一種基于深度特征的信號(hào)分類方法

臧 勤,洪 鼎，錢 鷗,劉佳媛，尚 睿

(中國(guó)船舶集團(tuán)有限公司第八研究院，南京211153)

0 引 言

信息技術(shù)在軍事領(lǐng)域的廣泛應(yīng)用和武器裝備的飛速發(fā)展引發(fā)了現(xiàn)代戰(zhàn)爭(zhēng)形式的革命性變化。戰(zhàn)場(chǎng)的透明化程度是關(guān)系到戰(zhàn)爭(zhēng)成敗的重要因素。準(zhǔn)確的平臺(tái)類型與威脅等級(jí)的識(shí)別能力成為現(xiàn)代戰(zhàn)爭(zhēng)中獲取信息優(yōu)勢(shì)的關(guān)鍵[1]。目標(biāo)信號(hào)分類技術(shù)是輻射源識(shí)別的基礎(chǔ)，是偵測(cè)系統(tǒng)在未來復(fù)雜電磁環(huán)境下的核心技術(shù)。通過對(duì)電磁輻射信號(hào)的搜索、截獲和相關(guān)信息積累，本文研究各類復(fù)雜相控陣調(diào)制信號(hào)的時(shí)頻域調(diào)制規(guī)律、空間掃描規(guī)律，結(jié)合信息智能化處理技術(shù)提出了一種基于深度特征的目標(biāo)分類方法，并在工程中予以應(yīng)用，取得了一些階段性的研究成果。

1 復(fù)雜波形分析

針對(duì)實(shí)際偵測(cè)輻射源目標(biāo)信號(hào)交疊、參數(shù)靈活多變、波形不完整等特點(diǎn)，采用時(shí)間序列分析方法提取隱藏特征參數(shù)；通過數(shù)據(jù)積累對(duì)全脈沖數(shù)據(jù)進(jìn)行補(bǔ)全、糾錯(cuò)；再通過聚類、時(shí)間差計(jì)算、參數(shù)關(guān)聯(lián)等方法對(duì)未知數(shù)據(jù)進(jìn)行參數(shù)特征分析、目標(biāo)分類。

為了提高復(fù)雜波形信號(hào)目標(biāo)識(shí)別判證的準(zhǔn)確性，傳統(tǒng)的雷達(dá)特征5參數(shù)已經(jīng)無法適應(yīng)當(dāng)前的雷達(dá)目標(biāo)識(shí)別的要求，而是需要更多維度的特征來表達(dá)信號(hào)。通過時(shí)間序列分析、時(shí)頻域聯(lián)合變換等方法，獲取雷達(dá)信號(hào)輻射源脈沖上升、下降沿、脈間/脈組時(shí)間序貫、脈內(nèi)調(diào)制、時(shí)頻變化、空間掃描等特征，從而實(shí)現(xiàn)對(duì)輻射源目標(biāo)的精細(xì)化特征提取。

由于一些雷達(dá)信號(hào)形式復(fù)雜多變，信號(hào)的SNR起伏較大，難以直接提取出輻射源信號(hào)的本質(zhì)特征，因而首先需要從時(shí)域、頻域、空域、能量域等不同角度采用多種不同方法對(duì)該復(fù)雜體制輻射源信號(hào)進(jìn)行充分的特征提取，并將提取出的大量特征組成特征向量來實(shí)現(xiàn)對(duì)輻射源的分類判別。當(dāng)前主要提取載頻、信號(hào)帶寬、脈內(nèi)特征、頻率捷變參數(shù)、脈寬、重頻、脈沖幅度、方位角、俯仰角、位置估計(jì)信息、速度估計(jì)信息、天線方向圖、天線掃描速率、輻射源脈沖上升、下降沿特征、脈間/脈組時(shí)間序貫特征、脈內(nèi)調(diào)制特征、時(shí)頻變化特征、空間掃描特征等18維參數(shù)特征描述信號(hào)。

2 分類識(shí)別算法

在識(shí)別流程中,目標(biāo)識(shí)別算法是雷達(dá)輻射源識(shí)別的核心。通常使用的分類識(shí)別技術(shù)主要包括相似系數(shù)法、參數(shù)模板法、聚類分析法、神經(jīng)網(wǎng)絡(luò)法、物理模型法和基于知識(shí)的方法。考慮到神經(jīng)網(wǎng)絡(luò)可以大規(guī)模并行處理、分布式信息存儲(chǔ)、良好的自組織自學(xué)習(xí)能力等特點(diǎn)，本方法采用神經(jīng)網(wǎng)絡(luò)法，并對(duì)幾種典型網(wǎng)絡(luò)模型進(jìn)行深入研究和分析對(duì)比，如表1所示，最終根據(jù)雷達(dá)序列特征選擇采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行算法設(shè)計(jì)。

表1 各模型組成特點(diǎn)分析

3 算法驗(yàn)證情況

搭建分類識(shí)別算法驗(yàn)證平臺(tái),在該平臺(tái)對(duì)模型層數(shù)和節(jié)點(diǎn)數(shù)進(jìn)行比較、訓(xùn)練和測(cè)試，再對(duì)訓(xùn)練效果進(jìn)行評(píng)估比較，選擇最適合的訓(xùn)練模型參數(shù)。具體處理流程如圖1所示。

圖1 目標(biāo)關(guān)聯(lián)識(shí)別流程

通過對(duì)采集數(shù)據(jù)(包含RDW數(shù)據(jù)、PDW數(shù)據(jù)、中頻數(shù)據(jù)等信息)讀取，提取載頻、信號(hào)帶寬、脈內(nèi)特征、頻率捷變參數(shù)、脈寬、重頻、脈沖幅度、方位角、俯仰角、位置估計(jì)信息、速度估計(jì)信息、天線方向圖、天線掃描速率、輻射源脈沖上升、下降沿特征、脈間/脈組時(shí)間序貫特征、脈內(nèi)調(diào)制特征、時(shí)頻變化特征、空間掃描特征等時(shí)域、空域、頻域、調(diào)制域等多維特征參數(shù)；搭建并訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，基于訓(xùn)練好的學(xué)習(xí)模型實(shí)現(xiàn)對(duì)復(fù)雜體制輻射源數(shù)據(jù)的分類和識(shí)別。

3.1 樣本準(zhǔn)備

深度學(xué)習(xí)處理樣本要求較高。當(dāng)前研究過程中遇到的主要困難就是樣本搜集問題?，F(xiàn)在已搜集到以往采集的多種偵測(cè)數(shù)據(jù)。然而數(shù)據(jù)質(zhì)量不高，樣本中的噪聲較多；有些采集數(shù)據(jù)包含多個(gè)目標(biāo)并互相交疊；有些數(shù)據(jù)由于偵測(cè)任務(wù)設(shè)置為多個(gè)頻點(diǎn)掃頻或天線扇掃模式，目標(biāo)未持續(xù)跟蹤數(shù)據(jù)。需要結(jié)合可視化圖譜顯示，根據(jù)經(jīng)驗(yàn)和已獲取的資料進(jìn)行判斷，結(jié)合預(yù)處理算法對(duì)樣本進(jìn)行挑選和清洗。

深度學(xué)習(xí)通常會(huì)把樣本數(shù)據(jù)分為3個(gè)集合：訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用來學(xué)習(xí)的樣本集，通過這些向量來確定網(wǎng)絡(luò)中的各個(gè)待定系數(shù)。驗(yàn)證集用來調(diào)整分類器的參數(shù)的樣本集，在訓(xùn)練的過程中網(wǎng)絡(luò)模型會(huì)立刻在驗(yàn)證集進(jìn)行驗(yàn)證。根據(jù)驗(yàn)證集數(shù)據(jù)的損失函數(shù)值、準(zhǔn)確率等驗(yàn)證情況進(jìn)行調(diào)整和修正。測(cè)試集是在訓(xùn)練后為測(cè)試模型的能力(主要是分類能力)而設(shè)置的一部分?jǐn)?shù)據(jù)集合。

3.2 效果評(píng)估

評(píng)估深度學(xué)習(xí)模型的方法一般采用錯(cuò)誤率、查全率、查準(zhǔn)率等，對(duì)已明確標(biāo)識(shí)的數(shù)據(jù)可通過該方法進(jìn)行評(píng)估。但是，該類數(shù)據(jù)需要提前進(jìn)行準(zhǔn)備打上標(biāo)識(shí)，實(shí)際偵測(cè)數(shù)據(jù)都為非配合信號(hào)，無法簡(jiǎn)單判斷該數(shù)據(jù)是否分類或識(shí)別成功，同時(shí)無法完全反映出該方法在實(shí)際偵測(cè)時(shí)對(duì)未處理過的偵測(cè)數(shù)據(jù)的處理效果。因此，結(jié)合可視化圖譜顯示的方式標(biāo)注分類結(jié)果進(jìn)行直觀顯示和評(píng)價(jià)，結(jié)合經(jīng)驗(yàn)和已獲取的資料進(jìn)行綜合判斷。具體實(shí)現(xiàn)方法如下：通過不同方法對(duì)全脈沖數(shù)據(jù)進(jìn)行處理后通過可視化方式驗(yàn)證分類效果。驗(yàn)證方式如下：采用優(yōu)化算法分為2類。如圖2所示，橫軸是時(shí)間，縱軸是幅度，不同墨色代表不同分類結(jié)果。

圖2 分類效果圖

3.3 驗(yàn)證過程

對(duì)試驗(yàn)偵測(cè)到的復(fù)雜信號(hào)數(shù)據(jù)進(jìn)行特征提取和關(guān)聯(lián)，對(duì)目標(biāo)信號(hào)進(jìn)行樣本制作。每個(gè)目標(biāo)的樣本數(shù)據(jù)提取大約10 000組，對(duì)樣本數(shù)據(jù)進(jìn)行隨機(jī)劃分：80%訓(xùn)練，20%測(cè)試。根據(jù)測(cè)試結(jié)果選擇循環(huán)神經(jīng)網(wǎng)絡(luò)模型讀取原始文件進(jìn)行進(jìn)一步預(yù)測(cè)驗(yàn)證。驗(yàn)證結(jié)果表明，基本實(shí)現(xiàn)了對(duì)該幾類目標(biāo)的識(shí)別。

神經(jīng)網(wǎng)絡(luò)需要通過若干次學(xué)習(xí)來訓(xùn)練，根據(jù)數(shù)據(jù)集大小設(shè)置桶容量，即一次訓(xùn)練的樣本個(gè)數(shù)。系統(tǒng)每次取一桶數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)中的權(quán)值，并通過下一桶數(shù)據(jù)的訓(xùn)練修正已經(jīng)確定的網(wǎng)絡(luò)權(quán)值。采用原始數(shù)據(jù)樣本對(duì)其預(yù)測(cè)效果如表2。

表2 預(yù)測(cè)效果對(duì)比表

4 結(jié)束語

針對(duì)實(shí)際偵測(cè)數(shù)據(jù)目標(biāo)信號(hào)交疊、參數(shù)靈活多變、波形不完整導(dǎo)致采用傳統(tǒng)目標(biāo)分類識(shí)別方法準(zhǔn)確率不高的問題，本文提出了一種基于深度特征的信號(hào)分類方法。該方法通過數(shù)據(jù)積累對(duì)全脈沖數(shù)據(jù)進(jìn)行補(bǔ)全、糾錯(cuò)，綜合時(shí)域、頻域、空域、能量域、調(diào)制域等多域參數(shù)提取隱藏特征，搭建深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)偵測(cè)數(shù)據(jù)進(jìn)行持續(xù)訓(xùn)練，實(shí)現(xiàn)對(duì)復(fù)雜目標(biāo)信號(hào)的分類。另一方面，該算法隨著新體制新模式雷達(dá)信號(hào)層出不窮， 需要進(jìn)一步提高算法模型的遷移學(xué)習(xí)能力，以提高對(duì)未知數(shù)據(jù)集的泛化能力。