基于CNN網(wǎng)絡(luò)的跳頻信號(hào)個(gè)體識(shí)別

梁 策， 郭 英， 李紅光

(空軍工程大學(xué)信息與導(dǎo)航學(xué)院， 西安， 710077)

跳頻信號(hào)因其具備良好的抗干擾性、低截獲概率性以及良好的組網(wǎng)特性，一直以來(lái)都廣泛應(yīng)用于各類通信中，在軍事通信應(yīng)用中尤為突出?，F(xiàn)階段，電磁環(huán)境復(fù)雜、無(wú)線電干擾多、跳頻通信電臺(tái)數(shù)量多、非法占用電磁頻譜多、空中跳頻信號(hào)種類復(fù)雜，如何在復(fù)雜的電磁環(huán)境中對(duì)敵我雙方跳頻信號(hào)進(jìn)行個(gè)體識(shí)別已經(jīng)成為當(dāng)今跳頻通信領(lǐng)域的重要研究課題，也是通信安全領(lǐng)域亟待解決的問(wèn)題。

傳統(tǒng)的跳頻通信信號(hào)識(shí)別方法主要分為兩大類：基于參數(shù)估計(jì)的網(wǎng)臺(tái)分選技術(shù)和基于盲源分離的網(wǎng)臺(tái)分選技術(shù)。基于參數(shù)估計(jì)的網(wǎng)臺(tái)分選技術(shù)主要依靠跳頻信號(hào)的跳周期、空間側(cè)向DOA信息、接收功率以及信號(hào)相關(guān)特性等信息，但是隨著跳頻信號(hào)的廣泛應(yīng)用和調(diào)制樣式的愈加多樣化，傳統(tǒng)的網(wǎng)臺(tái)分選技術(shù)由于可估計(jì)參數(shù)數(shù)量少，估計(jì)精度低，分選正確率極大地依賴于特征參數(shù)估計(jì)的精確度，缺乏電臺(tái)個(gè)體信息，已經(jīng)不能夠滿足在復(fù)雜電磁環(huán)境下的跳頻電臺(tái)識(shí)別需求；基于盲源分離的網(wǎng)臺(tái)分選技術(shù)由于限定條件下混合矩陣的估計(jì)難度大，也無(wú)法滿足當(dāng)今需求。

硬件設(shè)備上的個(gè)體差異導(dǎo)致跳頻通信電臺(tái)存在著不影響信息傳遞的可檢測(cè)、可重現(xiàn)的細(xì)微特征差異，我們稱之為跳頻電臺(tái)的指紋特征。近年來(lái)，通過(guò)分析指紋特征來(lái)進(jìn)行跳頻電臺(tái)個(gè)體識(shí)別的研究取得了巨大的進(jìn)展。文獻(xiàn)[1]提出了一種基于改進(jìn)的Prony算法提取跳頻電臺(tái)的瞬時(shí)頻率，分離并定量計(jì)算其最大Lyapunov指數(shù)和盒維數(shù)等瞬時(shí)特征作為指紋特征，通過(guò)得到的指紋特征和構(gòu)造性神經(jīng)網(wǎng)絡(luò)進(jìn)行不同跳頻電臺(tái)的個(gè)體識(shí)別；文獻(xiàn)[2]利用一種改進(jìn)型的基于小波變換的包絡(luò)提取算法提取跳頻信號(hào)的瞬時(shí)包絡(luò)，分離并定量計(jì)算其盒維數(shù)和信息維數(shù)等瞬時(shí)特征作為指紋特征，通過(guò)得到的指紋特征和構(gòu)造性神經(jīng)網(wǎng)絡(luò)進(jìn)行不同跳頻電臺(tái)的個(gè)體識(shí)別；文獻(xiàn)[3]提出了將相關(guān)維數(shù)等基于混沌理論的特征作為跳頻電臺(tái)細(xì)微特征的可行性研究。以上文獻(xiàn)研究重點(diǎn)都是如何提取跳頻電臺(tái)的某一指紋特征，再將提取到的指紋特征輸入到神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)跳頻電臺(tái)的個(gè)體識(shí)別。文獻(xiàn)[4]充分利用了卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)對(duì)輸入進(jìn)行深層次特征提取的優(yōu)勢(shì)。

本文跳出傳統(tǒng)跳頻信號(hào)指紋特征提取的局限，不再將深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)僅僅作為對(duì)提取到的跳頻信號(hào)指紋特征的分選工具，而是借助深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)將預(yù)處理后的跳頻信號(hào)頻譜圖作為輸入，通過(guò)CNN進(jìn)行跳頻電臺(tái)的指紋特征提取并輸出分類識(shí)別結(jié)果。

1 基于STFT的跳頻信號(hào)預(yù)處理

跳頻信號(hào)是指在偽隨機(jī)碼和同步算法的控制下，射頻頻率在約定的頻率集內(nèi)隨偽隨機(jī)碼同步跳變的通信手段，對(duì)于頻率跳變時(shí)的頻域變化比較敏感，考慮到在非平穩(wěn)限號(hào)處理過(guò)程中，標(biāo)準(zhǔn)傅里葉變換提取信號(hào)的頻譜需要用到信號(hào)的全部時(shí)域信息，并且不能夠反映出該信號(hào)的頻率隨時(shí)間狀態(tài)的變化情況，Dennis Gabor等人提出的短時(shí)傅里葉變換(Short-Time Fourier Transform，STFT)[5]是把信號(hào)劃分為多個(gè)小的時(shí)間間隔，在劃分的每個(gè)時(shí)間間隔內(nèi)用傅里葉變換進(jìn)行分析。本文采用STFT作為預(yù)處理手段，將經(jīng)過(guò)STFT的跳頻信號(hào)頻譜圖作為CNN網(wǎng)絡(luò)的輸入數(shù)據(jù)。

圖1 經(jīng)STFT處理3類跳頻信號(hào)頻譜圖

短時(shí)傅里葉變換時(shí)通過(guò)滑動(dòng)時(shí)間寬度很短的窗函數(shù)g(t)，用短時(shí)傅里葉變化來(lái)分析每一個(gè)窗函數(shù)包括的信號(hào)，信號(hào)f(t)的STFT定義式為：

(1)

反變換公式為：

(2)

其中窗函數(shù)g(t)的選擇不同也會(huì)帶來(lái)一定的差異，但信號(hào)特性分析并不會(huì)隨著窗函數(shù)的變化而產(chǎn)生顯著的差異，本文采用漢明窗作為窗函數(shù)。

本文將實(shí)采的跳頻信號(hào)作為訓(xùn)練數(shù)據(jù)，經(jīng)過(guò)STFT變換后的跳頻信號(hào)頻譜圖為3通道901×1 201、位深度為8的圖片。圖1為除跳頻頻集不同之外所有參數(shù)均相同的3類跳頻信號(hào)頻譜圖，由圖可知，其特征主要體現(xiàn)在跳頻頻點(diǎn)的不同，體現(xiàn)在頻譜圖上為亮點(diǎn)的位置差異。

為了方便將跳頻信號(hào)頻譜圖作為CNN網(wǎng)絡(luò)的輸入，對(duì)信號(hào)頻譜圖進(jìn)行處理，圖片信息為數(shù)據(jù)data，對(duì)應(yīng)增加0、1、2作為標(biāo)簽label，即數(shù)據(jù)集包含了數(shù)據(jù)data和標(biāo)簽label兩大部分。將所有圖片存儲(chǔ)為數(shù)據(jù)格式為uint8的300×3 246 303維的數(shù)組，數(shù)組的每1行儲(chǔ)存1幅901×1 201×3的彩色圖像，前1 082 101個(gè)條目包含紅色通道的值，接下來(lái)的1 082 101是綠色通道，最后的是藍(lán)色通道分別使用0、1、2作為3類跳頻信號(hào)的標(biāo)簽。同時(shí)為了避免深度學(xué)習(xí)擬合能力過(guò)強(qiáng)，將數(shù)據(jù)輸入順序的規(guī)律作為數(shù)據(jù)識(shí)別的一個(gè)特征導(dǎo)致的訓(xùn)練效果特別好但是測(cè)試效果一般，我們把標(biāo)簽和數(shù)據(jù)同步進(jìn)行隨機(jī)亂序處理。

2 基于CNN的跳頻信號(hào)指紋特征提取

深度學(xué)習(xí)(Deeplearning)近年來(lái)在人臉識(shí)別[6-10]、信號(hào)識(shí)別等多領(lǐng)域都得到了廣泛的應(yīng)用。CNN網(wǎng)絡(luò)[6-10]多用于對(duì)圖像進(jìn)行分類，其分類識(shí)別率高，可將跳頻信號(hào)個(gè)體識(shí)別問(wèn)題轉(zhuǎn)變?yōu)閷?duì)經(jīng)過(guò)STFT處理后的跳頻信號(hào)頻譜圖分類的問(wèn)題，實(shí)現(xiàn)調(diào)頻信號(hào)個(gè)體識(shí)別。CNN網(wǎng)絡(luò)具有多隱藏層非線性的網(wǎng)絡(luò)結(jié)構(gòu)，使卷積神經(jīng)網(wǎng)絡(luò)具備非常好的擬合能力；多層隱藏層能夠?qū)崿F(xiàn)隱藏特征的提??；卷積核權(quán)值共享和滑動(dòng)窗口降低了網(wǎng)絡(luò)參數(shù)的數(shù)量；調(diào)整卷積核的大小和參數(shù)以及卷積核的個(gè)數(shù)可以實(shí)現(xiàn)輸入跳頻信號(hào)數(shù)據(jù)的深度特征提取。

2.1 基于CNN的跳頻信號(hào)指紋特征提取網(wǎng)絡(luò)構(gòu)建

基于keras不需要寫循環(huán)去更新每次的梯度所帶來(lái)的搭建網(wǎng)絡(luò)的便利，本文采用keras框架進(jìn)行CNN網(wǎng)絡(luò)的搭建。采用多層卷積結(jié)構(gòu)對(duì)跳頻信號(hào)頻譜圖進(jìn)行頻域指紋特征的提取，網(wǎng)絡(luò)包含了4個(gè)卷積層(Convolution Layer)、2個(gè)池化層(Pooling Layer)和2個(gè)全連接層(Full Connection Layer)。基于CNN網(wǎng)絡(luò)的跳頻信號(hào)頻域指紋特征提取的網(wǎng)絡(luò)結(jié)構(gòu)見圖2。

圖2 CNN網(wǎng)絡(luò)架構(gòu)

輸入層將經(jīng)過(guò)STFT變換的跳頻信號(hào)頻譜圖作為原始數(shù)據(jù)，輸入到深度學(xué)習(xí)網(wǎng)絡(luò)中，輸入值是信號(hào)的頻譜圖則為像素值。卷積層通過(guò)卷積核進(jìn)行特征提取，多層卷積是為了提取輸入的深層次特征，同時(shí)也會(huì)使數(shù)據(jù)的維度增大。池化層具體操作和卷積層類似，主要用來(lái)降低數(shù)據(jù)的維度，本網(wǎng)絡(luò)采用平均池化(Average-Pooling)進(jìn)行池化操作，全連接層是將提取到的所有特征連接在一起，最終通過(guò)Softmax函數(shù)實(shí)現(xiàn)分類送至輸出層，輸出層的神經(jīng)元就是信號(hào)種類的數(shù)目。

CNN網(wǎng)絡(luò)模型部分參數(shù)見表1(除Drop,BatchNormalization等網(wǎng)絡(luò)層)。

表1 CNN網(wǎng)絡(luò)模型部分參數(shù)

網(wǎng)絡(luò)模型共有5 446 083個(gè)參數(shù)，可訓(xùn)練參數(shù)為5 445 955個(gè)，不可訓(xùn)練參數(shù)為128個(gè)，CNN網(wǎng)絡(luò)的損失函數(shù)為交叉熵(Cross Entropy Loss)：

(3)

式中：p為實(shí)際值；q為預(yù)測(cè)值；DKL(p丨q)表示p和q之間的距離，分類問(wèn)題中數(shù)據(jù)轉(zhuǎn)換為one-hot encoding格式,本文為3類跳頻信號(hào)的分類問(wèn)題，某信號(hào)實(shí)際值為p，其預(yù)測(cè)值為q，此時(shí)：

p=[0 1 0]，q=[q0q1q2]

(4)

H(p,q)=H(p)+DKL(p丨q)=

(-1log 1)+(-1logq1)=-1logq1

(5)

當(dāng)p=q時(shí)交叉熵最小為0，預(yù)測(cè)值和實(shí)際值完全一樣，正是我們所期望的結(jié)果，與均方誤差(Mean Squared Error, MSE)作為損失函數(shù)時(shí)相比，在預(yù)測(cè)錯(cuò)誤的情況下?lián)碛懈蟮奶荻?，保證網(wǎng)絡(luò)快速向著正確的方向更新，有效避免了梯度消失的情況。

2.2 激活函數(shù)

深度學(xué)習(xí)中的激活函數(shù)是一種非線性的函數(shù)，實(shí)現(xiàn)了神經(jīng)元輸入到輸出的映射功能。如果不使用激活函數(shù)，無(wú)論神經(jīng)網(wǎng)絡(luò)包含了多少層，輸出都是輸入的線性組合，但是使用了激活函數(shù)之后，在神經(jīng)元之間引入了非線性因素，神經(jīng)網(wǎng)絡(luò)可以逼近于任何非線性函數(shù)。常見的激活函數(shù)有以下幾種：Sigmoid、Tanh、Relu、ELU[11]和Softmax[12]。

Sigmoid函數(shù)的輸入范圍在0和1之間，函數(shù)簡(jiǎn)單，輸出也趨于穩(wěn)定，但是存在容易產(chǎn)生梯度消失和只有正數(shù)輸出(不是zero-centered，也就是所謂的zigzag現(xiàn)象)的弊端。Tanh相比Sigmoid函數(shù)收斂速度更快，輸入范圍在-1和1之間，同時(shí)輸出也是zero-centered，但是還是沒(méi)有解決Sigmoid函數(shù)的梯度消失問(wèn)題。Relu函數(shù)是一個(gè)被認(rèn)為具有生物學(xué)意義的激活函數(shù)，當(dāng)輸入小于指定閾值時(shí)，輸出為零，輸入大于指定閾值時(shí)，輸出等于輸入，但是在負(fù)數(shù)區(qū)域會(huì)出現(xiàn)Dead Relu。有些人用一個(gè)稍大于零的值進(jìn)行初始化，但這種方式仍然存在爭(zhēng)議。ELU具有Relu的優(yōu)勢(shì)，同時(shí)也可以解決Dead Relu。通過(guò)多次實(shí)驗(yàn)發(fā)現(xiàn)ELU作為激活函數(shù)時(shí)收斂速度最快，故本網(wǎng)絡(luò)采用ELU作為主要的激活函數(shù)，定義式如下：

(6)

對(duì)應(yīng)的函數(shù)圖像見圖3。

Softmax函數(shù)多用于多元信號(hào)分類問(wèn)題，在給定的一個(gè)輸出模型中取值C來(lái)表示算法所要預(yù)測(cè)的樣本類別數(shù)。模型可以是全連接神經(jīng)網(wǎng)絡(luò)的輸出a，那么輸出個(gè)數(shù)為C，具體輸出為a1，a2，…，aC，因此對(duì)每個(gè)樣本來(lái)說(shuō)，它屬于類別i的概率為：

(7)

Softmax函數(shù)的輸出值都在0和1之間，同時(shí)所有輸出值之和為1，可以把所有的輸出看作輸入的所有概率分布，通過(guò)最大概率來(lái)判斷該信號(hào)的類別，進(jìn)而達(dá)到信號(hào)分類的目的。

圖3 ELU函數(shù)

2.3 加速網(wǎng)絡(luò)收斂的改進(jìn)

深度神經(jīng)網(wǎng)絡(luò)的收斂速度是很重要的一個(gè)指標(biāo)，網(wǎng)絡(luò)收斂越快，實(shí)現(xiàn)分類所用時(shí)間越短，對(duì)于所獲得信號(hào)的時(shí)效性就越好，因此為了加快網(wǎng)絡(luò)收斂速度，本文進(jìn)行了以下改進(jìn)。

白化(Whiten)是指將輸入數(shù)據(jù)的分布變換到零均值單位方差的正態(tài)分布。在圖像處理中對(duì)輸入進(jìn)行白化操作，則神經(jīng)網(wǎng)絡(luò)會(huì)較快收斂；圖像是深度神經(jīng)網(wǎng)絡(luò)的輸入，白化能加快收斂，那么對(duì)于深度神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，其每一個(gè)隱藏層的神經(jīng)元相對(duì)于下一層而言也是輸入層，Batch Normalization就是對(duì)深層神經(jīng)網(wǎng)絡(luò)每個(gè)隱藏層神經(jīng)元的激活值做簡(jiǎn)化版本的白化操作。

Batch Normalization加快網(wǎng)絡(luò)收斂速度的原理為：深層神經(jīng)網(wǎng)絡(luò)在做非線性變換前的激活輸入值隨著訓(xùn)練或網(wǎng)絡(luò)深度加深，其分布逐漸發(fā)生偏移或者變動(dòng)，往非線性函數(shù)的取值區(qū)間的上下限兩端靠近，在非線性函數(shù)的上下限處其導(dǎo)數(shù)為零，導(dǎo)致反向傳播時(shí)低層神經(jīng)網(wǎng)絡(luò)出現(xiàn)梯度消失。而Batch Normalization就是通過(guò)一定的規(guī)范化手段，把每層神經(jīng)網(wǎng)絡(luò)任意神經(jīng)元的輸入值分布強(qiáng)行拉回到均值為0、方差為1的標(biāo)準(zhǔn)正態(tài)分布，使得非線性函數(shù)輸入值落在對(duì)輸入比較敏感的區(qū)域，此時(shí)梯度變大，學(xué)習(xí)收斂速度更快，大大加快訓(xùn)練速度。

2.4 防止網(wǎng)絡(luò)過(guò)擬合的改進(jìn)

神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)會(huì)出現(xiàn)過(guò)擬合的情況，當(dāng)網(wǎng)絡(luò)的測(cè)試正確率達(dá)到100%時(shí)，因?yàn)榫W(wǎng)絡(luò)還沒(méi)有訓(xùn)練結(jié)束，網(wǎng)絡(luò)的參數(shù)量、模型復(fù)雜度會(huì)隨著訓(xùn)練的進(jìn)行進(jìn)一步增加，出現(xiàn)擬合過(guò)度的情況，本網(wǎng)絡(luò)通過(guò)調(diào)用Callback函數(shù)避免過(guò)擬合，包含兩部分：Modelcheckpoint和Earlystoping。

Modelcheckpiont通過(guò)自動(dòng)檢測(cè)觀測(cè)值，本網(wǎng)絡(luò)為val_acc，即驗(yàn)證集正確率，將自動(dòng)存儲(chǔ)驗(yàn)證集上性能最好的網(wǎng)絡(luò)模型；Earlystoping也是通過(guò)自動(dòng)檢測(cè)觀測(cè)值測(cè)試正確率val_acc，當(dāng)正確率沒(méi)有增加時(shí)，則經(jīng)過(guò)patience個(gè)(本網(wǎng)絡(luò)設(shè)置為5)epoch后停止訓(xùn)練，防止網(wǎng)絡(luò)正確率不再提升，訓(xùn)練仍然進(jìn)行，通過(guò)提前結(jié)束進(jìn)程，防止過(guò)擬合和加快收斂速度。在每次訓(xùn)練進(jìn)程中，通過(guò)Callback函數(shù)的Modelcheckpiont存儲(chǔ)驗(yàn)證集上性能最佳的網(wǎng)絡(luò)模型，通過(guò)Callback函數(shù)的Earlystoping在網(wǎng)絡(luò)模型不再優(yōu)化時(shí)提前結(jié)束訓(xùn)練，大大加快網(wǎng)絡(luò)收斂速度的同時(shí)避免過(guò)擬合現(xiàn)象的發(fā)生。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)條件

本文實(shí)驗(yàn)硬件條件如下：64位Microsoft Windows 10操作系統(tǒng)， Intel Core i7-7700HQ 處理器,NVIDIA GTX2080TI 11 G顯卡，仿真軟件Matlab R2014a、PyCharm Community Edition 2019.2.1、Python3.7。

3.2 CNN訓(xùn)練測(cè)試和分析

CNN網(wǎng)絡(luò)的輸入樣本數(shù)直接關(guān)系到網(wǎng)絡(luò)是否可以提取到跳頻信號(hào)的深層次指紋特征，訓(xùn)練樣本數(shù)量過(guò)少顯然不足以支撐實(shí)驗(yàn)，數(shù)量過(guò)多又會(huì)增加網(wǎng)絡(luò)的負(fù)擔(dān)，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)。本文共仿真3類跳頻信號(hào)，分別得到其STFT處理后的頻譜圖。每類擁有100個(gè)數(shù)據(jù)，將300個(gè)數(shù)據(jù)分為10組，每組含有30個(gè)數(shù)據(jù)，此時(shí)每組數(shù)據(jù)的3類跳頻信號(hào)不是平均分配的。一共進(jìn)行10次訓(xùn)練，每次訓(xùn)練時(shí)分別選取編號(hào)為1，2，…，10的一組作為測(cè)試數(shù)據(jù)，剩余9組為訓(xùn)練數(shù)據(jù)。對(duì)樣本進(jìn)行多次訓(xùn)練，多次調(diào)整之后，最終設(shè)置batch_size為64，每次對(duì)測(cè)試集30個(gè)數(shù)據(jù)進(jìn)行測(cè)試[13]。

3.2.1 CNN網(wǎng)絡(luò)進(jìn)行個(gè)體識(shí)別的有效性分析

對(duì)仿真跳頻信號(hào)(信噪比設(shè)置為5dB)進(jìn)行訓(xùn)練和測(cè)試得到混淆矩陣見表2。

本文經(jīng)過(guò)CNN網(wǎng)絡(luò)對(duì)經(jīng)過(guò)STFT變化的3類跳頻信號(hào)識(shí)別正確率均達(dá)到了96%以上，平均識(shí)別率為96.34%，對(duì)同一組跳頻信號(hào)進(jìn)行基于CMFS-MIC特征選擇的跳頻電臺(tái)個(gè)體識(shí)別方法[14]平均識(shí)別正確率為88.17%，進(jìn)行模板匹配法的平均識(shí)別率為86.0%，相比之下本文識(shí)別率更高。同時(shí)本文方法只需要對(duì)跳頻信號(hào)進(jìn)行STFT變換作為預(yù)處理，將頻譜圖直接輸入到CNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練識(shí)別，效率也更高。

表2 測(cè)試結(jié)果混淆矩陣

3.2.2 信號(hào)信噪比對(duì)分類識(shí)別率的影響

實(shí)驗(yàn)仿真生成的3類跳頻信號(hào)分別增加了高斯白噪聲，仿真信噪比為0、5、10、15、20 dB進(jìn)行了5次對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)本網(wǎng)絡(luò)對(duì)信號(hào)識(shí)別率隨信噪比的變化情況見圖4，其中網(wǎng)絡(luò)識(shí)別率為3類信號(hào)的識(shí)別率平均值。從圖4分析可知，在信噪比達(dá)到某一閾值之前，網(wǎng)絡(luò)識(shí)別率隨著信噪比的增加有所提升；當(dāng)信噪比超過(guò)閾值之后，噪聲對(duì)于網(wǎng)絡(luò)識(shí)別率影響不再變化，識(shí)別率趨于穩(wěn)定。通過(guò)實(shí)驗(yàn)我們得出信噪比SNR≥10 dB時(shí)，其對(duì)網(wǎng)絡(luò)影響達(dá)到最佳且不再變化，因此本文均采用SNR=10 dB的跳頻信號(hào)進(jìn)行試驗(yàn)。

圖4 不同信噪比情況下網(wǎng)絡(luò)識(shí)別率

3.2.3 網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)對(duì)識(shí)別率的影響

網(wǎng)絡(luò)的訓(xùn)練迭代次數(shù)是算法快慢的一個(gè)重要參數(shù)，本文通過(guò)實(shí)驗(yàn)驗(yàn)證得到了最佳迭代次數(shù)。在網(wǎng)絡(luò)其他參數(shù)固定的前提下，迭代次數(shù)分別設(shè)置為10、50、100、150、200、300對(duì)信噪比為10 dB的仿真信號(hào)進(jìn)行識(shí)別，得到的3類信號(hào)平均識(shí)別率和模型訓(xùn)練時(shí)間見表3。

表3 訓(xùn)練迭代次數(shù)對(duì)網(wǎng)絡(luò)的影響

由表3可知，在迭代次數(shù)小于100時(shí)，隨著迭代次數(shù)的增加，信號(hào)平均識(shí)別率顯著增加，同時(shí)也付出了網(wǎng)絡(luò)訓(xùn)練時(shí)間更長(zhǎng)的代價(jià)，當(dāng)?shù)螖?shù)大于100時(shí)，隨著迭代次數(shù)的增加，信號(hào)平均識(shí)別率在某一值附近震蕩，不再明顯提高，仍然要付出網(wǎng)絡(luò)訓(xùn)練時(shí)間更長(zhǎng)的代價(jià)。綜合考慮信號(hào)平均識(shí)別率和網(wǎng)絡(luò)訓(xùn)練時(shí)間，認(rèn)為迭代訓(xùn)練次數(shù)為100時(shí)，網(wǎng)絡(luò)已經(jīng)達(dá)到了最優(yōu)狀態(tài)，訓(xùn)練時(shí)間較短且識(shí)別率較高，本網(wǎng)絡(luò)采用100次作為最佳迭代次數(shù)。

4 結(jié)語(yǔ)

本文跳出了傳統(tǒng)的跳頻信號(hào)指紋特征提取方法，實(shí)現(xiàn)了一種基于CNN網(wǎng)絡(luò)的跳頻信號(hào)頻域指紋特征提取和個(gè)體識(shí)別。實(shí)驗(yàn)表明有3類跳頻信號(hào)的10次訓(xùn)練中，平均識(shí)別正確率相較于以往有所提高，同時(shí)對(duì)比研究了不同信噪比情況下的信號(hào)樣本和不同網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)對(duì)于網(wǎng)絡(luò)的影響情況。后續(xù)將針對(duì)基于CNN提取到的指紋特征存在特征之間的冗余性以及部分特征和類別之間相關(guān)性不夠大的問(wèn)題，實(shí)現(xiàn)一種基于LSTM網(wǎng)絡(luò)[15-16]的特征選擇，來(lái)刪除特征之間冗余性大的特征，選擇特征與類別相關(guān)性的特征，實(shí)現(xiàn)更高的跳頻信號(hào)識(shí)別正確率。