馬博昂，張海瑛

(1.中國電子科技集團(tuán)公司 第54研究所，石家莊 050081;2.河北省電磁頻譜認(rèn)知與管控重點(diǎn)實(shí)驗(yàn)室，石家莊 050011)

0 引言

現(xiàn)代戰(zhàn)場電磁環(huán)境日益復(fù)雜，戰(zhàn)術(shù)通信網(wǎng)臺(tái)主要集中在超短波頻段，常規(guī)信號(hào)、跳頻、擴(kuò)頻信號(hào)普遍存在。我軍需要針對(duì)目標(biāo)區(qū)域進(jìn)行例行性偵察監(jiān)視，重點(diǎn)對(duì)當(dāng)面機(jī)場和空軍基地進(jìn)行偵察監(jiān)視，截獲其電磁信號(hào)，對(duì)重控信號(hào)進(jìn)行通信組網(wǎng)特征提取和分析，提升對(duì)作戰(zhàn)目標(biāo)的內(nèi)涵情報(bào)獲取以及信息作戰(zhàn)支援能力。

超短波(ultra-short wave)是一種頻率范圍由30 MHz到300 MHz的無線電波，其波長在1至10米之間，也叫做甚高頻(VHF,very high frequency)、米波。超短波寬帶信號(hào)偵察包括信號(hào)搜索、跳頻信號(hào)檢測(cè)、超短波頻段信號(hào)的采集、分選、檢測(cè)以及信號(hào)分析等技術(shù)。傳統(tǒng)的超短波信號(hào)分類已知信號(hào)的相關(guān)先驗(yàn)信息，多以告知偵察對(duì)象及任務(wù)范圍為主。針對(duì)超短波頻譜資源的利用問題，文獻(xiàn)[1]將采集到的信號(hào)進(jìn)行時(shí)、頻域特征分析，通過對(duì)獲取的寬帶信號(hào)進(jìn)行時(shí)頻分析，并采用相關(guān)匹配的算法，實(shí)現(xiàn)了在復(fù)雜電磁環(huán)境下對(duì)截獲的寬帶信號(hào)的檢測(cè)和自動(dòng)分選。文獻(xiàn)[2]提出了一種利用峰度和小波變換對(duì)超短波信號(hào)進(jìn)行分類識(shí)別方法。該方法通過決策樹的分類方法,完成了FM、MSK、QPSK等三類不同調(diào)制方式的信號(hào)的識(shí)別。文獻(xiàn)[3]針對(duì)不同頻段的超短波通信信號(hào)調(diào)制識(shí)別的問題,提出決策樹分類的方法。利用瞬時(shí)幅度、瞬時(shí)相位以及構(gòu)造的瞬時(shí)特征實(shí)現(xiàn)了十種調(diào)制信號(hào)有效的識(shí)別。

但此類方法都是對(duì)特定目標(biāo)信號(hào)進(jìn)行仿真，諸如信號(hào)類型、調(diào)制方式、符號(hào)速率等，已有較多的先驗(yàn)信息?，F(xiàn)行的超短波通信偵察系統(tǒng)中戰(zhàn)場測(cè)量較為宏觀粗放，偵控細(xì)節(jié)都是由執(zhí)行者依據(jù)對(duì)象、任務(wù)以及工作慣性，理解性地在工作過程中落實(shí)傳承。如今，在基于元數(shù)據(jù)協(xié)同的偵察活動(dòng)中，大量的元數(shù)據(jù)活躍在每一個(gè)信號(hào)感知的細(xì)節(jié)里，如何應(yīng)對(duì)戰(zhàn)場環(huán)境下各類目標(biāo)信號(hào)測(cè)量特征的精確獲取需求，設(shè)計(jì)與之匹配的元數(shù)據(jù)測(cè)量特征，精細(xì)化地描述戰(zhàn)場測(cè)量特征情報(bào)，設(shè)計(jì)完備簡約的偵察策略是現(xiàn)代技偵工作的必然要求。未來的技術(shù)偵察情報(bào)生產(chǎn)，對(duì)智能化、大數(shù)據(jù)信息處理的需求越來越強(qiáng)烈，依托智能化技術(shù)的發(fā)展，提升情報(bào)生產(chǎn)能力，已成為技偵發(fā)展的必由之路。

近幾年里，深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域取得了巨大的成果。文獻(xiàn)[4]利用最新的人工智能框架pytorch以及算力強(qiáng)大的GPU,對(duì)動(dòng)物的圖像進(jìn)行分類識(shí)別。雖然在圖像的預(yù)處理以及代碼遷移問題上需進(jìn)一步優(yōu)化和改進(jìn)。但也證明了VGG16網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率非常高,驗(yàn)證了VGG16在圖像識(shí)別問題上的有效性。文獻(xiàn)[5]提出了一種基于改進(jìn)VGG16和遷移學(xué)習(xí)的圖像分類方法。通過遷移學(xué)習(xí)傳統(tǒng)VGG16模型并進(jìn)行了改進(jìn)，該方法能將已學(xué)習(xí)到的特征和性能用到待解決的任務(wù)中，極大地節(jié)省了訓(xùn)練時(shí)間。該方法針對(duì)選定的數(shù)據(jù)集，分別對(duì)激活函數(shù)、損失函數(shù)、優(yōu)化器進(jìn)行調(diào)整，最終完成了了對(duì)十種不同猴子圖像的識(shí)別。但其在細(xì)粒度圖像的識(shí)別上還需對(duì)模型進(jìn)行完善，且當(dāng)遷移學(xué)習(xí)到超短波盲信號(hào)的時(shí)頻圖時(shí)需要進(jìn)一步優(yōu)化。文獻(xiàn)[6]在超短波通信中Link11、Link4A、DQPSK、SOQPSK信號(hào)的識(shí)別問題上，將超短波信號(hào)的時(shí)頻譜圖和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合。該方法需要先得到信號(hào)的時(shí)頻譜圖，然后使用得到的信號(hào)時(shí)頻譜圖對(duì)優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最后實(shí)現(xiàn)了超短波特定信號(hào)的識(shí)別。對(duì)于時(shí)頻譜圖的變換有時(shí)域分析法[7]。時(shí)域分析法是把信號(hào)按照時(shí)間序列劃分為許多子序列，分別分析其時(shí)域特性?？焖俑道锶~變換[8](FFT,fast fourier transform)在復(fù)雜度上雖有所降低，但僅適用于平穩(wěn)信號(hào)，對(duì)非平穩(wěn)信號(hào)和跳變信號(hào)不再適用。此外還有短時(shí)傅里葉變換(STFT,short-time fourier transform)、小波變換[9](WT,wavelet transform)和S變換[10]。本文選定STFT進(jìn)行超短波盲信號(hào)時(shí)頻譜圖的獲取。是因?yàn)镾TFT常用于緩慢時(shí)變信號(hào)的頻譜分析，符合超短波盲信號(hào)的信號(hào)特征。此外，經(jīng)STFT處理后的信號(hào)具有時(shí)域和頻域的局部化特性，可以借助其分析信號(hào)的時(shí)頻特性。先驗(yàn)信息不足，信號(hào)特征缺失，難以滿足對(duì)作戰(zhàn)目標(biāo)的內(nèi)涵情報(bào)獲取需要是當(dāng)下電磁作戰(zhàn)面臨的最大問題。且當(dāng)前對(duì)超短波盲信號(hào)的研究主要在盲信號(hào)的分離方法[11]及準(zhǔn)則的優(yōu)化上[12]，因此實(shí)現(xiàn)盲信號(hào)的智能化分類對(duì)于電磁環(huán)境日益復(fù)雜現(xiàn)代戰(zhàn)場具有重要意義。

隨著深度學(xué)習(xí)在圖像分類識(shí)別領(lǐng)域的飛速進(jìn)步,運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像分類相較于傳統(tǒng)的圖像處理方法更加高效與方便。研究人員們針對(duì)圖像分類等問題提出了很多特征維度提取更深的神經(jīng)網(wǎng)絡(luò)模型。模型復(fù)雜的神經(jīng)網(wǎng)絡(luò)雖然會(huì)有較高的準(zhǔn)確率，但是會(huì)出現(xiàn)過擬合的問題，具有效率不高、訓(xùn)練時(shí)間長等不可忽視的短板。因此輕量化卷積神經(jīng)網(wǎng)絡(luò)的研究具有深遠(yuǎn)的意義和影響。文獻(xiàn)[13]提出輕量化卷積神經(jīng)網(wǎng)絡(luò)，在保證準(zhǔn)確率的同時(shí)能夠提高圖像分類的效率，降低參數(shù)量，并且可以用于小型終端設(shè)備中。文獻(xiàn)[14]將優(yōu)化后的空洞卷積與普通卷積相結(jié)合，提出一種將融合型空洞卷引入神經(jīng)網(wǎng)絡(luò)中的方法。該方法利用空洞卷積可以增大特征映射與擴(kuò)大感受野的結(jié)構(gòu)特性，可實(shí)現(xiàn)模型計(jì)算復(fù)雜度的降低，實(shí)現(xiàn)了對(duì)訓(xùn)練效率與準(zhǔn)確率的權(quán)衡。但由于遷移學(xué)習(xí)到新的網(wǎng)絡(luò)，將基本空洞卷積直接應(yīng)用于超短波盲信號(hào)時(shí)頻譜圖的分類，雖準(zhǔn)確率會(huì)有所降低，但是整體上來看仍具有輕量化效果好的特點(diǎn)，可以解決超短波音信號(hào)時(shí)頻譜圖像學(xué)習(xí)過程時(shí)間過長的問題。

基于以上，本文提出了一種將超短波盲信號(hào)的時(shí)頻譜圖與VGG16相結(jié)合的識(shí)別方法，并通過引入空洞卷積減少網(wǎng)絡(luò)的訓(xùn)練時(shí)長。該方法首先用STFT將電磁戰(zhàn)場中實(shí)際采集到的盲信號(hào)轉(zhuǎn)換為時(shí)頻譜圖，然后將其與優(yōu)化的VGG16卷積神經(jīng)網(wǎng)絡(luò)結(jié)合起來。通過仿真實(shí)現(xiàn)了在先驗(yàn)信息不足的條件下超短波信號(hào)的分類。將空洞卷積引入優(yōu)化后的網(wǎng)絡(luò)，在保證較高分類準(zhǔn)確率的條件下，最大程度的減少了訓(xùn)練時(shí)長，驗(yàn)證了空洞卷積在盲信號(hào)分類上的實(shí)用性，增強(qiáng)電磁戰(zhàn)場作戰(zhàn)目標(biāo)的內(nèi)涵情報(bào)獲取以及信息作戰(zhàn)支援能力。

1 時(shí)頻譜圖提取

本文對(duì)超短波盲信號(hào)的時(shí)頻譜圖通過STFT[15]方法得到。STFT常用于緩慢時(shí)變信號(hào)的頻譜分析，與超短波盲信號(hào)的特征相匹配，如圖1所示，不同信號(hào)的時(shí)頻譜圖存在明顯差異。且經(jīng)STFT處理后的超短波盲信號(hào)的時(shí)頻譜圖具有時(shí)頻域的雙重特征，可以作為深度學(xué)習(xí)的輸入。

圖1 兩種信號(hào)的短時(shí)傅立葉變換譜圖對(duì)比

STFT本質(zhì)上是對(duì)超短波盲信號(hào)時(shí)域上的局部處理，在信號(hào)進(jìn)行傅里葉變換(FFT，fourier transform)之前,對(duì)信號(hào)乘以一個(gè)時(shí)間極短的窗函數(shù)，用窗函數(shù)截取信號(hào)，原本非平穩(wěn)的信號(hào)就可以采用平穩(wěn)信號(hào)的手段進(jìn)行分析。最后將時(shí)間窗口滑動(dòng)，各個(gè)窗函數(shù)信號(hào)的頻譜組合就是整個(gè)超短波盲信號(hào)的時(shí)頻譜圖。

STFT的定義為：

(1)

其功率譜為：

SPEC(t,f)=|STFT(t,f)|2

(2)

對(duì)于STFT窗函數(shù)的選擇，設(shè)窗函數(shù)g(t)的有效時(shí)寬為Δt，帶寬為Δf，則它們二者的乘積服從Heisenberg不等式[16]：

(3)

從上式可以看出，需要根據(jù)需求權(quán)衡窗函數(shù)的有效時(shí)寬Δt和帶寬Δf的數(shù)值。為了局部頻譜清晰可辨，窗的長度應(yīng)該足夠?qū)挕?/p>

STFT最重要的還是窗口函數(shù)長度的選取。窗口較長，頻域刻度和平移步長足夠密時(shí)，頻率能夠清晰的顯示出來，但是時(shí)間上有些模糊。窗口較短，時(shí)間上的分界線能夠清晰顯示，但是頻率的值會(huì)很模糊。

選擇合適的窗函數(shù)及長度，是影響后續(xù)深度學(xué)習(xí)準(zhǔn)確率的關(guān)鍵。針對(duì)本文選定的超短波盲信號(hào)，最終進(jìn)行的STFT變換參數(shù)如表1所示。

表1 變換參數(shù)

2 空洞卷積

空洞卷積核[17]是由Yu等人進(jìn)行系統(tǒng)研究的。從特征提取的原理上來看，空洞卷積與傳統(tǒng)卷積核的結(jié)構(gòu)相似。但是通過添加空洞元素，實(shí)現(xiàn)了輸入層和輸出層特征映射的擴(kuò)張?？斩淳矸e的引入可以大大減少卷積網(wǎng)絡(luò)的訓(xùn)練時(shí)長。部分學(xué)者已經(jīng)將空洞卷積應(yīng)用在目標(biāo)檢測(cè)與語義分割中的空洞卷積池化金字塔[18]、ESPNet[19]等多個(gè)領(lǐng)域中。

空洞卷積可以認(rèn)為是基于卷積操作的一種變形，空洞卷積在卷積核中添加空洞元素，增大感受野，實(shí)現(xiàn)了獲取更多的信息的目的。感受野是輸入層到輸出層的特征映射，決定著輸出層中元素對(duì)應(yīng)的輸入層的區(qū)域大小。在圖像分類和目標(biāo)識(shí)別上，感受野的選擇直接影響任務(wù)效果。

感受野的計(jì)算公式如下：

(4)

spn代表第n層的感受野，spn-1表示第n-1層的感受野，nk是第n層卷積核的尺寸，ri表示n層前第i層卷積的步長。

如圖2所示，圖像的像素為25，以5×5卷積核對(duì)一個(gè)5×5的圖像進(jìn)行一次卷積操作。輸入層經(jīng)過卷積操作后，得到1×1的輸出，即輸出層對(duì)應(yīng)的整個(gè)特征映射為輸入層。

圖2 普通5×5卷積核一次卷積過程

如圖3所示，步長為1的3×3的空洞卷積與普通5×5卷積核的感受野相同。只不過在卷積元素之間添加了一個(gè)空洞，可以理解為此位置的特征值與0相乘。該空洞卷積對(duì)一個(gè)輸入圖像進(jìn)行一次卷積操作，同樣得到了與普通卷積后相同大小的結(jié)果。

圖3 步長為1的3×3卷積核一次卷積過程

由于增加了空洞元素，空洞卷積利用較小的參數(shù)量實(shí)現(xiàn)較大的感受野，在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中可以減少參數(shù)量，減少訓(xùn)練時(shí)長，提升模型的訓(xùn)練效率。

2.1 盲信號(hào)的選取

當(dāng)前對(duì)超短波盲信號(hào)的研究主要在盲信號(hào)的分離方法及準(zhǔn)則的優(yōu)化上。本文選則超短波盲信號(hào)分類識(shí)別是為了減少信號(hào)的先驗(yàn)信息，在不知道信號(hào)調(diào)制方式、符號(hào)速率參數(shù)的情況下,僅根據(jù)輸入信號(hào)的特性,通過時(shí)頻譜圖實(shí)現(xiàn)盲信號(hào)的分類，可以增加網(wǎng)絡(luò)的魯棒性和應(yīng)用價(jià)值。

本文首先對(duì)已采集到的寬帶信號(hào)進(jìn)行離線分析得到瀑布圖，然后對(duì)信號(hào)進(jìn)行短時(shí)傅立葉變換得到對(duì)應(yīng)的時(shí)頻譜圖，由于盲信號(hào)的頻譜樣本的選取需要滿足一定的視覺差異，同時(shí)需要滿足細(xì)粒度圖像[20]的要求?；诖吮疚倪x擇以下四種盲信號(hào)作為分類數(shù)據(jù)集。

由圖4可以看出，信號(hào)(a)的譜圖呈雙帶寬形式，信號(hào)(b)的譜圖具有突發(fā)的特點(diǎn)，信號(hào)(c)和信號(hào)(d)的譜圖呈現(xiàn)包絡(luò)差異明顯的鋸齒狀。

圖4 特定信號(hào)的譜圖

四種盲信號(hào)的中心頻率及帶寬如表2所示。

表2 四種盲信號(hào)的頻率參數(shù) Hz

2.2 數(shù)據(jù)集的預(yù)處理

數(shù)據(jù)增強(qiáng)[21](data augmentation)技術(shù)通常用于深度學(xué)習(xí)中。在圖像識(shí)別領(lǐng)域，在不改變圖像標(biāo)簽的情況下，通過對(duì)圖像進(jìn)行不同的變換操作，達(dá)到擴(kuò)充原來的數(shù)據(jù)集的目的。而且卷積神經(jīng)網(wǎng)絡(luò)具有尺度、平移不變性，成為圖像數(shù)據(jù)增強(qiáng)的理論支撐。常見的數(shù)據(jù)增強(qiáng)方法有旋轉(zhuǎn)、翻轉(zhuǎn)、縮放等[22]。即這些變換經(jīng)過卷積操作也不會(huì)改變圖像的分類特征。

本文針對(duì)盲信號(hào)的特點(diǎn)，對(duì)輸入的時(shí)頻譜圖進(jìn)行平移變換、縮減和中心裁剪處理。讀取圖像時(shí)，首先把圖像的短邊分辨率裁剪為256。然后對(duì)圖像進(jìn)行中心切割，得到大小為分辨率為224*224的圖像。再將形狀為[H,W,C]的數(shù)據(jù)轉(zhuǎn)換為[C,H,W]的張量后，然后對(duì)圖像進(jìn)行歸一化處理，每類盲信號(hào)有2 000個(gè)時(shí)頻譜圖用來作為后續(xù)網(wǎng)絡(luò)的輸入。

圖5 處理后訓(xùn)練batch的圖像

3 遷移學(xué)習(xí)卷積網(wǎng)絡(luò)模型

3.1 VGG16模型

VGG16卷積神經(jīng)網(wǎng)絡(luò)通過組合與堆疊多個(gè)3*3卷積核，可以提取輸入鄰域內(nèi)更多細(xì)小的特征。通過構(gòu)建和組合多個(gè)3*3卷積核：2個(gè)3*3卷積核可代替5*5卷積核，3個(gè)3*3卷積核可代替7*7卷積核。多個(gè)小尺寸卷積核的組合比單個(gè)大的卷積核具有更好的非線性，增加了網(wǎng)絡(luò)的魯棒性和判決力。

VGG16卷積神經(jīng)網(wǎng)絡(luò)通過卷積核對(duì)輸入的圖像進(jìn)行卷積操作，最大池化進(jìn)行圖像降維，提取主要特征，全連接層進(jìn)一步降低參數(shù)量并與分類器softmax配合達(dá)到分類的目的。并且利用小尺寸卷積核代替大尺寸的卷積核，可以大幅減少由于深度增加所帶來的參數(shù)量。

3.2 損失函數(shù)的改進(jìn)

損失函數(shù)(loss)用來表征實(shí)際值與預(yù)期值之間的偏移，損失函數(shù)越小代表模型的置信度越強(qiáng)。分類識(shí)別中常用softmax函數(shù)將多個(gè)神經(jīng)元的輸出進(jìn)行標(biāo)準(zhǔn)化，通過歸一化指數(shù)函數(shù)，可以使每一個(gè)元素的范圍映射到0～1之間，大大減少因?yàn)檩敵鼋Y(jié)果不均勻引起的誤差。若卷積神經(jīng)網(wǎng)絡(luò)的輸出為xi，經(jīng)過softmax處理后變?yōu)椋?/p>

(7)

采用softmax函數(shù)在于此函數(shù)特性的優(yōu)勢(shì)，可以高效完成類間的信號(hào)識(shí)別，但是應(yīng)用在盲信號(hào)的時(shí)頻譜圖識(shí)別問題上時(shí)，由于類內(nèi)的間距還是比較大，識(shí)別任務(wù)會(huì)出現(xiàn)準(zhǔn)確率降低的情況。因此為了縮小類內(nèi)間的殘差，引入了中心損失函數(shù)(center loss)。中心損失函數(shù)的意義是在完成分類任務(wù)時(shí)，對(duì)于每一類特征都維持在一個(gè)中心點(diǎn)，即該類所有樣本的特征平均值，當(dāng)輸入層的數(shù)據(jù)過于偏離平均值就要剔除或者取舍，從而更接近類內(nèi)的特性表征。并且如果只替換為center loss函數(shù)，效果并不是很好，無法有效類間的特性有效區(qū)分。

Center loss的定義：

(8)

令Centerloss=Lc。

Softmax loss的定義：

(9)

其中:cyi代表每類樣本特征的平均值。將式(8)～(9)結(jié)合得到損失函數(shù)為：

L=LS+λLC=

(10)

而采用將以上兩種損失函數(shù)相結(jié)合的辦法，優(yōu)勢(shì)相結(jié)合能夠有效完成盲信號(hào)的分類任務(wù)。將softmax loss與center loss相結(jié)合的方法增加損失函數(shù)的價(jià)值，從而提升分類任務(wù)的識(shí)別準(zhǔn)確率。

3.3 Swish激活函數(shù)

在深度學(xué)習(xí)中輸入與輸出的關(guān)系復(fù)雜，用普通的線性函數(shù)無法表征學(xué)習(xí)到的特征，在學(xué)習(xí)的過程中會(huì)出現(xiàn)梯度消失的問題，因此激活層用來引入非線性因素從而提高整個(gè)模型的表征能力。

ReLU函數(shù)的定義為：

f(x)=max(0,x)

(11)

盡管ReLU僅在取值為正數(shù)時(shí)傳輸，具有單調(diào)、分散性等優(yōu)點(diǎn)。但仍存在不足：當(dāng)取值大于0時(shí)，輸出可能會(huì)無限大，出現(xiàn)梯度爆炸的問題。

Swish[23]函數(shù)則解決了這一缺陷，并且它非飽和、且不是單調(diào)函數(shù)。適用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，且在多個(gè)數(shù)據(jù)集上使用Swish激活函數(shù)時(shí)，識(shí)別率均較高。

Swish的定義為:

(12)

將VGG13、VGG16和AleNet模型分別在手寫數(shù)據(jù)集上進(jìn)行學(xué)習(xí)。學(xué)習(xí)結(jié)果如表3，證明了Swich函數(shù)具有更大優(yōu)勢(shì)。因此，在針對(duì)超短波盲信的識(shí)別問題上，將原網(wǎng)絡(luò)的激活函數(shù)替換為Swich函數(shù)。

表3 Swish與ReLU在不同的模型結(jié)構(gòu)學(xué)習(xí)結(jié)果 %

4 深度學(xué)習(xí)結(jié)果及分析

4.1 VGG16優(yōu)化模型的盲信號(hào)分類

本文模型的訓(xùn)練是在pycharm平臺(tái)下，調(diào)用pytorch深度學(xué)習(xí)庫來完成的。對(duì)VGG16原模型進(jìn)行了如下調(diào)整：激活函數(shù)改為Swish激活函數(shù)，損失函數(shù)改為softmax loss與center loss結(jié)合的復(fù)合函數(shù)。優(yōu)化后的模型用VGG16_U表示。采用前向傳播算法，學(xué)習(xí)率為0.03，每類盲信號(hào)的時(shí)頻圖有2 000個(gè)，四類盲信號(hào)共有8 000個(gè)樣本，訓(xùn)練的batch為64。分別將四種盲信號(hào)的時(shí)頻譜圖送入網(wǎng)絡(luò)進(jìn)行分類學(xué)習(xí)。圖像在VGG16原模型與VGG16_U模型上的訓(xùn)練結(jié)果如圖6所示。

圖6 訓(xùn)練結(jié)果

由結(jié)果可以看出，當(dāng)訓(xùn)練輪數(shù)達(dá)到10輪時(shí)，網(wǎng)絡(luò)模型和準(zhǔn)確率已經(jīng)基本穩(wěn)定。VGG16_U的識(shí)別準(zhǔn)確率比原模型有明顯提高，且VGG16_U最高識(shí)別率為93.1%，說明遷移學(xué)習(xí)后的卷積神經(jīng)網(wǎng)絡(luò)對(duì)盲信號(hào)分類識(shí)別的有效性。

4.2 引入空洞卷積的網(wǎng)絡(luò)模型

為驗(yàn)證空洞卷積核對(duì)VGG16_U模型性能的影響，訓(xùn)練集選取的盲信號(hào)的時(shí)譜圖保持不變，網(wǎng)絡(luò)學(xué)習(xí)率調(diào)整為0.001，訓(xùn)練的epoch為10，對(duì)VGG16_U模型中的卷積層調(diào)整為步幅為2的3*3空洞卷積層。VGG16_U網(wǎng)絡(luò)的第4層，第7層，第10層均為卷積層，分別將不同層數(shù)的卷積層替換進(jìn)行了測(cè)試，得到八組訓(xùn)練結(jié)果。

表4 訓(xùn)練的參數(shù)配置

訓(xùn)練結(jié)果如圖7所示，由圖中的折線可知，引入空洞卷積會(huì)大大減小模型的訓(xùn)練時(shí)長，訓(xùn)練時(shí)長與空洞卷積核的位置無關(guān)而與空洞卷積核的數(shù)量呈正相關(guān)：卷積核的數(shù)量越多，模型的訓(xùn)練時(shí)間越短。同時(shí)，識(shí)別準(zhǔn)確率與空洞卷積的位置和數(shù)量均有關(guān)，且引入空洞卷積，整體的識(shí)別率皆有所降低。

圖7 引入空洞卷積后的模型對(duì)比

VGG16_U未引入空洞卷積時(shí)訓(xùn)練時(shí)間為58分33秒，識(shí)別準(zhǔn)確率為93.1%。經(jīng)過分析，當(dāng)將VGG16_U的第4層和第10層的卷積核同時(shí)替換成空洞卷積時(shí)，此時(shí)的識(shí)別準(zhǔn)確率為92.2%，雖比無空洞卷積時(shí)有所降低，但仍維持在較高的水平，且訓(xùn)練時(shí)長為38分35秒，訓(xùn)練時(shí)長減少了34.1%，大大降低了訓(xùn)練時(shí)長，證明了空洞卷積在模型識(shí)別上的有效性，提升對(duì)作戰(zhàn)目標(biāo)的內(nèi)涵情報(bào)獲取以及信息作戰(zhàn)支援能力。

5 結(jié)束語

在電磁戰(zhàn)場目標(biāo)識(shí)別問題上，以往的仿真都是針對(duì)特定的目標(biāo)信號(hào)，諸如信號(hào)類型、調(diào)制方式等，已有較多的先驗(yàn)信息。當(dāng)先驗(yàn)信息不足時(shí)，信號(hào)特征缺失，難以滿足對(duì)作戰(zhàn)目標(biāo)的內(nèi)涵情報(bào)獲取需要，因此，對(duì)盲信號(hào)的分類識(shí)別具有突出意義。

在人工智能領(lǐng)域，對(duì)于不同的目標(biāo)任務(wù)通常需要重新構(gòu)造網(wǎng)絡(luò)，并采用新的源數(shù)據(jù)重新學(xué)習(xí)調(diào)整權(quán)重參數(shù)，任務(wù)工作量高且耗時(shí)較長。而遷移學(xué)習(xí)可以將原任務(wù)中所學(xué)到的知識(shí)運(yùn)用到新任務(wù)中，對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)整從而構(gòu)造出魯棒性更好的模型。不但降低了訓(xùn)練時(shí)長，基于以前的參數(shù)信息也可以完成更優(yōu)化的識(shí)別任務(wù)?？斩淳矸e核具有增大輸入層和輸出層的特征映射特性，可以大大減少網(wǎng)絡(luò)參數(shù)的數(shù)量。在保證較高的識(shí)別準(zhǔn)確率的條件下，最大程度減少任務(wù)時(shí)長，在電磁環(huán)境日益復(fù)雜的戰(zhàn)場中的高效率完成任務(wù)有重要的意義。下一步的工作可以繼續(xù)增加超短波盲信號(hào)的種類、增大數(shù)據(jù)量。優(yōu)化空洞卷積核與網(wǎng)絡(luò)模型，進(jìn)一步提高識(shí)別率并降低訓(xùn)練時(shí)長。