張順生 陳 爽 陳曉瑩 劉 瑩 王文欽

①(電子科技大學(xué)電子科學(xué)技術(shù)研究院 成都 611731)

②(中國(guó)科學(xué)院大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 北京 100190)

③(電子科技大學(xué)信息與通信工程學(xué)院 成都 611731)

1 引言

隨著電子干擾技術(shù)的發(fā)展，特別是數(shù)字射頻存儲(chǔ)(Digital Radio Frequency Memory,DRFM)技術(shù)的出現(xiàn)[1]，調(diào)制方式多樣參數(shù)多變的雷達(dá)有源欺騙干擾給雷達(dá)帶來了前所未有的威脅。為了抑制有源欺騙干擾信號(hào)對(duì)雷達(dá)正常工作的影響，采取相應(yīng)的抗干擾措施是必要的。從邏輯上講，雷達(dá)對(duì)干擾的識(shí)別和抑制是相互依存的兩個(gè)環(huán)節(jié)。在這個(gè)過程中，需要準(zhǔn)確地檢測(cè)干擾信號(hào)，并對(duì)干擾進(jìn)行分類和識(shí)別，然后針對(duì)性地采取相應(yīng)的抗干擾措施來削弱或消除干擾。因此，正確識(shí)別多樣的雷達(dá)有源欺騙干擾信號(hào)，可以為復(fù)雜電磁環(huán)境下雷達(dá)抗干擾提供決策。

目前，已有不少學(xué)者將人工智能算法應(yīng)用于雷達(dá)欺騙干擾的識(shí)別[2,3]，并取得了一定的成果。Mendoza等人[4]、Wu等人[5]在提取多域特征后，利用支持向量機(jī)和BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)進(jìn)行干擾信號(hào)的識(shí)別，但提取的特征容易受到干噪比的影響，閾值難以設(shè)置；Zhao等人[6]以時(shí)域信號(hào)為輸入，借助LeNet網(wǎng)絡(luò)對(duì)7種不同參數(shù)的雷達(dá)壓制類干擾完成了識(shí)別；Liu等人[7]借助OS-CFAR算法和時(shí)頻處理提取特征，使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)實(shí)現(xiàn)了包括3類壓制干擾6類欺騙干擾在內(nèi)的9種干擾的識(shí)別。這些研究根據(jù)不同的需要選取相應(yīng)的特征，借助神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)干擾識(shí)別。但是這些方法都需要大量的干擾樣本來支撐訓(xùn)練，而在實(shí)際環(huán)境中，很難獲取到足夠的樣本，因此，基于小樣本的雷達(dá)有源欺騙干擾識(shí)別具備重要的現(xiàn)實(shí)意義與應(yīng)用價(jià)值。

自2005年來，小樣本識(shí)別在機(jī)器視覺等方面取得了不少成果[8-10]，并且被應(yīng)用于雷達(dá)干擾識(shí)別方向。Shao等人[11]針對(duì)訓(xùn)練樣本有限的問題，提出了一種基于CNN和孿生網(wǎng)絡(luò)進(jìn)行雷達(dá)干擾信號(hào)分類的方法，實(shí)現(xiàn)了小樣本下的干擾識(shí)別。但孿生網(wǎng)絡(luò)主要衡量的是兩個(gè)輸入的關(guān)系，即相似性，在干擾參數(shù)改變或個(gè)體差異較大時(shí)，檢測(cè)性能會(huì)有所下降。陳澤偉等人[12]針對(duì)毫米波雷達(dá)時(shí)頻域干擾面臨的實(shí)測(cè)樣本不足的問題，使用深度卷積生成對(duì)抗網(wǎng)絡(luò)(Deep Convolutional Generative Adversarial Networks,DCGAN)來對(duì)數(shù)據(jù)進(jìn)行增廣，提高了CNN模型的干擾抑制性能。但并非所有數(shù)據(jù)集都適合于應(yīng)用GAN進(jìn)行增廣，例如，低分辨率的圖像數(shù)據(jù)集，利用GAN擴(kuò)充數(shù)據(jù)集時(shí)需要很長(zhǎng)時(shí)間才能達(dá)到收斂，且收斂后的樣本模糊度較高。Koch等人[13]提出多模態(tài)單樣本學(xué)習(xí)算法，將語音信號(hào)與對(duì)應(yīng)圖像進(jìn)行匹配訓(xùn)練，實(shí)現(xiàn)小樣本下的語音信號(hào)分類。

針對(duì)目前存在的訓(xùn)練樣本不足、低信噪比下識(shí)別率低等問題，本文提出一種基于小樣本的多模態(tài)雷達(dá)有源欺騙干擾識(shí)別方法。以雷達(dá)信號(hào)處理的手段，提取信號(hào)的特征參數(shù)與時(shí)頻圖像作為兩個(gè)模態(tài)的輸入，借助原型網(wǎng)絡(luò)[14](Prototypical Networks,PN)訓(xùn)練多模態(tài)特征，并利用圖像預(yù)處理和加權(quán)歐氏距離提高低信噪比下的識(shí)別率，實(shí)現(xiàn)了小樣本下的雷達(dá)有源欺騙干擾識(shí)別。

2 干擾信號(hào)的特征提取

目前的雷達(dá)有源欺騙干擾主要是通過DRFM干擾機(jī)對(duì)截獲到的雷達(dá)信號(hào)幅度、時(shí)延、多普勒頻率等進(jìn)行調(diào)制之后形成的轉(zhuǎn)發(fā)式欺騙干擾信號(hào)。本文選取典型的10種雷達(dá)欺騙干擾樣式作為研究對(duì)象，分別為距離維密集假目標(biāo)(Range Multi-false-Target,RMT)干擾、速度維密集假目標(biāo)(Velocity Multi-false-Target,VMT)干擾、距離-速度聯(lián)合密集假目標(biāo)(Range-Velocity Multi-false-Target,RVMT)干擾、切片重構(gòu)(Chopping and Interleaving,C&I)干擾、間歇采樣轉(zhuǎn)發(fā)干擾(Interrupted Sampling Repeater Jamming,ISRJ)、頻譜彌散(Smeared Spectrum,SMSP)干擾、卷積調(diào)制靈巧噪聲干擾(Smart Noise Jamming)、距離拖引(Range Gate Pull-Off,RGPO)干擾、速度拖引(Velocity Gate Pull-Off,VGPO)干擾，以及距離-速度聯(lián)合拖引(Range-Velocity Gate Pull-Off,RVGPO)干擾。

雷達(dá)接收端的采樣信號(hào)一般為真實(shí)回波信號(hào)、干擾信號(hào)與噪聲的疊加，記為

其中，s(n)表 示真實(shí)回波信號(hào)，j(n)表示干擾信號(hào)，y(n)表示隨機(jī)噪聲，針對(duì)式(1)所示接收信號(hào)模型進(jìn)行干擾識(shí)別[15,16]。

短時(shí)傅里葉變換(Short-Time Fourier Transform,STFT)是一種常用的提取時(shí)變非平穩(wěn)信號(hào)特征的時(shí)頻分析方法，因其算法簡(jiǎn)單而被廣泛應(yīng)用于雷達(dá)信號(hào)處理中，離散形式的STFT定義如下：

其中，N表示信號(hào)長(zhǎng)度，x(n)表示輸入時(shí)域信號(hào)序列，w(i)表 示窗函數(shù)，隨著n,k的變化，式(2)便有了時(shí)頻分析能力。

與單獨(dú)的時(shí)域或頻域特征相比，短時(shí)傅里葉變換能夠得到信號(hào)能量分布與時(shí)間和頻率的關(guān)系，具有更直觀的物理意義，且在預(yù)處理過程中不易丟失特征。與其他時(shí)頻處理方法相比，短時(shí)傅里葉變換的計(jì)算復(fù)雜度低，可降低處理過程的時(shí)間復(fù)雜度。因此，選取短時(shí)傅里葉變換后的時(shí)頻圖像作為主要特征進(jìn)行雷達(dá)有源欺騙干擾的識(shí)別[17]。

為了更好地利用時(shí)頻圖像對(duì)干擾進(jìn)行識(shí)別，以及盡可能地降低隨機(jī)噪聲對(duì)于識(shí)別結(jié)果的影響，需要先對(duì)時(shí)頻圖像進(jìn)行相應(yīng)的預(yù)處理。首先，需要對(duì)圖像進(jìn)行線性灰度變換，使噪聲和信號(hào)之間的灰度值拉大來實(shí)現(xiàn)灰度圖像增強(qiáng)。假設(shè)一幅圖像f(x,y)的原始灰度范圍在[a,b]之間，經(jīng)過線性變換后的圖像g(x,y) 的灰度范圍在[c,d] 之間，則圖像f(x,y)中任意像素點(diǎn)的灰度值k，變換后得到圖像g(x,y)中對(duì)于像素點(diǎn)灰度值l可表示為

圖像增強(qiáng)后，采用形態(tài)學(xué)閉運(yùn)算[18]對(duì)時(shí)頻圖像進(jìn)行降噪處理。閉運(yùn)算為先膨脹運(yùn)算，再腐蝕運(yùn)算，看上去將兩個(gè)細(xì)微連接的圖塊封閉在一起，閉運(yùn)算能夠彌合小裂縫，并保持總的位置和形狀不發(fā)生改變。其中集合A被集合B膨脹，可以表示為A ⊕B，其定義為

其中，A稱為輸入圖像，B稱為結(jié)構(gòu)元素，Ac為A的補(bǔ)集。在數(shù)字圖像處理中，集合B又被稱為結(jié)構(gòu)元。

集合A被集合B腐蝕，表示為A ?B，其定義為

其中，A ?B由將B平移x但仍然包含在A內(nèi)的所有點(diǎn)x組成。

圖像的閉運(yùn)算可以表示為

設(shè)定信號(hào)載波為5.5 GHz，帶寬為10 MHz，信噪比為-8 dB，圖1和圖2為經(jīng)過預(yù)處理前后10種干擾的時(shí)頻圖像，仿真時(shí)取a=0.1,b=0.8,c=0.1,d=0.4。對(duì)比圖1和圖2不難看出，經(jīng)過預(yù)處理后，時(shí)頻圖像中基本看不到隨機(jī)噪聲的影響，有利于低信噪比下的干擾識(shí)別。

圖1 預(yù)處理前的時(shí)頻圖像Fig.1 Time-frequency images before preprocessing

圖2 預(yù)處理后的時(shí)頻圖像Fig.2 Time-frequency images after preprocessing

3 面向小樣本的多模態(tài)雷達(dá)有源欺騙干擾識(shí)別方法

原型網(wǎng)絡(luò)是近年來常用于小樣本學(xué)習(xí)的網(wǎng)絡(luò)模型，基本架構(gòu)如圖3所示[19,20]，其網(wǎng)絡(luò)結(jié)構(gòu)主要由兩部分組成。第1部分為卷積神經(jīng)網(wǎng)絡(luò)。在原型網(wǎng)絡(luò)的結(jié)構(gòu)中，記fθ為網(wǎng)絡(luò)的映射函數(shù)，fθ可將原本的D維數(shù)據(jù)x映射到M維空間上，完成對(duì)樣本的特征提取并得到高維特征向量z，

圖3 原型網(wǎng)絡(luò)基本架構(gòu)圖Fig.3 Basic architecture of prototype network

其中，θ表示原型網(wǎng)絡(luò)的參數(shù)。

第2部分為原型中心的計(jì)算，通過對(duì)每類樣本的特征向量求和取平均，得到各個(gè)類別在特征空間中的原型中心，第k類的原型中心ck的計(jì)算方式如式(8)所示：

其中，Sk表示類別為k的數(shù)據(jù)集合，|Sk|為樣本數(shù)，xi表示第i個(gè)輸入數(shù)據(jù)，yi表示數(shù)據(jù)標(biāo)簽。迭代更新此原型中心向量，直至網(wǎng)絡(luò)學(xué)到一個(gè)能夠使同類樣本聚為一簇，不同簇間盡量遠(yuǎn)離的特征空間。最終，以特征空間中待測(cè)樣本與各原型中心的距離為分類依據(jù)，完成分類任務(wù)。

3.1 多模態(tài)數(shù)據(jù)集的構(gòu)建

一般情況下，神經(jīng)網(wǎng)絡(luò)模型僅將輸入信息的一種模態(tài)信息標(biāo)簽化后進(jìn)行訓(xùn)練。但不同模態(tài)之間往往蘊(yùn)含著互補(bǔ)的信息，如果能夠合理地融合多模態(tài)信息，對(duì)齊特征，就可以獲得一加一大于二的效果，得到信息量豐富的多模態(tài)融合特征。因此，可以考慮使用特征參數(shù)和時(shí)頻圖像兩個(gè)模態(tài)的信息，再利用特征層融合的方式進(jìn)行干擾識(shí)別。

對(duì)于特征參數(shù)模態(tài)的數(shù)據(jù)集構(gòu)建，本文根據(jù)雷達(dá)有源欺騙干擾的特點(diǎn)，利用干擾信號(hào)提取了包括時(shí)域矩偏度、時(shí)域矩峰度、時(shí)域包絡(luò)起伏度、歸一化幅度標(biāo)準(zhǔn)差、頻域矩偏度、頻域矩峰度、頻域包絡(luò)起伏度、歸一化幅度頻譜最大值、尺度重心在內(nèi)的9種共10個(gè)特征，構(gòu)成了特征參數(shù)向量[21]，作為一種模態(tài)信息。將本文第2節(jié)經(jīng)過預(yù)處理的時(shí)頻圖像作為另外一個(gè)模態(tài)的輸入特征。

小樣本學(xué)習(xí)中每類數(shù)據(jù)的測(cè)試樣本數(shù)量都比較少，為了在樣本極度匱乏的情況下也能得到一定的訓(xùn)練結(jié)果，訓(xùn)練時(shí)需進(jìn)行數(shù)據(jù)集的擴(kuò)充。

對(duì)于特征向量可以采取高斯隨機(jī)化樣本擴(kuò)充方法，即對(duì)每個(gè)特征向量重復(fù)多次加入均值為0、方差為σ2的獨(dú)立同分布高斯噪聲，得到充足的特征參數(shù)的訓(xùn)練樣本，以匹配圖像模態(tài)的數(shù)據(jù)量。此外，高斯隨機(jī)化過程在擴(kuò)充訓(xùn)練樣本空間、防止中心網(wǎng)絡(luò)過擬合的同時(shí)，還可以提高魯棒性，有利于后續(xù)的訓(xùn)練。

對(duì)于時(shí)頻圖像，由于隨機(jī)噪聲對(duì)于進(jìn)行預(yù)處理后的時(shí)頻圖像影響較小，無法考慮類似特征向量的隨機(jī)化擴(kuò)充方式。而Omniglot數(shù)據(jù)集[22]由來自50種不同語言的1623個(gè)手寫字符構(gòu)成的，每個(gè)字符都有20個(gè)不同的筆跡，這就構(gòu)成了一個(gè)樣本類別極多，但每種類別的樣本數(shù)量極少的小樣本手寫字符數(shù)據(jù)集。字符數(shù)據(jù)集的識(shí)別主要依靠簡(jiǎn)單的線條特征，與雷達(dá)有源欺騙干擾的時(shí)頻圖像有著相似之處，借助該數(shù)據(jù)集擴(kuò)充干擾時(shí)頻圖像樣本，并與擴(kuò)充過的特征參數(shù)進(jìn)行匹配訓(xùn)練，以實(shí)現(xiàn)小樣本條件下的訓(xùn)練效果。

3.2 多模態(tài)特征融合網(wǎng)絡(luò)

Concat為向量拼接。根據(jù)式(9)和式(8)可構(gòu)建新的原型中心，之后便可以通過計(jì)算網(wǎng)絡(luò)的損失函數(shù)，對(duì)參數(shù)進(jìn)行優(yōu)化完成迭代訓(xùn)練。最后，將待識(shí)別數(shù)據(jù)的特征參數(shù)向量和時(shí)頻圖像輸入網(wǎng)絡(luò)，根據(jù)待識(shí)別樣本與各原型中心的距離實(shí)現(xiàn)干擾識(shí)別。由于小樣本識(shí)別過程中可能會(huì)存在信噪比較低的單模態(tài)數(shù)據(jù)，或者單模態(tài)失效的數(shù)據(jù)，為了排除可能存在的“壞數(shù)據(jù)”的影響，提高低信噪比下的檢測(cè)概率，在訓(xùn)練過程中需要對(duì)傳統(tǒng)的歐氏距離進(jìn)行加權(quán)，加權(quán)歐氏距離如式(10)所示：

網(wǎng)絡(luò)中通過查詢集中樣本的預(yù)測(cè)分?jǐn)?shù)pi可表示如下：

其中，yi表 示查詢集中第i個(gè)樣本xi的真實(shí)標(biāo)簽。將pi和真實(shí)標(biāo)簽進(jìn)行對(duì)比，計(jì)算損失值并通過反向傳播的方式優(yōu)化損失函數(shù)L中的參數(shù)θ，損失函數(shù)如下：

多模態(tài)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，網(wǎng)絡(luò)?T和?P分別計(jì)算特征參數(shù)模態(tài)下和時(shí)頻圖像模態(tài)下的原型。計(jì)算機(jī)中的運(yùn)算大都是基于基礎(chǔ)的乘加運(yùn)算進(jìn)行的，單個(gè)卷積層的時(shí)間復(fù)雜度計(jì)算方法如下：

圖4 多模態(tài)特征融合網(wǎng)絡(luò)Fig.4 Multimodal feature fusion network

其中，Cin表示輸入特征圖通道數(shù)，K為卷積核的尺寸，H和W分別代表對(duì)應(yīng)輸出特征圖的尺寸，Cout表示卷積核的數(shù)目，即輸出的維度。池化層的時(shí)間復(fù)雜度計(jì)算方式為

其中，d為網(wǎng)絡(luò)的深度，l表示第l個(gè)卷積層，Cl為第l個(gè)卷積層的輸出通道數(shù)，對(duì)于第l個(gè)卷積層而言，Cl-1即為第l個(gè)卷積層的輸入通道數(shù)。

為衡量模型的復(fù)雜度，在實(shí)際網(wǎng)絡(luò)中，根據(jù)圖4中輸入尺寸與各層卷積核大小分別計(jì)算網(wǎng)絡(luò)?T,?P以及時(shí)頻圖像網(wǎng)絡(luò)[23]、特征參數(shù)網(wǎng)絡(luò)[24]與孿生網(wǎng)絡(luò)[25]的浮點(diǎn)運(yùn)算數(shù)(Floating Point Operations,FLOPs)和參數(shù)量，結(jié)果如表1所示。

表1 不同網(wǎng)絡(luò)的復(fù)雜度參數(shù)表Tab.1 Table of complexity parameters for different networks

4 仿真實(shí)驗(yàn)與分析

針對(duì)第2節(jié)所述10種雷達(dá)有源欺騙干擾，以式(1)作為接收信號(hào)模型，構(gòu)建仿真數(shù)據(jù)集進(jìn)行算法性能測(cè)試。信號(hào)基本參數(shù)及部分干擾信號(hào)核心參數(shù)如表2所示。

表2 回波信號(hào)與欺騙干擾信號(hào)基本參數(shù)設(shè)置Tab.2 Basic parameter setting of echo signal and jamming signal

為擬合小樣本場(chǎng)景，以每種欺騙干擾僅包含20個(gè)脈沖信號(hào)，信噪比隨機(jī)取-10～10 dB，其他參數(shù)如表1所示，按照3.1節(jié)所述構(gòu)造干擾信號(hào)訓(xùn)練集。在訓(xùn)練時(shí)，為提高模型訓(xùn)練能力與泛化能力，除10種干擾類型外，引入Omniglot數(shù)據(jù)集的214種手寫字符每類20個(gè)樣本進(jìn)行輔助訓(xùn)練，支持集與查詢集樣本數(shù)均為5，每次訓(xùn)練10個(gè)類，初始學(xué)習(xí)率設(shè)置為0.001。同時(shí)隨機(jī)生成10種干擾每種干擾500個(gè)脈沖信號(hào)，其他參數(shù)不變，構(gòu)建測(cè)試樣本集，對(duì)多模態(tài)特征融合網(wǎng)絡(luò)進(jìn)行測(cè)試，測(cè)試結(jié)果如圖5所示(實(shí)驗(yàn)在GPU為NVIDIA GeForce RTX 2060的電腦上運(yùn)行，通過MATLAB 2021a編程實(shí)現(xiàn))。

圖5 本文方法的混淆矩陣(平均識(shí)別率97.65%)Fig.5 Confusion matrix of the proposed method (average recognition rate 97.65%)

從圖5可以觀察到，利用特征融合的原型網(wǎng)絡(luò)在訓(xùn)練樣本較少的情況下，依舊可以得到比較好的識(shí)別效果，總體識(shí)別率達(dá)到了97.65%，實(shí)現(xiàn)了小樣本下的干擾識(shí)別。從圖5可以看到針對(duì)特征鮮明的干擾，例如卷積靈巧噪聲等，網(wǎng)絡(luò)的識(shí)別情況較好，主要的混淆出現(xiàn)在拖引干擾和密集假目標(biāo)類干擾，這是由于在拖引的前期，真假目標(biāo)還處在同一波門內(nèi)，差距較小，識(shí)別的難度高，容易和其他拖引類混淆，同時(shí)也容易與波門內(nèi)存在較少假目標(biāo)的密集假目標(biāo)類干擾混淆。

4.1 抗噪性分析

為驗(yàn)證所提網(wǎng)絡(luò)在不同信噪比下的識(shí)別性能，設(shè)置信噪比從-15～10 dB，選取每種干擾20個(gè)脈沖樣本進(jìn)行訓(xùn)練，測(cè)試時(shí)隨機(jī)生成10種干擾每種干擾500個(gè)脈沖信號(hào)。這樣，得到不同網(wǎng)絡(luò)在不同信噪比下的識(shí)別性能如圖6所示。

圖6 不同網(wǎng)絡(luò)在不同信噪比下識(shí)別性能比較Fig.6 Comparison of recognition performance of different networks under different signal-to-noise ratios

從圖6可以觀察到，僅考慮單一模態(tài)下的識(shí)別，時(shí)頻圖像模態(tài)的識(shí)別效果是要優(yōu)于特征參數(shù)模態(tài)的，這說明圖像的抗噪能力要強(qiáng)于時(shí)域特征。當(dāng)信噪比較高時(shí)，采用模態(tài)融合的方式可以豐富識(shí)別特征的信息量，從而提高總體識(shí)別率。同時(shí)，從圖6可以看出，用加權(quán)歐氏距離訓(xùn)練的多模態(tài)網(wǎng)絡(luò)在低信噪比下的識(shí)別性能要優(yōu)于傳統(tǒng)的歐氏距離。

4.2 小樣本性能分析

小樣本識(shí)別的出現(xiàn)，最初就是為了解決訓(xùn)練集樣本不充分、不全面條件下的識(shí)別問題。通過簡(jiǎn)化網(wǎng)絡(luò)以及度量學(xué)習(xí)的方法，小樣本識(shí)別可以在較少樣本下得到識(shí)別結(jié)果，但依舊會(huì)在一定程度內(nèi)受到樣本數(shù)量的影響。因此，訓(xùn)練樣本數(shù)也是衡量小樣本識(shí)別網(wǎng)絡(luò)的一個(gè)重要指標(biāo)。

為測(cè)試多模態(tài)網(wǎng)絡(luò)能力，選取信噪比在-10～10 dB下，樣本數(shù)量為2,5,10,15,20的各類干擾信號(hào)構(gòu)建訓(xùn)練集，另外選取每類干擾500個(gè)隨機(jī)信噪比的樣本構(gòu)建測(cè)試集，分別進(jìn)行訓(xùn)練并完成測(cè)試，測(cè)試結(jié)果如表3所示。

表3 不同訓(xùn)練樣本數(shù)下識(shí)別性能比較(%)Tab.3 Comparison of recognition performance under different numbers of training samples (%)

從表3可以看到，本文所述方法在訓(xùn)練樣本較少的情況下依舊可以很好地進(jìn)行干擾信號(hào)的識(shí)別，在少量訓(xùn)練樣本訓(xùn)練時(shí)，借助數(shù)據(jù)集的擴(kuò)充，可以達(dá)到80%左右的識(shí)別率。固定訓(xùn)練集樣本信噪比，測(cè)試集信噪比隨機(jī)時(shí)，可以觀察到單信噪比訓(xùn)練效果要差于混合信噪比樣本訓(xùn)練效果，這主要是由于固定信噪比訓(xùn)練無法捕捉更多的噪聲信息，抗噪性能下降，導(dǎo)致總體識(shí)別率降低。而當(dāng)訓(xùn)練樣本數(shù)大于10后，平均識(shí)別率小幅度上升并逐步趨于穩(wěn)定，能夠?qū)⒆R(shí)別準(zhǔn)確率維持在96%以上。

4.3 泛化能力分析

利用原型網(wǎng)絡(luò)作為識(shí)別網(wǎng)絡(luò)的優(yōu)勢(shì)之一在于，基礎(chǔ)的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)[26]的是某一類樣本的具體特征，而原型網(wǎng)絡(luò)學(xué)習(xí)的是樣本在特定空間內(nèi)的表達(dá)，這就使得以原型網(wǎng)絡(luò)作為分類器時(shí)能夠泛化到訓(xùn)練集中沒有出現(xiàn)過的新類。這種泛化能力的優(yōu)勢(shì)在于，訓(xùn)練好的網(wǎng)絡(luò)參數(shù)不再受制于特定場(chǎng)景的使用，在其他場(chǎng)景下依賴同場(chǎng)景構(gòu)建的干擾原型也能進(jìn)行有效的識(shí)別，此外在提供干擾原型時(shí)，還可以對(duì)未訓(xùn)練干擾類型進(jìn)行有效識(shí)別，更適應(yīng)于復(fù)雜多變的真實(shí)場(chǎng)景。

前一部分的網(wǎng)絡(luò)訓(xùn)練及測(cè)試所用數(shù)據(jù)主要來自軟件仿真，訓(xùn)練與測(cè)試的數(shù)據(jù)為同源數(shù)據(jù)。為了測(cè)試網(wǎng)絡(luò)的泛化能力，利用干擾模擬器重新采集包括距離滯后密集假目標(biāo)干擾、距離超前密集假目標(biāo)干擾、切片重構(gòu)干擾、間歇采樣轉(zhuǎn)發(fā)干擾、距離拖引干擾、速度拖引干擾、距離-速度聯(lián)合拖引干擾在內(nèi)的7種干擾信號(hào)，干擾模擬器及控制平臺(tái)如圖7所示。

圖7 干擾信號(hào)數(shù)據(jù)獲取平臺(tái)Fig.7 Interference signal data acquisition platform

對(duì)于干擾模擬器采集的7種干擾信號(hào)，隨機(jī)選取每種類型的干擾干噪比為5 dB的5個(gè)脈沖信號(hào)用以構(gòu)建原型，另外選取每類200個(gè)參數(shù)隨機(jī)的信號(hào)構(gòu)建測(cè)試集，利用4.1節(jié)中不在雷達(dá)模擬器干擾類別的4種干擾，即速度維密集假目標(biāo)干擾、距離-速度聯(lián)合密集假目標(biāo)干擾、頻譜彌散、卷積調(diào)制靈巧噪聲干擾，進(jìn)行訓(xùn)練。圖8(a)為孿生網(wǎng)絡(luò)[25]的測(cè)試結(jié)果，圖8(b)為本文網(wǎng)絡(luò)未引入Omniglot數(shù)據(jù)集的測(cè)試結(jié)果，圖8(c)為本文網(wǎng)絡(luò)引入Omniglot數(shù)據(jù)集的測(cè)試結(jié)果。

圖8 泛化能力測(cè)試結(jié)果Fig.8 Generalization ability test results

從圖8(a)和圖8(b)可以看出：對(duì)于模擬器產(chǎn)生的7種干擾信號(hào)，本文所提網(wǎng)絡(luò)相比孿生網(wǎng)絡(luò)能夠獲得更高的平均識(shí)別準(zhǔn)確率。對(duì)比圖8(b)和圖8(c)可知，引入Omniglot數(shù)據(jù)集后，網(wǎng)絡(luò)的泛化能力有著明顯的增強(qiáng)，對(duì)于多種干擾表現(xiàn)良好，7種干擾的平均識(shí)別準(zhǔn)確率優(yōu)于92%。而對(duì)于拖引類干擾，模擬器產(chǎn)生的數(shù)據(jù)由于模擬器件的使用會(huì)產(chǎn)生一定的諧波，這對(duì)干擾識(shí)別會(huì)產(chǎn)生一定的影響，但從總體識(shí)別結(jié)果來看多模態(tài)網(wǎng)絡(luò)還是得到了比較不錯(cuò)的識(shí)別效果，這也從一定程度上證明了本章所提網(wǎng)絡(luò)的泛化能力。

5 結(jié)語

針對(duì)一般的雷達(dá)欺騙干擾識(shí)別方法依賴完備的樣本集，無法對(duì)有限小樣本下的干擾完成檢測(cè)的問題，本文提出了一種基于小樣本的多模態(tài)原型網(wǎng)絡(luò)。通過遷移Omniglot數(shù)據(jù)集擴(kuò)充預(yù)處理后的時(shí)頻圖像數(shù)據(jù)集，并融合特征參數(shù)與時(shí)頻圖像兩個(gè)模態(tài)的特征，實(shí)現(xiàn)特征互補(bǔ)，最后以原型網(wǎng)絡(luò)訓(xùn)練多模態(tài)特征，實(shí)現(xiàn)了基于小樣本的多模態(tài)雷達(dá)有源欺騙干擾識(shí)別。仿真結(jié)果表明，本文所提方法能夠在訓(xùn)練樣本有限的情況下將不同類型干擾信號(hào)總體識(shí)別率提升至97%以上，且在泛化能力上表現(xiàn)良好；時(shí)頻圖像的降噪處理和多模態(tài)特征的融合，使得所提網(wǎng)絡(luò)在低信噪比條件下也有良好的識(shí)別性能。