基于深度學(xué)習(xí)的雷達(dá)輻射源識(shí)別算法

殷雪鳳，武 斌

（西安電子科技大學(xué)電子工程學(xué)院，陜西西安 710126）

0 引言

雷達(dá)輻射源識(shí)別（REI/RER）技術(shù)是電子戰(zhàn)中至關(guān)重要的一部分，是電子支援措施（ESM）的核心和雷達(dá)對(duì)抗系統(tǒng)中的關(guān)鍵技術(shù)[1]。輻射源識(shí)別技術(shù)通過(guò)從偵察信號(hào)中獲取目標(biāo)輻射源的體制、用途、型號(hào)等信息，為下一步態(tài)勢(shì)估計(jì)、威脅估計(jì)和決策調(diào)整提供依據(jù)。

在輻射源識(shí)別研究的早期，信號(hào)穩(wěn)定、調(diào)制簡(jiǎn)單，傳統(tǒng)的雷達(dá)輻射源識(shí)別方法主要是基于脈沖描述字（PDW）的特征提取方法[2]。但隨著雷達(dá)技術(shù)的發(fā)展，特別是新體制、新用途雷達(dá)的使用，調(diào)制形式變得復(fù)雜，調(diào)制參數(shù)轉(zhuǎn)換越來(lái)越快捷，時(shí)空領(lǐng)域范圍內(nèi)的雷達(dá)信號(hào)交錯(cuò)，密度增大，傳統(tǒng)雷達(dá)輻射源識(shí)別方法不能有效對(duì)輻射源進(jìn)行識(shí)別[3]。因此，最新的電子戰(zhàn)系統(tǒng)還對(duì)雷達(dá)信號(hào)的脈內(nèi)特征進(jìn)行分析，不少研究人員在這方面做了大量工作。時(shí)頻特征、小波包特征、分?jǐn)?shù)階傅里葉變換域特征和小波脊頻特征等參數(shù)在輻射源識(shí)別領(lǐng)域中都取得了不錯(cuò)的效果[4]。但這些方法都需要人工提取特征，費(fèi)時(shí)費(fèi)力，而且人為提取的特征在輻射源識(shí)別系統(tǒng)中的有效性和普適性還有待深入研究，因此，整個(gè)系統(tǒng)對(duì)人為因素的依賴太強(qiáng)。

隨著人工智能的發(fā)展，特別是近幾年深度學(xué)習(xí)的崛起，不少專家學(xué)者將深度學(xué)習(xí)模型應(yīng)用于雷達(dá)輻射源識(shí)別中，并取得了一定的成果。文獻(xiàn)[5]提出了一種基于深度置信網(wǎng)絡(luò)的識(shí)別算法，將信號(hào)的時(shí)頻圖輸入訓(xùn)練好的深度置信網(wǎng)絡(luò)，識(shí)別不同調(diào)制信號(hào)。文獻(xiàn)[6]對(duì)輻射源信號(hào)進(jìn)行幅-相二維圖像表征，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)二維圖像進(jìn)行特征提取和分類，實(shí)現(xiàn)了對(duì)不同調(diào)制信號(hào)的分類識(shí)別。文獻(xiàn)[4]將輻射源的二維時(shí)頻圖用隨機(jī)投影和主成分分析方法進(jìn)行降維，再利用層級(jí)編碼器（SAE）模型挖掘時(shí)頻圖像的深度聯(lián)合特征，實(shí)現(xiàn)對(duì)輻射源信號(hào)的識(shí)別。然而，這些深度學(xué)習(xí)識(shí)別算法，需要對(duì)信號(hào)進(jìn)行處理，變換到時(shí)頻域或其他維度，增大了信號(hào)處理的復(fù)雜性。

針對(duì)以上問(wèn)題，本文提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的深度學(xué)習(xí)雷達(dá)輻射源識(shí)別模型，首先通過(guò)一維CNN的局部特征學(xué)習(xí)能力自動(dòng)提取雷達(dá)信號(hào)的局部特征，然后通過(guò)LSTM學(xué)習(xí)雷達(dá)輻射源信號(hào)序列在整個(gè)時(shí)間維度上的信息，最后通過(guò)全連接層得到樣本數(shù)據(jù)屬于各個(gè)輻射源的概率完成分類，實(shí)現(xiàn)對(duì)原始輻射源時(shí)域信號(hào)端到端的識(shí)別。仿真實(shí)驗(yàn)證明了該方法的有效性。

1 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）常用于計(jì)算機(jī)視覺(jué)領(lǐng)域，它通過(guò)直接與圖像像素進(jìn)行卷積來(lái)提取圖像特征[7]。CNN相鄰層的節(jié)點(diǎn)不采用全連接的方式，一般由卷積層和池化層交替級(jí)聯(lián)。

卷積層的目的主要是提取輸入的特征值點(diǎn)，通過(guò)設(shè)置一個(gè)卷積核，然后以一定的步長(zhǎng)滑動(dòng)卷積核，基于卷積核與輸入的卷積，由此得到對(duì)應(yīng)的局部特征矩陣。通過(guò)采用不同的卷積核與原始輸入進(jìn)行卷積運(yùn)算，即可從不同角度提取輸入的特征。這樣的方式保留了原有輸入特征的順序關(guān)系，同時(shí)卷積運(yùn)算特征提取的方式實(shí)現(xiàn)了權(quán)值共享，減少了參數(shù)數(shù)量。池化層使用一個(gè)過(guò)濾器以一定步長(zhǎng)對(duì)矩陣進(jìn)行掃描，獲取視野域的最大值或平均值，其作用是對(duì)卷積層的輸入結(jié)果進(jìn)行采樣，進(jìn)一步壓縮特征圖，實(shí)現(xiàn)特征降維，防止過(guò)擬合。

1.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，由Hochreiter等人提出[8]，它可以根據(jù)當(dāng)前以及過(guò)去較遠(yuǎn)時(shí)間的輸入，完成輸出預(yù)測(cè)的任務(wù)。

LSTM由遞歸連接的LSTM單元組成，每個(gè)LSTM單元結(jié)構(gòu)如圖1所示，分別由遺忘門、輸入門、輸出門組成。首先通過(guò)遺忘門σf根據(jù)輸入xt和上一LSTM單元的輸出ht-1對(duì)上一時(shí)刻的輸入狀態(tài)Ct-1進(jìn)行控制，丟失不重要的信息；然后輸入門的控制信息σj來(lái)決定添加有用的信息，得到當(dāng)前狀態(tài)Ct；最后通過(guò)遺忘門和輸入門影響輸出門，得到最終輸出ht。其中，tanh為激活函數(shù)對(duì)狀態(tài)量和輸入量進(jìn)行縮放。這種結(jié)構(gòu)使網(wǎng)絡(luò)能夠選擇性地記住對(duì)輸出重要的信息，遺忘不重要的輸入[9]。

圖1 LSTM單元結(jié)構(gòu)圖

2 基于CNN和LSTM的雷達(dá)輻射源識(shí)別

在本文提出的輻射源識(shí)別算法中，采集得到的不同調(diào)制方式的帶標(biāo)簽的基帶雷達(dá)輻射源信號(hào)，在經(jīng)過(guò)z-score標(biāo)準(zhǔn)化預(yù)處理之后，直接輸入搭建好的CNNSLTM深度學(xué)習(xí)模型中，模型通過(guò)反向傳播算法調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)收斂，最終能夠?qū)崿F(xiàn)對(duì)不同調(diào)制方式的時(shí)域信號(hào)進(jìn)行識(shí)別。

2.1 數(shù)據(jù)預(yù)處理

本文采用的預(yù)處理方式為z-score標(biāo)準(zhǔn)化方法，這是一種在深度學(xué)習(xí)中常用的數(shù)據(jù)處理方法，經(jīng)過(guò)處理的數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1，保證不同維度的數(shù)據(jù)具有相同的分布規(guī)模，更有利于網(wǎng)絡(luò)優(yōu)化，能有效縮短訓(xùn)練時(shí)間。

設(shè)原始輻射源采樣序列為x=[x1,x2,x3…xN]，其中N為采樣點(diǎn)數(shù)。以第i個(gè)采樣點(diǎn)為例，標(biāo)準(zhǔn)化之后的采樣值為：

通過(guò)以上的標(biāo)準(zhǔn)化處理，使得輸入數(shù)據(jù)分布在較為合理的范圍以內(nèi)，有利于減小樣本數(shù)據(jù)間量綱的差異對(duì)預(yù)測(cè)結(jié)果的影響。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

由于雷達(dá)輻射源信號(hào)是典型的時(shí)間序列數(shù)據(jù)，因此本文選用擅長(zhǎng)處理時(shí)間序列的一維CNN網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)解決雷達(dá)輻射源識(shí)別問(wèn)題。CNN擅長(zhǎng)局部特征的提取，而LSTM則擅長(zhǎng)捕獲數(shù)據(jù)時(shí)序性，適合處理時(shí)間序列。為了更好地提取雷達(dá)輻射源信號(hào)的特征，本文將二者結(jié)合，用CNN提取雷達(dá)信號(hào)的局部特征，用LSTM挖掘信號(hào)整體的關(guān)聯(lián)，提取全局特征，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。用3個(gè)卷積單元提取輸入信號(hào)的局部特征，即短時(shí)間內(nèi)各個(gè)采樣點(diǎn)之間的關(guān)系；1個(gè)LSTM層用于提取較長(zhǎng)時(shí)間采樣點(diǎn)之間的相關(guān)關(guān)系；最后通過(guò)2個(gè)全連接層，實(shí)現(xiàn)對(duì)于不同調(diào)制信號(hào)的識(shí)別[10]。

圖2 CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)示意圖

此處的3個(gè)卷積單元的結(jié)構(gòu)相同，都由卷積層、批量歸一化層（BN）、激活層、池化層構(gòu)成，如圖3所示。卷積層計(jì)算信號(hào)與不同卷積核的卷積，激活層將卷積得到的特征進(jìn)行非線性激活。為了更有利于提取信號(hào)的局部特征，每個(gè)卷積單元的卷積核大小分別為：4×1、3×1、3×1，較小的卷積核具有更小范圍的感受野，更有利于關(guān)注局部的特征。為了加快網(wǎng)絡(luò)的訓(xùn)練和收斂速度，降低梯度爆炸和梯度消失的情況發(fā)生，防止網(wǎng)絡(luò)過(guò)擬合，在對(duì)卷積結(jié)果進(jìn)行激活之前，加入了BN層[11]。最后將激活層的輸出輸入池化層進(jìn)行下采樣，對(duì)特征進(jìn)行降維，此處池化層采用的池化方式為最大池化，另外，在池化層中為了進(jìn)一步提高模型的泛化能力，還進(jìn)行了Dropout操作。卷積單元這樣的設(shè)置，即保證輸入信號(hào)的特征能被有效提取，BN層和池化層的加入也能防止網(wǎng)絡(luò)過(guò)擬合，同時(shí)提高訓(xùn)練速度。

圖3 卷積單元結(jié)構(gòu)示意圖

LSTM層將卷積單元得到的特征圖進(jìn)行計(jì)算，得到特征之間的全局關(guān)系，使得網(wǎng)絡(luò)對(duì)于整個(gè)采樣時(shí)間內(nèi)的采樣值有更加全面的認(rèn)識(shí)。通過(guò)CNN之后的網(wǎng)絡(luò)輸出不僅數(shù)據(jù)規(guī)模減小，而且時(shí)間維度的局部特征更為明顯，這幫助提高了LSTM的訓(xùn)練速度。而LSTM層可以很好地完成時(shí)間上的特征提取，更好地發(fā)現(xiàn)時(shí)間片間的聯(lián)系，得到更有利于雷達(dá)輻射源識(shí)別的特征。最后，網(wǎng)絡(luò)末尾的2個(gè)全連接層對(duì)LSTM的輸出進(jìn)行處理，實(shí)現(xiàn)不同調(diào)制信號(hào)的分類識(shí)別。整個(gè)網(wǎng)絡(luò)部分參數(shù)如表1所示；LSTM輸出節(jié)點(diǎn)數(shù)為64；FC1輸出節(jié)點(diǎn)數(shù)為64，激活函數(shù)為ReLU，Dropout為0.5；FC2輸出節(jié)點(diǎn)數(shù)為6，激活函數(shù)為Softmax。

本文采用的損失函數(shù)為交叉熵函數(shù)，這是由于本文研究的雷達(dá)輻射源識(shí)別問(wèn)題屬于機(jī)器學(xué)習(xí)中的多分類問(wèn)題，采用該函數(shù)更利于網(wǎng)絡(luò)訓(xùn)練。優(yōu)化算法為隨機(jī)梯度下降算法，學(xué)習(xí)率設(shè)置為0.001。訓(xùn)練時(shí)批處理的大小為256，每次迭代結(jié)束后檢查驗(yàn)證集損失值，當(dāng)其連續(xù)多次不再發(fā)生變化，則表明模型參數(shù)訓(xùn)練充分，停止訓(xùn)練，得到訓(xùn)練好的雷達(dá)輻射源識(shí)別網(wǎng)絡(luò)模型。

表1 CNN?LSTM網(wǎng)絡(luò)參數(shù)

3 仿真結(jié)果與分析

本文的仿真實(shí)驗(yàn)是在谷歌的Google Colaboratory在線平臺(tái)上進(jìn)行的，平臺(tái)GPU的型號(hào)為Tesla T4，內(nèi)存為12.78 GB，硬盤為40 GB。系統(tǒng)版本為Ubuntu 18.04.3，軟件上用python 3語(yǔ)言在以TensorFlow為后端運(yùn)行的Keras上實(shí)現(xiàn)。

3.1 數(shù)據(jù)集簡(jiǎn)介

實(shí)驗(yàn)中的雷達(dá)輻射源數(shù)據(jù)均是通過(guò)Matlab仿真得到，主要包含6類不同的調(diào)制信號(hào)，分別為：常規(guī)脈沖信號(hào)(CP)、線性調(diào)頻信號(hào)(LFM)、非線性余弦調(diào)頻信號(hào)(NCFM)、二相編碼壓縮信號(hào)(BPSK)、二頻率編碼信號(hào)(BFSK)和四頻率編碼信號(hào)(QFSK)。為使仿真信號(hào)更接近原始雷達(dá)輻射源信號(hào)，信號(hào)調(diào)制參數(shù)不取固定參數(shù)，而是在設(shè)置的參數(shù)值的一定范圍內(nèi)波動(dòng)，如常規(guī)脈沖信號(hào)的載波頻率為200 MHz，實(shí)際仿真載波頻率值在(190 MHz,210 MHz)區(qū)間內(nèi)均勻分布，具體參數(shù)如表2所示。統(tǒng)一取采樣頻率fs=4 GHz，仿真時(shí)長(zhǎng)T=1.024 μs，脈寬為τ=1 μs，采樣點(diǎn)數(shù)為4 097個(gè)點(diǎn)。其中，BPSK和BFSK采用的編碼方式為11位巴克碼，碼元寬度為0.09 μs；QFSK采用的編碼方式為16位Frank碼，碼元寬度為0.062 5 μs。

為驗(yàn)證模型的抗噪聲性能，仿真生成了-12～14 dB、步長(zhǎng)為2 dB的樣本數(shù)據(jù)。在模型訓(xùn)練階段，每類調(diào)制信號(hào)在一種信噪比條件下仿真了500個(gè)樣本數(shù)據(jù)，設(shè)置6種調(diào)制類型、14個(gè)不同的信噪比，共42 000個(gè)數(shù)據(jù)作為訓(xùn)練集。在訓(xùn)練時(shí)隨機(jī)選用37 800個(gè)樣本訓(xùn)練，4 200個(gè)樣本用于驗(yàn)證。另外，生成了每種調(diào)制信號(hào)單一信噪比下100個(gè)樣本、共8 400個(gè)樣本的數(shù)據(jù)集作為測(cè)試集，用于測(cè)試訓(xùn)練得到的網(wǎng)絡(luò)性能。

表2 不同調(diào)制信號(hào)的參數(shù)設(shè)置

3.2 識(shí)別準(zhǔn)確率分析

本文提出的基于CNN-LSTM深度神經(jīng)網(wǎng)絡(luò)的雷達(dá)輻射源識(shí)別模型，在訓(xùn)練集上得到充分訓(xùn)練后，最終在測(cè)試集上的平均識(shí)別準(zhǔn)確率達(dá)到了91.13%。為了進(jìn)一步探究CNN-LSTM網(wǎng)絡(luò)對(duì)不同調(diào)制信號(hào)的識(shí)別情況，本文分別統(tǒng)計(jì)了每種調(diào)制信號(hào)在不同信噪比下，樣本的識(shí)別正確率，如圖4所示。由圖4可知，在信噪比大于-4 dB時(shí)，網(wǎng)絡(luò)對(duì)于6種調(diào)制信號(hào)的識(shí)別正確率都達(dá)到了90%以上；當(dāng)信噪比在4 dB以上時(shí)，對(duì)于所有調(diào)制信號(hào)的識(shí)別正確率都達(dá)到了100%，可見(jiàn)，CNN-LSTM網(wǎng)絡(luò)對(duì)于不同的調(diào)制信號(hào)都有較好的識(shí)別效果，具有較好的抗噪聲性能。

圖4 不同信噪比下6種調(diào)制信號(hào)識(shí)別結(jié)果圖

另外，為了說(shuō)明LSTM層對(duì)于網(wǎng)絡(luò)的影響，在實(shí)驗(yàn)中，設(shè)置了對(duì)照實(shí)驗(yàn)，訓(xùn)練了另一個(gè)CNN網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)將CNN-LSTM網(wǎng)絡(luò)中的LSTM層改成了Flatten層，直接把多維輸入一維化，其他結(jié)構(gòu)和參數(shù)與CNN-LSTM完全相同，以同樣的方式對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并在相同的測(cè)試集上測(cè)試網(wǎng)絡(luò)，將其識(shí)別結(jié)果與CNN-LSTM網(wǎng)絡(luò)識(shí)別結(jié)果進(jìn)行對(duì)比。圖5為CNN-LSTM網(wǎng)絡(luò)以及CNN網(wǎng)絡(luò)在不同信噪比下的識(shí)別結(jié)果。從圖5中可以看出，在信噪比高于-6 dB的情況下，CNN-LSTM網(wǎng)絡(luò)的識(shí)別結(jié)果的正確率都在90%以上；在信噪比高于2 dB之后，該模型的準(zhǔn)確率達(dá)到了100%。相比之下，CNN模型在低信噪比的情況下識(shí)別結(jié)果遠(yuǎn)不如CNN-LSTM模型，在信噪比為-8 dB時(shí)，識(shí)別準(zhǔn)確率就已降到了70%以下。由此可見(jiàn)，CNN-LSTM模型能更有效識(shí)別不同調(diào)制信號(hào)，具有更好的抗噪聲性能。

圖5 CNN-LSTM與CNN網(wǎng)絡(luò)識(shí)別結(jié)果比較

為了進(jìn)一步分析模型識(shí)別的準(zhǔn)確性，對(duì)識(shí)別結(jié)果進(jìn)行了抗混淆性能分析。表3為測(cè)試集識(shí)別結(jié)果的混淆矩陣，由表3可知，模型對(duì)于所有調(diào)制類型的信號(hào)識(shí)別正確率都能達(dá)到80% 以上。模型對(duì)于LFM和QFSK的識(shí)別效果最好，識(shí)別的正確率達(dá)到了94%以上；不論何種信噪比條件下，模型對(duì)于NCFM、BFSK的識(shí)別效果也比較好，識(shí)別準(zhǔn)確率都達(dá)到了90%以上；但對(duì)于BPSK信號(hào)的識(shí)別效果不佳，僅為81.57%，模型易把BPSK信號(hào)錯(cuò)誤識(shí)別成CP信號(hào)，而對(duì)于CP信號(hào)，被錯(cuò)分成BPSK信號(hào)的概率也是最高的。可見(jiàn)，不論對(duì)于何種信號(hào)，模型的整體識(shí)別能力都是不錯(cuò)的，都達(dá)到了80%以上，但對(duì)于CP和BPSK信號(hào)的識(shí)別能力還有待加強(qiáng)。

表3 CNN?LSTM網(wǎng)絡(luò)輻射源識(shí)別混淆矩陣 %

3.3 識(shí)別處理時(shí)間

為了研究批處理大小對(duì)單個(gè)測(cè)試信號(hào)處理時(shí)間的影響，實(shí)驗(yàn)選取設(shè)置不同取值的批量，在不同批處理大小下統(tǒng)計(jì)處理單個(gè)信號(hào)的時(shí)間，其中批處理的取值為[2，4，8，…，4 096，8 192]。實(shí)驗(yàn)結(jié)果如圖6所示。由圖6可知，批量大小對(duì)單個(gè)樣本的測(cè)試時(shí)間有較大的影響，當(dāng)批處理大小為2時(shí)，單個(gè)樣本的測(cè)試時(shí)間約為200 ms，當(dāng)批量大小大于1 024后，單個(gè)樣本的測(cè)試時(shí)間基本穩(wěn)定在3 ms左右。因此，每次將多個(gè)測(cè)試樣本輸入網(wǎng)絡(luò)能有效降低單個(gè)測(cè)試信號(hào)的處理時(shí)間，提高網(wǎng)絡(luò)工作效率。

圖6 不同批處理大小與單個(gè)樣本測(cè)試時(shí)間關(guān)系圖

4 結(jié)束語(yǔ)

本文提出了一種基于一維CNN和LSTM的深度學(xué)習(xí)輻射源識(shí)別模型，對(duì)輻射源時(shí)域信號(hào)進(jìn)行自動(dòng)特征提取，實(shí)現(xiàn)了對(duì)6種不同調(diào)制信號(hào)的識(shí)別，避免了人工提取特征的困難；另外，本文用LSTM網(wǎng)絡(luò)提取輻射源信號(hào)的全局關(guān)系，提高了網(wǎng)絡(luò)的抗噪聲性能。仿真結(jié)果表明，相比于單一CNN網(wǎng)絡(luò)，加入LSTM層的網(wǎng)絡(luò)的抗噪聲性能更好，在-6 dB的信噪比條件下，識(shí)別的準(zhǔn)確率能達(dá)到90%。CNN-LSTM網(wǎng)絡(luò)從整體來(lái)看具有很好的識(shí)別效果，但是對(duì)于某些特定調(diào)制信號(hào)的識(shí)別正確率偏低，如常規(guī)脈沖信號(hào)。未來(lái)的工作將進(jìn)一步改進(jìn)網(wǎng)絡(luò)，提高網(wǎng)絡(luò)對(duì)于CP信號(hào)的識(shí)別率。另外，本文發(fā)掘出的LSTM網(wǎng)絡(luò)結(jié)構(gòu)良好的抗噪聲和全局學(xué)習(xí)性能，可以考慮將其應(yīng)用到輻射源識(shí)別的其他方面，如雷達(dá)指紋識(shí)別等。