張 然, 劉 悅, 潘成勝

(大連大學,a.信息工程學院; b.通信與網(wǎng)絡重點實驗室,遼寧 大連 116000)

0 引言

在無線通信系統(tǒng)中,隨著電磁環(huán)境的日益復雜,需要對環(huán)境中的各種干擾進行檢測和識別,為通信接收機生成有效的抗干擾決策提供依據(jù)。例如,在衛(wèi)星通信和移動通信等領域,通信設備可以通過先提前檢測和識別干擾信號,再采取相應的干擾消除技術,提高通信質(zhì)量和頻譜效率。因此,干擾識別技術逐漸成為無線通信系統(tǒng)的研究熱點。

目前,常用的信號識別方法有閾值比較法和基于神經(jīng)網(wǎng)絡的識別方法。傳統(tǒng)的閾值比較法[1-3]是通過專家經(jīng)驗來提取信號的特征參數(shù)進行識別的,會產(chǎn)生特征提取不全和依賴性的問題,所以目前更多地會采用具有自組織性和自適應性的神經(jīng)網(wǎng)絡進行信號識別的方法[4-9]。但是神經(jīng)網(wǎng)絡的訓練需要大量的數(shù)據(jù)作為支撐,而干擾信號的獲取十分困難,且干擾信號數(shù)據(jù)集進行標注的成本也比較高,所以,在干擾信號數(shù)據(jù)量小的情況下,存在識別率不高的問題。針對這個問題,有研究提出了基于神經(jīng)網(wǎng)絡的小樣本干擾信號識別方法。文獻[10]提出用增強深度卷積生成對抗網(wǎng)絡來實現(xiàn)雷達信號小樣本數(shù)據(jù)增強的方法,其本質(zhì)是通過對抗網(wǎng)絡產(chǎn)生逼近現(xiàn)實的信號樣本來擴充小樣本的數(shù)量使識別率提高,并不是直接采用小樣本的數(shù)據(jù);文獻[11]針對雷達小樣本目標識別問題,根據(jù)所拍攝的目標圖片,結合殘差網(wǎng)絡和基于歐氏距離的度量學習提出了識別方案,然而,殘差網(wǎng)絡提取出的是多維特征向量,基于歐氏距離的度量學習沒有考慮同種類多維向量之間的相關性,所以分類識別的準確度受限。

為了進一步提高壓制式干擾的識別率,提出了一種Holder系數(shù)與神經(jīng)網(wǎng)絡相結合的算法,使用Holder系數(shù)來度量頻率響應的變化。由于同種類型干擾信號的Holder系數(shù)十分接近,且具有較好的聚類效果,所以文獻[12]提出將提取的Holder系數(shù)與K-means算法相結合進行信號識別的方法。但是K-means算法對初值敏感,不同的初值可能會使聚類結果不穩(wěn)定。相比較之下,神經(jīng)網(wǎng)絡受初值影響小,且有比較穩(wěn)定的聚類結果,因此對比與K-means算法相結合的識別方法,Holder系數(shù)與神經(jīng)網(wǎng)絡相結合的方法在理論上更可以提升識別準確率。

本文以壓制式干擾為研究對象,為了提高小樣本干擾信號的識別精度,在元學習中,首先將干擾信號的時頻圖輸入殘差網(wǎng)絡得到的特征向量與Holder系數(shù)相結合,其次將時頻圖輸出的特征向量分為編碼向量和一個協(xié)方差矩陣,求出干擾預測值并計算歐氏距離來實現(xiàn)對小樣本的干擾分類,以提高干擾信號的識別率。

1 壓制式干擾信號模型

1.1 壓制式干擾的種類

對于壓制式干擾的識別[7],主要包括瞄準式窄帶干擾(Aiming Narrow Band Jamming,ANBJ),部分頻帶噪聲干擾(Partial Band Noise Jamming,PBNJ),隨機梳狀譜干擾(Random Comb Jamming,RCJ),周期脈沖噪聲干擾(Periodic Pulse Noise Jamming,PPNJ)和調(diào)頻類干擾(Frequency Modulation Jamming,FMJ)。

瞄準式窄帶干擾包括:模擬調(diào)制類的幅度調(diào)制(Amplitude Modulation,AM)和噪聲幅度調(diào)制(Noise Amplitude Modulation,NAM)干擾,數(shù)字調(diào)制類的二進制相移鍵控(Binary Phase Shift Keying,BPSK)、二進制頻移鍵控(Binary Frequency Shift Keying,BFSK)和正交相移鍵控(Quaternary Phase Shift Keying,QPSK)干擾,連續(xù)波(Continuous Wave,CW)干擾,窄帶噪聲干擾(Narrow Band Noise Jamming,NBNJ)等。

隨機梳狀譜干擾包括:梳妝譜噪聲干擾(Comb Spectrum Noise Jamming,CSNJ)和多音干擾(Multi-Tone Jamming,MTJ)。

調(diào)頻類干擾包括:噪聲調(diào)頻(Noise Frequency Modulation,NFM),線性調(diào)頻(Linear Frequency Modulation,LFM)和正弦調(diào)頻(Sinusoid Frequency Modulation,SFM)干擾。

接收信號r(n)的采樣信號為

r(n)=s(n)+j(n)+w(n)n=1,2,…,N

(1)

式中:s(n)為接收到的通信信號;j(n)為干擾信號;w(n)為高斯白噪聲;N為采樣長度。

1.2 壓制式干擾的時頻圖像

為了進行干擾信號特征的計算,首先需生成干擾信號時頻圖,用于后續(xù)輸入到神經(jīng)網(wǎng)絡中。本文研究選擇短時傅里葉變換(Short-Time Fourier Transform,STFT)的方法對干擾信號進行時頻分析,其中,頻譜圖SPx(t,f)可表示為

(2)

式中:t和f分別表示時間和頻率的離散參數(shù);w(t-τ)為窗函數(shù)。

對干擾信號進行時頻分析,將其轉換成可以輸入到殘差神經(jīng)網(wǎng)絡處理的224×224(單位為像素)的時頻圖片,以便輸出干擾信號時頻圖的編碼向量和其對應的協(xié)方差矩陣,為下一步求干擾信號預測值奠定基礎。

壓制式干擾信號時頻圖如圖1所示。圖中,壓制式干擾信號的干噪比(Jamming-to-Noise Ratio,JNR)設置為20 dB。

圖1 干擾信號的時頻圖

2 基于元學習的干擾識別算法

為了解決小樣本干擾信號的識別問題,提出一種基于元學習的壓制式干擾識別方法。干擾識別網(wǎng)絡整體結構如圖2所示。

圖2 干擾識別網(wǎng)絡結構

首先,對各類干擾信號的Holder系數(shù)進行提取,并將該干擾信號生成的時頻圖輸入到殘差網(wǎng)絡中;然后,將殘差網(wǎng)絡輸出的干擾信號特征向量與提取的Holder系數(shù)在全連接層中進行拼接,再對網(wǎng)絡模型進行訓練;同時,根據(jù)添加高斯協(xié)方差矩陣的歐氏距離度量算法,計算出每類支撐集的原型;最后,輸入干擾信號的測試集分別計算與每類原型的距離,與支撐集原型距離最小的類別即為測試集所屬的信號類別,完成信號的識別。

2.1 Holder系數(shù)的提取

Holder系數(shù)用來描述兩個不同信號之間的相似性[13],設有兩個離散正值信號序列{s1(i)≥0,i=1,2,…,N}和{s2(j)≥0,j=1,2,…,N},N為離散點數(shù)。則數(shù)學模型可定義為

(3)

式中:H為Holder系數(shù),0≤H≤1;參數(shù)p>1,q>1,且1/p+1/q=1。

在計算Holder系數(shù)之前,先對信號做傅里葉變換得到頻譜,再對頻譜進行能量歸一化。歸一化的目的是使特征具有相同的度量尺度。采用最大-最小歸一化方法,可表示為

(4)

式中:x*為歸一化后的干擾信號頻譜;x為干擾信號頻譜;xmin和xmax分別為干擾信號頻譜的最小值及最大值。歸一化后,干擾信號數(shù)據(jù)各維度參數(shù)的值均在[0,1]之間。

為了計算Holder系數(shù),同時引入兩個第三方信號序列——矩形信號頻率序列和三角信號頻率序列,作為參考信號序列[13]。矩形信號頻率序列能量分布較為均勻,三角形信號頻率序列較為集中,因而比較適合作為參考信號序列。

矩形信號頻率序列為

(5)

三角信號頻率序列為

(6)

其中:N為信號的頻率點數(shù);k為頻率序列的索引。

則信號頻率序列{s(i)}對應的Holder系數(shù)特征包括兩個系數(shù)值H1和H2,可分別表示為

(7)

(8)

最終,每個干擾信號分別與三角序列和矩形序列計算出Holder系數(shù)H=[H1,H2],用于提高干擾信號的聚類效果。

2.2 多維特征向量的計算

小樣本的學習方法通常采用特征結構為4層的卷積神經(jīng)網(wǎng)絡[14-15],該網(wǎng)絡易于訓練,但學習能力有限。而殘差網(wǎng)絡中的卷積特征學習具有良好的泛化能力和非常低的敏感度,可用來提高實際系統(tǒng)的信號檢測和分類的性能[16-20],從而提高信號識別的準確率。

在殘差網(wǎng)絡的前向傳播過程中,可以通過躍過一層或者多層連接的方式得到恒等映射。恒等映射的主要作用是在增加層數(shù)后,若模型層數(shù)大于或等于淺層數(shù),依舊能保持模型的性能[15]。

殘差網(wǎng)絡結構設計如圖3所示。本文構建了一個10層殘差網(wǎng)絡結構,該結構包含一個7×7的卷積層,一個3×3的最大池化層,兩個卷積層為3×3、通道數(shù)為64、步長為2的殘差塊,以及兩個卷積層為3×3、通道數(shù)為128、步長為2的殘差塊。

圖3 殘差網(wǎng)絡結構

在殘差網(wǎng)絡中,設全連接層輸出的特征向量為X=[X1,X2,X3,X4,…,X127,X128]。將提取到的Holder系數(shù)與該特征向量進行拼接,得到的新特征向量為X=[X1,X2,X3,X4,…,X127,X128,H1,H2],將其作為殘差網(wǎng)絡新的全連接層。在此基礎上,通過將干擾信號支撐集輸入修改后的殘差網(wǎng)絡進行模型訓練,得到殘差網(wǎng)絡的權重,再將干擾信號測試集的時頻圖輸入帶有權重的殘差網(wǎng)絡,輸出識別結果。

2.3 基于元學習的干擾識別

基于度量的元學習方法是以任務之間的相似性為基礎,找到過去訓練過的相似任務,并借鑒經(jīng)驗,以加速新任務的完成。度量函數(shù)可以最小化相似任務之間的距離,最大化不同任務之間的距離,提高任務處理的效率。

傳統(tǒng)的度量學習[11]是基于歐氏距離度量的原型網(wǎng)絡。本文考慮到多維特征向量之間的相關性,通過給歐氏距離添加高斯協(xié)方差矩陣來度量信號之間的相似性。即除了嵌入生成的數(shù)據(jù)點之外,還在數(shù)據(jù)點周圍添加了一個置信區(qū)域,該區(qū)域以高斯協(xié)方差矩陣為特征。置信區(qū)域有助于描述單個數(shù)據(jù)點的質(zhì)量,在有噪聲且同質(zhì)性低的情況下十分有效。另外,對于每個不同的類,傳統(tǒng)的歐氏距離都定義的是一個半徑相等的范圍,而添加的高斯協(xié)方差矩陣能更好地從不同的維度學習出一組更好的度量距離[21-22],使分類的結果更加準確。不同歐氏距離的分類結果如圖4所示。

圖4 不同歐氏距離的分類結果

改進后的基于度量的元學習干擾識別算法如下。

1) 設干擾信號時頻圖的數(shù)據(jù)集為x,類標簽為y,數(shù)據(jù)集D={(x1,y1),(x2,y2),…, (xi,yi)}。從數(shù)據(jù)集D的各類別中不放回地隨機抽樣數(shù)據(jù)點,以組成支撐集。

2) 同樣,隨機抽樣干擾信號數(shù)據(jù)集組成查詢集Q。

3) 將各類別干擾信號的支撐集傳入殘差網(wǎng)絡,輸出編碼向量和其相關的協(xié)方差矩陣Sraw。協(xié)方差矩陣Sraw采用維數(shù)是1的半徑分量,為每一個支撐集的圖像生成一個置信區(qū)間的表征。最后干擾信號各類別的置信區(qū)間所構造的協(xié)方差矩陣可以表示為Σ,即

Σ=diag (σ1,σ2,σ3,σ4,σ5,… )

(9)

式中:Σ為常數(shù)對角矩陣;σi為通過原始的輸出Sraw得到的第i個結果。

4) 計算協(xié)方差矩陣Sraw的逆矩陣S

S=1+softplus(Sraw)

(10)

式中,softplus(x)=lb(1+ex),保證了S>1。

5) 計算干擾信號支撐集中每個類的原型pc,則

(11)

6) 在完成干擾信號支撐集中每個類的原型計算后,輸入干擾信號時頻圖查詢集進入殘差網(wǎng)絡后輸出向量xi。

7) 計算干擾信號查詢集向量xi與類原型pc之間的距離Dis為

(12)

8) 計算干擾信號原型與查詢集向量的距離后,預測查詢集y的類,它與干擾信號原型的距離最小,即

y=arg minc(Dis)。

(13)

查詢集依次與每個類的原型比較距離,當y最小時,此查詢集就屬于該原型的類別,即識別出干擾信號的所屬類別。

3 實驗結果與分析

本文干擾信號的仿真環(huán)境為加性高斯白噪聲(Additive White Gaussian Noise,AWGN)信道。為了驗證所提方案的可行性,對干擾信號識別的準確率進行了比較和驗證。仿真中使用的技術框架是Keras,實驗所使用的電腦CPU為6顆E5-2680 v4,GPU為RTX 2080 Ti。

3.1 仿真參數(shù)設置

對于每一類干擾信號,選用協(xié)方差矩陣的半徑分量作為置信區(qū)域,壓制式干擾支撐集分別設置為1個樣本和5個樣本,測試集為100個樣本,進行訓練與識別。利用軟件生成干擾信號的Holder系數(shù)和時頻圖,并將Holder系數(shù)以及時頻圖的路徑存儲于同一個txt文件中,以實現(xiàn)系數(shù)與圖的一一對應。

仿真實驗中,基于實驗平臺的參數(shù)配置,設置干擾的帶寬為50 MHz,采樣率為61.44 MHz,干擾持續(xù)時長為20 μs,采樣點數(shù)為12 288。干擾信號的仿真參數(shù)設置如表1所示。

3.2 干擾信號識別率驗證與分析

3.2.1 神經(jīng)網(wǎng)絡與K-means識別效果對比與分析

對于每一類干擾信號,JNR取值-30～10 dB,每間隔5 dB取一次值,每種干擾樣式的每個JNR產(chǎn)生500個干擾信號。其中,每個JNR下400個干擾信號作為訓練集,100個干擾信號作為測試集,進行訓練與識別。

為了驗證Holder系數(shù)與神經(jīng)網(wǎng)絡結合比與K-means聚類方法結合識別率更高,對神經(jīng)網(wǎng)絡方法與K-means方法進行識別效果對比,并對每個JNR下信號識別的準確率取平均值,結果如圖5所示。

圖5 神經(jīng)網(wǎng)絡與K-means識別效果對比

由圖5可知,JNR的值高于-5 dB以后,神經(jīng)網(wǎng)絡對干擾信號識別率已經(jīng)可以達到100%的準確率,而K-means算法對干擾信號的識別率仍然在90%左右,這是由于算法聚類的結果不穩(wěn)定,導致了識別率的波動。由此可以得出,采用神經(jīng)網(wǎng)絡比K-means算法的識別率高。

3.2.2 小樣本信號識別率驗證與分析

本文提出利用元學習在小樣本標記的數(shù)據(jù)下進行時頻圖的特征提取,即使面對未訓練過的對象也不需要構建新的模型,能夠有效提高模型的泛化能力。為了驗證本文算法在小樣本干擾信號識別方面的有效性,將其與傳統(tǒng)基于歐氏距離的元學習方法進行對比。

在仿真中,利用實驗平臺配置的預訓練數(shù)據(jù)集中大量帶有標簽的數(shù)據(jù),估計出具有普適性、能推廣到ANBJ的規(guī)律,加速模型在ANBJ小樣本數(shù)據(jù)集上準確推理的過程,提高模型的泛化能力,以達到快速識別小樣本干擾信號的目的。

仿真參數(shù)設置結合實際情況,討論JNR分別為-10 dB,0 dB和20 dB時的干擾信號識別。選用協(xié)方差矩陣的半徑分量作為置信區(qū)域,以ANBJ中的7類干擾為例,設置測試集為100個樣本,干擾支撐集樣本數(shù)分別為1和5。具體的驗證手段如下:

1) 將實驗平臺提供的信號數(shù)據(jù)集輸入到殘差網(wǎng)絡中進行訓練,得到預訓練權重,并遷移到小樣本干擾信號訓練的殘差網(wǎng)絡中作為初始權重;

2) 依次將ANBJ中的干擾類別輸入到帶有預訓練權重的殘差網(wǎng)絡中,并不斷將上一個類別訓練出的權重參數(shù)提供給下一個類別作為初始權重;

3) 將ANBJ分別為1個樣本和5個樣本的干擾信號時頻圖作為支撐集輸入到殘差網(wǎng)絡中,將輸出的特征向量分為嵌入向量和置信度后,計算出ANBJ中每一類的原型,計算過程見2.3節(jié);

4) 將ANBJ中每個測試集的100張時頻圖輸入到殘差網(wǎng)絡中,分別用基本歐氏距離和優(yōu)化后的歐氏距離計算測試集到每個種類原型的距離,距離最小的種類為所屬的干擾信號類別,并記錄不同方法下小樣本識別的準確率。小樣本識別準確率對比仿真結果如表2所示。

表2 小樣本識別準確率對比

由表2可知,在不同的JNR下,本文算法的識別率均高于傳統(tǒng)算法。另外,本文算法相比傳統(tǒng)算法識別準確率的提升率隨著干擾信號強度的增大而增加,在支撐集只有1個樣本的情況下,提升率從0.8個百分點上升到了3個百分點;在支撐集有5個樣本的情況下,提升率從1.1個百分點上升到了9.5個百分點,進一步證明了本文算法對干擾信號識別的有效性。

4 結束語

針對小樣本干擾信號識別率低的問題,本文提出了基于Holder系數(shù)和殘差網(wǎng)絡的信號特征提取方案以及基于改進度量的元學習方法。對干擾信號仿真數(shù)據(jù)集進行學習,仿真實驗結果表明,優(yōu)化后的干擾識別算法在小樣本數(shù)據(jù)集1-shot與5-shot的任務中,提升率分別增加了約2.2個百分點和8.4個百分點,證明了所提出的基于元學習的干擾識別算法的有效性和優(yōu)越性。在實際應用中,當面對未知干擾且干擾信號樣本量較少時,本文算法可以對干擾特征進行快速學習,有效提升識別效率,為后續(xù)抗干擾決策提供有力依據(jù)。在未來的研究中,將進一步研究瞄準式窄帶干擾特征的提取,加大提取特征的差異性,得到更為優(yōu)越的干擾信號識別結果。