鄭博元,叢迅超,胡 超,陳杰梅

(中國(guó)西南電子技術(shù)研究所,成都 610036)

0 引 言

輻射源識(shí)別是應(yīng)用于電磁管控、航管、軍事等應(yīng)用場(chǎng)景的重要技術(shù)[1]。雷達(dá)輻射源識(shí)別技術(shù)主要通過(guò)處理雷達(dá)輻射源信號(hào)參數(shù)和特征,利用輻射源的特征和分類(lèi)器來(lái)實(shí)現(xiàn)輻射源的分類(lèi)識(shí)別[2]。

近年來(lái),基于深度學(xué)習(xí)方法的雷達(dá)輻射源識(shí)別任務(wù)的識(shí)別效率和準(zhǔn)確度有較大提升[3-6],推動(dòng)了輻射源信號(hào)識(shí)別向著流程自動(dòng)化、功能智能化方向發(fā)展。文獻(xiàn)[7-13]提出的方法主要針對(duì)在有標(biāo)簽樣本比較充足條件下的有監(jiān)督學(xué)習(xí)的雷達(dá)輻射源識(shí)別,但是實(shí)際場(chǎng)景中,由于新體制雷達(dá)變化豐富、電磁環(huán)境擁擠密集、信號(hào)易被干擾且難以捕獲等問(wèn)題,難以收集足量的訓(xùn)練數(shù)據(jù)。曹等人[14]結(jié)合降噪自編碼器和生成對(duì)抗網(wǎng)絡(luò)的優(yōu)勢(shì),構(gòu)建噪聲增強(qiáng)網(wǎng)絡(luò)與信號(hào)增強(qiáng)網(wǎng)絡(luò)進(jìn)行對(duì)抗訓(xùn)練,使網(wǎng)絡(luò)對(duì)抗噪聲的能力得到提升。梁[15]提出了一種基于優(yōu)化孿生網(wǎng)絡(luò)模型的方法,用于小樣本輻射源個(gè)體識(shí)別。該方法通過(guò)孿生網(wǎng)絡(luò)構(gòu)建了一個(gè)彈簧模型,使得不同類(lèi)別樣本對(duì)特征向量距離增大,相同類(lèi)別樣本對(duì)特征向量距離減小,從而實(shí)現(xiàn)小樣本訓(xùn)練損失函數(shù)的快速收斂。Huang等人[16]采用屬于基于度量的元學(xué)習(xí)的原型網(wǎng)絡(luò)(Prototypical Network,PN)來(lái)實(shí)現(xiàn)小樣本雷達(dá)輻射源信號(hào)識(shí)別,并提出注意力平衡策略來(lái)改進(jìn)元學(xué)習(xí),解決了少量基類(lèi)引起的判別位置偏差或基類(lèi)與新類(lèi)之間存在較大差異的問(wèn)題。而本文提出了一種基于信號(hào)增強(qiáng)與自監(jiān)督學(xué)習(xí)的深度學(xué)習(xí)網(wǎng)絡(luò),通過(guò)自編碼器增強(qiáng)信號(hào),同時(shí)應(yīng)用自監(jiān)督學(xué)習(xí)增強(qiáng)小樣本情況下的模型特征提取能力。本文主要工作和創(chuàng)新點(diǎn)如下:

一是針對(duì)雷達(dá)輻射源信號(hào)數(shù)據(jù)實(shí)際樣本少的問(wèn)題,使用4種輻射源信號(hào)對(duì)輻射源信號(hào)數(shù)據(jù)集進(jìn)行了仿真擴(kuò)充;并且針對(duì)復(fù)雜的電磁環(huán)境下雷達(dá)信號(hào)受噪聲干擾明顯、脈寬小、脈間間隔大的特點(diǎn),分別提出了組合使用基于稀疏自編碼器(Sparse Auto Encoder,SAE)的一維雷達(dá)信號(hào)序列重構(gòu)和基于降噪自編碼器(Denoising Auto Encode,DAE)的二維圖像去噪處理方法,降低噪聲對(duì)后續(xù)算法性能的影響,并以此作為雙流網(wǎng)絡(luò)的兩種輸入。

二是針對(duì)小樣本條件下深度學(xué)習(xí)方法泛化能力有限、表征能力不足等問(wèn)題,設(shè)計(jì)了基于自監(jiān)督雙流融合的小樣本識(shí)別框架。該框架分別以一維雷達(dá)信號(hào)序列和二維圖像作為輸入,使用對(duì)比學(xué)習(xí)思想設(shè)計(jì)自監(jiān)督代理任務(wù),訓(xùn)練得到具備強(qiáng)表征能力的特征提取器,可通過(guò)使用少量標(biāo)記數(shù)據(jù)微調(diào)實(shí)現(xiàn)準(zhǔn)確分類(lèi)。

1 輻射源信號(hào)數(shù)據(jù)增強(qiáng)與預(yù)處理

1.1 輻射源信號(hào)數(shù)據(jù)增強(qiáng)

本文依據(jù)實(shí)際信號(hào)的射頻參數(shù)、脈間間隔以及脈寬等雷達(dá)參數(shù)設(shè)計(jì)4種輻射源信號(hào),并通過(guò)仿真生成基于不同調(diào)制方式的一維雷達(dá)信號(hào)序列。在此基礎(chǔ)上,為了擴(kuò)增數(shù)據(jù)集大小,本文設(shè)計(jì)了3種信號(hào)減損方法。

第一種減損方法是對(duì)原始一維雷達(dá)信號(hào)序列增加不同信噪比的高斯分布噪聲。高斯噪聲分布為

(1)

式中:μ是均值;σ是標(biāo)準(zhǔn)差。

第二種減損方法采用萊斯多徑衰落,模擬現(xiàn)實(shí)環(huán)境中目標(biāo)平臺(tái)接收機(jī)收到經(jīng)折射、反射和直射等幾條路徑到達(dá)的電磁波產(chǎn)生的多徑效應(yīng)。

(2)

式中:A表示信通增益;Z表示陰影衰落。

第三種方法針對(duì)發(fā)射機(jī)和接收機(jī)的內(nèi)部時(shí)鐘源不準(zhǔn)確的問(wèn)題,設(shè)計(jì)時(shí)鐘偏移因子,并根據(jù)時(shí)鐘偏移因子對(duì)每條一維雷達(dá)信號(hào)序列增加頻率偏移和采樣率偏移。時(shí)鐘偏移因子C定義為

(3)

式中:Δclock表示時(shí)鐘變化量。

通過(guò)對(duì)原始一維雷達(dá)信號(hào)序列應(yīng)用以上3種信號(hào)減損方法,擴(kuò)增數(shù)據(jù)集。

同時(shí),為了充分發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)模型在圖像特征提取方面的優(yōu)勢(shì),需要在預(yù)處理階段將雷達(dá)信號(hào)處理為無(wú)損且易于卷積計(jì)算的數(shù)字圖像。本文采用短時(shí)傅里葉變換將信號(hào)轉(zhuǎn)換到時(shí)頻域,并繪制頻譜圖。連續(xù)短時(shí)傅里葉變換定義為

(4)

1.2 基于稀疏自編碼器的一維雷達(dá)信號(hào)序列處理

為解決雷達(dá)信號(hào)脈寬小、脈間間隔大導(dǎo)致一維雷達(dá)信號(hào)序列稀疏問(wèn)題,本文提出了一種基于稀疏自編碼器的一維雷達(dá)信號(hào)序列處理方法,通過(guò)提取稀疏時(shí)序數(shù)據(jù)的有效特征,對(duì)一維雷達(dá)信號(hào)序列進(jìn)行降維處理,生成定長(zhǎng)的特征向量。

如圖1(a)所示,稀疏自編碼器的基本模型是由輸入層、隱含層和輸出層三層的神經(jīng)網(wǎng)絡(luò)構(gòu)成,在學(xué)習(xí)時(shí)讓網(wǎng)絡(luò)輸出的目標(biāo)值接近于輸入的信號(hào)本身,從而學(xué)習(xí)信號(hào)中的特征。訓(xùn)練過(guò)程中對(duì)隱含層進(jìn)行限制,比如減小神經(jīng)元的個(gè)數(shù),網(wǎng)絡(luò)被迫壓縮數(shù)據(jù)并嘗試重構(gòu)輸入。通過(guò)重構(gòu)的過(guò)程,隱含層可以學(xué)習(xí)到輸入信號(hào)的有效稀疏特征表示。

圖1 基于自編碼器的數(shù)據(jù)預(yù)處理

使用稀疏自編碼器對(duì)仿真的一維雷達(dá)信號(hào)序列進(jìn)行重構(gòu)。訓(xùn)練過(guò)程中,對(duì)隱含層加入懲罰項(xiàng),進(jìn)行稀疏化處理,以此在隱含層學(xué)習(xí)到輸入數(shù)據(jù)的稀疏特征表示;之后舍棄輸出層,以隱含層輸出的定長(zhǎng)特征向量作為數(shù)據(jù)處理后的信號(hào),輸入到深度學(xué)習(xí)模型。

1.3 基于降噪自編碼器的二維圖像處理

相對(duì)于一維雷達(dá)信號(hào)序列,二維圖像通常尺寸固定,可以直接送入卷積神經(jīng)網(wǎng)絡(luò)。但在復(fù)雜的電磁環(huán)境中,輻射源信號(hào)通常會(huì)受到明顯的噪聲干擾,本文提出使用降噪自編碼器對(duì)二維圖像進(jìn)行處理,達(dá)到去噪的效果。

基于降噪自編碼器的二維圖像處理方法如圖1(b)所示,將原始一維雷達(dá)信號(hào)序列增加三種信號(hào)減損后進(jìn)行短時(shí)傅里葉變換,生成帶噪聲的二維圖像輸入到DAE網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,此時(shí)網(wǎng)絡(luò)隱含層從添加噪聲的圖像中學(xué)習(xí)到數(shù)據(jù)真實(shí)的隱藏特征;最后通過(guò)輸出層重構(gòu)出純凈的二維圖像,并根據(jù)重構(gòu)出的圖像與原始一維雷達(dá)信號(hào)序列生成的二維圖像計(jì)算重構(gòu)誤差,返回更新DAE網(wǎng)絡(luò)。因此,DAE網(wǎng)絡(luò)能夠在噪聲干擾的環(huán)境下輸出純凈信號(hào),擁有降噪的性能。

2 自監(jiān)督小樣本信號(hào)識(shí)別模型

自監(jiān)督學(xué)習(xí)基于大量的未標(biāo)注數(shù)據(jù),通過(guò)設(shè)計(jì)代理任務(wù)賦予未標(biāo)注數(shù)據(jù)標(biāo)簽,讓模型從成本較低的未標(biāo)注數(shù)據(jù)中充分學(xué)習(xí),因此該方法適用于解決小樣本雷達(dá)輻射源問(wèn)題。自監(jiān)督學(xué)習(xí)首先通過(guò)代理任務(wù)賦予大量未標(biāo)記數(shù)據(jù)標(biāo)簽,訓(xùn)練深度學(xué)習(xí)模型處理代理任務(wù),從中自動(dòng)挖掘數(shù)據(jù)特征,訓(xùn)練出一個(gè)有效的特征提取器。通過(guò)將特征提取器應(yīng)用在下游任務(wù)中,提取小樣本的訓(xùn)練數(shù)據(jù)的特征,以輔助訓(xùn)練深度學(xué)習(xí)模型。自監(jiān)督學(xué)習(xí)的方法能有效改善小樣本條件下的監(jiān)督學(xué)習(xí)模型易過(guò)擬合、魯棒性不足等問(wèn)題,其中結(jié)合數(shù)據(jù)特點(diǎn)設(shè)計(jì)代理任務(wù)是自監(jiān)督方法中的關(guān)鍵問(wèn)題。

2.1 基于對(duì)比學(xué)習(xí)的自監(jiān)督代理任務(wù)模塊

針對(duì)雷達(dá)輻射源天然存在的小樣本問(wèn)題,本文通過(guò)對(duì)一維雷達(dá)信號(hào)序列和二維圖像的組合使用提出了一種基于對(duì)比學(xué)習(xí)的自監(jiān)督代理任務(wù),解決特征提取器表征能力不足的問(wèn)題。通過(guò)凍結(jié)的自編碼器進(jìn)行數(shù)據(jù)處理,得到長(zhǎng)度對(duì)齊的一維時(shí)序特征向量和降噪后純凈的二維圖像,其中二維圖像是一維雷達(dá)信號(hào)序列經(jīng)過(guò)短時(shí)傅里葉變換得到的。本文代理任務(wù)的核心思想是判斷一維雷達(dá)信號(hào)序列與二維圖像是否相互對(duì)應(yīng)。通過(guò)仿真輻射源信號(hào),生成數(shù)據(jù)集D={x1,x2,…,xM},包含M條一維雷達(dá)信號(hào)序列,xm代表第m條一維雷達(dá)信號(hào)序列。

針對(duì)一維雷達(dá)信號(hào)序列采用SAE進(jìn)行特征提取fm,利用一維卷積核和池化操作提取特征,最后通過(guò)全連接層壓縮成為一維特征用于對(duì)比損失判別。sm是xm短時(shí)傅里葉變換的二維頻譜圖,基于sm利用卷積、池化和全連接構(gòu)建一維特征。將M條fm的一維特征和M條sm生成的一維特征組合生成M×M條輸入對(duì)(FX(fm),FS(sm))。其中,FX代表一維信號(hào)網(wǎng)絡(luò),FS代表二維圖像網(wǎng)絡(luò)。此時(shí)fm和sm相互對(duì)應(yīng),賦予這一對(duì)輸入標(biāo)簽ym=1,反之則賦予標(biāo)簽ym=0。

該自監(jiān)督代理任務(wù)網(wǎng)絡(luò)框架如圖2所示。一維雷達(dá)信號(hào)序列通過(guò)凍結(jié)的稀疏自編碼器處理成等長(zhǎng)的特征向量,接著通過(guò)一維信號(hào)網(wǎng)絡(luò)提取特征。除此之外,本文設(shè)計(jì)了額外的修剪網(wǎng)絡(luò),由卷積層、全局池化層與全連接層組成,用以修剪特征向量的大小,以便進(jìn)行對(duì)比損失計(jì)算。

圖2 雙模態(tài)信號(hào)對(duì)比網(wǎng)絡(luò)

二維圖像與上述過(guò)程類(lèi)似,先通過(guò)凍結(jié)的降噪自編碼器去噪后,再通過(guò)二維圖像網(wǎng)絡(luò)提取特征,最后通過(guò)額外的修剪網(wǎng)絡(luò)進(jìn)行特征向量修剪,得到與一維雷達(dá)信號(hào)序列修改后相同大小的特征向量,通過(guò)計(jì)算兩個(gè)向量的對(duì)比損失更新整體網(wǎng)絡(luò)。對(duì)比損失函數(shù)如下:

(1-ym)max(α-‖F(xiàn)X(fm)-FS(sm)‖2,0)2。

(5)

式中:α是當(dāng)樣本為負(fù)時(shí)控制損失值超參數(shù)。該對(duì)比損失函數(shù)通過(guò)整合同一樣本的不同模態(tài)形式,從而達(dá)到有效訓(xùn)練一維信號(hào)網(wǎng)絡(luò)和二維圖像網(wǎng)絡(luò)的目的。

2.2 基于雙流融合網(wǎng)絡(luò)的下游分類(lèi)模塊

通過(guò)訓(xùn)練自監(jiān)督代理任務(wù)的對(duì)比網(wǎng)絡(luò),本文得到針對(duì)一維雷達(dá)信號(hào)序列特征提取的一維信號(hào)網(wǎng)絡(luò)和針對(duì)二維圖像特征提取的二維圖像網(wǎng)絡(luò)。為了實(shí)現(xiàn)信號(hào)輻射源類(lèi)型識(shí)別的目的,在下游分類(lèi)任務(wù)中,本文使用少量標(biāo)記數(shù)據(jù),通過(guò)預(yù)訓(xùn)練的一維信號(hào)網(wǎng)絡(luò)和二維圖像網(wǎng)絡(luò)提取一維雷達(dá)信號(hào)序列特征以及二維圖像特征,并通過(guò)對(duì)兩種特征進(jìn)行特征融合,訓(xùn)練分類(lèi)層。

下游分類(lèi)模塊如圖3所示。一維雷達(dá)信號(hào)序列通過(guò)凍結(jié)的稀疏編碼器降維得到一維特征向量,接著將特征向量通過(guò)預(yù)訓(xùn)練的一維信號(hào)網(wǎng)絡(luò)提取特征(卷積層、池化層和全連接層),得到大小為m×n特征向量μ;二維圖像特征經(jīng)過(guò)凍結(jié)的降噪自編碼器降噪后,通過(guò)二維圖像網(wǎng)絡(luò)提取得到大小為m×l特征向量λ。接著將特征向量μ和λ拼接得到m×(n+l)的特征向量,通過(guò)卷積層進(jìn)行特征融合,通過(guò)由全連接層組成的分類(lèi)層進(jìn)行分類(lèi)。最后通過(guò)由全連接層組成的分類(lèi)層進(jìn)行分類(lèi),該雙流融合網(wǎng)絡(luò)使用基于自監(jiān)督代理任務(wù)預(yù)訓(xùn)練的特征提取網(wǎng)絡(luò),僅需使用少量樣本微調(diào)分類(lèi)層即可實(shí)現(xiàn)輻射源類(lèi)型識(shí)別,解決了面向小樣本條件的限制下的信號(hào)輻射源類(lèi)別識(shí)別問(wèn)題。

圖3 基于雙流融合網(wǎng)絡(luò)的分類(lèi)模塊

3 實(shí)驗(yàn)驗(yàn)證

本仿真實(shí)驗(yàn)以少量實(shí)際數(shù)據(jù)為基礎(chǔ),利用式(1)～(3)中的3種信號(hào)減損方法對(duì)有限實(shí)際數(shù)據(jù)樣本進(jìn)行擴(kuò)充,構(gòu)建包含4類(lèi)數(shù)據(jù)的實(shí)驗(yàn)樣本集,并對(duì)數(shù)據(jù)集進(jìn)行劃分,定義訓(xùn)練集、適應(yīng)集和測(cè)試集,明確實(shí)驗(yàn)數(shù)據(jù)設(shè)置。然后對(duì)本文所提出的自監(jiān)督小樣本信號(hào)識(shí)別模型中的信號(hào)時(shí)間序列與時(shí)頻圖特征表征網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)。最后,在不同的信噪下,進(jìn)行在不同小樣本數(shù)據(jù)量條件下的對(duì)比實(shí)驗(yàn),同時(shí)分析超參數(shù)影響。

3.1 實(shí)驗(yàn)設(shè)置與評(píng)價(jià)指標(biāo)

3.1.1 樣本增強(qiáng)

根據(jù)4類(lèi)實(shí)際輻射源信號(hào)的參數(shù),使用某軟件雷達(dá)信號(hào)仿真工具箱,生成相應(yīng)的一維時(shí)間序列,并使用高斯分布噪聲、萊斯多徑衰落和時(shí)鐘偏移3種方法對(duì)信號(hào)時(shí)間序列進(jìn)行擴(kuò)充,增強(qiáng)后的數(shù)量為每類(lèi)1 600個(gè)。

針對(duì)不同一維雷達(dá)信號(hào)序列長(zhǎng)度不同的問(wèn)題,本文采用滑動(dòng)時(shí)間窗口的方法。設(shè)置窗口大小為10 240,重疊率為30%。為避免窗口內(nèi)信號(hào)大部分為脈間間隔信號(hào),采用窗口內(nèi)信號(hào)平均幅值大于設(shè)定值的方式確保每個(gè)時(shí)間窗口內(nèi)至少包含一個(gè)完整周期的雷達(dá)信號(hào)。通過(guò)滑動(dòng)窗口方式,得到定長(zhǎng)的一維雷達(dá)信號(hào)序列。使用式(4)中的短時(shí)傅里葉變換將增強(qiáng)后一維時(shí)域數(shù)據(jù)樣本轉(zhuǎn)化成相應(yīng)的二維時(shí)頻圖,如圖4所示。

圖4 樣本數(shù)據(jù)生成示意圖

3.1.2 實(shí)驗(yàn)數(shù)據(jù)設(shè)置

為驗(yàn)證本文所提法在不同信噪比下的性能,生成了兩組不同信噪比下同等規(guī)模和同樣劃分方式的對(duì)比實(shí)驗(yàn)數(shù)據(jù)集來(lái)支撐對(duì)比研究,實(shí)驗(yàn)數(shù)據(jù)的具體組成與使用方法如表1和表2所示。

表1 實(shí)驗(yàn)樣本數(shù)量

表2 實(shí)驗(yàn)數(shù)據(jù)設(shè)置

3.1.3 實(shí)驗(yàn)主要網(wǎng)絡(luò)設(shè)計(jì)

自監(jiān)督代理任務(wù)網(wǎng)絡(luò)框架由特征提取網(wǎng)絡(luò)和特征修剪網(wǎng)絡(luò)兩部分組成,其中特征提取網(wǎng)絡(luò)由三層卷積模塊組成,具體超參數(shù)如表3和表4所示。特征修剪網(wǎng)絡(luò)由卷積層、全局池化層與全連接層組成,其中卷積層的核大小為3,并通過(guò)全局池化與全連接層將特征展開(kāi)為1×256的特征向量。

表3 一維信號(hào)網(wǎng)絡(luò)結(jié)構(gòu)

表4 二維圖像網(wǎng)絡(luò)結(jié)構(gòu)

在基于雙流融合網(wǎng)絡(luò)的分類(lèi)模塊中,特征提取網(wǎng)絡(luò)結(jié)構(gòu)保持不變,用于特征融合的卷積層大小設(shè)置為3×3,并通過(guò)兩層全連接層將特征展開(kāi)為1×4的特征向量用于分類(lèi)。

3.1.4 評(píng)價(jià)指標(biāo)

為驗(yàn)證算法的性能,本文除使用準(zhǔn)確率作為評(píng)價(jià)指標(biāo)外,還使用分類(lèi)問(wèn)題中常用的F1值作為評(píng)價(jià)指標(biāo)。準(zhǔn)確率能夠直觀地表現(xiàn)模型的性能,但在正負(fù)樣本不均衡時(shí)容易受到占比大的類(lèi)別的影響相對(duì)于準(zhǔn)確率,F1值綜合平衡了精確率precision和召回率recall的影響,能夠更為全面地評(píng)價(jià)一個(gè)分類(lèi)器。F1值的計(jì)算公式如下:

(6)

3.2 實(shí)驗(yàn)結(jié)果及分析

3.2.1 對(duì)比實(shí)驗(yàn)

為驗(yàn)證本文所提算法的性能,使用3.1.2中描述的兩組不同信噪比環(huán)境下生成的數(shù)據(jù)集展開(kāi)實(shí)驗(yàn),其中對(duì)照組的設(shè)置選擇以一維數(shù)據(jù)作為輸入的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和具有代表性的長(zhǎng)短期記憶(Long Short Term Memory,LSTM)方法。實(shí)驗(yàn)結(jié)果如圖5所示,可見(jiàn)本文所提的自監(jiān)督方法在不同的噪聲環(huán)境下均優(yōu)于傳統(tǒng)的一維CNN和LSTM方法,在噪聲環(huán)境偏低的信噪比2數(shù)據(jù)集下F1值和準(zhǔn)確率均可達(dá)到最優(yōu)水平,分別為97%和97.1%。

圖5 對(duì)比實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果的混淆矩陣如圖6～8所示。傳統(tǒng)一維CNN和LSTM方法在進(jìn)行輻射源分類(lèi)的過(guò)程中,4類(lèi)輻射源之間都容易發(fā)生混淆,但本文提出的自監(jiān)督算法僅在B類(lèi)的識(shí)別上與其他三類(lèi)發(fā)生混淆,且在低噪環(huán)境下的信噪比2數(shù)據(jù)集上能夠精準(zhǔn)識(shí)別C、D兩類(lèi)。

圖6 一維CNN混淆矩陣

圖7 LSTM混淆矩陣

圖8 自監(jiān)督雙流特征混淆矩陣

3.2.2 適應(yīng)集樣本數(shù)量影響

為探究不同適應(yīng)集樣本數(shù)量對(duì)模型識(shí)別效果的影響情況,在信噪比2的實(shí)驗(yàn)條件下,使用一維CNN方法、LSTM與自監(jiān)督方法在不同適應(yīng)集樣本數(shù)量下進(jìn)行對(duì)比實(shí)驗(yàn),結(jié)果如圖9和圖10所示。

圖9 F1值實(shí)驗(yàn)結(jié)果

從圖9和圖10可以觀察到,隨著適應(yīng)集每類(lèi)樣本數(shù)量的減少,三種方法總體上都呈現(xiàn)遞減趨勢(shì),然而當(dāng)適應(yīng)集每類(lèi)樣本數(shù)量從100個(gè)降低到30個(gè)時(shí),自監(jiān)督算法的F1值和準(zhǔn)確率均處于最優(yōu),且準(zhǔn)確率和F1值保持在95%以上;一維CNN算法的識(shí)別準(zhǔn)確率和F值皆有明顯下降;LSTM算法下降不明顯,但均處在76.5%左右,效果較差。由此可見(jiàn),自監(jiān)督雙流特征識(shí)別方法對(duì)于適應(yīng)集樣本個(gè)數(shù)具有較強(qiáng)的魯棒性。

3.2.3 超參數(shù)實(shí)驗(yàn)效果

一般的深度學(xué)習(xí)方法需要通過(guò)長(zhǎng)時(shí)間的訓(xùn)練使模型收斂,耗費(fèi)大量算力。本文提出的方法在自監(jiān)督預(yù)訓(xùn)練的基礎(chǔ)上,僅使用少量適應(yīng)集數(shù)據(jù)微調(diào)模型即可達(dá)到較好的效果。為了驗(yàn)證本文所提算法在自監(jiān)督預(yù)訓(xùn)練階段收斂較快的特點(diǎn),設(shè)計(jì)模型分別在預(yù)訓(xùn)練20輪和10輪的情況下,面對(duì)不同適應(yīng)集樣本量的表現(xiàn),實(shí)驗(yàn)結(jié)果如圖11所示。

圖11 訓(xùn)練20輪對(duì)實(shí)驗(yàn)結(jié)果的影響

實(shí)驗(yàn)結(jié)果表明,傳統(tǒng)的一維CNN在訓(xùn)練輪次10輪時(shí),由于模型并未擬合,識(shí)別準(zhǔn)確率皆低于訓(xùn)練輪次20輪時(shí)的情況,且隨著樣本數(shù)量的減少,未擬合情況進(jìn)一步加劇,在信噪比2的數(shù)據(jù)集下,樣本量縮減到30時(shí),識(shí)別準(zhǔn)確率降低了8.9%;LSTM算法相對(duì)穩(wěn)定性較高,在較短時(shí)間內(nèi)可以使模型達(dá)到正常水平,但LSTM在面對(duì)復(fù)雜電磁環(huán)境下的識(shí)別精度皆低于一維CNN和自監(jiān)督算法;本文提出的自監(jiān)督算法在訓(xùn)練輪次減少時(shí),準(zhǔn)確率下降不明顯,且同樣在信噪比2的數(shù)據(jù)集下,樣本量縮減到30時(shí),僅降低了4.6%,并且依舊能達(dá)到90.8%的較高識(shí)別準(zhǔn)確率。該實(shí)驗(yàn)說(shuō)明本文所提自監(jiān)督方法在面對(duì)復(fù)雜電磁環(huán)境下,可以以少量的樣本短時(shí)間內(nèi)達(dá)到較好的識(shí)別精度,具有較強(qiáng)的魯棒性和較快收斂的特點(diǎn)。本文實(shí)驗(yàn)為離線(xiàn)環(huán)境下的批量處理,在在線(xiàn)環(huán)境下的流式處理中可能存在效果下降的問(wèn)題。

圖12 訓(xùn)練10輪對(duì)實(shí)驗(yàn)結(jié)果的影響

4 結(jié)束語(yǔ)

本文提出了一種小樣本深度學(xué)習(xí)方法用以解決樣本數(shù)量不足條件下的輻射源類(lèi)型識(shí)別問(wèn)題。該方法首先利用有限數(shù)量實(shí)際樣本數(shù)據(jù),通過(guò)信號(hào)減損方法模擬不同信道條件下輻射源信號(hào),擴(kuò)充數(shù)據(jù)樣本數(shù)量,構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集;而后針對(duì)小樣本問(wèn)題特點(diǎn),提出了基于對(duì)比學(xué)習(xí)與雙流融合架構(gòu)的輻射源特征表征和分類(lèi)識(shí)別網(wǎng)絡(luò),利用輻射源信號(hào)一維時(shí)間序列與二維時(shí)頻圖作為網(wǎng)絡(luò)輸入,進(jìn)行跨模態(tài)對(duì)比訓(xùn)練與融合分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果證明,本文所提方法可在多類(lèi)信道條件下利用有限數(shù)量樣本實(shí)現(xiàn)準(zhǔn)確輻射源類(lèi)型識(shí)別,具備較強(qiáng)的應(yīng)用場(chǎng)景適應(yīng)與泛化能力,可為相關(guān)技術(shù)研究與運(yùn)用推廣提供新思路和新參考。與其他方法相比,本文提出的模型更加輕量,適用場(chǎng)景更為廣泛。

但在自監(jiān)督雙流融合框架中學(xué)習(xí)到的特征是否能夠適用于不同任務(wù)和領(lǐng)域,以及如何進(jìn)行有效的遷移學(xué)習(xí)仍是待解決的問(wèn)題。此外,如何處理現(xiàn)實(shí)情況下數(shù)據(jù)不平衡導(dǎo)致的訓(xùn)練偏差和學(xué)習(xí)困難,也是未來(lái)研究中面臨的挑戰(zhàn)。