基于多模態(tài)小樣本學(xué)習(xí)的雷達(dá)欺騙干擾識別

王奇?zhèn)?，孫閩紅，簡志華，仇兆煬

(杭州電子科技大學(xué)通信工程學(xué)院，浙江 杭州 310018)

0 引 言

雷達(dá)欺騙干擾識別是雷達(dá)抗干擾核心技術(shù)之一，人工智能應(yīng)用于雷達(dá)欺騙干擾識別的研究取得了一些進(jìn)展。阮懷林等[1]采用棧式稀疏自編碼器對雷達(dá)接收信號的時(shí)頻特征進(jìn)行降維處理，用SoftMax分類器完成了欺騙干擾的分類識別。文獻(xiàn)[2]用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了常見的3類拖引干擾的識別。這些研究需要大量帶標(biāo)簽的信號樣本，但在真正的電子戰(zhàn)環(huán)境中，很難提前獲取大量敵方發(fā)射的欺騙干擾信號樣本，只能根據(jù)接收機(jī)的異常來獲取少量的欺騙干擾樣本。因此，研究小樣本條件下的雷達(dá)欺騙干擾智能識別具有現(xiàn)實(shí)意義和應(yīng)用價(jià)值。近年來，小樣本學(xué)習(xí)在機(jī)器視覺領(lǐng)域取得了不少成果，主要包括模型微調(diào)[3]、數(shù)據(jù)增強(qiáng)[4]和遷移學(xué)習(xí)[5-6]。基于模型微調(diào)的小樣本學(xué)習(xí)方法先通過訓(xùn)練大量樣本的數(shù)據(jù)集從而得到性能優(yōu)異的分類模型，再在測試集上對模型進(jìn)行微調(diào)；基于數(shù)據(jù)增強(qiáng)的小樣本學(xué)習(xí)方法主要是對目標(biāo)數(shù)據(jù)集的樣本進(jìn)行擴(kuò)充，目前廣泛使用的模型是生成對抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)[7-8]；遷移學(xué)習(xí)方法需要源域數(shù)據(jù)集和目標(biāo)域數(shù)據(jù)集存在一定關(guān)聯(lián)，在源域中訓(xùn)練得到的知識和特征能夠提高模型在目標(biāo)域的分類性能，從而實(shí)現(xiàn)知識在不同數(shù)據(jù)域之間的遷移。在機(jī)器視覺領(lǐng)域，文獻(xiàn)[9]提出多模態(tài)單樣本學(xué)習(xí)算法，將多類單個(gè)語音信號與對應(yīng)的圖像信號進(jìn)行模態(tài)匹配訓(xùn)練，實(shí)現(xiàn)了單樣本條件下的語音信號分類。目前將小樣本學(xué)習(xí)理論應(yīng)用于欺騙干擾識別的研究不多，文獻(xiàn)[10]結(jié)合半監(jiān)督學(xué)習(xí)思想，使用少量帶有類別標(biāo)簽的雷達(dá)接收信號集訓(xùn)練分類器，實(shí)現(xiàn)了欺騙干擾的識別；文獻(xiàn)[11]在少量的帶標(biāo)注樣本的條件下，用半監(jiān)督生成對抗網(wǎng)絡(luò)(Semi-Supervised GAN，SSGAN)和基于生成控制的半監(jiān)督生成對抗網(wǎng)絡(luò)(Generative Control SSGAN，GC-SSGAN)實(shí)現(xiàn)了欺騙干擾的半監(jiān)督學(xué)習(xí)，提高了識別性能。目前，基于小樣本學(xué)習(xí)的欺騙干擾識別方法主要是對目標(biāo)數(shù)據(jù)樣本進(jìn)行擴(kuò)充。但是，由于欺騙干擾信號與真實(shí)目標(biāo)回波(True Target Echo, TTE)信號之間有較高的相似度，使得擴(kuò)充后的樣本間差異性不夠明顯。針對這一不足，本文受文獻(xiàn)[12]方法的啟發(fā)，提出一種多模態(tài)小樣本學(xué)習(xí)欺騙干擾識別算法，對雷達(dá)接收信號進(jìn)行“語音”和“視覺”模態(tài)的人為定義并假設(shè)具有相應(yīng)的關(guān)聯(lián)，用偽孿生網(wǎng)絡(luò)進(jìn)行模態(tài)信息匹配訓(xùn)練，實(shí)現(xiàn)了小樣本條件下對欺騙干擾的識別。

1 欺騙式干擾信號模型

轉(zhuǎn)發(fā)式欺騙干擾是指干擾機(jī)通過數(shù)字射頻存儲器(Digital Radio Frequency Memory, DRFM)對截獲到的雷達(dá)信號進(jìn)行幅度、時(shí)延、多普勒頻率等調(diào)制后轉(zhuǎn)發(fā)的欺騙干擾信號。本文選取典型的4種雷達(dá)欺騙干擾樣式作為研究對象，分別為距離欺騙干擾、速度欺騙干擾、距離速度同步欺騙干擾以及密集假目標(biāo)欺騙干擾。雷達(dá)發(fā)射信號以線性調(diào)頻信號為例，表示為：

(1)

式中，A為發(fā)射信號的幅度，φ(t)=jπ(2f0t+kt2)，f0為中頻頻率，k為調(diào)頻斜率，φ0為發(fā)射信號的初始相位，j為虛數(shù)單位。假如與雷達(dá)相距R0的位置處有1個(gè)目標(biāo)，則此時(shí)雷達(dá)接收機(jī)接收到的真實(shí)信號為：

(2)

(1)距離假目標(biāo)欺騙干擾(Range False Target Deception Jamming, RFTD)設(shè)備對干擾脈沖的轉(zhuǎn)發(fā)時(shí)延進(jìn)行調(diào)制，使得干擾脈沖和目標(biāo)回波分別位于不同的距離門，以達(dá)到對雷達(dá)的距離欺騙干擾效果。當(dāng)DRFM干擾機(jī)轉(zhuǎn)發(fā)RFTD時(shí)，雷達(dá)接收機(jī)接收到的信號為：

(3)

式中，AR為距離欺騙干擾的幅度，tr為距離欺騙干擾的時(shí)延調(diào)制值，tf為距離欺騙干擾的時(shí)延調(diào)制值，φJ(rèn)為干擾信號的初始相位。

(2)速度假目標(biāo)欺騙干擾(Velocity False Target Deception Jamming, VFTD)設(shè)備根據(jù)截獲到的雷達(dá)信號，對干擾脈沖的多普勒頻率進(jìn)行調(diào)制，使得干擾脈沖和目標(biāo)回波分別位于不同的速度跟蹤波門，導(dǎo)致雷達(dá)跟蹤或檢測時(shí)發(fā)生錯(cuò)誤。當(dāng)DRFM干擾機(jī)轉(zhuǎn)發(fā)VFTD時(shí)，雷達(dá)接收機(jī)接收到的信號為：

(4)

式中，AV為速度假目標(biāo)欺騙干擾的幅值，fJ為速度假目標(biāo)欺騙干擾的多普勒頻移調(diào)制值。

(3)在距離和速度這2個(gè)維度上產(chǎn)生距離-速度同步假目標(biāo)欺騙干擾(Range -Velocity False Target Deception Jamming, R-VFTD)，假目標(biāo)的距離和速度具有同步性，相對于真目標(biāo)而言，假目標(biāo)有一定的速度差且固定不變，真假目標(biāo)速度差的存在使得假目標(biāo)與真目標(biāo)的相對距離發(fā)生變化，雷達(dá)不能根據(jù)實(shí)際測得的距離值和速度值對抗該干擾。當(dāng)DRFM干擾機(jī)轉(zhuǎn)發(fā)R-VFTD時(shí)，雷達(dá)接收機(jī)接收到的信號為：

(5)

(6)

然后將J1(t)重復(fù)n次，得到整個(gè)頻譜彌散干擾的時(shí)域模型為：

(7)

式中，?為卷積算子，δ(t)為沖激函數(shù)。

2 欺騙干擾識別算法

2.1 算法原理

本文提出一種基于多模態(tài)小樣本學(xué)習(xí)的雷達(dá)欺騙干擾識別算法。將少量雷達(dá)接收的時(shí)域信號定義為“語義”模態(tài)輸入，將樣本數(shù)量足夠且識別性能較好的MINIST手寫體數(shù)據(jù)集定義為其對應(yīng)的“視覺”模態(tài)輸入，并用神經(jīng)網(wǎng)絡(luò)在兩者之間進(jìn)行匹配關(guān)聯(lián)訓(xùn)練，將待識別的雷達(dá)接收信號與不同類別的手寫體數(shù)字分別輸入至已經(jīng)訓(xùn)練好的模型，匹配得到的差異最小的手寫體數(shù)字對應(yīng)的欺騙干擾類型即為識別結(jié)果，算法流程如圖1所示。

圖1 基于多模態(tài)小樣本學(xué)習(xí)的雷達(dá)欺騙干擾識別算法示意圖

2.2 預(yù)處理

考慮到訓(xùn)練樣本數(shù)量的不足以及欺騙干擾與真實(shí)目標(biāo)回波信號之間的高度相似性，選擇有足夠樣本并且類別之間差異足夠大的MINIST手寫數(shù)字集作為雷達(dá)接收信號的“視覺”模態(tài)。在深度學(xué)習(xí)領(lǐng)域，MINIST手寫體數(shù)據(jù)集是一個(gè)非常經(jīng)典的數(shù)據(jù)集，最早被當(dāng)作測試深度學(xué)習(xí)可行性的數(shù)據(jù)集。大量的實(shí)驗(yàn)研究表明，神經(jīng)網(wǎng)絡(luò)可以進(jìn)行圖像分類，卷積神經(jīng)網(wǎng)絡(luò)對手寫體數(shù)據(jù)集有較高的識別率。

如圖1(b)所示，定義雷達(dá)接收信號的“視覺”種模態(tài)，手寫體數(shù)字“0”為真目標(biāo)信號的“視覺”模態(tài)，數(shù)字“1”為距離假目標(biāo)信號的“視覺”模態(tài)，數(shù)字“2”為速度假目標(biāo)信號的“視覺”模態(tài)，數(shù)字“3”為距離-速度聯(lián)合欺騙干擾信號的“視覺”模態(tài)，數(shù)字“4”為密集假目標(biāo)干擾信號的“視覺”模態(tài)。

2.3 模態(tài)匹配

一般情況下，神經(jīng)網(wǎng)絡(luò)模型僅將輸入信息的一種模態(tài)信息標(biāo)簽化后進(jìn)行訓(xùn)練，而本文算法將雷達(dá)接收信號的2種不同模態(tài)信息同時(shí)輸入至神經(jīng)網(wǎng)絡(luò)進(jìn)行匹配訓(xùn)練，并且這2種模態(tài)的輸入格式不一致，“語義”模態(tài)為一維時(shí)序數(shù)據(jù)，“視覺”模態(tài)為二維圖像數(shù)據(jù)。孿生網(wǎng)絡(luò)具有將輸入數(shù)據(jù)映射到目標(biāo)空間的優(yōu)點(diǎn)，其應(yīng)用背景與本文類似，已在基于度量學(xué)習(xí)的單樣本學(xué)習(xí)中得到應(yīng)用[12-13]，因此，本文選用偽孿生網(wǎng)絡(luò)模型來完成輸入樣本的匹配訓(xùn)練，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。假設(shè)網(wǎng)絡(luò)的2個(gè)輸入是X1和X2，映射函數(shù)分別為GW1(X)和GW2(X)，經(jīng)過映射后輸入分別表示為GW1(X1)和GW2(X2)，最后通過損失函數(shù)優(yōu)化兩者在特征空間的距離EW。

圖2 孿生網(wǎng)絡(luò)結(jié)構(gòu)

偽孿生網(wǎng)絡(luò)將訓(xùn)練集中成對的樣本作為輸入進(jìn)行訓(xùn)練，考慮到輸入2種模態(tài)數(shù)據(jù)格式的不同，本文使用的2個(gè)網(wǎng)絡(luò)是不同的網(wǎng)絡(luò)結(jié)構(gòu)，分別為長短期記憶模型循環(huán)網(wǎng)絡(luò)(Long-Short Term Memory，LSTM)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)它們不共享相同的權(quán)值。輸入樣本狀態(tài)表示為(X1,X2,Y)，其中Y=0表示X1和X2模態(tài)匹配，相似性度量EW(X1,X2)是1個(gè)較大的值；Y=1則表示X1和X2模態(tài)不匹配，相似性度量EW(X1,X2)是1個(gè)較小的值，其中EW(X1,X2)=GW1(X1)-GW2(X2)2，表示2個(gè)輸入樣本之間的歐氏距離。損失函數(shù)的形式為：

(8)

式中，EW(X1,X2)same表示X1和X2模態(tài)匹配時(shí)的相似性度量，EW(X1,X2)different表示X1和X2模態(tài)不匹配時(shí)的相似性度量。為證明本文算法提出將雷達(dá)信號與手寫體數(shù)字進(jìn)行匹配訓(xùn)練的可行性，將文獻(xiàn)[9]中語音信號與圖像的匹配結(jié)果和文本數(shù)據(jù)的多模態(tài)匹配結(jié)果進(jìn)行對比，用歸一化的歐式距離進(jìn)行模態(tài)之間的相似度度量，即距離差值越小相似度越高，差值越大相似度越低，結(jié)果如表1所示。

表1 不同數(shù)據(jù)集的模態(tài)匹配相似度

從表1可以看出，當(dāng)輸入樣本模態(tài)匹配時(shí)，文獻(xiàn)[9]中語音模態(tài)描述與視覺圖像模態(tài)的歸一化相似度略高于本文雷達(dá)接收時(shí)域信號與手寫體數(shù)字的模態(tài)匹配結(jié)果；當(dāng)輸入樣本模態(tài)不匹配時(shí)，本文數(shù)據(jù)集的相似度更低。只需模態(tài)匹配時(shí)的相似度相對高于模態(tài)不匹配時(shí)的相似度就可以用度量模塊完成干擾識別，所以，將雷達(dá)信號與手寫體數(shù)字進(jìn)行模態(tài)匹配從而實(shí)現(xiàn)小樣本條件下欺騙干擾識別的方法可行。

3 仿真實(shí)驗(yàn)與分析

為了實(shí)現(xiàn)少量帶標(biāo)簽樣本下欺騙干擾的識別，驗(yàn)證基于接收信號多模態(tài)小樣本學(xué)習(xí)的欺騙干擾識別效果，對雷達(dá)接收信號中是否存在距離假目標(biāo)欺騙干擾、速度假目標(biāo)欺騙干擾、距離-速度同步假目標(biāo)欺騙干擾和頻譜彌散干擾進(jìn)行仿真實(shí)驗(yàn)，雷達(dá)發(fā)射信號和欺騙干擾參數(shù)設(shè)置如表2所示。

表2 信號參數(shù)設(shè)置

將距離欺騙干擾、速度欺騙干擾、距離-速度聯(lián)合欺騙干擾、頻譜彌散干擾和真目標(biāo)回波信號各產(chǎn)生800個(gè)，每種類型信號隨機(jī)抽取600個(gè)信號作為訓(xùn)練集，剩下的樣本作為測試集。實(shí)驗(yàn)在CPU為Intel(R) Core(TM) i7-8750H 2.20GHz，GPU為NVIDIA GeForce GTX 1060MaxQ的電腦上運(yùn)行，內(nèi)存為16 GB，硬盤容量為512 GB的固態(tài)硬盤，所有數(shù)據(jù)仿真均通過MTALAB 2018a編程實(shí)現(xiàn)。

3.1 不同帶標(biāo)簽樣本數(shù)情況下的識別性能

偽孿生網(wǎng)絡(luò)模型分別采用LSTM網(wǎng)絡(luò)和CNN網(wǎng)絡(luò)，將接收信號的不同模態(tài)進(jìn)行匹配，其中LSTM網(wǎng)絡(luò)的參數(shù)設(shè)置為：輸入信號的長度為800，隱藏層的神經(jīng)節(jié)點(diǎn)為1 200，輸出神經(jīng)元個(gè)數(shù)為24；CNN網(wǎng)絡(luò)的參數(shù)設(shè)置為：3層卷積層，第1層的卷積核個(gè)數(shù)為32，第2層的卷積核個(gè)數(shù)為64，第3層的卷積層的個(gè)數(shù)為120，下采樣層為2×2的最大池化層，最后1個(gè)隱藏層的神經(jīng)元個(gè)數(shù)也為24。使用歐式距離定義2個(gè)網(wǎng)絡(luò)輸出特征向量的相似度，初始學(xué)習(xí)率設(shè)置為0.001，batch size為128，使用自定義的交叉熵作為損失函數(shù)，優(yōu)化器為Adam。

從樣本集中分別隨機(jī)抽取250，500，750，1 500和3 000個(gè)帶標(biāo)簽接收信號樣本，訓(xùn)練集與測試集的比例為4∶1，不同接收信號匹配的“視覺”模態(tài)樣本為5 000個(gè)。仿真得到不同帶標(biāo)簽樣本數(shù)量場景下，本文算法欺騙干擾的平均識別效果隨著干噪比的變化曲線如圖3所示。從圖3可以看出，隨著帶標(biāo)簽訓(xùn)練樣本數(shù)量增加，本文算法的識別性能不斷提高。3 000個(gè)測試樣本全部用于訓(xùn)練，在干噪比大于0 dB時(shí)，欺騙干擾平均識別率達(dá)到92.26%以上，說明本文算法在樣本充足時(shí)的欺騙干擾識別性能較好。當(dāng)訓(xùn)練樣本數(shù)量降低到7.50%，干噪比為9 dB時(shí)，平均識別率能達(dá)到90.05%以上；在樣本數(shù)量降低到12.50%的情況下，在干噪比為7 dB時(shí)能達(dá)到94.07%以上的識別率；在樣本數(shù)量降低到25%的情況下，在干噪比為3 dB時(shí)能達(dá)到90%以上的識別率；樣本數(shù)量降低到50%的情況下，欺騙干擾的識別性能始終高于90%。綜上分析可知，本文算法不僅能在樣本不足的條件下對欺騙干擾信號進(jìn)行識別，而且在識別性能上有較大的改善。

圖3 不同樣本數(shù)的識別效果

3.2 不同“視覺”模態(tài)匹配樣本數(shù)情況下的識別性能

匹配集樣本數(shù)量分別為1 000，3 000和5 000，從干噪比為10 dB的樣本集隨機(jī)抽取750個(gè)帶標(biāo)簽樣本，訓(xùn)練集與測試集的比例為4∶1，神經(jīng)網(wǎng)絡(luò)模型與3.1節(jié)實(shí)驗(yàn)設(shè)置一致，樣本數(shù)量減小到25%時(shí)，本文算法的識別性能與匹配集數(shù)量的關(guān)系如表3所示。

表3 樣本數(shù)量減小到25%時(shí)，本文算法的識別性能

從表3可以看出，本文算法的識別性能受匹配集數(shù)量的影響較大。匹配集數(shù)量為1 000時(shí)，算法的平均識別率為79.46%；匹配集數(shù)量為3 000時(shí)，平均識別率為94.92%；匹配集數(shù)量為5 000時(shí)，平均識別率為98.26%。綜上分析可知，本文算法的整體識別性能較好，根據(jù)對欺騙干擾識別技術(shù)指標(biāo)的實(shí)際需求設(shè)置合適的匹配集數(shù)量，可以有效降低訓(xùn)練時(shí)間。

3.3 不同算法的識別性能對比

將本文算法與文獻(xiàn)[10]采用的基于S4VM的識別算法、文獻(xiàn)[11]采用的基于改進(jìn)模型GC-SSGAN的識別算法的欺騙干擾識別性能進(jìn)行比較。設(shè)置仿真場景為：信噪比為10 dB，匹配集數(shù)量為5 000，訓(xùn)練集不同類型的雷達(dá)接收信號數(shù)量為500個(gè)(樣本數(shù)量降低到25%)，訓(xùn)練集與測試集的比例為4∶1，3種識別算法使用相同數(shù)據(jù)集，得到的欺騙干擾識別率如表4所示。

表4 不同算法的欺騙識別率

從表4可以看出，在相同實(shí)驗(yàn)環(huán)境下，文獻(xiàn)[10]算法的欺騙干擾平均識別率為89.6%，文獻(xiàn)[11]算法的欺騙干擾平均識別率為91.6%，本文識別算法的欺騙干擾平均識別率為95.4%，比文獻(xiàn)[10]算法的識別率提高了5.8%，比文獻(xiàn)[11]算法的識別率高3.8%。

4 結(jié)束語

本文首先將手寫體數(shù)字圖像定義為雷達(dá)信號的“視覺”模態(tài)，然后通過模態(tài)匹配訓(xùn)練，使得映射后的2種模態(tài)向量具有高度相似性，最后用度量模塊完成了多模態(tài)小樣本學(xué)習(xí)的欺騙干擾識別。仿真實(shí)驗(yàn)表明，即使人為看來是相互獨(dú)立的2個(gè)數(shù)據(jù)集，通過神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后，仍可以讓其映射到具有高度相關(guān)性的目標(biāo)空間。但是，本文只實(shí)現(xiàn)了基于仿真數(shù)據(jù)的小樣本雷達(dá)欺騙干擾識別，由于實(shí)戰(zhàn)環(huán)境中電磁信號具有復(fù)雜性，下一步將對實(shí)測數(shù)據(jù)下的雷達(dá)欺騙干擾識別展開進(jìn)一步研究。