異常性檢測(cè)算法在引信干擾信號(hào)識(shí)別中的應(yīng)用

白帆，張慧，李鵬斐，曹昭睿

（1.沈陽理工大學(xué) a.裝備工程學(xué)院 b.機(jī)械工程學(xué)院，遼寧 沈陽 110159；2.北京理工大學(xué) 機(jī)電學(xué)院，北京 100081；3.機(jī)電動(dòng)態(tài)控制重點(diǎn)實(shí)驗(yàn)室，西安 710065）

隨著通信技術(shù)的發(fā)展，引信干擾技術(shù)[1-2]日趨成熟，且隨著現(xiàn)代作戰(zhàn)環(huán)境的不斷變化，該技術(shù)呈現(xiàn)出智能化、復(fù)雜化的發(fā)展趨勢(shì)，干擾信號(hào)的類型、手段、策略也更為多樣[3-4]。為了保證對(duì)引信信號(hào)的準(zhǔn)確接收，引信抗干擾算法必須在極短的時(shí)間內(nèi)，高效完成干擾信號(hào)檢測(cè)、識(shí)別、過濾等任務(wù)，才能滿足現(xiàn)階段引信系統(tǒng)在復(fù)雜含擾環(huán)境下的有效工作需求。否則，引信系統(tǒng)極易在多種類、多策略干擾信號(hào)的影響下出現(xiàn)早炸、錯(cuò)失、誤炸等問題，進(jìn)而導(dǎo)致武器系統(tǒng)失效。

引信干擾信號(hào)的識(shí)別是一個(gè)復(fù)雜的非線性過程，往常以機(jī)器學(xué)習(xí)作為核心檢測(cè)方法[5-6]。近年來，隨著人工智能的發(fā)展，研究人員開始將卷積神經(jīng)網(wǎng)絡(luò)引入信號(hào)識(shí)別領(lǐng)域中[7-8]。郭治銳等[9]提出了基于改進(jìn)的AlexNet 的雷達(dá)干擾識(shí)別方法，該方法利用AlexNet卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取雷達(dá)信號(hào)圖像中的特征細(xì)節(jié)，以實(shí)現(xiàn)雷達(dá)干擾信號(hào)的分類識(shí)別。唐陳等[10]采用殘差卷積神經(jīng)網(wǎng)絡(luò)，提取了各干擾的聯(lián)合特征，完成了干擾信號(hào)的分類。劉國(guó)滿等[11]設(shè)計(jì)了一種雙卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)結(jié)構(gòu)，基于單周期時(shí)頻圖像完成了干擾預(yù)分類，再利用多周期合成時(shí)頻圖像完成細(xì)分類，最終實(shí)現(xiàn)了8 種典型干擾樣式的識(shí)別。魏迪等[12]考慮到傳統(tǒng)卷積很難提取信號(hào)的時(shí)序特征，因此提出一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）和特征融合的識(shí)別方法，對(duì)通信干擾進(jìn)行了分類。畢明雪等[13]利用CVAE 算法生成了信號(hào)的時(shí)頻譜圖，并配合卷積神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)特征進(jìn)行了提取，最后經(jīng)由LSTM 網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行了識(shí)別。

然而，因真實(shí)引信干擾信號(hào)樣本生成成本高，且難以獲取[14-15]，導(dǎo)致在實(shí)際引信抗干擾訓(xùn)練任務(wù)中很難對(duì)充足的干擾數(shù)據(jù)進(jìn)行收集和標(biāo)注。同時(shí)，引信干擾信號(hào)樣本遠(yuǎn)小于正常信號(hào)樣本，這種數(shù)據(jù)分布狀態(tài)不利于監(jiān)督學(xué)習(xí)。在網(wǎng)絡(luò)訓(xùn)練的過程中，數(shù)量匱乏且分布不均的樣本極易導(dǎo)致網(wǎng)絡(luò)特征提取失衡，進(jìn)而影響最終的計(jì)算精度。因此，為了有效增強(qiáng)引信抗干擾算法的計(jì)算能力，不但需要從網(wǎng)絡(luò)原理的角度去提升算法的計(jì)算精度與速度，還需要降低網(wǎng)絡(luò)對(duì)真實(shí)樣本的依賴。

針對(duì)上述問題，本文引入異常性檢測(cè)[16-17]算法，設(shè)計(jì)基于GANomaly-EfficientNet 的引信干擾信號(hào)識(shí)別算法（GE-FS），在小樣本訓(xùn)練基礎(chǔ)上，對(duì)干擾信號(hào)進(jìn)行分類識(shí)別，提升引信抗干擾網(wǎng)絡(luò)特征學(xué)習(xí)的泛化性、高效性與適配性。通過實(shí)驗(yàn)證明，GE-FS 算法能夠有效增強(qiáng)引信異常性檢測(cè)效果，可以綜合提升引信的抗干擾能力。

1 引信數(shù)據(jù)前處理

1.1 含擾引信數(shù)據(jù)增強(qiáng)

由于真實(shí)含擾引信信號(hào)數(shù)據(jù)集難以獲取，且制作成本較大，為確保網(wǎng)絡(luò)模型在訓(xùn)練過程中能夠獲得足夠強(qiáng)的泛化性，本方案采用原理如圖1 所示的引信干擾信號(hào)數(shù)據(jù)增強(qiáng)方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，以擴(kuò)增引信樣本數(shù)量。如圖1 所示，GE-FS 首先將讀取到的全局?jǐn)?shù)據(jù)以1×1 024 的尺度按順序進(jìn)行分割，隨后對(duì)每個(gè)分割出的數(shù)據(jù)按照8×128 的尺度進(jìn)行再分割，生成8 組尺度為128 的數(shù)據(jù)后，將其隨機(jī)打亂，合成為一組尺度為1×1 024 的倍增數(shù)據(jù)，該數(shù)據(jù)將作為后續(xù)網(wǎng)絡(luò)訓(xùn)練的輸入數(shù)據(jù)源。通過這一方法，可以在不采集新的含噪引信真實(shí)樣本的前提下，充分利用已有的小樣本進(jìn)行數(shù)據(jù)擴(kuò)增，保證了模型的泛化能力。

圖1 引信樣本數(shù)據(jù)增強(qiáng)方法原理Fig.1 Principle of fuze sample data enhancement method

1.2 數(shù)據(jù)處理

初始采集的引信信號(hào)一般為一維時(shí)序信號(hào)，該類型信號(hào)維度較低，特征較少。為了得到引信信號(hào)的更多特征，本文將構(gòu)造時(shí)間和頻率聯(lián)合函數(shù)，基于信號(hào)在不同時(shí)間、不同頻率的能量密度或者強(qiáng)度，從時(shí)域和頻域角度分析一維引信信號(hào)，即Wigner-Ville Distibution 時(shí)頻分析方法[18]。利用時(shí)頻分布[19-20]來分析一維引信信號(hào)，能得到其各個(gè)時(shí)刻的瞬時(shí)頻率及其幅值，具體計(jì)算過程如下。

Wigner-Ville 分布可以看成信號(hào)的瞬時(shí)自相關(guān)函數(shù)的傅里葉變換，其表達(dá)式如（1）所示。

整理后如式（3）所示。

WVD 在某一頻率段內(nèi)對(duì)f進(jìn)行積分，結(jié)果為該信號(hào)在t時(shí)刻的瞬時(shí)能量。同樣，信號(hào)s(t)的傅里葉變換S(Ω)的WVD 可表示為式（4），結(jié)果為信號(hào)在Ω時(shí)刻的瞬時(shí)能量。

2 GE-FS 信號(hào)識(shí)別算法

2.1 GE-FS 信號(hào)識(shí)別算法總體設(shè)計(jì)

基于GANomaly-EfficientNet 的引信干擾信號(hào)識(shí)別網(wǎng)絡(luò)（GE-FS）結(jié)構(gòu)如圖2 所示。GE-FS 主要由異常信號(hào)檢測(cè)與干擾信號(hào)分類2 部分構(gòu)成。待檢測(cè)信號(hào)經(jīng)WVD 變換后，得到時(shí)頻譜圖X時(shí)，GE-FS 首先將圖片X輸入信號(hào)異常檢測(cè)部分，判斷圖片X是否為異常圖片。若圖片X為正常圖片，則直接輸出此時(shí)信號(hào)的類型為正常信號(hào)（Normal）；若圖片X為異常圖片，則認(rèn)為此時(shí)的輸入為干擾信號(hào)，此時(shí)開啟干擾信號(hào)分類部分，通過EfficientNet 實(shí)現(xiàn)干擾信號(hào)的分類。

圖2 GE-FS 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 GE-FS Network structure

2.2 基于GANomaly 的信號(hào)識(shí)別算法

GANomaly 的網(wǎng)絡(luò)結(jié)構(gòu)[21-22]如圖3 所示，主要由以下3 個(gè)部分組成：第1 部分為生成器部分，該部分通過編碼器學(xué)習(xí)輸入數(shù)據(jù)X的特征，輸出中間向量Z，然后通過解碼器重建輸入的圖片X'，X與X'間通過損失函數(shù)1 控制收斂；第2 部分為編碼器部分，該部分編碼器的結(jié)構(gòu)與生成器編碼器部分的網(wǎng)絡(luò)結(jié)構(gòu)相同，但網(wǎng)絡(luò)參數(shù)不同，因此生成器編碼器的輸出Z與Z'的維度及大小相同，Z與Z'間通過損失函數(shù)2 控制收斂；第3 部分為判別器部分，其目標(biāo)為判斷輸入判別器X及X'的真假，此時(shí)采用損失函數(shù)3 控制收斂。

圖3 GANomaly 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 GANomaly Network structure

在完成網(wǎng)絡(luò)訓(xùn)練之后，使用GANomaly 異常檢測(cè)算法進(jìn)行模型測(cè)試時(shí)，其具體流程如圖4 所示。輸入圖片X首先通過生成器生成圖片X后，再將X'輸入至編碼器中，比較Z與Z'的差異。如果Z與Z'的差異較大，則認(rèn)為此時(shí)的輸入為異常輸入；若Z與Z'的差異較小，則認(rèn)為此時(shí)數(shù)據(jù)為正常數(shù)據(jù)，即為該類別信號(hào)。

第三，因人施教，降低難度和要求，培養(yǎng)學(xué)習(xí)興趣。運(yùn)動(dòng)心理學(xué)教科書這樣寫：“興趣是在需要的基礎(chǔ)上，通過學(xué)習(xí)實(shí)踐活動(dòng)逐步形成和發(fā)展起來的?！币虼?，教師在選用大綱內(nèi)容、教材搭配，教學(xué)進(jìn)度和教學(xué)方法時(shí)，要充分考慮后進(jìn)生的心理需要和實(shí)際能力(體質(zhì)狀況、接受能力)。力爭(zhēng)每節(jié)課都做到活潑、新穎，多采用游戲和比賽法，使運(yùn)動(dòng)活動(dòng)產(chǎn)生愉快的肌肉滿足感。在練習(xí)和考評(píng)難度較大的項(xiàng)目時(shí)，教師的動(dòng)員講解要生動(dòng)、清晰、幽默；態(tài)度、語氣要有利于調(diào)動(dòng)、穩(wěn)定和激發(fā)學(xué)生情緒。對(duì)后進(jìn)生的練習(xí)、要求和標(biāo)準(zhǔn)要放寬，作好保護(hù)與幫助，只要他們表現(xiàn)出有參與的欲望，完成動(dòng)作后便馬上給予肯定和鼓勵(lì)。這樣，他們才能逐漸在體育活動(dòng)中產(chǎn)生積極心理狀態(tài)。

圖4 GANomaly 檢測(cè)流程Fig.4 GANomalydetection process

2.3 EfficientNet 網(wǎng)絡(luò)結(jié)構(gòu)

為了提高信號(hào)識(shí)別的準(zhǔn)確率，本文將使用同時(shí)增加了網(wǎng)絡(luò)寬度、深度以及分辨率的EfficientNet[23]作為干擾信號(hào)分類網(wǎng)絡(luò)，其結(jié)構(gòu)[24-25]如圖5 所示。網(wǎng)絡(luò)中每個(gè)階段最前面的數(shù)值表示該階段的重復(fù)次數(shù)，而每2 個(gè)階段中間的數(shù)據(jù)為當(dāng)前數(shù)據(jù)尺度。例如，第3階段的“2×MBConv6，K3×3”表示由2 個(gè)大小為3×3卷積核構(gòu)成的MobileNet Conv（MBConv）層，次層的輸入數(shù)據(jù)尺度為 16×112×112，輸出數(shù)據(jù)尺度為24×112×112。

圖5 EfficientNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 EfficientNet Network structure

EfficientNet 的輸入圖片尺度為3×224×224，依次經(jīng)過如圖5 所示的9 個(gè)階段，其中第2—8 個(gè)階段（Stage）采用重復(fù)堆疊的MBConv 層，其具體結(jié)構(gòu)如圖6a 所示。輸入MBConv 層的特征圖經(jīng)1×1 的卷積核進(jìn)行下采樣計(jì)算，并采取批量歸一化操作，隨后利用Swish 激活函數(shù)升維。然后輸入DW 卷積層中，同樣采取批量歸一化操作與Swish 激活函數(shù)計(jì)算，之后輸入結(jié)構(gòu)如圖6b 所示的SE 層中。該層首先對(duì)于輸入特征圖的每個(gè)維度進(jìn)行平均池化，然后分別通過2個(gè)全連接層FC1 和FC2，其中FC1 用Swish 激活函數(shù)，F(xiàn)C2 采用Sigmoid 激活函數(shù)。另外，F(xiàn)C2 的結(jié)點(diǎn)個(gè)數(shù)必須與輸入特征圖的維度保持一致，而FC1 結(jié)點(diǎn)個(gè)數(shù)等于輸入特征圖維度的1/4。經(jīng)過SE 模塊后，網(wǎng)絡(luò)通過一個(gè)1×1 的卷積核實(shí)現(xiàn)降維，并通過Dropout操作剔除冗余計(jì)算。最后，網(wǎng)絡(luò)將上述操作的輸出與輸入MBConv 層的特征圖相加，以獲得最終輸出。

圖6 EfficientNet 網(wǎng)絡(luò)層結(jié)構(gòu)Fig.6 Network layer structures of EfficientNet: a) Mobilenet Conv layer network structure; b) SE layer network structure

2.4 損失函數(shù)

GE-FS 網(wǎng)絡(luò)共有4 個(gè)損失函數(shù)，在訓(xùn)練異常性檢測(cè)網(wǎng)絡(luò)時(shí)，共需要3 個(gè)損失函數(shù)。首先是上下文損失，通過衡量輸入數(shù)據(jù)X與生成器生成的數(shù)據(jù)X'的誤差損失來學(xué)習(xí)輸入數(shù)據(jù)中的上下文信息，其表達(dá)式如式（5）所示。

其次是編碼器損失，上下文損失起到保存數(shù)據(jù)的上下文信息，以及讓生成的數(shù)據(jù)更加真實(shí)的作用，而編碼器損失的作用是為了使Z與Z'之間的距離最小，其表達(dá)式如式（6）所示。

異常檢測(cè)部分的最后一個(gè)損失為對(duì)抗損失，該損失采用使用特征對(duì)齊損失函數(shù)，其表達(dá)示如式（7）所示。

對(duì)抗損失通過計(jì)算輸入圖像與生成圖像特征表達(dá)之間的歐氏距離，得到判別器的中間層向量，可以優(yōu)化圖像特征之間的差異。

最終，GE-FS 網(wǎng)絡(luò)的異常檢測(cè)算法損失函數(shù)如式（8）所示。

干擾信號(hào)分類部分的任務(wù)本質(zhì)上為圖像分類任務(wù)，因此損失函數(shù)為多分類交叉熵?fù)p失函數(shù)，可表示為式（9）。

綜上所述，GE-FS 算法的損失函數(shù)可表示為式（10）。

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)處理

文中采用的引信樣本為仿真數(shù)據(jù)，其中共4 類干擾信號(hào)以及1 組正常信號(hào)。第一類干擾的實(shí)驗(yàn)數(shù)據(jù)如圖7 所示，總長(zhǎng)度為32 034。

圖7 一維時(shí)序干擾信號(hào)Fig.7 One-dimensional temporal interference signal

本次實(shí)驗(yàn)首先將讀取到的信號(hào)數(shù)據(jù)以1×1 024 的形式按照順序進(jìn)行分割，隨后將其作為網(wǎng)絡(luò)訓(xùn)練的測(cè)試集。由于數(shù)據(jù)量較少，按照?qǐng)D1 所示的數(shù)據(jù)增強(qiáng)算法處理后，各類數(shù)據(jù)的數(shù)量見表1。

表1 數(shù)據(jù)增強(qiáng)結(jié)果Tab.1 Data enhancement results

完成數(shù)據(jù)增強(qiáng)后，采用WVD 算法對(duì)信號(hào)進(jìn)行時(shí)頻分析，將生成的時(shí)頻譜圖保存，并作為測(cè)試GE-FS算法的數(shù)據(jù)集。圖8 為分別對(duì)5 種類型進(jìn)行WVD 變換得到的時(shí)頻譜圖。

圖8 5 種類型信號(hào)經(jīng)WVD 變換后的時(shí)頻譜圖Fig.8Time spectrum diagrams of five types of signals after WVD transformation: a) normal signal; b) interference type 1; c) interference type 2; d) interference type 3; e) interference type 4

3.2 結(jié)果分析

為了驗(yàn)證GE-FS 算法的可行性，本文以聯(lián)想R7作為驗(yàn)證計(jì)算機(jī)平臺(tái)，其CPU 配置為AMD Ryzen7 4800H（主頻為2.90 GHz），GPU 為GeForce GTX 1650 Ti（運(yùn)行內(nèi)存16 GB），計(jì)算環(huán)境為Windows 10，算法編寫語言為Python3.7，并配合pytorch1.7 作為輔助高級(jí)API。實(shí)驗(yàn)結(jié)果見表2。

表2 實(shí)驗(yàn)結(jié)果Tab.2The experimental results

通過表2 可知，在均未使用數(shù)據(jù)增強(qiáng)算法的小樣本條件下，基于EfficientNet 的信號(hào)識(shí)別分類算法的識(shí)別準(zhǔn)確率為80%，而GE-FS 算法的識(shí)別準(zhǔn)確率為89.7%。在使用數(shù)據(jù)增強(qiáng)算法后，EfficientNet 的信號(hào)識(shí)別分類算法的識(shí)別準(zhǔn)確率提升為96.9%，而GE-FS分類算法的識(shí)別準(zhǔn)確率提升為98.4%。該結(jié)果既證明了數(shù)據(jù)增強(qiáng)算法的有效性，也證明了GE-FS 干擾信號(hào)分類算法的性能優(yōu)于傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別分類算法，驗(yàn)證了異常性檢測(cè)算法在引信干擾信號(hào)識(shí)別中應(yīng)用的可行性、實(shí)用性與高效性。

4 結(jié)論

本文通過GE-FS 算法對(duì)擴(kuò)充引信信號(hào)異常性檢測(cè)測(cè)試，得出了以下結(jié)論：

1）基于WVD 時(shí)頻轉(zhuǎn)換的數(shù)據(jù)擴(kuò)展方法能夠?qū)π颖菊鎸?shí)含擾引信數(shù)據(jù)進(jìn)行有效倍增，擴(kuò)增的數(shù)據(jù)樣本能夠?yàn)楦蓴_識(shí)別網(wǎng)絡(luò)提供良好的訓(xùn)練基礎(chǔ)，能夠降低傳統(tǒng)引信抗干擾算法對(duì)真實(shí)數(shù)據(jù)的依賴。

2）GE-FS 在擴(kuò)增的仿真引信數(shù)據(jù)上具有良好的干擾檢測(cè)能力，相比單架構(gòu)引信抗干擾網(wǎng)絡(luò)的信號(hào)識(shí)別，準(zhǔn)確率具有較強(qiáng)提升。

綜上所述，該算法在引信抗干擾任務(wù)中具有較強(qiáng)的應(yīng)用價(jià)值，能夠增強(qiáng)引信系統(tǒng)面向復(fù)雜作戰(zhàn)環(huán)境時(shí)的抗擾能力與自適應(yīng)性。