基于深度網(wǎng)絡(luò)的雷達(dá)信號(hào)分選

張旭威，黎仁剛，王一鳴

(中國(guó)船舶重工集團(tuán)公司第七二三研究所,江蘇 揚(yáng)州 225101)

0 引 言

對(duì)雷達(dá)信號(hào)參數(shù)進(jìn)行測(cè)量和分選以及對(duì)輻射源進(jìn)行定位和識(shí)別是雷達(dá)偵察系統(tǒng)的主要工作內(nèi)容。其中對(duì)雷達(dá)信號(hào)進(jìn)行分選尤為重要，因?yàn)檫@直接影響到后續(xù)的信息處理是否準(zhǔn)確、有效。因此，對(duì)雷達(dá)信號(hào)分選技術(shù)進(jìn)行研究具有十分重要的現(xiàn)實(shí)意義。

雷達(dá)信號(hào)分選需要處理的對(duì)象通常是脈沖描述字(PDW)，它被用來(lái)描述每個(gè)脈沖的到達(dá)角(DOA)、到達(dá)時(shí)間(TOA)、載頻(RF)、脈沖幅度(PA)、脈沖寬度(PW)等特征。由于現(xiàn)代戰(zhàn)爭(zhēng)采用大量的電磁設(shè)備，不可避免地會(huì)使雷達(dá)信號(hào)相比于早期戰(zhàn)爭(zhēng)而言所處的電磁環(huán)境更加復(fù)雜，在時(shí)頻域中的交疊混合現(xiàn)象也更嚴(yán)重，這使得雷達(dá)信號(hào)的密度和分選難度也隨之提升。為了起到稀釋脈沖流的目的，一般先使用DOA、RF、PW等參數(shù)進(jìn)行預(yù)分選，再利用脈沖重復(fù)周期(PRI)來(lái)進(jìn)行主分選。傳統(tǒng)的基于PRI進(jìn)行信號(hào)分選的方法有累積差直方圖(CDIF)法[1]、序列差直方圖(SDIF)法[2]、PRI變換法[3]和修正的PRI變換法[4]等。CDIF和SDIF都利用了信號(hào)的相關(guān)性，因此很容易出現(xiàn)子諧波問題。PRI變換算法通過引入復(fù)值自相關(guān)計(jì)算，達(dá)到了去除子諧波的目的，但無(wú)法很好地處理抖動(dòng)的脈沖信號(hào)。修正的PRI算法通過改變時(shí)間起點(diǎn)和采用交疊的PRI箱很好地彌補(bǔ)了傳統(tǒng)PRI變化法的不足。

隨著雷達(dá)體制的升級(jí)，脈沖周期信息提取愈加困難，使得只依靠脈沖周期信息進(jìn)行信號(hào)分選變得越來(lái)越不可行，需要借助更多的參數(shù)來(lái)進(jìn)行聯(lián)合分選以提升分選效果。本文將RF、PW、PA、TOA等多個(gè)參數(shù)編碼為圖像，像素點(diǎn)的信息代表了雷達(dá)脈沖信號(hào)的信息，再利用深度網(wǎng)絡(luò)對(duì)像素進(jìn)行分類，從而將信號(hào)分選問題轉(zhuǎn)化為圖像語(yǔ)義分割問題。

1 圖像語(yǔ)義分割概述

1.1 圖像語(yǔ)義分割概念

圖像分割是對(duì)整幅圖像進(jìn)行處理和解析的關(guān)鍵，對(duì)圖像進(jìn)行分割的依據(jù)是利用圖像不同區(qū)域(如紋理、形狀等)的特征差異，對(duì)不同區(qū)域進(jìn)行劃分，從而使不同區(qū)域的特征明顯不同，但使同一區(qū)域內(nèi)部特征一致或相似。普通的圖像分割技術(shù)是將1副圖像中用于表示不同物體的像素區(qū)域分割開，只解決了該區(qū)域有沒有物體的問題，而不區(qū)分該區(qū)域具體表示什么物體(即該區(qū)域的語(yǔ)義)。為了能夠得到分割區(qū)域的語(yǔ)義這一高層特征，則需要對(duì)普通的圖像分割進(jìn)一步細(xì)化而改進(jìn)為圖像語(yǔ)義分割技術(shù)，這種技術(shù)不僅可以分割出圖像中的不同區(qū)域，而且還可以對(duì)不同區(qū)域所表示的語(yǔ)義進(jìn)行分類。即在認(rèn)知圖像時(shí)具體到像素級(jí)別，給圖像中的每一個(gè)像素分配一個(gè)類別。

1.2 圖像語(yǔ)義分割網(wǎng)絡(luò)結(jié)構(gòu)

圖像語(yǔ)義分割常用的結(jié)構(gòu)為編碼器-解碼器結(jié)構(gòu)，其中典型的網(wǎng)絡(luò)為U-Net[5]和SegNet[6]。U-Net的特征融合是在不同尺度上拼接特征圖的通道維度，以增加通道的方式保留更多的特征圖信息，同時(shí)也可以提高像素定位的精度，達(dá)到提升分割效果的目的。但是由于其上采樣中的反卷積操作的參數(shù)需要學(xué)習(xí)，會(huì)降低訓(xùn)練速度。SegNet將最大池化索引傳遞給上采樣層，這種方式不需要訓(xùn)練學(xué)習(xí)，使得整個(gè)網(wǎng)絡(luò)參數(shù)更少，訓(xùn)練速度更快。為了進(jìn)行性能和速度的平衡，本文對(duì)U-Net和SegNet的混合結(jié)構(gòu)U-SegNet[7]進(jìn)行適用于本文實(shí)驗(yàn)的改進(jìn)，其網(wǎng)絡(luò)模型如圖1所示。

圖1 本文雷達(dá)信號(hào)分選的網(wǎng)絡(luò)結(jié)構(gòu)

本文設(shè)計(jì)的深度網(wǎng)絡(luò)可以處理3×512×512大小的輸入圖像，整個(gè)網(wǎng)絡(luò)選用3×3大小的卷積核，特征圖通道數(shù)的范圍為16～128，選用最大池化操作，其卷積核尺寸(Kernel Size)為2×2，激活層的激活函數(shù)選用ReLU以加快訓(xùn)練和防止過擬合。選用最大池化索引，使得上采樣不需要學(xué)習(xí)參數(shù)，僅在最上層引入了一個(gè)U-Net中的拼接結(jié)構(gòu)，實(shí)現(xiàn)特征融合，可以使像素定位更加準(zhǔn)確。接著，使用1×1的卷積操作來(lái)達(dá)到分割的目的。最后通過有6個(gè)輸出的Softmax層來(lái)完成6個(gè)標(biāo)簽的分類。

2 基于深度網(wǎng)絡(luò)的雷達(dá)信號(hào)分選方法

2.1 對(duì)雷達(dá)信號(hào)數(shù)據(jù)集的處理

為了充分利用PDW中的參數(shù)，提高分選的準(zhǔn)確率，本文將RF、PW、PA、TOA等參數(shù)編碼為圖像。未選擇將DOA這一參數(shù)進(jìn)行編碼的原因是為了驗(yàn)證模型對(duì)于來(lái)自同一方向的雷達(dá)信號(hào)的分選能力。本文設(shè)定的雷達(dá)信號(hào)編碼圖像的分辨率為512×512，圖像的高度表示RF的范圍，寬度表示TOA的范圍，則像素的位置可以用(TOA,RF)表示，2個(gè)獨(dú)立通道中像素的灰度值用PW和PA表示。由于實(shí)驗(yàn)中多功能雷達(dá)的載頻范圍跳變較大，故將載頻分辨率設(shè)定為10 MHz。為了使本文的實(shí)驗(yàn)場(chǎng)景下控制每張圖像上編碼的脈沖數(shù)量合理，選擇將雷達(dá)信號(hào)編碼為圖像時(shí)的到達(dá)時(shí)間分辨率設(shè)定為10 μs。將雷達(dá)脈沖信號(hào)數(shù)據(jù)集進(jìn)行處理后的示意圖如圖2所示。

圖2 雷達(dá)信號(hào)數(shù)據(jù)集處理示意圖

圖2(a)為編碼圖像示意圖。將每個(gè)像素對(duì)應(yīng)的脈沖信號(hào)所屬的輻射源類別編號(hào)直接編碼為圖像的灰度值，即為標(biāo)注圖像，如圖2(b)所示。

2.2 分選方法流程

基于深度網(wǎng)絡(luò)的雷達(dá)信號(hào)分選方法的流程如下：

步驟1：將待分選的雷達(dá)脈沖信號(hào)序列生成脈沖描述字(PDW)。

步驟2：對(duì)PDW中的4個(gè)參數(shù)：RF、TOA以及PW和PA等參數(shù)進(jìn)行提取。

步驟3：將雷達(dá)輻射源參數(shù)按照指定的格式編碼為圖像并生成相應(yīng)的標(biāo)注圖像。

步驟4：用本文提出的深度網(wǎng)絡(luò)對(duì)雷達(dá)信號(hào)圖像進(jìn)行語(yǔ)義分割，生成分割結(jié)果圖。

步驟5：對(duì)分割結(jié)果進(jìn)行分析，計(jì)算分選的準(zhǔn)確率，統(tǒng)計(jì)準(zhǔn)確率的平均值。

其整體流程圖如圖3所示。

圖3 基于深度網(wǎng)絡(luò)的雷達(dá)信號(hào)分選方法流程圖

3 實(shí)驗(yàn)及結(jié)果分析

本文實(shí)驗(yàn)所采用的深度網(wǎng)絡(luò)框架工具為開源的Pytorch1.8.1，運(yùn)算平臺(tái)為CUDA11.1，Python版本為3.6；硬件環(huán)境:CPU為Intel Core i5-10600KF，內(nèi)存容量為16 GB，顯卡型號(hào)為NVIDIA RTX3060Ti，顯存容量為8 GB。將1 300張雷達(dá)信號(hào)編碼圖像和對(duì)應(yīng)的標(biāo)注圖像用于網(wǎng)絡(luò)模型訓(xùn)練，200張雷達(dá)信號(hào)編碼圖像用于測(cè)試。小批量尺寸(minibatch size)設(shè)置為4，學(xué)習(xí)率(learning rate)設(shè)置為0.000 1，數(shù)據(jù)集總共遍歷50次，采用交叉熵作為網(wǎng)絡(luò)模型的損失函數(shù)，模型的評(píng)價(jià)準(zhǔn)則為像素精度(Ap)。其公式定義如下：

(1)

式中：npp表示類別為p、預(yù)測(cè)也為類別p的像素?cái)?shù)量；tp=∑qnpq，表示類別為p、預(yù)測(cè)為類別q的像素總數(shù)量。

實(shí)驗(yàn)?zāi)M接收到的脈沖序列為來(lái)自同一方向的4部雷達(dá)輻射源信號(hào)和接收機(jī)輸出PDW的隨機(jī)錯(cuò)誤。其中1部是多功能雷達(dá)輻射源，另外3部分別是PRI抖動(dòng)、PRI脈間參差、PRI脈組參差的雷達(dá)輻射源。接收機(jī)隨機(jī)錯(cuò)誤輸出的信號(hào)參數(shù)在各輻射源參數(shù)附近波動(dòng)，其信號(hào)數(shù)量分別占總信號(hào)數(shù)量的10%，20%，30%。在對(duì)雷達(dá)編碼圖像進(jìn)行標(biāo)注時(shí)，不同雷達(dá)輻射源的標(biāo)注類別不同，將接收機(jī)輸出PDW的隨機(jī)錯(cuò)誤標(biāo)為同一類別。雷達(dá)輻射源信號(hào)的具體參數(shù)如表1所示。

表1 雷達(dá)輻射源信號(hào)參數(shù)

實(shí)驗(yàn)訓(xùn)練集中雷達(dá)輻射源信號(hào)的編碼圖像和標(biāo)注圖像局部圖如圖4所示。

圖4 實(shí)驗(yàn)訓(xùn)練集局部圖

為了便于觀察，將雷達(dá)輻射源信號(hào)的標(biāo)注圖像和分割圖像進(jìn)行了灰度處理。

將實(shí)驗(yàn)訓(xùn)練集中編碼圖像和標(biāo)注圖像輸入到本文的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練后，實(shí)驗(yàn)測(cè)試集局部圖如圖5所示。

圖5 實(shí)驗(yàn)測(cè)試集局部圖

圖5(a)為測(cè)試集中雷達(dá)輻射源信號(hào)編碼圖像局部圖，圖5(b)為測(cè)試集中預(yù)測(cè)時(shí)的分割結(jié)果局部圖。數(shù)據(jù)集經(jīng)過50輪迭代訓(xùn)練后，含有30%隨機(jī)錯(cuò)誤的數(shù)據(jù)集送入模型訓(xùn)練后損失(loss)值如圖6所示。

圖6 實(shí)驗(yàn)?zāi)Ｐ陀?xùn)練loss值

因?yàn)楸緦?shí)驗(yàn)將含有30%隨機(jī)錯(cuò)誤的數(shù)據(jù)集訓(xùn)練好的模型用于預(yù)測(cè)含有10%和20%隨機(jī)錯(cuò)誤的數(shù)據(jù)集，依然可以得到很好的結(jié)果，故只給出含有30%隨機(jī)錯(cuò)誤的數(shù)據(jù)集訓(xùn)練時(shí)的loss值。

整個(gè)測(cè)試集中雷達(dá)輻射源信號(hào)的分選結(jié)果如表2～表4所示。

表2 實(shí)驗(yàn)數(shù)據(jù)集中含10%隨機(jī)錯(cuò)誤雷達(dá)輻射源信號(hào)的分選結(jié)果

表3 實(shí)驗(yàn)數(shù)據(jù)集中含20%隨機(jī)錯(cuò)誤雷達(dá)輻射源信號(hào)的分選結(jié)果

表4 實(shí)驗(yàn)數(shù)據(jù)集中含30%隨機(jī)錯(cuò)誤雷達(dá)輻射源信號(hào)的分選結(jié)果

4 結(jié)束語(yǔ)

本文將雷達(dá)輻射源信號(hào)按照一定的規(guī)則編碼為圖像，利用深度網(wǎng)絡(luò)對(duì)編碼后的圖像進(jìn)行語(yǔ)義分割，通過對(duì)像素的分類實(shí)現(xiàn)對(duì)雷達(dá)信號(hào)的分選。實(shí)驗(yàn)結(jié)果表明分選效果受不同比例的隨機(jī)錯(cuò)誤數(shù)據(jù)影響小，對(duì)隨機(jī)錯(cuò)誤的適應(yīng)性強(qiáng)，具有較好的魯棒性，且分選準(zhǔn)確度較高。