匡 銳 楊 宇

（1.海軍駐昆明地區(qū)第二軍事代表室 昆明 650000）（2.中船凌久電子（武漢）有限責(zé)任公司 武漢 430074）

1 引言

現(xiàn)代高技術(shù)戰(zhàn)場(chǎng)，隨著世界各種大型常規(guī)雷達(dá)研制和各類(lèi)特種軍用雷達(dá)研究的深入技術(shù)和發(fā)展，空間電磁環(huán)境變化異常之復(fù)雜，雷達(dá)信號(hào)脈沖分選法所必須面臨著的科技挑戰(zhàn)就更加嚴(yán)峻繁重，主要集中體現(xiàn)在了以下兩個(gè)大方面：1）雷達(dá)輻射源數(shù)量越來(lái)越多，脈沖密度變化大，對(duì)脈沖分選算法設(shè)計(jì)的高精度時(shí)效性要求愈來(lái)愈高；2）由于雷達(dá)種類(lèi)繁雜和發(fā)射信號(hào)形式的多樣化，每一種雷達(dá)技術(shù)又可能有多種復(fù)雜的多變形式的發(fā)射信號(hào)及調(diào)制接收方法，對(duì)識(shí)別算法的識(shí)別成功率要求高。

目前，基于機(jī)器學(xué)習(xí)原理的雷達(dá)輻射源的分選及識(shí)別系統(tǒng)研究正成為了一門(mén)新研究的重大發(fā)展新趨勢(shì)，具有高魯棒性質(zhì)量好、智能化控制程度高以及自適應(yīng)信號(hào)處理能力更強(qiáng)等技術(shù)優(yōu)點(diǎn)，更能充分適應(yīng)當(dāng)前復(fù)雜多變的電磁環(huán)境。國(guó)防科技大學(xué)的劉章孟［1］使用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）對(duì)雷達(dá)輻射源進(jìn)行分選，利用循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘雷達(dá)信號(hào)的高階特征，實(shí)現(xiàn)對(duì)脈沖流的高效分選，而且抗噪性得到了提高。昆明理工大學(xué)的普運(yùn)偉［2］、北京無(wú)線電測(cè)量研究所的牛浩楠［3］等使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN），通過(guò)訓(xùn)練一維卷積神經(jīng)網(wǎng)絡(luò)來(lái)快速學(xué)習(xí)雷達(dá)輻射源信號(hào)的各種有效識(shí)別特征并自動(dòng)進(jìn)行識(shí)別，從而對(duì)雷達(dá)輻射源進(jìn)行分選，當(dāng)信噪比很低時(shí)，識(shí)別正確率仍然能保持一個(gè)較好的水平。但是，這兩類(lèi)方法在算法實(shí)時(shí)性和有效性上存在不小的劣勢(shì)，很難在現(xiàn)代戰(zhàn)場(chǎng)上滿足實(shí)戰(zhàn)使用要求。

為綜合解決所有這些關(guān)鍵技術(shù)問(wèn)題，本文試圖提出另一種完全基于機(jī)器學(xué)習(xí)原理的雷達(dá)輻射源行為特征建模算法和感知分析方法，首先考慮利用時(shí)頻分析協(xié)同融合模型算法進(jìn)行雷達(dá)特征識(shí)別提取，快速定量提取出雷達(dá)特征參數(shù)并作為訓(xùn)練的樣本，然后結(jié)合建立一套基于卷積神經(jīng)網(wǎng)絡(luò)算法的深度機(jī)器學(xué)習(xí)模型系統(tǒng)進(jìn)行分類(lèi)特征識(shí)別，提高雷達(dá)分選識(shí)別準(zhǔn)確性水平和系統(tǒng)對(duì)識(shí)別誤差預(yù)測(cè)的適應(yīng)性。

2 信號(hào)分選

從雷達(dá)的偵察天線可以接收到目標(biāo)輻射源的射頻信號(hào)，能夠根據(jù)需要輸出脈沖信號(hào)的參數(shù)數(shù)據(jù)，根據(jù)這些參數(shù)即脈沖描述字可以進(jìn)行信號(hào)的分選和識(shí)別。雷達(dá)信號(hào)的分選方式基本都是基于脈沖信號(hào)的重復(fù)頻率進(jìn)行分選處理的，一般包括三個(gè)步驟：預(yù)分選、主分選和后續(xù)處理。

雷達(dá)信號(hào)的分選，包括對(duì)已知脈沖信號(hào)的識(shí)別和去除，主要采用基于脈沖到達(dá)角（DOA）、信號(hào)脈寬（PW）和信號(hào)載頻（RF）及脈內(nèi)信號(hào)調(diào)制方式相結(jié)合分選；第二步是信號(hào)的主分選，主要為通過(guò)識(shí)別信號(hào)的脈沖描述字，將脈沖參數(shù)相似的雷達(dá)信號(hào)識(shí)別出來(lái)；第三步是對(duì)脈沖數(shù)據(jù)的后續(xù)處理，主要包括脈沖描述字的統(tǒng)計(jì)分析、判斷并去除虛假的輻射源，更新雷達(dá)信號(hào)數(shù)據(jù)庫(kù)。具體流程如圖1所示。

圖1 雷達(dá)信號(hào)分選流程圖

3 特征提?。簳r(shí)頻分析融合模型構(gòu)建

首先得出不同輻射源信號(hào)，經(jīng)過(guò)特征提取判斷出輻射源的相關(guān)特征參數(shù)，參數(shù)主要包括雷達(dá)輻射源的時(shí)頻分布和信號(hào)功率譜估計(jì)值。本項(xiàng)目構(gòu)建時(shí)頻分析協(xié)同融合模型將初步提取的特征參數(shù)作為訓(xùn)練模型的輸入，進(jìn)而識(shí)別提取雷達(dá)輻射源信號(hào)的掃描特征等參數(shù)與時(shí)頻特征融合池化層?？傮w設(shè)計(jì)框圖如圖2所示。

圖2 雷達(dá)輻射源信號(hào)協(xié)同融合模型

依據(jù)特征提取得到的參數(shù)，通過(guò)查閱資料獲取參數(shù)和不同雷達(dá)工作模式的對(duì)應(yīng)關(guān)系，判別雷達(dá)與其工作模式。常見(jiàn)的雷達(dá)工作模式有搜索、跟蹤、目標(biāo)識(shí)別、導(dǎo)航、制導(dǎo)、火控、通信等。本項(xiàng)目采取卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行雷達(dá)工作模式的判別，通過(guò)訓(xùn)練標(biāo)簽對(duì)判別效果進(jìn)行評(píng)估，不斷獲得最優(yōu)的工作模式判別，該卷積神經(jīng)網(wǎng)絡(luò)為時(shí)頻分析協(xié)同融合模型的部分內(nèi)容。時(shí)頻分析協(xié)同融合模型的具體方法及模型構(gòu)建介紹如下。

3.1 基于VMD 的同步提取短時(shí)分?jǐn)?shù)階傅立葉變換算法

短時(shí)分?jǐn)?shù)階傅立葉變換（STFrFT）是將短時(shí)傅立葉變換推廣到分?jǐn)?shù)域而得到的一種分?jǐn)?shù)域時(shí)頻分析方法。與傳統(tǒng)STFT 相比，STFrFT 是將信號(hào)轉(zhuǎn)化到分?jǐn)?shù)域時(shí)頻二維空間進(jìn)行表示。

本項(xiàng)目提出將同步提取變換（Synchroextracting Transform，SET）和變分模態(tài)分解（Variational Mode Decomposition，VMD）與STFrFT 相結(jié)合的改進(jìn)思想，得到基于VMD 的同步提取STFrFT 算法（Pro-STFrFT）。SET 技術(shù)以STFrFT 的處理結(jié)果為基礎(chǔ)構(gòu)建同步提取算子，提取STFrFT 時(shí)頻分布中脊線位置的時(shí)頻系數(shù)，作為信號(hào)瞬時(shí)頻率的估計(jì)值，得到高聚集度的時(shí)頻分布。VMD 算法的作用則是將多分量信號(hào)分解為單分量的集合，對(duì)每個(gè)分量單獨(dú)匹配最優(yōu)旋轉(zhuǎn)階數(shù)，解決多階匹配問(wèn)題，用于雷達(dá)信號(hào)時(shí)頻分析特征的學(xué)習(xí)，算法總體方案如圖3所示。

圖3 基于VMD的同步提取STFrFT算法（Pro-STFrFT）的總體方案圖

3.2 多重同步壓縮變換算法

多重同步壓縮變換算法（MSST）是在SST 基礎(chǔ)上發(fā)展而來(lái)，屬于后處理算法，通過(guò)多次迭代應(yīng)用多個(gè)SST 操作，從頻率方向?qū)r(shí)頻系數(shù)進(jìn)行重分配且無(wú)信息丟失，將時(shí)頻表示的能量以階梯的方式集中，重構(gòu)信號(hào)，表述為式（1）。

MSST原理及實(shí)現(xiàn)過(guò)程如圖4所示。

圖4 MSST原理及實(shí)現(xiàn)過(guò)程

倒譜法一般是首先分別將各信號(hào)域的平均倒頻譜取一正負(fù)對(duì)數(shù)，再通過(guò)計(jì)算機(jī)將變換所得的結(jié)果分別進(jìn)行傅里葉的變換，得到各個(gè)信號(hào)域在其各個(gè)平均倒頻域間分布的平均倒頻譜。倒頻譜法就可以做到通過(guò)變換將一個(gè)同時(shí)域頻譜系統(tǒng)中兩個(gè)相互平行卷積疊加起來(lái)形成的前后的兩個(gè)正交信號(hào)或把前后的多個(gè)正交信號(hào)再分別用變換方式疊加到同一個(gè)倒頻域信號(hào)系統(tǒng)中從而分離成為后兩個(gè)正交相加后產(chǎn)生的正交信號(hào)，進(jìn)而也就可以真正實(shí)現(xiàn)通過(guò)采用線性濾波的信號(hào)分離技術(shù)方法而實(shí)現(xiàn)分離前后的兩個(gè)信號(hào)。倒譜法分離的基本原理特性使得對(duì)原始信號(hào)的識(shí)別與分離變得容易，有助于信號(hào)分量之間的分離和過(guò)濾信號(hào)中的噪聲，因此，將倒譜與多重同步壓縮算法結(jié)合得到De-shape MSST。

3.3 雷達(dá)輻射源信號(hào)的功率譜特征

針對(duì)雷達(dá)輻射源信號(hào)傳輸中具有高頻的非均勻連續(xù)而平穩(wěn)的隨機(jī)雷達(dá)輻射信號(hào)特征的特點(diǎn)，采用這樣一種具有一定統(tǒng)計(jì)規(guī)律特性意義上的雷達(dá)信號(hào)功率譜指標(biāo)來(lái)間接估計(jì)探測(cè)靈敏度已是當(dāng)前一項(xiàng)較為成熟直接而且有效且實(shí)用簡(jiǎn)便的測(cè)量方法手段，功率譜系數(shù)即定義為雷達(dá)功率譜密度指數(shù)（Power Spectral Density，PSD）系數(shù)的一種數(shù)學(xué)簡(jiǎn)稱，定義和表征了在一個(gè)單位頻帶區(qū)域范圍內(nèi)傳輸?shù)男盘?hào)功率密度是隨該信號(hào)頻率高低而的一個(gè)線性頻率分布情況。

根據(jù)譜估計(jì)方法研究的最新技術(shù)特點(diǎn)的要求和我國(guó)目前用于本研究項(xiàng)目研究的數(shù)據(jù)處理方法及其需求，本研究項(xiàng)目也可同時(shí)采用另外一種基于粒子群卡爾曼的濾波算法的AR 模型（AR Model based on Particle Swarm Optimization-Kalman filter，PSO-Kalman AR）模型，該模型還可以進(jìn)一步采用粒子群優(yōu)化算法來(lái)進(jìn)一步優(yōu)化卡爾曼濾波算法模型中的各種初始參數(shù)，使各種粒子模型變量的所有初始的最佳位置信息都將盡可能更多地出現(xiàn)于在一個(gè)盡可能更接近粒子模型的真實(shí)的觀測(cè)值的有限時(shí)空范圍內(nèi)，僅能夠通過(guò)時(shí)間序列變量的自身的或歷史上的實(shí)際觀測(cè)值，來(lái)盡量準(zhǔn)確地反映出各有關(guān)影響模型因素發(fā)揮的變量對(duì)模型最終實(shí)現(xiàn)預(yù)測(cè)中的各目標(biāo)參數(shù)發(fā)生的各種直接影響的作用機(jī)制和約束的作用，不受變量與構(gòu)成模型變量因素之間相互和完全互相獨(dú)立依賴關(guān)系的各種假設(shè)變量與條件模型之間的約束，建模過(guò)程簡(jiǎn)單，完成對(duì)雷達(dá)輻射源信號(hào)的功率譜估計(jì)，作為后續(xù)發(fā)育發(fā)現(xiàn)模型的輸入?yún)⒘恐?，其大致流程圖如圖5所示。

圖5 基于PSO Kalman AR模型的雷達(dá)輻射源信號(hào)功率譜估計(jì)

3.4 基于卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同融合模型

協(xié)同是指通過(guò)協(xié)調(diào)兩個(gè)以上或者可以是有兩個(gè)或者以上目的不同需要的組織個(gè)體人員或者單位資源，使其相互之間能夠?qū)崿F(xiàn)協(xié)同并一致目標(biāo)的方法達(dá)到完成某一目的。經(jīng)過(guò)時(shí)頻分析之后雷達(dá)輻射源特征參數(shù)和輻射源信息有很多，將他們綜合分析得到我們所需的綜合度較高的特征參數(shù)就要用到模型融合，模型融合就是訓(xùn)練多個(gè)模型或者是對(duì)于多數(shù)據(jù)元采用不同的處理算法，然后按照一定的方法集成多個(gè)模型所得的推薦參數(shù)。

基于神經(jīng)網(wǎng)絡(luò)原理提出的雷達(dá)輻射源特征信息識(shí)別系統(tǒng)模型，主要是指通過(guò)計(jì)算機(jī)將其中一個(gè)雷達(dá)輻射源特征參數(shù)信息資料和所有其他雷達(dá)輻射源信息數(shù)據(jù)資料（雷達(dá)型號(hào)、工作模式等）信息共同整合，作為其整個(gè)雷達(dá)神經(jīng)網(wǎng)絡(luò)體系中重要的一個(gè)信號(hào)數(shù)據(jù)輸入信息來(lái)源和輸出信息同時(shí)輸出，通過(guò)計(jì)算機(jī)系統(tǒng)實(shí)時(shí)分析調(diào)整雷達(dá)網(wǎng)絡(luò)系統(tǒng)內(nèi)部的各神經(jīng)元權(quán)重值分布，及網(wǎng)絡(luò)相互連接的連接方式等一系列相關(guān)參數(shù)信息資料從而重新構(gòu)建的一個(gè)雷達(dá)神經(jīng)網(wǎng)絡(luò)模型，使損失調(diào)函數(shù)的變化范圍達(dá)到了最小。

本項(xiàng)研究的項(xiàng)目主要旨在探討通過(guò)計(jì)算機(jī)對(duì)在有監(jiān)督的機(jī)器學(xué)習(xí)網(wǎng)絡(luò)中可提取出的輻射源信號(hào)中的神經(jīng)特征信號(hào)如何進(jìn)行分類(lèi)識(shí)別并綜合識(shí)別，典型的計(jì)算機(jī)深度機(jī)器學(xué)習(xí)的模型研究之一則是卷積神經(jīng)網(wǎng)絡(luò)模型研究（Convolutional Neural Networks，CNN）。利用CNN 分析軟件在快速分析解決各種復(fù)雜的計(jì)算機(jī)視覺(jué)任務(wù)能力水平上所具有的強(qiáng)大圖像處理技術(shù)性能，對(duì)雷達(dá)輻射源信號(hào)特征圖像進(jìn)行了基于一定時(shí)間頻率序列的變換，提取分析了其二維分布圖像特征，即首先采用了前文中已有提到過(guò)的二維時(shí)頻序列分布的圖像特征作為分析樣本并進(jìn)一步訓(xùn)練建立其二維CNN 分布模型，然后分別對(duì)系統(tǒng)圖像進(jìn)行了分類(lèi)識(shí)別。對(duì)雷達(dá)輻射源信號(hào)進(jìn)行短時(shí)調(diào)制頻率的傅里葉變換計(jì)算（Short Time Fourier Transform，STFT）運(yùn)算后即可得到短時(shí)調(diào)制頻信號(hào)的時(shí)頻分布，用CNN 算法來(lái)進(jìn)行雷達(dá)信號(hào)分類(lèi)計(jì)算及識(shí)別，針對(duì)在較低的信噪比的環(huán)境條件下模型區(qū)分雙相移相鍵控雷達(dá)信號(hào)（BPSK）和普通雷達(dá)信號(hào)效果較明顯差信號(hào)源的實(shí)時(shí)識(shí)別問(wèn)題，設(shè)置出了STFT 的最大時(shí)間累積量閾值，實(shí)現(xiàn)了計(jì)算機(jī)上對(duì)上述的2 類(lèi)差信號(hào)源的實(shí)時(shí)的、有效的識(shí)別。同時(shí)將CNN 分析與強(qiáng)化學(xué)習(xí)算法相結(jié)合，利用CNN 技術(shù)自動(dòng)識(shí)別提取雷達(dá)輻射源信號(hào)包絡(luò)前沿特征，并自動(dòng)擬合雷達(dá)當(dāng)前狀態(tài)動(dòng)作時(shí)的Q值，通過(guò)強(qiáng)化學(xué)習(xí)模型自動(dòng)完成雷達(dá)輻射源個(gè)體特征識(shí)別。深度學(xué)習(xí)是基于更高深層數(shù)據(jù)的一種人工神經(jīng)網(wǎng)絡(luò)，它通過(guò)將數(shù)據(jù)特征工程實(shí)現(xiàn)自動(dòng)化，自動(dòng)分析學(xué)習(xí)數(shù)據(jù)過(guò)程中最全面的最關(guān)鍵的信息，提取比數(shù)據(jù)本身更符合本質(zhì)意義的特征。其最大技術(shù)代價(jià)之一主要就是雷達(dá)模型基數(shù)太高過(guò)大，超參數(shù)過(guò)多，訓(xùn)練的時(shí)間一般又要求較長(zhǎng)，依賴獲取大規(guī)模帶標(biāo)簽數(shù)據(jù)，而如果從實(shí)際的訓(xùn)練環(huán)境中要想快速獲取到如此大量的非合作雷達(dá)輻射源數(shù)據(jù)則仍存在有很大的一定比例上的困難。

4 結(jié)語(yǔ)

本方案立足于輻射源目標(biāo)行為判別部分，根據(jù)獲取到的雷達(dá)信號(hào)實(shí)現(xiàn)特征提取等功能，為電子對(duì)抗中的實(shí)時(shí)干擾提供依據(jù)。本方案在每個(gè)關(guān)鍵步驟均提出了異于傳統(tǒng)方法的策略，在特征提取部分，本方案擬建立時(shí)頻分析協(xié)同融合模型，根據(jù)輸入的雷達(dá)信號(hào)進(jìn)行目標(biāo)的特性識(shí)別，為硬件平臺(tái)的功能實(shí)現(xiàn)提供參數(shù)信息。