jié)構(gòu)，需要實數(shù)據(jù)作為網(wǎng)絡輸入，因此將信號的復數(shù)據(jù)流轉(zhuǎn)化為單路數(shù)據(jù)，具體做法為將信號各樣本點的實部和虛部數(shù)據(jù)分開，各點數(shù)據(jù)依據(jù)實部-奇數(shù)列，虛部-偶數(shù)列的規(guī)則排列，得到復信號數(shù)據(jù)的單路實數(shù)表達形式。

5）歸一化信號數(shù)據(jù)值

為使不同強度的信號樣本數(shù)據(jù)值在輸入網(wǎng)絡模型運算時，不因其幅值的統(tǒng)計大小水平而影響網(wǎng)絡的性能表現(xiàn)，使網(wǎng)絡模型更加有效地擬合信號樣本數(shù)據(jù)，實現(xiàn)準確收斂，對信號數(shù)據(jù)進行歸一化操作：

其中data1為未進行歸一化處理的數(shù)據(jù)，data2為歸一化的結(jié)果。通過式（3）將各類信號樣本數(shù)據(jù)的數(shù)值區(qū)間均搬移至［0，1］之間，讓各信號規(guī)格的特征值具有相同的度量尺度，使網(wǎng)絡模型更好地實現(xiàn)對信號數(shù)據(jù)的特征提取和學習。

6）轉(zhuǎn)化為數(shù)據(jù)矩陣

神經(jīng)網(wǎng)絡中，二維形式的數(shù)據(jù)組織形式可以實現(xiàn)一系列高效的卷積、池化、正則化和激活等運算，因此將歸一化得到的信號數(shù)據(jù)，按每336 個數(shù)值排為一列的組織規(guī)則，構(gòu)建尺寸為336×336 的數(shù)據(jù)矩陣，實現(xiàn)數(shù)據(jù)樣本結(jié)構(gòu)的高效化，方便后續(xù)網(wǎng)絡模型的處理。

4 性能測試與分析

本節(jié)對模型的識別性能進行仿真測試，待識別的信號規(guī)格對象集為｛110A、110B、141A、141B、Link11、PACTOR｝，各類信號在每個信噪比下測試的樣本個數(shù)為1000，信號樣本的生成依據(jù)3.3 節(jié)中方法步驟執(zhí)行，實驗平臺配置為Intel（R）Xeon（R）E-2276M 處理器，Nvidia Quadro RTX 5000 GPU，32 GB DDR4內(nèi)存。本文采用的信號規(guī)格識別性能指標為：

4.1 模型總體識別性能

各類信號規(guī)格在不同信噪比下的識別效果如圖9 所示，可以看出在符號信噪比為-5 dB 時，對110A、110B、141B、Link11 和PACTOR 等5 類信號規(guī)格的識別率均可以達到90%以上；隨著信噪比的不斷提升，識別率也在逐漸提高，當信噪比達到0 dB時，對所有信號規(guī)格的識別準確率都能達到98%以上，表現(xiàn)出良好的識別性能。

圖10 為本文算法與基于深度殘差網(wǎng)絡算法［7］以及單階段多目標檢測算法［8］的識別效果對比，由于現(xiàn)有算法的特征選取與處理方式在識別采用相同調(diào)制方式的信號規(guī)格類型時存在不足，本文算法以數(shù)據(jù)流作為主要特征提取源，并以矢量圖作為補充，將信號的兩個維度特征進行融合學習與處理，可以有效識別該6 類信號規(guī)格，其中4 類均為8PSK調(diào)制，具有一定的優(yōu)勢。

為便于量化分析網(wǎng)絡模型對各信號規(guī)格的識別性能，繪制了-5～5 dB 信噪比區(qū)間模型分類混淆矩陣，同時計算模型對各個信號規(guī)格識別的準確率（Precision）、召回率（Recall）和總體識別精準度，如圖11所示。

其中，數(shù)字為每個具體分類下的樣本數(shù)量，數(shù)字下方百分數(shù)為識別成該類的樣本數(shù)量占總測試樣本數(shù)量的百分比；最右一列為模型的識別準確率，表征某樣本信號被識別成該類規(guī)格時的可信程度，最下一排為模型識別的召回率，表征模型對每類信號規(guī)格的區(qū)分和鑒別性能，右下角百分數(shù)為模型總體識別精度，表征網(wǎng)絡模型在整體測試信號數(shù)據(jù)集上的綜合分類性能。由圖11 可知，模型在-5～5 dB 信噪比范圍內(nèi)的總體識別精準度為98.93%，對110B、141A、Link11 和PACTOR 信號規(guī)格的識別準確率均達到了99%，對141A信號識別時有0.42%的信號樣本與110A 混淆，其次是110B 信號，有0.27%的樣本和110A 信號混淆。識別時發(fā)生上述輕微混淆的110B和110A信號均為8PSK調(diào)制方式，而141A 和110A 雖為不同調(diào)制方式，但其信息數(shù)據(jù)組織格式有相似之處，且均使用8 類符號進行數(shù)據(jù)傳輸，當加入強高斯噪聲生成極低信噪比的信號樣本后，其數(shù)據(jù)流會呈現(xiàn)某些相似的特性，并且在此種低信噪比環(huán)境下，其矢量圖的區(qū)分度不明顯，因此有個別信號在識別時產(chǎn)生混淆，當信噪比提升后這種相似性混淆會消失，具體如圖9所示。

表1 為網(wǎng)絡模型的相關(guān)屬性參數(shù)，其中時間復雜度為分別對13200 個訓練信號樣本進行訓練和9000 個測試信號樣本進行測試后求統(tǒng)計平均得到，表征模型對單個樣本的處理速度。可見本文模型大小僅有471 KB，權(quán)重文件大小為52.3 MB，利于部署在輕量化設備中；訓練和測試的時間復雜度約為90 ms，基本可以滿足實時性的識別需求，具有一定的應用前景。

表1 信號規(guī)格識別模型屬性參數(shù)Tab.1 Signal specification recognition model attribute parameters

4.2 實驗參數(shù)對性能的影響

實際短波信號接收處理中，對載頻的估計往往會有誤差，因此本文的信號樣本生成算法采用了添加隨機頻偏的策略，圖12是本文模型在不同頻偏條件下，使用本文樣本生成算法和使用傳統(tǒng)無頻偏樣本生成算法［5］識別性能的對比?？梢娤鄬τ跓o頻偏條件下的識別性能，當信號樣本含有相對于符號速率的不同頻偏時，識別率會有一定程度的降低。由于本文在構(gòu)造訓練樣本數(shù)據(jù)集時采用了加入隨機頻偏的策略，網(wǎng)絡模型在一定程度上學習了設置的頻偏范圍內(nèi)的信號樣本屬性特征，因此當測試樣本含有頻偏時，其識別率相對于傳統(tǒng)的無頻偏樣本生成算法有5%～14%的提高。

輸入網(wǎng)絡的信號樣本中，選取的信號數(shù)據(jù)序列的長短會影響識別效果。本文以實驗驗證選取信號數(shù)據(jù)序列不同長短時的識別性能，其結(jié)果如圖13所示。

實驗中，對各類信號采樣得到的數(shù)據(jù)序列的長度占其信號波形總長度的比例δ分別取100%、90%、75%、60%、45%和30%。由實驗結(jié)果知，當選取的信號數(shù)據(jù)序列長度過短時，由于信號數(shù)據(jù)流樣本往往不能包含完整的表征信號間差異的數(shù)據(jù)字段序列，因此當δ取30%時識別率較低；當δ取45%時識別率有了較好的提升，表明當截取約一半的信號波形長度時，本文基于特征融合的規(guī)格識別算法即可較為有效地識別各信號規(guī)格類別；隨著選取信號數(shù)據(jù)序列長度的進一步增長，識別率也在相應地提高，且比較δ取90%與100%時的識別效果可知，當選取的信號數(shù)據(jù)序列長度接近完整的波形序列長度時，即能總體達到算法的最優(yōu)識別效果，此后識別性能將幾乎不再變化。

考慮信號樣本中截取信號數(shù)據(jù)流的起始位置對識別的影響，圖14 展示了獲取樣本時從信號波形序列的不同位置進行截取的識別性能。其中，截取的位置相比于波形序列總長度的起始位置比例γ分別取0（波形序列之前）、25%、50%、65%、75%和90%?？梢姡攺男盘柌ㄐ螖?shù)據(jù)序列之前截取時，能夠取得最好的識別效果；當以信號波形數(shù)據(jù)序列的25%處為起始點進行截取時，仍可以獲得較為豐富的信號數(shù)據(jù)規(guī)格信息，本文基于特征融合的規(guī)格識別算法可以取得90%以上的識別準確率；當截取的起始位置移至信號波形數(shù)據(jù)序列的50%處即中間位置時，截取得到的信號數(shù)據(jù)序列已經(jīng)不能有效表征信號之間的差異，此時識別性能有了明顯下降；當在波形的75%和90%處，即截取的起始位置移至信號波形序列的后1/4范圍時，識別性能進一步大幅下降，表明此時截取得到的數(shù)據(jù)流序列已基本無法體現(xiàn)信號間的差異。

為檢驗多徑時延和寬帶干擾對識別性能的影響，增加模擬實際大氣情況的寬帶干擾［18］，并在沃特森（Watterson）信道標準［19］中的6類短波信道標準環(huán)境下，測試算法的性能表現(xiàn)，實驗結(jié)果如圖15 所示。可見本文算法在不同信道環(huán)境下仍具有穩(wěn)健性，在2 dB總體識別率可達90%以上。

比較使用數(shù)據(jù)流和時頻圖作為網(wǎng)絡輸入的訓練效率和識別性能，將各類信號矢量圖替換為相應的時頻圖，與數(shù)據(jù)流一同作為網(wǎng)絡輸入，記錄迭代訓練過程中的損失值和識別率，結(jié)果如圖16 所示。由于采用相同調(diào)制方式的不同規(guī)格信號在矢量圖相位上有一定差異，其時頻圖總體上無明顯差異，因此訓練效率及識別性能較本文算法有一定不足。此外，時頻圖的相似性會對訓練產(chǎn)生一定干擾，表現(xiàn)為相應性能曲線呈現(xiàn)輕微擾動。

考慮網(wǎng)絡結(jié)構(gòu)對性能的影響，本文通過實驗對比單一特征網(wǎng)絡結(jié)構(gòu)和特征融合網(wǎng)絡結(jié)構(gòu)的識別性能。使用本文特征提取模塊構(gòu)造單輸入規(guī)格識別網(wǎng)絡模型并以信號數(shù)據(jù)流作為網(wǎng)絡輸入，與本文基于特征融合網(wǎng)絡模型的規(guī)格識別算法性能進行對比，結(jié)果如圖17所示。由于僅以信號數(shù)據(jù)流作為特征提取源時未充分利用信號的調(diào)制信息，對某些調(diào)制方式不同但幀長或信息組織格式相似的短波信號（如141A 與Link11）進行識別時仍有提升的空間，在一定程度上劣于本文算法，從而驗證了本文算法的可行性。

5 結(jié)論

本文基于短波信號矢量圖和數(shù)據(jù)流的特征表達形式，提出了特征融合網(wǎng)絡模型，充分利用Dense Block 模塊強大的特征提取和處理能力，融合學習矢量圖和數(shù)據(jù)流中蘊含的豐富特征信息，較好地解決了對包括相同調(diào)制方式在內(nèi)的各類信號規(guī)格有效識別的問題。同時，在產(chǎn)生信號數(shù)據(jù)集時設計了隨機頻偏策略，進一步提升了網(wǎng)絡模型的適用性。實驗結(jié)果表明，本文算法在保證信號規(guī)格識別準確率的同時，具有較好的抗噪性和一定的抗頻偏性。此外，本文設計的特征融合網(wǎng)絡模型具有文件體積小、運算速度快的優(yōu)點，可以方便部署和開展實時化處理，具有較好的工程應用前景。