基于卷積神經(jīng)網(wǎng)絡(luò)的多功能雷達(dá)行為辨識研究*

方 旖，陳秋菊，2，潘繼飛，2，畢大平

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

0 引言

由于軍事上的迫切需求，多功能雷達(dá)（Multi-Function Radar，MFR）部署和應(yīng)用越來越廣泛，其信號的復(fù)雜性和靈活性大大增加了參數(shù)空間的維度，其狀態(tài)變化的時序特征更是超出了統(tǒng)計參數(shù)模型的描述能力，難以有效轉(zhuǎn)化成雷達(dá)系統(tǒng)的情報信息，給雷達(dá)對抗技術(shù)帶來了前所未有的挑戰(zhàn)。因此，實現(xiàn)對MFR 內(nèi)部狀態(tài)變化的實時感知，引導(dǎo)對抗裝備敏捷地決策出最優(yōu)的對抗策略至關(guān)重要。雷達(dá)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。

當(dāng)前，MFR 行為辨識問題的研究方法多集中于兩個方面：基于句法模式識別理論的辨識方法［1-2］和利用統(tǒng)計學(xué)原理基于參數(shù)的辨識方法。傳統(tǒng)的雷達(dá)行為識別方法通常利用構(gòu)建CPI（相干處理周期）矩陣，并將矩陣與先前搭建的雷達(dá)數(shù)據(jù)庫進行關(guān)聯(lián)［3-5］。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，才能完整進行識別分析。馬爽等人［6］引入生物信息學(xué)“多序列比對（MSA）”方法，定義隨機將跟蹤行為序列插入到搜索行為序列中形成新的雷達(dá)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。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。

隨著人工智能的廣泛發(fā)展，人工智能技術(shù)、深度學(xué)習(xí)理論也被應(yīng)用于多個領(lǐng)域。近年來，卷積神經(jīng)網(wǎng)絡(luò)因為其權(quán)值共享、效果穩(wěn)定等特點開始逐漸被應(yīng)用在語音識別方向中，學(xué)者們面向語音信號開展了大量的研究。Abdel-Hamid 等人［7］提出了一種將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于混合NN-HMM 模型框架下的語音識別方式。之后的幾年里，大量研究學(xué)者開始研究CNN 在語音識別中的應(yīng)用，解決了語音的情感識別、說話人的識別等［8-10］問題。

多功能相控陣?yán)走_(dá)信號可以和語音信號類比，也是一組組按時間排列的、具有一定邏輯關(guān)系的連續(xù)數(shù)組。從理論上分析，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于雷達(dá)行為識別也同樣是可行的。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［11-13］，并取得了一定成果。文獻(xiàn)［11］基于深度神經(jīng)網(wǎng)絡(luò)，對測量得到的目標(biāo)電磁散射面積（RCS）序列進行分析，通過對時間序列的特征提取，構(gòu)造特征參數(shù)樣本集訓(xùn)練識別網(wǎng)絡(luò)，對識別空間飛行目標(biāo)展開研究。文獻(xiàn)［12］基于卷積神經(jīng)網(wǎng)絡(luò)對雷達(dá)開展典型手勢動作識別。此研究主要從雷達(dá)距離-多普勒信息中提取幅度矩陣，組成訓(xùn)練樣本集，并利用此網(wǎng)絡(luò)模型構(gòu)建了經(jīng)典手勢動作的LFMCW 雷達(dá)回波數(shù)據(jù)庫，識別效果穩(wěn)定。本文基于卷積神經(jīng)網(wǎng)絡(luò)探究多功能相控陣?yán)走_(dá)的行為辨識問題，分別構(gòu)造信號級行為數(shù)據(jù)集和信號加參數(shù)級行為數(shù)據(jù)集，比較兩者的優(yōu)缺點和識別準(zhǔn)確率，分析卷積神經(jīng)網(wǎng)絡(luò)在雷達(dá)對抗與雷達(dá)行為識別方向的應(yīng)用優(yōu)勢和不足。

1 多功能雷達(dá)行為辨識模型

將“雷達(dá)行為”定義為“雷達(dá)對戰(zhàn)場態(tài)勢及電磁環(huán)境作出的內(nèi)部資源分配與外部信號輻射等所有反應(yīng)的總和”。多功能雷達(dá)能夠自適應(yīng)調(diào)度任務(wù)，根據(jù)當(dāng)前指令變化波束方位、波形參數(shù)等，并且根據(jù)不同任務(wù)要求，轉(zhuǎn)換工作模式，改變頻率、脈沖重復(fù)間隔（PRI）等波形參數(shù)。信號參數(shù)實時的變化給多功能雷達(dá)行為辨識提供了有效的依據(jù)。圖1 為典型多功能相控陣?yán)走_(dá)的時序構(gòu)成。

對于多功能雷達(dá)而言，包括脈沖信號、特定模式下的脈沖序列、參數(shù)特性，以及雷達(dá)執(zhí)行的任務(wù)等在內(nèi)的各個層次都能體現(xiàn)多功能雷達(dá)行為特點。針對某一部特定的多功能雷達(dá)，在一段時間內(nèi)截獲到的所有脈沖就是對這部雷達(dá)的外在表現(xiàn)的描述（信號級行為）。越底層的描述越具體，形式越復(fù)雜，越高層的描述越抽象，形式也越簡單。選擇合適的描述方式對之后的多功能雷達(dá)辨識研究也具有一定影響。

圖1 多功能相控陣?yán)走_(dá)時序構(gòu)成

對于某種機載火控雷達(dá)的信號樣本而言，每一截獲的信號級參數(shù)在t 時刻的信息可以用如下向量表示：其中，gti表示t 時刻信號中第i 個采樣點的信息。

為了直觀表示輸入序列在時間軸的特征，構(gòu)建了多功能雷達(dá)行為序列樣本能夠在時間和空間同時表示的矩陣形式。矩陣由每次不同時刻截獲的信號向量依次拼接而成，其中每一行對應(yīng)某一截獲時刻的信號信息，按照截獲時間順序排列，即：

本文選擇建立兩種數(shù)據(jù)樣本進行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練：一種是僅包含信號級參數(shù)，另一種將信號與脈沖參數(shù)相結(jié)合。為了更好地構(gòu)造神經(jīng)網(wǎng)絡(luò)進行計算，矩陣的每一行信號參數(shù)數(shù)量都需要一致，即采樣點數(shù)相同。當(dāng)信號級參數(shù)不足以滿足識別需求時，需要對向量尺度進行擴充，補充識別所需的特征參數(shù)輔助識別，即：

2 多功能雷達(dá)行為數(shù)據(jù)集構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)與其他神經(jīng)網(wǎng)絡(luò)一樣，每條神經(jīng)元的輸入端都是通過一個二維矩陣，因此，需要對截獲到的雷達(dá)信號進行預(yù)處理，轉(zhuǎn)換成為能夠進入卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集。實驗分別對雷達(dá)信號級的數(shù)據(jù)集和雷達(dá)信號級與參數(shù)級組合的數(shù)據(jù)集開展行為辨識研究，需要構(gòu)建兩類適合進入卷積神經(jīng)網(wǎng)絡(luò)的二維矩陣。

建立信號級雷達(dá)數(shù)據(jù)集樣本需要在數(shù)據(jù)預(yù)處理后基于變化點檢測算法，將截獲的MFR 信號樣本進行分割，其對應(yīng)了不同的雷達(dá)行為狀態(tài)。由于按照功能性進行劃分，信號長短不一，需要對其進行補齊，并按照時間排列成二維序列。而信號級加參數(shù)級的數(shù)據(jù)集建立，則需要在雷達(dá)信號序列后補充能夠表達(dá)雷達(dá)行為意義的參數(shù)。

首先定義雷達(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)進行概率計算，當(dāng)前后兩個概率值相差超過閾值時，判斷出現(xiàn)變化點。變化點前后兩個事件有可能為同一行為狀態(tài)，也可能是狀態(tài)，在每一事件結(jié)束，都進行狀態(tài)更新，并判斷是否為同一行為。

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)稱為一個行程，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)之后再進行變化點檢測，可以考慮兩種可能性：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的概率計算公式：

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 事件之后的概率分布可以按以下公式計算：

CNN 樣本數(shù)據(jù)集構(gòu)造流程圖如圖2 所示。

圖2 CNN 樣本數(shù)據(jù)集構(gòu)造流程圖

3 CNN 結(jié)構(gòu)模型構(gòu)建

建立信號級雷達(dá)數(shù)據(jù)集樣本需要在數(shù)據(jù)預(yù)處理后基于變化點檢測算法，將截獲的MFR 信號樣本進行分割，其對應(yīng)了不同的雷達(dá)行為狀態(tài)。由于按照功能性進行劃分，信號長短不一，需要對其進行補齊，并按照時間排列成二維序列。而信號級加參數(shù)級的數(shù)據(jù)集建立，則需要在雷達(dá)信號序列后補充能夠表達(dá)雷達(dá)行為意義的參數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)主要包括卷積層、池化層和全連接層。本文構(gòu)建的CNN 網(wǎng)絡(luò)模型如圖3 所示。

圖3 CNN 結(jié)構(gòu)模型示意圖

1）one-hot 獨熱編碼：是一種利用狀態(tài)寄存器來對狀態(tài)進行有效位編碼的方法，主要針對非連續(xù)型數(shù)值特征進行處理，使其通過one-hot 獨熱編碼后的數(shù)值在歐式空間中到原點的距離更加合理，且可以看成是連續(xù)的特征關(guān)系，可以對其進行歸一化處理等。本文針對截獲的信號與參數(shù)數(shù)值之間是離散關(guān)系，引入one-hot 獨熱編碼對其進行編碼，使得有效數(shù)據(jù)進入網(wǎng)絡(luò)訓(xùn)練。

2）激活函數(shù)：深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中的兩層節(jié)點之間的函數(shù)關(guān)系被稱為“激活函數(shù)”。神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)主要有sigmoid、tanh 和relu 3 種非線性函數(shù)。不同的激活函數(shù)在不同層面上的優(yōu)劣勢是不相同的，sigmoid 函數(shù)由于其飽和性會使上幾層的權(quán)值難以更新，稱為“梯度消失”，且其并不以零為中心，當(dāng)輸入值全正時，權(quán)值的變化只能全正或全負(fù)；tanh函數(shù)屬于sigmoid 函數(shù)的一個變形形式，但tanh 函數(shù)是以零為中心，可以產(chǎn)生類似數(shù)據(jù)中心化的效果，但是依然沒有改善梯度消失的問題；relu 函數(shù)是非飽和函數(shù)，可以解決梯度消失的問題，且能快速收斂。但是relu 函數(shù)會使得神經(jīng)網(wǎng)絡(luò)發(fā)生“神經(jīng)元死亡”即權(quán)值無法更新的問題出現(xiàn)，這需要在涉及網(wǎng)絡(luò)結(jié)構(gòu)時設(shè)定合適的學(xué)習(xí)率。本文網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計選擇激活函數(shù)“relu”，學(xué)習(xí)率設(shè)置為0.01。

3）卷積層：主要濾波器（filters）和激活函數(shù)構(gòu)成。卷積層通過卷積計算提取并增強特征，并降低噪聲。經(jīng)過卷積后的信號脈沖通常會較原先的短，為了使卷積次數(shù)不會過少，通常使用填白（padding）的方式補齊信號序列，使得和原先序列長度一致，此方法稱為“same”，不經(jīng)過任何填白的稱為“valid”方式。本文網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的超參數(shù)包括步長為1，padding 選用“same”，濾波器的個數(shù)分別為512、128、32。

4）池化層：為減小數(shù)據(jù)冗余，通過固定窗口長度在區(qū)域內(nèi)提取相關(guān)特征，防止過擬合現(xiàn)象發(fā)生。池化層不需要學(xué)習(xí)參數(shù)，先前設(shè)置好的參數(shù)是固定計算方式的。本文網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的超參數(shù)包括步長為1，pool 選用“Macpooling”。

5）全連接層：用來整合所有提取的特征，將上一層所有點連接。計算公式為輸出參數(shù)=輸入?yún)?shù)*權(quán)值+偏置。

6）正則化（Regularization）［14-16］：正則化是為了使驗證數(shù)據(jù)或者之后使用神經(jīng)網(wǎng)絡(luò)進行識別時不會出現(xiàn)誤差過大的方法。本文主要使用兩種正則化方法用來提升神經(jīng)網(wǎng)絡(luò)識別效果：1）在數(shù)據(jù)中嵌入先驗知識，使得神經(jīng)網(wǎng)絡(luò)對MFR 的信號和參數(shù)識別更準(zhǔn)確和靈敏；2）使用dropout 丟棄法，即在經(jīng)過一層神經(jīng)網(wǎng)絡(luò)后，隨機選取一定比例的神經(jīng)元將其“舍棄”，強行簡化模型。

4 仿真實驗

4.1 實驗1

實驗在Win10 系統(tǒng)和Python Tensor Flow 環(huán)境下進行。行為與特征參數(shù)、評價指標(biāo)選取如下：

1）選擇某型機載火控雷達(dá)作為研究對象，選定多功能雷達(dá)行為近距離搜索、遠(yuǎn)距離搜索、跟蹤進行識別。

2）選取訓(xùn)練樣本數(shù)據(jù)為1 500*3 001 的二維矩陣，其中包含3 種不同工作模式類別各500 條信號脈沖及各個模式的標(biāo)簽；選取驗證樣本數(shù)據(jù)為150*3 001 的二維矩陣，其中包含3 種不同工作模式類別各50 條信號脈沖及各個模式的標(biāo)簽。

3）性能指標(biāo)。

實驗結(jié)果如圖4 和表1 所示。

圖4 CNN 識別結(jié)果

表1 CNN 識別準(zhǔn)確率

由實驗結(jié)果可知，全信號級數(shù)據(jù)進行CNN 網(wǎng)絡(luò)訓(xùn)練時，相近信號所代表的雷達(dá)行為識別時會受到干擾，類別3 幾乎全部被識別為類別2，幾個被識別為類別1 的，準(zhǔn)確率很低。實驗在反復(fù)訓(xùn)練的過程中，也出現(xiàn)了類別2 幾乎全部被識別為類別3 的現(xiàn)象。由于信號級數(shù)據(jù)在一定程度上無法體現(xiàn)雷達(dá)工作狀態(tài)變化，例如波束方位的改變，重頻的變化等，這對CNN 網(wǎng)絡(luò)訓(xùn)練而言，類別2 和類別3 會被認(rèn)為是同一組信號，從而在驗證過程中都被識別為同一類別。因此，下一步將信號級數(shù)據(jù)與參數(shù)級數(shù)據(jù)結(jié)合，避免了信息片面殘缺的問題。

4.2 實驗2

在上個實驗選用的每組信號數(shù)據(jù)后分別和同時加入波束方位、重復(fù)頻率的參數(shù)值，組成訓(xùn)練樣本1 500*3 002 兩組和1 500*3 003 一組，驗證樣本150*3 002 兩組和150*3 003 一組，將完整的序列集合輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

實驗結(jié)果如圖5 所示。

圖5 CNN 識別結(jié)果

表2 CNN 識別準(zhǔn)確率

圖6 CNN 識別準(zhǔn)確率對比

顯然，加入雷達(dá)脈沖參數(shù)的訓(xùn)練樣本可以得到更準(zhǔn)確的識別率，且實驗結(jié)果受參數(shù)影響而產(chǎn)生不同效果。在此次實驗中，波束方位顯然起著更為重要的作用，指代了有不同的追蹤目標(biāo)在不同的方位上，能夠有效地區(qū)分類別2 和類別3。而重頻由于具有捷變的特性，對提升識別準(zhǔn)確率作用不是很明顯。從圖4 可以看出，信號和參數(shù)組合的樣本數(shù)據(jù)能夠完整描述雷達(dá)脈沖序列的脈內(nèi)脈間所有特性，相比全信號級訓(xùn)練樣本，具有有效的識別結(jié)果，但是當(dāng)有參數(shù)的樣式是變化時，反而會使準(zhǔn)確率有所下降。

4.3 與其他算法的對比

對比文獻(xiàn)［4、6］中的雷達(dá)行為識別方法，文獻(xiàn)［4］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。判斷得到兩點（或一點）變化點后，對分出的3 個（或2 個）段繼續(xù)進行分析，不斷循環(huán)處理，直到再無變化點被檢測出來。兩種方法均可以對多功能雷達(dá)行為進行識別，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；并且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)進行分割，可利用信息量少，在多工作模式下容易造成漏警，判決不夠準(zhǔn)確。

相比較而言可以看出卷積神經(jīng)網(wǎng)絡(luò)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)論

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行分割。為減小冗余，對原始脈沖序列進行篩選、補齊，提高了初始數(shù)據(jù)的應(yīng)用效果，分別構(gòu)造了全信號級數(shù)據(jù)樣本集和信號加參數(shù)級數(shù)據(jù)樣本集，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)計完成了基于卷積神經(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。

本文僅圍繞某型機載火控雷達(dá)的4 種工作狀態(tài)，進行了數(shù)據(jù)集譜構(gòu)建與行為辨識算法的建模與仿真實驗，還有更多較為復(fù)雜的雷達(dá)行為需要進一步研究；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，均是今后需要研究的方向。