賈邦玲，時艷玲，姜 磊

（1.南京郵電大學(xué) 通信與信息工程學(xué)院，南京 210003；2.中國航天科工集團(tuán)八五一一研究所，南京 210007）

雷達(dá)工作模式識別是通過先驗(yàn)知識和雷達(dá)信號偵察來估計(jì)雷達(dá)內(nèi)部的工作狀態(tài)，為威脅等級評估、干擾決策和雷達(dá)狀態(tài)預(yù)測提供了基礎(chǔ)[1-2]。在復(fù)雜的現(xiàn)代空戰(zhàn)環(huán)境下，實(shí)時準(zhǔn)確獲取敵方雷達(dá)狀態(tài)信息對于提高戰(zhàn)斗機(jī)的生存率至關(guān)重要。然而，多功能雷達(dá)的發(fā)展使得雷達(dá)信號樣式和工作模式越來越復(fù)雜，這給雷達(dá)工作模式的識別帶來了挑戰(zhàn)。機(jī)載雷達(dá)對空工作時的6 種工作模式包括速度搜索（Velocity Search，VS）、跟蹤加搜索（Track and Search，TAS）、邊測距邊跟蹤搜索（Range While Search，RWS）、多 目 標(biāo) 跟 蹤（Multi Target Tracking，MTT）、邊搜索邊跟蹤（Track While Scan，TWS）和單目標(biāo)跟蹤（Single Target Track，STT）等[3-5]。

文獻(xiàn)[6]從戰(zhàn)術(shù)用途、信號特征和掃描規(guī)律3 個方面對邊掃描邊跟蹤等6 種典型空-空工作模式進(jìn)行了研究。通過分析、總結(jié)、對比梳理了各個模式的典型特征，論證了工作模式識別的可行性。文獻(xiàn)[7-8]提出了基于變換域和幅度重排的工作模式識別算法。文獻(xiàn)[9]首先根據(jù)雷達(dá)信號生成原理和波形提取分層化特征再結(jié)合分層的Bayes 網(wǎng)絡(luò)實(shí)現(xiàn)對雷達(dá)工作模式的識別，進(jìn)一步地設(shè)計(jì)了Bayes 網(wǎng)絡(luò)的基本結(jié)構(gòu)，并通過實(shí)驗(yàn)驗(yàn)證了Bayes 網(wǎng)絡(luò)對工作模式識別的有效性和對參測數(shù)據(jù)不確定性的魯棒性。隨后，文獻(xiàn)[10]提出一種基于DS證據(jù)理論的工作模式判定體系，利用提取的特征參數(shù)構(gòu)建雷達(dá)信號特征庫，通過預(yù)判斷流程快速實(shí)現(xiàn)單平臺下的模式分組。然后，對分組后的多維空間模式識別結(jié)果運(yùn)用DS 證據(jù)理論，采用分布式結(jié)構(gòu)進(jìn)行單平臺多周期時域融合和多平臺空域信息融合，最終實(shí)現(xiàn)了雷達(dá)工作模式判定。李輝等[11]針對不同工作模式下脈沖信號的變化規(guī)律，提出了一種基于脈沖多層次建模的識別方法，并取得良好的工作模式識別正確率?；輹札圼12]首先開創(chuàng)性地將雷達(dá)信號特征利用圖結(jié)構(gòu)來表示，通過構(gòu)建基于半監(jiān)督的圖卷積神經(jīng)網(wǎng)絡(luò)（Graph convolutional neural network，GCN）網(wǎng)絡(luò)模型用于相控陣?yán)走_(dá)工作模式的識別，接著，他又利用主成分分析（Principal Component Analysis，PCA）技術(shù)對各種工作模式下的雷達(dá)信號特征參數(shù)做降噪處理，并縮小GCN 網(wǎng)絡(luò)規(guī)模，隨后提出了基于PCA 的多層感知器（Multilayer Perceptron，MLP）識別算法[12]，進(jìn)一步提高了相控陣?yán)走_(dá)工作模式識別的概率。

本文首先基于上述雷達(dá)不同工作模式的特點(diǎn)提取特征參數(shù)，再獲取特征參數(shù)的方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型，給出具體實(shí)施的方案和步驟，提高對雷達(dá)工作模式的識別的準(zhǔn)確率。

1 雷達(dá)典型工作模式

為滿足復(fù)雜的電子戰(zhàn)應(yīng)用場景對雷達(dá)的功能需求，機(jī)載雷達(dá)采用了多種工作模式，其中包括主要的6種 典 型 雷 達(dá) 工 作 模 式：VS、RWS、TWS、TAS、STT 和MTT。這6 種工作模式的雷達(dá)信號參數(shù)特征見表1。其中CP 表示常規(guī)信號，LFM 為線性調(diào)頻信號，NLFM 為非線性調(diào)頻信號，PW 表示脈沖的寬度，PRF 表示脈沖的重復(fù)周期。

表1 雷達(dá)信號特征參數(shù)

VS 模式主要用于大范圍的搜索，戰(zhàn)術(shù)上一般用于威脅告警和遠(yuǎn)距離發(fā)現(xiàn)目標(biāo)，數(shù)據(jù)率低，不能引導(dǎo)武器攻擊，是威脅等級較低的一種工作模式。RWS 和TWS模式用于維持目標(biāo)跟蹤，且都為中重頻，具有多組脈沖重復(fù)間隔。TAS 模式具有很強(qiáng)的波束捷變能力，每個目標(biāo)經(jīng)歷的狀態(tài)包括搜索、確認(rèn)、跟蹤、小搜（重新捕獲）和航跡終結(jié)。STT 和MTT 模式常用固定的PRF 來避免距離和速度遮擋，其波束駐留時間較長，STT 主要目的是連續(xù)、精確地獲取目標(biāo)的方位、距離和速度信息。MTT 主要目的是對多個目標(biāo)進(jìn)行跟蹤[13]。

2 HOG 特征的提取

HOG 特征是一種常用于目標(biāo)檢測的特征描述方法，其通過分析圖像中不同區(qū)域的梯度方向直方圖來表征物體的形態(tài)特征。這種方法可以有效地提取圖像中的紋理信息，從而在目標(biāo)檢測和圖像識別任務(wù)中發(fā)揮重要作用。由于梯度主要存在于邊緣地區(qū)，所以該算法計(jì)算的局部區(qū)域梯度或方向邊緣密度能夠很好描述圖像中的線條邊緣、拐點(diǎn)、形狀及變化規(guī)律[14-15]。基于該思想，將HOG 特征提取引入到所提4 個特征組成的圖像分析中，以實(shí)現(xiàn)對信號的邊緣、形狀和變化規(guī)律的檢測。

首先，對圖像進(jìn)行梯度計(jì)算，得到圖像在水平和垂直方向上的梯度信息，并利用這些信息計(jì)算每個像素位置的梯度方向

式中：在像素點(diǎn)（x，y）處，Gx（x，y）表示水平方向的梯度；Gy（x，y）表示垂直方向的梯度；H（x，y）表示像素值。該像素點(diǎn)的梯度幅值和方向可由下式計(jì)算得到

在算法中，常先用[-1，0，1]進(jìn)行卷積操作求得x 方向的梯度圖，再采用[-1，0，1]T進(jìn)行卷積操作求得y 方向的梯度圖，而后采用上述公式求梯度幅值和方向。

使用梯度方向構(gòu)建直方圖：對于每個像素，根據(jù)梯度方向?qū)⑵渫镀钡较鄳?yīng)的直方圖通道中。我們將梯度方向劃分為9 個區(qū)間。例如，假設(shè)一個單元的尺寸為6×6，則對這個單元內(nèi)的36 個像素點(diǎn)，先判斷像素點(diǎn)梯度方向所屬的區(qū)間，后根據(jù)像素點(diǎn)的梯度幅值大小和梯度方向的大小進(jìn)行線性加權(quán)于對應(yīng)的梯度方向區(qū)間。投票采用加權(quán)方式，每一票帶有權(quán)值，權(quán)值基于像素點(diǎn)的梯度幅度計(jì)算。權(quán)值可以使用幅值本身或其函數(shù)來表示，實(shí)際測試結(jié)果表明，使用幅值本身獲得最佳效果。單元形狀可以是矩形或星形的。直方圖通道是在0~1800（無向）或0~3600（有向）范圍內(nèi)平均分布的。大量實(shí)驗(yàn)結(jié)果表明，要能夠在工作模式識別試驗(yàn)中取得最佳的效果，通常得使用無向梯度和9 個直方圖通道的組合。

算法HOG 提取特征的過程：首先獲取原始圖片，并進(jìn)行灰度化處理；然后對處理后的圖片歸一化處理，一般采用Gamma 校正法，主要是為了調(diào)節(jié)圖像的對比度，以減少圖像局部的陰影，提高對噪聲的抗干擾性能；其次計(jì)算圖像各像素尺寸梯度和方向梯度，在獲取邊緣信息的同時能夠縮減光照干擾；接著將圖像分割成若干個小單元，并統(tǒng)計(jì)不同梯度的個數(shù)，得到每個單元的描述符；最后是將每幾個單元組成為一個模塊，一個模塊內(nèi)所有單元的特征描述符串聯(lián)后會得到該模塊的HOG 特征描述符?？偟腍OG 特征描述符是將所有圖像內(nèi)模塊的HOG 特征描述符串聯(lián)起來，也就是最終的特征向量。具體流程圖如圖1 所示。

圖1 HOG 特征提取流程圖

3 仿真實(shí)驗(yàn)流程

在進(jìn)行工作模式識別之前，需要對這4 個參數(shù)進(jìn)行預(yù)處理，提取每個脈沖內(nèi)的脈沖寬度、脈沖重復(fù)周期、脈內(nèi)調(diào)制樣式和數(shù)據(jù)率這4 個參數(shù)，連續(xù)提取15個脈沖，獲得一個4×15 的矩陣，將這個矩陣構(gòu)成一幅圖片。每15 個脈沖為一組，圖片大小為[4，15，1]；每種模式共需750 個脈沖，750 組脈沖生成50 張圖片，一共50×6=300 張圖片。

由于在提取HOG 特征時所用的圖像矩陣維數(shù)為4×15，所以，CNN 的深度不宜過深。在實(shí)驗(yàn)中，CNN 的核心架構(gòu)僅采用了2 個卷積層、1 個池化層和1 個全連接層。基于CNN 的工作模式識別算法如下。

步驟一：利用已知雷達(dá)工作模式數(shù)據(jù)集樣本，組建脈沖重復(fù)周期、脈沖寬度、數(shù)據(jù)率和脈內(nèi)調(diào)制樣式4 類特征樣本。

步驟二：利用多脈沖的四特征構(gòu)建圖像矩陣，提取HOG 特征。

步驟三：構(gòu)建CNN，網(wǎng)絡(luò)模型Layers 共13 層，其中包括輸入層（[4，15，1]）、卷積層1（卷積層、歸一化層、relu 層和最大值池化層）、卷積層2（卷積層、歸一化層、relu 層和最大值池化層）、平均值池化層、全連接層、softmax 層和分類層。

步驟四：利用訓(xùn)練集訓(xùn)練CNN 模型。

步驟五：利用測試集對訓(xùn)練好的CNN 模型進(jìn)行測試和調(diào)整。

步驟六：對未知的輻射源信號進(jìn)行脈沖重復(fù)周期、脈沖寬度、數(shù)據(jù)率和脈內(nèi)調(diào)制樣式參數(shù)特征提取，構(gòu)建圖像矩陣，提取HOG 特征。

步驟七：利用訓(xùn)練好的CNN 模型進(jìn)行雷達(dá)工作模式的識別。

基于CNN 的雷達(dá)工作模式識別的流程圖如圖2所示。

圖2 基于CNN 工作模式識別流程圖

4 實(shí)驗(yàn)結(jié)果與分析

根據(jù)上述介紹的方法，下面通過實(shí)驗(yàn)來驗(yàn)證本文所提出的HOG+CNN 算法對雷達(dá)工作模式識別的準(zhǔn)確性。圖3 為本文所提出的HOG+CNN 算法在不同信噪比下的識別準(zhǔn)確率折線圖；圖4 為本文所提出的HOG+CNN 算法在不同信噪比下的6 種工作模式總體識別準(zhǔn)確率折線圖。從圖3 中可以看出，在信噪比不低于8 dB 時，6 種工作模式的總體識別準(zhǔn)確率達(dá)到95%以上。從圖4 中可以看出，在信噪比不低于10 dB 時，6種工作模式的識別準(zhǔn)確率均接近100%。這是因?yàn)? 種工作模式信號在送入卷積神經(jīng)網(wǎng)絡(luò)之前構(gòu)建了特征圖片并且通過HOG 提取了特征，比直接送入卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部生成的特征更加準(zhǔn)確有效，這樣就增強(qiáng)了卷積神經(jīng)網(wǎng)絡(luò)對這6 種工作模式的識別準(zhǔn)確度。

圖3 6 種雷達(dá)工作模式識別準(zhǔn)確率

圖4 總體識別準(zhǔn)確率

5 結(jié)束語

本文提出一種基于HOG+CNN 的雷達(dá)工作模式識別方法，首先根據(jù)雷達(dá)發(fā)射信號脈沖寬度、脈沖重復(fù)周期、脈內(nèi)調(diào)制樣式和數(shù)據(jù)率4 個特征構(gòu)建圖片，再提取特征圖片的HOG 特征送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行6 種雷達(dá)工作模式識別。仿真實(shí)驗(yàn)結(jié)果表明：通過上述方法對雷達(dá)的工作模式識別具有較高的準(zhǔn)確度，在工程應(yīng)用中具有一定的參考價(jià)值。