基于神經(jīng)網(wǎng)絡(luò)的多功能雷達(dá)行為辨識方法

方 旖, 畢大平, 潘繼飛,2, 陳秋菊,2

(1.國防科技大學(xué)電子對抗學(xué)院，合肥，230037； 2.國防科技大學(xué)電子對抗信息處理實驗室，合肥，230037)

大數(shù)據(jù)分析技術(shù)與人工智能技術(shù)的發(fā)展為雷達(dá)對抗帶來了革命性影響。相控陣、軟件化等技術(shù)的應(yīng)用大大提升了多功能雷達(dá)系統(tǒng)(Multi-Function Radar, MFR)的智能化程度。MFR必須具備及時準(zhǔn)確地感知與辨識雷達(dá)狀態(tài)動態(tài)變化的能力，才能引導(dǎo)對抗裝備敏捷地決策出最優(yōu)的對抗策略，進(jìn)而實施認(rèn)知對抗。面對波束、體制與信號形式均能自適應(yīng)捷變的多功能雷達(dá)目標(biāo)輻射源的情況，傳統(tǒng)的“精度”驅(qū)動的對抗偵察手段顯然難以適應(yīng)。行為識別需要獲取足夠多、足夠全面的數(shù)據(jù)樣本，構(gòu)造可用于深度學(xué)習(xí)的數(shù)據(jù)集，并且基于“數(shù)據(jù)”驅(qū)動的智能分析辨識手段，才能使其性能遠(yuǎn)高于傳統(tǒng)方法。

在雷達(dá)行為辨識問題的研究中，Visnevski等人首先引入句法模式識別理論，分析多功能雷達(dá)工作模式的活動規(guī)律[1]。在此基礎(chǔ)上，引入多功能雷達(dá)各狀態(tài)的概率分布[2]，在雷達(dá)字提取中出現(xiàn)插入、缺失及替換情況下，完成對雷達(dá)工作模式的識別。將多層次模型同時應(yīng)用到脈沖組數(shù)據(jù)和行為模式上[3-4]，可以描述脈沖參數(shù)與行為模式的各個層次之間的聯(lián)系。但是各層次建模過程中的門限值難以設(shè)定，容易受到噪聲干擾。傳統(tǒng)的識別方法通常利用構(gòu)建相干處理周期(CPI)矩陣，并將矩陣與先前搭建的雷達(dá)數(shù)據(jù)庫進(jìn)行關(guān)聯(lián)[5]。此方法原理簡單，但受設(shè)定的門限值影響較大，只能劃分參數(shù)特征區(qū)別明顯的脈沖序列，并且需要在已知上一級行為狀態(tài)的情況下，才能完整進(jìn)行識別分析。引入生物信息學(xué)“多序列比對(MSA)”方法，是將跟蹤行為序列插入到搜索行為序列中，把形成的新序列定義為雷達(dá)的行為序列，并從中重建搜索序列，完成對搜索行為的規(guī)律探索[6]。該方法能夠很好地適應(yīng)多功能雷達(dá)信號波束捷變的特點，但多功能雷達(dá)的行為類型多、變化快，此方法不易推廣到其他行為任務(wù)，有一定局限性。文獻(xiàn)[7]研究了未知雷達(dá)狀態(tài)識別方法，利用機(jī)器學(xué)習(xí)理論相關(guān)算法，分別提出了基于有監(jiān)督分類與基于無監(jiān)督聚類的2種識別算法。無監(jiān)督聚類算法主要包括K-均值聚類、C-均值聚類等，主要利用樣本之間的相似性和映射關(guān)系分析出樣本參數(shù)和行為模式之間的邏輯關(guān)系，并進(jìn)行分類。有監(jiān)督分類主要包括樸素貝葉斯算法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。其中，神經(jīng)網(wǎng)絡(luò)的應(yīng)用[8-9]能夠針對靜態(tài)與動態(tài)2種行為模態(tài)信息，挖掘行為識別的多模態(tài)特征，具有重要意義[10-12]。

近年來，深度學(xué)習(xí)算法在圖像識別、語音識別等領(lǐng)域發(fā)展迅速[13-15]，解決了對語音語調(diào)的識別、語音情感的分析、人體行為體態(tài)分析預(yù)測以及醫(yī)療圖像分析等多個研究方向的問題。同樣的，在雷達(dá)對抗領(lǐng)域也有大量專家學(xué)者利用深度學(xué)習(xí)的方法對雷達(dá)目標(biāo)、雷達(dá)圖像等方面展開研究，并取得了一定成果[16-18]。神經(jīng)網(wǎng)絡(luò)的泛化能力(Generalization)是指神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)完成以后神經(jīng)網(wǎng)絡(luò)對測試樣本或工作樣本做出正確反應(yīng)的能力。一個神經(jīng)網(wǎng)絡(luò)的泛化能力影響了網(wǎng)絡(luò)對訓(xùn)練集之外的數(shù)據(jù)的識別能力，以及構(gòu)造的神經(jīng)網(wǎng)絡(luò)的推廣應(yīng)用能力。為提高神經(jīng)網(wǎng)絡(luò)的泛化能力，本文對樣本的初始權(quán)值、數(shù)據(jù)集處理構(gòu)造和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計進(jìn)行研究改進(jìn)，優(yōu)化神經(jīng)網(wǎng)絡(luò)。

本文重點構(gòu)造面向多功能雷達(dá)行為識別的數(shù)據(jù)集，同時根據(jù)多功能雷達(dá)信號脈沖的特點，設(shè)計一種優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，作為合適的雷達(dá)行為辨識網(wǎng)絡(luò)模型。①以某型機(jī)載火控雷達(dá)作為研究對象，將雷達(dá)信號脈沖數(shù)據(jù)轉(zhuǎn)化為知識信息，并對其進(jìn)行變化點檢測、原始數(shù)據(jù)處理、數(shù)據(jù)集優(yōu)化等；②在此基礎(chǔ)上，設(shè)計完成了基于BP神經(jīng)網(wǎng)絡(luò)與其他雷達(dá)行為辨識算法的仿真實驗對比。算法流程見圖1。

圖1 算法流程

1 數(shù)據(jù)驅(qū)動的雷達(dá)行為辨識

圍繞多功能雷達(dá)的認(rèn)知對抗需求，建立如圖2所示的多功能雷達(dá)行為辨識模型，主要由雷達(dá)行為模式分析建模、構(gòu)建數(shù)據(jù)集、采用深度學(xué)習(xí)等技術(shù)手段完成雷達(dá)行為特征辨識等組成。

隨著人工智能的快速發(fā)展，其與雷達(dá)對抗領(lǐng)域結(jié)合成為了當(dāng)前的研究熱點。隨著在新體制多功能雷達(dá)的逐步應(yīng)用，雷達(dá)行為越發(fā)復(fù)雜多變，人工已難以依據(jù)雷達(dá)信號參數(shù)即時判斷當(dāng)前狀態(tài)，無法做出相適應(yīng)的干擾。從電子對抗的角度考慮，在通常情況下，只能獲得雷達(dá)的信號波形和經(jīng)過偵察處理后輸出的傳統(tǒng)波形特征參數(shù)。而在真實的對抗中，由于偵察方難以提前建立敵方雷達(dá)信息相應(yīng)的雷達(dá)知識庫，只能通過對波形的分析，提取能夠表現(xiàn)雷達(dá)行為特征的參數(shù)，識別當(dāng)前雷達(dá)行為。因此，利用雷達(dá)信號特征提取、序列分割等手段，把行為信息構(gòu)建為結(jié)構(gòu)化的數(shù)據(jù)非常重要。

圖2 數(shù)據(jù)驅(qū)動的多功能雷達(dá)行為辨識模型

2 多功能雷達(dá)行為數(shù)據(jù)集構(gòu)建

初始數(shù)據(jù)經(jīng)過處理轉(zhuǎn)化為雷達(dá)行為數(shù)據(jù)集，可以很好地解決多功能雷達(dá)信號直接計算量過大、數(shù)據(jù)冗余等問題。本文通過學(xué)習(xí)知識圖譜的構(gòu)建方法，利用現(xiàn)有的雷達(dá)知識庫設(shè)計垂直數(shù)據(jù)庫的模型，并通過樣本數(shù)據(jù)提取實體、屬性和關(guān)系，分析整合后的結(jié)果與模型相結(jié)合構(gòu)造多功能雷達(dá)行為數(shù)據(jù)。

2.1 數(shù)據(jù)提取與篩選

經(jīng)過初步提取后的雷達(dá)行為數(shù)據(jù)集中的信息復(fù)雜，可能存在來源不同、質(zhì)量參差不齊等問題，所以需要對所有數(shù)據(jù)進(jìn)行篩選、整合、加工、推理等工作，將數(shù)據(jù)結(jié)合方法，建立可匹配人的思想的數(shù)據(jù)庫。

2.1.1 脈沖分割

當(dāng)多功能雷達(dá)行為較為復(fù)雜時，可以將其分割為基礎(chǔ)行為，如搜索、跟蹤等?；A(chǔ)行為的分析可以簡化輸入樣本，減少訓(xùn)練時間，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的泛化能力。本文引入多功能雷達(dá)行為變化點檢測算法[19-21]，對雷達(dá)脈沖序列進(jìn)行功能性切割。定義雷達(dá)行為的變化點：計算所得的條件概率在變化點檢測算法中發(fā)生很大變化的點。設(shè)定一個固定窗口長度的滑動窗口，沿著所有接收到的脈沖序列時間順序滑動，對每一個窗口內(nèi)的數(shù)據(jù)進(jìn)行概率計算，當(dāng)前后2個概率值相差超過閾值時，判斷出現(xiàn)變化點。變化點前后2個事件有可能為同一行為狀態(tài)，也可能是不同行為狀態(tài)，在每一事件結(jié)束，都進(jìn)行狀態(tài)更新，并判斷是否為同一行為。

圖3為變化點檢測流程圖。

圖3 變化點檢測流程

定義從當(dāng)前時間點回溯到最近變化點之間的脈沖描述字?jǐn)?shù)據(jù)稱為1個行程，用r表示。假設(shè)檢測到的最近變化點已經(jīng)過去了t個單位時間，則與最近數(shù)據(jù)相關(guān)聯(lián)的有t個不同長度的行程，那么在接收到最新數(shù)據(jù)之后再進(jìn)行變化點檢測，可以考慮2種可能性：新的序列是當(dāng)前行程的一部分，因此當(dāng)前行程的長度加1；或者是變化點發(fā)生，當(dāng)前行程結(jié)束，新的序列是新行程的一部分。設(shè)rt表示最近行程的長度，則在給定前面t個事件下rt的概率為：

P(e1:t+1|e1:t)=

(1)

假設(shè)給定了相應(yīng)的脈沖描述字時間序列，則根據(jù)貝葉斯準(zhǔn)則，在t事件之后rt的概率分布為：

(2)

P(rt&e1:t)=

(3)

式中：P(rt&e1:t) 為轉(zhuǎn)移概率；P(et|rt-1&e1:t-1) 為最近序列屬于某一行程的概率。

假設(shè)在計算當(dāng)前概率時，上一個序列的概率已知，則需要計算風(fēng)險函數(shù)H來判斷行為是否發(fā)生變化：

(4)

2.1.2 數(shù)據(jù)整合與加工

由于分割得到的脈沖序列相互之間可能存在不等長的情況，則需要對數(shù)據(jù)進(jìn)行補齊。補齊的方式主要有以下幾種：

1)特殊值法：把所有空缺的位置看作是特殊的屬性值處理，通常選擇“0”進(jìn)行補充，此方法工作量小，但極易造成數(shù)據(jù)偏差過大，影響識別結(jié)果。

2)平均值法：當(dāng)空缺位置上的數(shù)據(jù)是數(shù)值屬性時，取組內(nèi)相同類型參數(shù)的所有數(shù)值的平均值進(jìn)行補充；當(dāng)空缺位置上的數(shù)據(jù)的是非數(shù)值屬性時，則利用統(tǒng)計學(xué)中的眾數(shù)原理，選擇同類型參數(shù)出現(xiàn)次數(shù)最多的進(jìn)行補充。

3)人工填寫法：根據(jù)已有的樣本數(shù)據(jù)和多功能雷達(dá)的先驗知識，人為補充最可靠的數(shù)據(jù)。此方法補充的數(shù)據(jù)偏差最小，但若空缺過多則會造成工作量較大的問題。

本文選擇平均值法對數(shù)據(jù)進(jìn)行補齊，最終得到完整的、已分割完成的多功能雷達(dá)脈沖序列組?；静襟E見圖4。

圖4 數(shù)據(jù)補齊流程

2.2 數(shù)據(jù)推理

本文基于某型機(jī)載火控雷達(dá)的設(shè)計原則，根據(jù)雷達(dá)脈沖序列及其變化規(guī)律分析其與雷達(dá)行為的邏輯關(guān)系，并根據(jù)此邏輯關(guān)系推理其他常見行為狀態(tài)和工作模式。該方法建立在用于描述的高端特征向量與行為子集中每個行為均有映射關(guān)系的基礎(chǔ)上，其中高端特征向量包括頻率變化規(guī)律特征、波形變化規(guī)律特征、波束行為特征、重頻變化規(guī)律特征等。

綜合上述所有工作，完成對多功能雷達(dá)行為數(shù)據(jù)集的構(gòu)建，并不斷更新雷達(dá)行為及其對應(yīng)的脈沖序列信息，慢慢形成能夠包含大部分雷達(dá)行為狀態(tài)的、可適用于各種環(huán)境變化的數(shù)據(jù)庫。完備的多功能雷達(dá)行為數(shù)據(jù)庫可以使訓(xùn)練后的網(wǎng)絡(luò)應(yīng)用于多種情況下的行為分析中，并且可以不斷補充歸納豐富網(wǎng)絡(luò)的識別能力，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的泛化能力。

3 神經(jīng)網(wǎng)絡(luò)模型搭建

BP神經(jīng)網(wǎng)絡(luò)算法是一種按照誤差反向傳播算法訓(xùn)練的多層感知器網(wǎng)絡(luò)，又稱為誤差方向傳播算法，是監(jiān)督式學(xué)習(xí)算法的一種。通常，BP神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層和隱藏層。

搭建本文適用的BP神經(jīng)網(wǎng)絡(luò)需要從數(shù)據(jù)準(zhǔn)備、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、網(wǎng)絡(luò)模型訓(xùn)練3個方面逐步進(jìn)行。數(shù)據(jù)準(zhǔn)備在多功能雷達(dá)行為數(shù)據(jù)集構(gòu)建階段完成。

對網(wǎng)絡(luò)進(jìn)行初始化設(shè)計，即需要確定網(wǎng)絡(luò)層數(shù)、選擇合適的訓(xùn)練方法、權(quán)值的初始化等。本文設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)模型如下：

2)傳遞函數(shù)的選擇。一般來說，如果隱藏層和輸出層同時選擇sigmoid 函數(shù)，則輸出值會被限制在0或-1之間。因此，選擇tan-sigmoid函數(shù)作為隱藏層的傳遞函數(shù)，線性傳遞函數(shù)purelin作為輸出層的傳遞函數(shù)。這樣可以在整個網(wǎng)絡(luò)的輸出選擇任意值，tan-sigmoid函數(shù)的輸入也能選擇任意值，且誤差比log-sigmoid小。迭代次數(shù)最多不超過5 000，最小全局誤差為10-6，學(xué)習(xí)率設(shè)置為0.01。訓(xùn)練神經(jīng)網(wǎng)絡(luò)的每一次迭代都經(jīng)過反向傳播進(jìn)行梯度下降，若學(xué)習(xí)率太高，那系統(tǒng)可能難以收斂，難以對準(zhǔn)目標(biāo)；若學(xué)習(xí)率太低，則容易陷入局部最優(yōu)。

3)訓(xùn)練方法的選擇。選擇訓(xùn)練函數(shù)為tranlm，速度較快，并采用均方誤差(MSE)進(jìn)行評估網(wǎng)絡(luò)。

4 仿真實驗

1)訓(xùn)練樣本數(shù)據(jù)包含的行為信息有近距離搜索、遠(yuǎn)距離搜索、搜索加跟蹤、跟蹤不同目標(biāo)。通過變化點檢測，把序列分割成代表不同工作狀態(tài)的序列組。選取300組進(jìn)行檢測，用概率表示，結(jié)果見圖5。

圖5 變化點檢測結(jié)果

由圖5可知，基于貝葉斯準(zhǔn)則和固定窗口滑動的變化點檢測方法能夠以較高的性能完成脈沖序列的變化點估計，雖仍然存在虛警的情況，但不影響主要變化點的判斷。結(jié)合脈寬和波束方位2個參數(shù)的變化點檢測，可以判斷出有疑問的變化點，挑選出判斷準(zhǔn)確的變化點，從而對脈沖序列進(jìn)行分析和任務(wù)型分組，為進(jìn)行下一步的工作提供有力支持。

2)選取頻率、脈寬、脈幅、波束方位、重復(fù)周期和帶寬6類參數(shù)對分割后的多功能雷達(dá)脈沖序列進(jìn)行整理，將完整的序列集合輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)迭代設(shè)置5 000次，完成網(wǎng)絡(luò)訓(xùn)練后，為檢驗識別網(wǎng)絡(luò)的可靠性，輸入驗證數(shù)據(jù)集進(jìn)行檢驗，同樣包含4種工作狀態(tài)分別為：近距離搜索、遠(yuǎn)距離搜索、跟蹤目標(biāo)1和跟蹤目標(biāo)2。如圖6所示，分別是驗證數(shù)據(jù)集的類型、識別結(jié)果和真實結(jié)果的對比、識別各組數(shù)據(jù)的誤差和識別正確率。

圖6 神經(jīng)網(wǎng)絡(luò)驗證結(jié)果

從圖6可知，面向多功能雷達(dá)行為識別的網(wǎng)絡(luò)模型的總識別率可以達(dá)到89%，其中近距離搜索的識別正確率最高，這與其在訓(xùn)練樣本數(shù)據(jù)中工作狀態(tài)時間長有一定關(guān)系。

3)對比以CPI特征為主的脈沖劃分的傳統(tǒng)識別方法，基本流程見圖7。

圖7 CPI脈沖劃分法

對比文獻(xiàn)[5～6]中的雷達(dá)行為識別方法，僅針對脈幅變化進(jìn)行分析計算。文獻(xiàn)[5]通過對幅度波形提取峰谷值比、幅度直方圖、平均能量3個參數(shù)來區(qū)別搜索與跟蹤。文獻(xiàn)[6]采用循環(huán)二分法進(jìn)行分析。首先確定一個門限值，通過門限值找出整段序列中與其他差異性最大的一段并計算最大似然比統(tǒng)計量。判斷得到2點(或1點)變化點后，對分出的3個(或2個)段繼續(xù)進(jìn)行分析，不斷循環(huán)處理，直到再無變化點被檢測出來。2種方法均可以對多功能雷達(dá)行為進(jìn)行識別，但是，在實際復(fù)雜信號環(huán)境下，當(dāng)脈沖密度很高時，脈沖相互疊加會造成幅度測量的不準(zhǔn)確；其次，對于非相控陣體制的雷達(dá)來說，工作模式的切換往往還與脈寬、脈沖重復(fù)周期等參數(shù)的變化相關(guān)，而不僅反映在幅度變化上，僅采用幅度一種參數(shù)進(jìn)行分割，可利用的信息量少，在多工作模式下容易造成漏警，判決不夠準(zhǔn)確。而本文使用的算法能夠較穩(wěn)定地識別出多種雷達(dá)行為狀態(tài)，并能形成可以實時優(yōu)化的數(shù)據(jù)集，不斷進(jìn)行補充、訓(xùn)練與識別雷達(dá)行為。

現(xiàn)有多功能雷達(dá)的設(shè)計準(zhǔn)則已經(jīng)多樣化，不再一成不變，當(dāng)使用CPI脈沖劃分的方法按照經(jīng)驗設(shè)定16個或32個脈沖序列為一組時，已經(jīng)產(chǎn)生了一定的誤差。而本文使用的變化點檢測算法不需要任何先驗知識，并且在脈沖數(shù)量較小的情況下，分析結(jié)果也能實現(xiàn)較高的準(zhǔn)確率。

再者，利用CPI脈沖劃分后的序列不能直接對應(yīng)于某一基礎(chǔ)行為，此時對應(yīng)的多功能雷達(dá)行為還是復(fù)雜多樣的，而經(jīng)過變化點檢測算法后得到的脈沖對應(yīng)的多功能雷達(dá)行為已經(jīng)是某一種單一工作模式了。例如文中指出的某一機(jī)載火控雷達(dá)中的遠(yuǎn)距離搜索、近距離搜索、搜索加跟蹤、邊搜索邊跟蹤行為已經(jīng)被分割為遠(yuǎn)距離搜索、近距離搜索和跟蹤3種工作模式。此結(jié)果更利于網(wǎng)絡(luò)訓(xùn)練和后期識別的需要，減少工作量，提升識別效果。

相比較而言可以看出本文所用方法的訓(xùn)練結(jié)果較穩(wěn)定，訓(xùn)練過程中多次迭代可以減弱一定噪聲變量的影響，減小誤差，提高識別率，且識別率較為穩(wěn)定。

5 結(jié)語

目前，雷達(dá)正向多功能智能化方向發(fā)展，本文提出的行為數(shù)據(jù)集構(gòu)建與行為辨識方法就是對多功能雷達(dá)行為智能識別方向的一種探索，主要的研究貢獻(xiàn)有：

1)建立了多功能雷達(dá)行為模型，引入變化點檢測算法，對多行為的脈沖序列進(jìn)行分割。為減小冗余，對原始脈沖序列進(jìn)行篩選、補齊，提高了初始數(shù)據(jù)的應(yīng)用效果，能夠適應(yīng)于神經(jīng)網(wǎng)絡(luò)算法設(shè)計，為后續(xù)工作奠定了基礎(chǔ)。

2)設(shè)計完成了基于BP神經(jīng)網(wǎng)絡(luò)算法的多功能雷達(dá)行為辨識實驗，發(fā)現(xiàn)在有充足訓(xùn)練樣本的情況下，本文所用算法具有較強(qiáng)的優(yōu)勢，且可以識別出脈沖序列區(qū)別較小的幾種雷達(dá)行為。

本文僅圍繞某型機(jī)載火控雷達(dá)的4種工作狀態(tài)進(jìn)行了數(shù)據(jù)集譜構(gòu)建與行為辨識算法的建模與仿真實驗，還有更多更為復(fù)雜的雷達(dá)行為需要進(jìn)一步研究；在復(fù)雜的戰(zhàn)場環(huán)境下，如何克服數(shù)據(jù)殘缺、噪聲干擾等困難，建立完善可靠的雷達(dá)數(shù)據(jù)庫和雷達(dá)知識庫，以及如何識別新型未知雷達(dá)的行為，均是下一階段研究的方向。