張書衡, 翟茹萍, 劉永凱

(南京航空航天大學(xué)電子信息工程學(xué)院, 江蘇 南京 210016)

0 引 言

近年來,隨著智能技術(shù)以及自組網(wǎng)技術(shù)的深入研究,無人機(jī)集群得到迅速發(fā)展[1-2],其憑借低成本、大規(guī)模、高靈活性等特點(diǎn),已然成為現(xiàn)代局部戰(zhàn)場的進(jìn)攻利器[3]。與集群技術(shù)的快速發(fā)展相比,目前反集群的相關(guān)技術(shù)尚不成熟,難以對敵方無人機(jī)集群形成有效的攔截[4]。在集群防御體系中,提前掌握未知集群類型等相關(guān)信息,是建立有效防御的關(guān)鍵,因此有必要對無人機(jī)集群類型的識別展開深入研究。

目前大多數(shù)的研究僅使用通信域或雷達(dá)域信號對單無人機(jī)用戶類型進(jìn)行識別。文獻(xiàn)[5-6]利用通信域信號特征對單個(gè)無人機(jī)用戶進(jìn)行類型識別。文獻(xiàn)[7]利用短時(shí)傅里葉變換將通信信號轉(zhuǎn)換為頻譜圖,將該頻譜圖輸入至卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)中進(jìn)行識別,然而將信號轉(zhuǎn)換成特征圖譜,增加了計(jì)算的復(fù)雜度和網(wǎng)絡(luò)模型結(jié)構(gòu)的復(fù)雜度。文獻(xiàn)[8]提取用戶信號的高階累積量和瞬時(shí)特征,利用深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)對用戶類型進(jìn)行識別分類,在低信噪比下取得了不錯(cuò)的識別效果,但是其輸入特征的維度、樣本數(shù)量過多,增加了網(wǎng)絡(luò)的計(jì)算量。文獻(xiàn)[9]提取了無人機(jī)射頻信號指紋特征,但是僅適用于兩種單無人機(jī)類型的識別分類。在集群類型識別中,在利用通信域特征對其進(jìn)行識別時(shí),由于存在多個(gè)用戶信號之間的處理工作以及對用戶信號提取的特征數(shù)量多、存在冗余,包括對使用的網(wǎng)絡(luò)具有低復(fù)雜度、高性能等要求,最終會導(dǎo)致對集群類型識別率較低等問題。

通過雷達(dá)探測信號對無人機(jī)類型識別的研究主要包含兩個(gè)方向:一類是提取目標(biāo)的航跡信息;另一類是提取目標(biāo)的微多普勒信息。文獻(xiàn)[10-12]通過分析雷達(dá)對目標(biāo)(無人機(jī)、鳥類、車輛)探測的航跡數(shù)據(jù),提取目標(biāo)的運(yùn)動(dòng)軌跡、多普勒等特征,使用機(jī)器學(xué)習(xí)算法對目標(biāo)類型進(jìn)行識別分類。上述研究僅針對單無人機(jī)類型的識別進(jìn)行了分析和討論,并沒有考慮集群類型識別的場景。文獻(xiàn)[13-16]通過提取目標(biāo)的微多普勒特征,對不同類型的目標(biāo)(固定翼、直升機(jī)、飛機(jī)、鳥類)進(jìn)行識別分類。然而目前對微多普勒特征的提取技術(shù)僅基于近距離、理想環(huán)境下,不適用于遠(yuǎn)距離的集群類型識別場景。與微多普勒提取技術(shù)相比,雷達(dá)航跡特征在距離上的限制要寬松得多,可被應(yīng)用于遠(yuǎn)距離集群類型的識別。在利用雷達(dá)域特征對集群類型識別時(shí)因存在多個(gè)無人機(jī)目標(biāo),需要進(jìn)行多目標(biāo)探測識別以及航跡數(shù)據(jù)處理等。

針對以上問題,本文提出了一種融合通信域和雷達(dá)域信號特征的無人機(jī)集群類型識別算法。該算法通過構(gòu)建通信信號和雷達(dá)信號的融合特征矩陣,提高了集群類型識別的正確率。其次,針對集群高維特征數(shù)據(jù)的處理,提出了二次篩選的近鄰成分分析(secondary screening of neighbourhood components analysis, SSNCA)算法,有效地減少了特征的冗余。最后,將降維后的融合特征矩陣輸入至稀疏自編碼器網(wǎng)絡(luò)(sparse autoencoder network, SAEN)進(jìn)行識別,驗(yàn)證了所提算法的有效性。

1 系統(tǒng)模型

本文設(shè)定有5個(gè)不同類型的無人機(jī)集群A、B、C、D、E,且任意集群內(nèi)存在多個(gè)用戶利用正交資源(如頻分復(fù)用等)進(jìn)行通信,如圖1所示。

同一集群內(nèi)的無人機(jī)保持等間距、等高度徑向飛往雷達(dá),在雷達(dá)探測采樣時(shí)間內(nèi)保持勻速運(yùn)動(dòng)。假設(shè)通信偵測接收機(jī)接收的信號為s(t):

(1)

式中:xi(t)是集群內(nèi)第i個(gè)用戶的通信調(diào)制信號;n(t)是均值為零、方差為σ2的加性高斯白噪聲。

2 通信域和雷達(dá)域融合特征矩陣的構(gòu)建

本節(jié)主要介紹集群信號特征的理論知識,包括集群通信信號的高階累積量和瞬時(shí)特征統(tǒng)計(jì)量,以及雷達(dá)探測信號的航跡特征,最后詳細(xì)闡述了集群通信-雷達(dá)融合特征矩陣的構(gòu)建。

2.1 高階累積量

高斯白噪聲的均值為零,且二階以上的高階累積量也為零,因此高階累積量可以抑制噪聲的干擾,可用于調(diào)制信號的識別[17]。

對于均值為零的平穩(wěn)隨機(jī)過程x(t),其部分高階累積量的表達(dá)式[18]如下:

C20=cum(x,x)=M20

(2)

C21=cum(x,x*)=M21

(3)

(4)

(5)

式中:cum(·)的含義為對(·)求累積量;“*”表示共軛;Mpq表示平穩(wěn)信號x(t)的p階混合矩陣,定義為

Mpq=E[x(t)p-qx*(t)q]

(6)

式中:q表示共軛的個(gè)數(shù);E[·]表示均值。

本文使用9個(gè)累積量C20、C21、C40、C41、C42、C60、C61、C62、C63,組成集群類型識別的第一類特征向量。為了充分利用累積量的相位信息,對其進(jìn)行實(shí)部和虛部分離的操作,并按照實(shí)部在前、虛部在后的排列方式組成了一個(gè)18維的特征向量:

F1=[Re(C20),Re(C21),…,Re(C63),Im(C20),Im(C21),…,Im(C63)]1×18

(7)

2.2 瞬時(shí)特征統(tǒng)計(jì)量

不同調(diào)制信號在幅度、相位和頻率上存在著差異,利用信號瞬時(shí)幅度、瞬時(shí)相位等信息,可得到不同的瞬時(shí)特征統(tǒng)計(jì)量,進(jìn)而可以識別不同用戶信號的類型。在盡可能區(qū)分本文使用的調(diào)制信號種類的情況下,選取了以下特征統(tǒng)計(jì)量[19]。

零中心歸一化非弱信號段瞬時(shí)幅度標(biāo)準(zhǔn)差σda,可以表征信號幅度的變化信息,表示為

(8)

(9)

(10)

式中:Acn(k)是第k個(gè)符號的零中心歸一化瞬時(shí)幅度;An(k)是第k個(gè)符號的歸一化瞬時(shí)幅度;ma為信號瞬時(shí)幅度的平均值;A(k)是第k個(gè)符號的幅值;Lthr是信號幅度大于門限值(thr)的符號個(gè)數(shù),其中門限值為平均符號能量。

零中心歸一化瞬時(shí)幅度絕對值的標(biāo)準(zhǔn)σaa用于表征信號的絕對幅度信息,表示為

(11)

(12)

零中心非弱信號段瞬時(shí)相位非線性分量的標(biāo)準(zhǔn)差σdp可以表征信號相位變化的信息,表示為

(13)

式中:φ(k)是第k個(gè)復(fù)信號的相位。

零中心非弱信號段瞬時(shí)相位非線性分量的絕對值的標(biāo)準(zhǔn)差σap可以表征信號的絕對相位信息,表示為

(14)

式中:|φ(k)|是第k個(gè)復(fù)信號相位的絕對值。

本文選取了上述5個(gè)瞬時(shí)特征統(tǒng)計(jì)量作為集群類型識別的第二類特征向量F2,即

(15)

2.3 雷達(dá)航跡特征

設(shè)調(diào)頻連續(xù)波雷達(dá)發(fā)射信號的初始相位為零,則發(fā)射信號表達(dá)式為

sT(t)=A1exp{j2πf0t+jπKt2}

(16)

式中:A1為發(fā)射信號的幅度;f0為載頻;K為調(diào)頻斜率。目標(biāo)延時(shí)τ為

(17)

式中:R0為目標(biāo)到雷達(dá)的距離;vr為目標(biāo)與雷達(dá)的徑向速度;c為光速。則對應(yīng)的集群多目標(biāo)的回波信號可表示為

(18)

將發(fā)射信號作為參考信號與回波信號混頻,得到中頻信號:

s′(t)=conj(sT(t))·sR(t)=

(19)

中頻回波經(jīng)脈沖壓縮、多普勒累積、恒虛警檢測(constant false-alarm rate, CFAR)、數(shù)字波束形成等信號處理流程后得到原始點(diǎn)跡,如圖2所示。

圖2 雷達(dá)信號處理流程Fig.2 Radar signal processing flow

每個(gè)原始點(diǎn)跡包含了目標(biāo)的空間信息、速度信息等,大量點(diǎn)跡按照時(shí)序排列后組成了目標(biāo)的航跡。通過對航跡中點(diǎn)跡的信息統(tǒng)計(jì)分析,可以得到目標(biāo)在空間、多普勒、反射強(qiáng)度等多種信息上的分布,從而進(jìn)行目標(biāo)的識別分類。本文提取了航跡中距離(d)、速度(v)、方位角(α)、俯仰角(θ)、高度(h)作為集群類型識別的第三類特征向量F3[8-9],即:

F3=[d,v,α,θ,h]1×5

(20)

2.4 集群通信—雷達(dá)融合特征矩陣的構(gòu)建

(21)

式中:Ns表示樣本數(shù)量。提取雷達(dá)航跡特征F3,構(gòu)建集群通信—雷達(dá)融合特征矩陣Mcr如下:

(22)

(23)

3 通信—雷達(dá)融合特征矩陣的降維

本節(jié)主要根據(jù)不同的特征選擇算法,對集群融合矩陣進(jìn)行降維。

3.1 主成分分析

主成分分析(principal component analysis, PCA)是一種常用的無監(jiān)督降維方法[20]。它根據(jù)最大方差理論,從原始特征數(shù)據(jù)中提取出一組全新的特征變量,以減少特征之間的相關(guān)性和噪聲的干擾。

其數(shù)學(xué)思想如下:原始輸入樣本矩陣為x=[x1,x2,…,xn]T,xj∈Rm,存在編碼映射f,使得f(xj)=r。那么也存在一個(gè)解碼映射g,使得xj≈g(r)=Zr。其中Z為解碼矩陣,規(guī)定存在如下約束:其列向量相互正交,且存在單位范數(shù)。

假設(shè)輸入xj的最優(yōu)編碼為r*,通過最小化xj和g(r*)之間的距離,用L2范數(shù)來確定:

(24)

通過梯度求解:

(25)

r=ZTxj

(26)

k(xj)=g(f(xj))=ZZTxj

(27)

問題轉(zhuǎn)換成求解編碼矩陣Z,即通過最小化誤差矩陣的Frobenius范數(shù)求解最優(yōu)矩陣Z*:

s.t.ZTZ=Il

(28)

先考慮l=1的情況:Z*是一個(gè)向量,可簡化為

(29)

使用矩陣Xi,：=x(i)T=xT代入得

s.t.zTz=1

(30)

上述問題通過特征值分解求解完成:z*是XTX最大特征值對應(yīng)的特征向量,即第一個(gè)主成分變量,則矩陣Z*由XTX前l(fā)個(gè)最大的特征值對應(yīng)的特征向量組成。

在使用PCA算法對Mcr降維時(shí),主成分貢獻(xiàn)率的閾值th分別選擇了0.98和0.998。當(dāng)閾值為0.98時(shí),所有信噪比下對應(yīng)的主成分?jǐn)?shù)量為3;當(dāng)閾值為0.998時(shí),所有信噪比下對應(yīng)的主成分?jǐn)?shù)量大于6(6～12個(gè))。

3.2 近鄰成分分析

近鄰成分分析(neighbourhood components analysis, NCA)是一種距離測度學(xué)習(xí)算法[21],是從K-近鄰(Knearest neighbor, KNN)分類的隨機(jī)變量中計(jì)算留一法的分類誤差,通過梯度下降法使目標(biāo)函數(shù)最大化,得到一個(gè)低秩矩陣,從而將高維數(shù)據(jù)變換到低維數(shù)據(jù),達(dá)到數(shù)據(jù)降維的目的。

其數(shù)學(xué)思想如下:對于數(shù)據(jù)集{x1,x2,…,xn},其中任意兩個(gè)樣本點(diǎn)xi和xj之間的馬氏距離定義為

d(xi,xj)=(xi-xj)T·R·(xi-xj)=

(Pxi-Pxj)T·(Pxi-Pxj)

(31)

式中:1≤i,j≤n;R為對稱半正定矩陣,且R=PTP。定義pij為樣本點(diǎn)xi與樣本點(diǎn)xj被分為同一類的概率:

(32)

則任意樣本點(diǎn)xi被正確分類的概率為pi:pi=∑xj∈Ωipij,Ωi表示與點(diǎn)xi屬于同一類的點(diǎn)集合。目標(biāo)函數(shù)I(P)要使得被正確分類的點(diǎn)數(shù)達(dá)到最大,定義為

(33)

對P求微分,得到梯度規(guī)則:

(34)

對于上述無約束的優(yōu)化問題,通過梯度下降法可計(jì)算出變換矩陣P,當(dāng)P是一低秩矩陣,即可將原始高維數(shù)據(jù)嵌入低維空間中,從而實(shí)現(xiàn)數(shù)據(jù)的降維。

3.3 SSNCA

針對本文研究內(nèi)容,提出了SSNCA算法對復(fù)雜的集群高維特征進(jìn)行降維。原始特征矩陣經(jīng)NCA算法選擇后,將直接輸出降維后的特征矩陣,即完成了特征選擇過程(稱之為一次篩選)。SSNCA增加了第二次特征篩選的過程:簡單來說,先使用傳統(tǒng)NCA網(wǎng)絡(luò)對不同信噪比下的特征數(shù)據(jù)集完成一次篩選,得到不同維度的特征矩陣;接著進(jìn)行二次篩選:統(tǒng)計(jì)每類特征出現(xiàn)的頻率fk。當(dāng)fk大于等于閾值th時(shí),選擇加入最終的集群特征矩陣,否則就舍棄。本文設(shè)定對最終識別分類具有貢獻(xiàn)的特征出現(xiàn)頻率的閾值th為2。SSNCA算法流程圖如圖3所示。

圖3 SSNCA特征選擇算法流程圖Fig.3 Flowchart of SSNCA feature selection algorithm flowchart

二次篩選的目的是保證不會漏選任一維對識別具有貢獻(xiàn)的特征,以免造成信息的損失,同時(shí)避免在某個(gè)信噪比下的特征數(shù)據(jù)集存在篩選上的偶然性。

使用SSNCA算法對維度為51的Mcr進(jìn)行降維,經(jīng)過篩選后,確定以下8個(gè)特征構(gòu)成本文集群類型識別的特征向量:

(35)

(36)

4 SAEN

4.1 網(wǎng)絡(luò)模型

不同于CNN和RNN等網(wǎng)絡(luò)結(jié)構(gòu),SAEN的隱藏層含有稀疏系數(shù),可以減小過擬合風(fēng)險(xiǎn),并加速網(wǎng)絡(luò)的訓(xùn)練和部署,可用于集群類型識別場景。SAEN的原理如下:設(shè){x1,x2,…,xn}是訓(xùn)練數(shù)據(jù)集,其中x∈Rm。對于n個(gè)訓(xùn)練樣本,使用梯度下降算法進(jìn)行訓(xùn)練,其代價(jià)函數(shù)如下:

(37)

(38)

式中:ζ(x)是Sigmoid激活函數(shù);W和b是對應(yīng)層的權(quán)重矩陣和偏置。而SAEN的稀疏約束是通過對神經(jīng)元的平均激活進(jìn)行限制,使其大多時(shí)候保持為零?？赏ㄟ^Kullback-Leibler(KL)散度來實(shí)現(xiàn)稀疏約束

(39)

(40)

(41)

式中:β是懲罰系數(shù),調(diào)節(jié)KL散度在總代價(jià)函數(shù)中的權(quán)重;g0是對應(yīng)層的神經(jīng)元個(gè)數(shù)。

通過大量的實(shí)驗(yàn),不斷對網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整優(yōu)化后,在保證SAEN的識別性能高且穩(wěn)定的情況下,得到了本文使用的SAEN的結(jié)構(gòu)和參數(shù)設(shè)置,如表1所示。其中,隱藏層節(jié)點(diǎn)個(gè)數(shù)根據(jù)輸入層節(jié)點(diǎn)個(gè)數(shù)的變化而變化。

表1 SAEN結(jié)構(gòu)及參數(shù)設(shè)置

4.2 基于SAEN的無人機(jī)集群類型識別算法

本文采用具有兩層隱藏層的SAEN完成集群類型的識別:首先提取不同集群通信信號的高階累積量和瞬時(shí)特征統(tǒng)計(jì)量,對雷達(dá)回波信號分析提取集群航跡特征,構(gòu)建集群融合特征矩陣;然后,使用SSNCA特征選擇算法對融合矩陣進(jìn)行特征選擇,降低矩陣維度;最后,使用SAEN對降維后的融合矩陣進(jìn)行集群類型的識別?；赟AEN的集群識別網(wǎng)絡(luò)模型如圖4所示。

圖4 基于SAEN的集群類型識別模型Fig.4 Swarm type recognition model based on SAEN

基于SAEN的集群類型識別算法流程如圖5所示。

圖5 基于SAEN的無人機(jī)集群類型識別算法流程Fig.5 Process of SAEN-based unmanned aerial vehicle swarm type identification algorithm

5 仿真結(jié)果及分析

5.1 仿真條件

本文無人機(jī)集群融合特征的數(shù)據(jù)集共包含5種不同集群的特征樣本,每種集群特征樣本數(shù)為1 000,共包含5 000條樣本。所有數(shù)據(jù)集均按照7∶3的比例劃分訓(xùn)練集和測試集。通信和雷達(dá)仿真信道均為加性高斯白噪聲(additive white Gaussian noise, AWGN)信道,通信信號信噪比定義為接收信號功率除以噪聲功率,雷達(dá)信號信噪比定義為中頻回波信號功率除以噪聲功率。兩者初始數(shù)值大小相等。仿真所使用的信噪比以通信信號信噪比大小為基準(zhǔn)。

本文設(shè)定集群通信場景為不同的集群,將使用不同的調(diào)制方式進(jìn)行內(nèi)部通信。無人機(jī)集群的通信數(shù)據(jù)如表2所示。集群A～E通信信號調(diào)制方式分別使用二進(jìn)制相移鍵控(binary phase shift keying, BPSK)、正交相移鍵控(quadrature phase shift keying, QPSK)、8移相鍵控(8 phase shift keying, 8PSK)、16進(jìn)制正交幅度調(diào)制(16 quadrature amplitude modulation, 16QAM)以及64進(jìn)制正交幅度調(diào)制(64 quadrature amplitude modulation, 64QAM)。

表2 不同集群參數(shù)設(shè)置

設(shè)定集群雷達(dá)探測場景為:集群內(nèi)共有6架無人機(jī),無人機(jī)之間的間距為100 m,其飛行速度和高度均保持一致,飛行方向?yàn)閺较蚩拷走_(dá),所處方位角范圍為0°～30°。仿真使用調(diào)頻連續(xù)波雷達(dá),雷達(dá)參數(shù)如表3所示。

表3 雷達(dá)參數(shù)設(shè)置

仿真生成了5種不同集群類型飛行航跡的雷達(dá)探測回波數(shù)據(jù),其中每條航跡樣本包含20個(gè)點(diǎn)跡,每個(gè)點(diǎn)跡包含距離、方位角、俯仰角、速度、高度五維信息。對每一條航跡樣本中所有點(diǎn)跡信息進(jìn)行統(tǒng)計(jì)分析,取每個(gè)維度的均值作為最終的航跡特征樣本。集群飛行航跡參數(shù)的范圍如表4所示。

表4 無人機(jī)集群航跡參數(shù)設(shè)置

5.2 實(shí)驗(yàn)仿真結(jié)果

實(shí)驗(yàn)1使用參數(shù)如表3的調(diào)頻連續(xù)波雷達(dá)對不同隊(duì)形的無人機(jī)集群進(jìn)行仿真探測,根據(jù)回波信號可提取出目標(biāo)的相關(guān)信息,包括目標(biāo)個(gè)數(shù)、速度、距離和角度信息。其中速度—距離圖如圖6所示。圖6是使用雷達(dá)對不同隊(duì)列分布的無人機(jī)集群進(jìn)行仿真探測,其回波信號經(jīng)過相應(yīng)的處理后得到的速度距離圖。圖6(a)清晰地顯示了6架無人機(jī)距離雷達(dá)的位置和飛行速度;圖6(b)顯示了當(dāng)無人機(jī)的距離存在重疊時(shí)的情況,可以看出重疊的目標(biāo)越多,其距離門對應(yīng)的信號強(qiáng)度越大。

圖6 無人機(jī)集群呈不同隊(duì)列分布時(shí)雷達(dá)探測的速度距離圖Fig.6 Speed and distance map of radar detection when the unmanned aerial vehicle swarm is distributed in different queues

實(shí)驗(yàn)2根據(jù)第2.1節(jié)和第2.2節(jié)內(nèi)容對單無人機(jī)用戶采樣信號提取高階累積量和瞬時(shí)特征統(tǒng)計(jì)量,得到單機(jī)通信特征矩陣Md,利用SAEN對單機(jī)通信矩陣Md和集群通信矩陣Mc進(jìn)行識別。同時(shí)選擇參考文獻(xiàn)[6]提出的算法對集群信號進(jìn)行特征提取,并使用文獻(xiàn)中相同網(wǎng)絡(luò)參數(shù)的DNN進(jìn)行識別。

由圖7可知,當(dāng)僅使用通信特征對無人機(jī)集群類型進(jìn)行識別時(shí),正確率隨著信噪比的增大遞增,且對單機(jī)類型識別的性能要優(yōu)于對集群類型識別的性能。在信噪比為-4 dB時(shí),SAEN對單機(jī)通信特征矩陣識別的性能比集群通信特征矩陣識別的性能大約高2.6dB。這是因?yàn)樵诘托旁氡葧r(shí),集群內(nèi)部通信的多個(gè)信號之間因信噪比不同,其特征不夠明顯,相互間存在一定的干擾。而當(dāng)信噪比大于0 dB后,集群識別性能與單機(jī)識別性能是接近的。與文獻(xiàn)[6]的性能曲線對比可知,當(dāng)信噪比低于2 dB時(shí),本文提出的基于通信信號特征識別的算法性能大約高1.5 dB。該仿真結(jié)果證明了本文提出的算法在通信域特征上更適用于集群類型識別。

圖7 SAEN對單無人機(jī)和集群通信特征識別性能圖Fig.7 SAEN performance graph for single unmanned aerial vehicle recognition and swarm communication feature recognition

實(shí)驗(yàn)3本實(shí)驗(yàn)使用不同神經(jīng)網(wǎng)絡(luò)對集群通信特征Mc和集群通信—雷達(dá)融合特征Mcr進(jìn)行識別。選取全連接神經(jīng)網(wǎng)絡(luò)(fully connected neural network, FCNN)作為對比網(wǎng)絡(luò),共有兩層全連接層,各層神經(jīng)元結(jié)點(diǎn)數(shù)為(128,64),激活函數(shù)為ReLU。使用的SAEN的隱藏層節(jié)點(diǎn)數(shù)為(30,20)。

圖8為不同神經(jīng)網(wǎng)絡(luò)對集群通信特征和集群通信-雷達(dá)融合特征進(jìn)行識別的性能對比圖。整體上,不同網(wǎng)絡(luò)對不同類型特征識別的正確率均隨著信噪比的增大而上升。僅從通信域特征對集群類型識別的分析,可以看出在信噪比小于-2 dB時(shí),FCNN的性能優(yōu)于SAEN;而從融合特征維度來看,SAEN在仿真信噪比范圍內(nèi)均優(yōu)于FCNN,更適用于雙域融合特征的學(xué)習(xí),且當(dāng)信噪比低于-2 dB時(shí),FCNN在對融合特征學(xué)習(xí)的結(jié)果上存在不穩(wěn)定的情況。從神經(jīng)網(wǎng)絡(luò)維度分析,使用融合特征對集群類型識別的正確率均高于僅使用通信域特征,該仿真結(jié)果證明了本文提出的基于通信-雷達(dá)融合特征的無人機(jī)集群類型識別算法的有效性。

圖8 不同網(wǎng)絡(luò)對集群通信特征和集群通信—雷達(dá)融合特征 識別性能對比圖Fig.8 Comparison diagram of the recognition performance of swarm communication features and swarm communication-radar fusion features among different networks

實(shí)驗(yàn)4本實(shí)驗(yàn)主要驗(yàn)證不同特征選擇算法對集群通信—雷達(dá)融合矩陣Mcr降維后的影響。使用SAEN對不同算法降維后的融合矩陣進(jìn)行識別?？紤]到降維后特征矩陣維度的減少,使用SAEN的隱藏層的節(jié)點(diǎn)數(shù)減少至(10,8)。仿真結(jié)果如圖9所示。

圖9 不同特征選擇算法對集群類型識別影響的對比圖Fig.9 Comparison diagram of the impact of different feature selection algorithms on swarm type recognition

圖9表明本文使用特征選擇算法對集群高維特征進(jìn)行篩選的方法是有效的。在面對集群高維特征時(shí),使用PCA算法提取的新特征存在一定的信息損失。當(dāng)對主成分貢獻(xiàn)率的閾值(th)提高時(shí),可以增加網(wǎng)絡(luò)對集群類型識別的正確率,但是其特征矩陣的維度也相應(yīng)增加了。這說明,只要對PCA算法的閾值進(jìn)行合適設(shè)置,可以在一定程度上降低融合特征的冗余。而通過性能曲線對比可知,本文提出的使用SSNCA算法進(jìn)行降維的識別性能要優(yōu)于原始NCA算法和PCA算法。當(dāng)信噪比在-2 dB到2 dB時(shí),使用SSNCA對特征降維后的識別性能要比使用NCA算法高3%左右。該仿真結(jié)果表明,SSNCA算法不僅大幅度減少了特征冗余,同時(shí)在低信噪比條件下,對集群識別性能起到了一定程度的提升作用,適用于本文提出的高維融合特征矩陣降維。

6 結(jié) 論

針對目前僅使用單域信號特征對單無人機(jī)進(jìn)行類型識別的問題,本文提出了融合無人機(jī)集群通信信號特征和雷達(dá)航跡特征的方法,從而實(shí)現(xiàn)了對無人機(jī)集群類型的有效識別。另外,本文提出的SSNCA特征選擇算法,有效降低了集群融合特征矩陣的維度,減少了特征的冗余。實(shí)驗(yàn)結(jié)果表明:本文提出的集群類型識別方法,在信噪比為0 dB時(shí),對5種不同集群類型的平均識別正確率為88%,同時(shí)顯著降低了集群融合矩陣的維度(僅為原始矩陣的27%)。