基于DeepLabV3與GAN的雷達(dá)時(shí)頻混疊多信號(hào)智能檢測與分離

韓文草 孫閩紅 王之騰 仇兆煬

（1.杭州電子科技大學(xué)通信工程學(xué)院，浙江杭州 310018；2.陸軍工程大學(xué)通信工程學(xué)院，江蘇南京 210001）

1 引言

雷達(dá)偵察面臨的電磁環(huán)境日益復(fù)雜，信號(hào)樣式日趨多樣，信號(hào)密度不斷增高，接收信號(hào)數(shù)量呈指數(shù)級(jí)增長。常規(guī)的雷達(dá)信號(hào)處理方法［1-5］逐漸無法適應(yīng)復(fù)雜電磁環(huán)境下的雷達(dá)信號(hào)偵察需求，而隨著人工智能及大數(shù)據(jù)技術(shù)的深入發(fā)展，雷達(dá)偵察正朝智能化方向快速發(fā)展。

在雷達(dá)信號(hào)智能檢測方面，現(xiàn)有的研究成果主要有：朱新挺等人［6］使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電磁信號(hào)的智能檢測；李啟飛等人［7］使用基于AlexNet深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)低信噪比下水下目標(biāo)電磁異常信號(hào)的檢測；李杰等人［8］使用掩碼-區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Mask R-CNN）實(shí)現(xiàn)了對(duì)線性調(diào)頻信號(hào)（LFM）重疊情況下的檢測。然而，上述方法存在著一些不足，如：無法對(duì)信號(hào)進(jìn)行分離、只能檢測時(shí)頻不重疊信號(hào)、可檢測的信號(hào)樣式單一等。

在多信號(hào)分離方面，Miao Feng 等人［9］使用小波包和快速獨(dú)立分量分析實(shí)現(xiàn)了多源信號(hào)分離。文獻(xiàn)［10］提出了利用深度聚類的方法來提高信號(hào)分離的性能。然而，上述方法也存在著諸如需要足夠的先驗(yàn)信息、無法對(duì)單通道信號(hào)進(jìn)行分離等不足。

針對(duì)上述不足，本文提出一種基于DeepLabV3網(wǎng)絡(luò)［11-14］與生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）的時(shí)頻混疊多信號(hào)的智能檢測與分離方法。首先，DeepLabV3 網(wǎng)絡(luò)能夠很好的對(duì)圖像進(jìn)行像素級(jí)實(shí)例分割［15］，是目前語義分割［16］領(lǐng)域中非常主流的分割算法之一。V3 中加入的ASPP是一種能夠獲取多尺度上下文的架構(gòu)，能夠讓任意的特征圖都有確定大小的特征向量來表示。該網(wǎng)絡(luò)能夠?qū)r(shí)頻圖中不同類型的信號(hào)區(qū)域進(jìn)行精準(zhǔn)分割，同時(shí)也能夠?qū)π盘?hào)重疊部分進(jìn)行有效區(qū)分。其次，針對(duì)信號(hào)分離，考慮到GAN 具備用生成器和對(duì)抗器的對(duì)抗訓(xùn)練來自動(dòng)調(diào)整信號(hào)參數(shù)的優(yōu)點(diǎn)，提出用GAN 提取信號(hào)的有效信息，對(duì)分離后存在缺失時(shí)頻信息的各信號(hào)分量實(shí)現(xiàn)精確還原。借助Deep?LabV3 與GAN 網(wǎng)絡(luò)模型，本方法可以實(shí)現(xiàn)對(duì)時(shí)頻混疊多信號(hào)的智能檢測與分離，且具有可處理信號(hào)樣式多樣、同時(shí)到達(dá)信號(hào)個(gè)數(shù)不限等優(yōu)點(diǎn)。

2 多信號(hào)智能偵察算法

本算法對(duì)雷達(dá)信號(hào)的智能偵察主要分為信號(hào)檢測、分離與重構(gòu)三個(gè)部分，其中信號(hào)檢測與分離由DeepLabV3 實(shí)現(xiàn)，信號(hào)的重構(gòu)功能由GAN 實(shí)現(xiàn)。首先對(duì)接收到的時(shí)頻混疊信號(hào)進(jìn)行時(shí)頻變換得到時(shí)頻數(shù)據(jù)與時(shí)頻圖，將時(shí)頻圖輸入DeepLabV3 網(wǎng)絡(luò)獲取各個(gè)信號(hào)分量的時(shí)頻位置與標(biāo)簽信息，組合成為各個(gè)信號(hào)在時(shí)頻圖的掩膜區(qū)域（Mask）。將圖像的掩膜區(qū)域映射到時(shí)頻數(shù)據(jù)中，對(duì)掩膜區(qū)域以外的信號(hào)時(shí)頻分量進(jìn)行濾波即可實(shí)現(xiàn)信號(hào)主體與無關(guān)分量的分離。對(duì)于信號(hào)的時(shí)頻重疊區(qū)域，同樣進(jìn)行掩膜濾波濾除重疊部份，并對(duì)濾波后的時(shí)頻數(shù)據(jù)進(jìn)行時(shí)頻反變換得到時(shí)域殘缺波形，將殘缺波形輸入GAN 網(wǎng)絡(luò)進(jìn)行重構(gòu)即可得到完整信號(hào)。算法步驟如表1所示。

表1 算法步驟Tab.1 Algorithm steps

算法流程框圖如圖1所示。

2.1 數(shù)學(xué)模型

設(shè)存在K個(gè)時(shí)頻混疊的未知雷達(dá)信號(hào)s1(t)，s2(t)，…，sK(t)，且信號(hào)的接收時(shí)間區(qū)間為T，頻率范圍為F，則接收信號(hào)x(t)可以表示為

式中，sall(t)=表示K個(gè)雷達(dá)信號(hào)的疊加信號(hào)，n(t)表示高斯噪聲。另外，式中K個(gè)信號(hào)的時(shí)寬、頻寬可各不相同。

記TF[·]為時(shí)頻變換函數(shù)，則對(duì)x(t)做時(shí)頻變換得到X(t，f)，其可以表示為

通過DeepLabV3對(duì)X(t，f)進(jìn)行定位掩膜濾波的過程可以等效為時(shí)頻濾波器H(t，f)，它能夠?qū)⑿盘?hào)所在時(shí)頻區(qū)域之外的噪聲去除，可表示為

則輸出結(jié)果Y(t，f)為

式中，N′(t，f)為Sk(t，f)非零時(shí)頻位置上噪聲，且N′(t，f) ?N(t，f)。對(duì)Y(t，f)進(jìn)行時(shí)頻反變換可以得到

當(dāng)信噪比（SNR）較大時(shí)，n′(t)對(duì)信號(hào)的影響十分小，式子可以簡化為

重疊信號(hào)存在殘缺部分，需要使用GAN 對(duì)殘缺的信號(hào)進(jìn)行還原。將GAN 網(wǎng)絡(luò)視作一個(gè)時(shí)頻濾波GAN(t，f)，則

2.2 信號(hào)檢測

DeepLab 網(wǎng)絡(luò)是由Chen 等人與google 團(tuán)隊(duì)［17］于2014年提出的，該模型是為了應(yīng)對(duì)語義分割而專門設(shè)計(jì)的。

DeepLabV3 編碼部分采用ResNet-50/101 來提取特征，在第4個(gè)殘差塊中采用了膨脹卷積方法，并且把批量歸一化加入空洞空間金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）模塊進(jìn)行優(yōu)化，模型結(jié)構(gòu)如圖2 所示。對(duì)比于之前的DeepLab 系列模型，V3 進(jìn)一步改善了空洞卷積，使網(wǎng)絡(luò)在級(jí)聯(lián)模塊和空間金字塔池化的框架下，能夠獲取更大的感受野從而獲取更多尺度的信息。

將信號(hào)的時(shí)頻圖輸入DeepLabV3 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，能夠?qū)r(shí)頻圖中信號(hào)所在的時(shí)頻位置與背景噪聲進(jìn)行像素級(jí)別的分割。如圖2 中的Prediction 所示，圖中噪聲對(duì)應(yīng)這黑色區(qū)域標(biāo)簽，不同的高亮區(qū)域?yàn)樾盘?hào)時(shí)頻分量所在位置，圖中最亮的區(qū)域?yàn)樾盘?hào)的重疊時(shí)頻區(qū)域。

2.3 信號(hào)分離

對(duì)信號(hào)進(jìn)行檢測之后，將時(shí)頻圖中信號(hào)有用的位置信息映射到時(shí)頻數(shù)據(jù)中，對(duì)信號(hào)的有用分量進(jìn)行定位并進(jìn)行掩膜濾波，剔除無關(guān)的噪聲分量。當(dāng)多個(gè)信號(hào)在時(shí)頻圖上存在重疊時(shí)，將重疊部分的時(shí)頻數(shù)據(jù)作為其他標(biāo)簽同噪聲一起被濾除，僅留下信號(hào)非重疊的部分，得到不同標(biāo)簽對(duì)應(yīng)的多個(gè)非重疊時(shí)頻數(shù)據(jù)分量Sk(t，f)，分別對(duì)Sk(t，f)進(jìn)行反時(shí)頻變換得到sK(t)，完成信號(hào)的分離。

2.4 信號(hào)重構(gòu)

類比于圖像重構(gòu)技術(shù)，信號(hào)重構(gòu)是指將一段不完整的信號(hào)使用一定的手段復(fù)原。GAN 在圖像重構(gòu)的應(yīng)用有著十分成熟的應(yīng)用，在信號(hào)重構(gòu)領(lǐng)域卻鮮有應(yīng)用。Goodfellow等［16］提出對(duì)抗生成模型GAN框架，生成網(wǎng)絡(luò)模型通過學(xué)習(xí)數(shù)據(jù)的分布將低維的隨機(jī)分布樣本映射生成高維空間樣本，鑒別器網(wǎng)絡(luò)模型學(xué)習(xí)區(qū)別真實(shí)樣本和生成樣本，建立最大和最小機(jī)制聯(lián)合訓(xùn)練生成和鑒別網(wǎng)絡(luò)。模型的對(duì)抗損失函數(shù)為

式中，s是輸入概率分布為p(s)的真實(shí)信號(hào)，E[·]為期望函數(shù)；z是殘缺信號(hào)，D(s)為判別器，判斷信號(hào)是否真實(shí)的概率，G(z)為生成器重構(gòu)的信號(hào)，使用V(G，D)來衡量G和D的相似度。生成對(duì)抗網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4所示。

本文對(duì)于信號(hào)重構(gòu)的思路為：在模型訓(xùn)練時(shí)，首先將時(shí)頻重疊區(qū)域缺失的信號(hào)數(shù)據(jù)輸入到生成器G中，其次是將完整信號(hào)和生成器輸出的信號(hào)輸入判別器模型中進(jìn)行誤差判別，若不滿足要求則繼續(xù)代入生成器中再次進(jìn)行重構(gòu)直至達(dá)到與完整信號(hào)足夠相似。通過訓(xùn)練好的GAN 模型自動(dòng)對(duì)信號(hào)殘缺部分的估計(jì)重構(gòu)，能夠在有效保留信號(hào)非重疊部分的同時(shí)重構(gòu)出與原信號(hào)誤差較小的信號(hào)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

本文實(shí)驗(yàn)配置參數(shù)設(shè)置如表2所示。

表2 實(shí)驗(yàn)配置參數(shù)設(shè)置Tab.2 Experimental configuration parameter settings

網(wǎng)絡(luò)參數(shù)設(shè)置如表3所示。

表3 實(shí)驗(yàn)網(wǎng)絡(luò)參數(shù)設(shè)置Tab.3 Network parameter settings

3.2 獲取數(shù)據(jù)集

仿真產(chǎn)生時(shí)頻域存在重疊的3 種雷達(dá)信號(hào)分量，分別為單頻脈沖（MP）、線性調(diào)頻（LFM）脈沖以及非線性調(diào)頻（NLFM）脈沖，本文中NLFM選用二次函數(shù)調(diào)頻信號(hào)，其頻率表示為

式中，f0為信號(hào)的初始頻率，k1、k2是調(diào)頻參數(shù)。對(duì)三種信號(hào)的參數(shù)設(shè)置為如表4 所示。信噪比范圍設(shè)為-15 dB～15 dB，步長為3 dB。每個(gè)SNR 下產(chǎn)生參數(shù)隨機(jī)的三類訓(xùn)練樣本數(shù)各1000個(gè)，測試樣本數(shù)各為200個(gè)。

表4 信號(hào)參數(shù)設(shè)置表Tab.4 Signal parameter settings

對(duì)分段后的混疊信號(hào)進(jìn)行短時(shí)傅里葉（Short Time Fourier Transform，STFT）變換，為均衡時(shí)頻分析后的時(shí)間分辨率和頻率分辨率，窗函數(shù)選用長度為128 的海明窗。在信噪比為6 dB 時(shí)，給出某個(gè)混疊信號(hào)的波形和時(shí)頻圖如圖5所示。

從圖5（c）時(shí)頻圖可以看出，三個(gè)信號(hào)在時(shí)、頻域均同時(shí)存在重疊。圖5（a）、（b）中的時(shí)域波形和頻域波形混疊嚴(yán)重，無法辨別信號(hào)個(gè)數(shù)與調(diào)制類型。

3.3 仿真實(shí)驗(yàn)

3.3.1 信號(hào)檢測

在3.1 與3.2 節(jié)的實(shí)驗(yàn)設(shè)置下對(duì)不同SNR 下的信號(hào)進(jìn)行檢測。將時(shí)頻圖訓(xùn)練集和訓(xùn)練標(biāo)簽輸入表3 中的DeepLabV3 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在本實(shí)驗(yàn)環(huán)境下每次訓(xùn)練耗時(shí)15 至20 分鐘內(nèi)得到檢測模型。給出SNR為15 dB時(shí)的檢測結(jié)果如圖6所示。

由圖6 結(jié)果可以看出，本文方法不僅可以有效的檢測出信號(hào)的數(shù)量以及調(diào)制類型，還能夠有效檢測出信號(hào)的重疊區(qū)域。分別在不同信噪比下，對(duì)DeepLabV3 模型進(jìn)行訓(xùn)練和測試，使用GC（Global Correct）［18］和mIoU（mean IoU）［19］這2 個(gè)指標(biāo)來對(duì)訓(xùn)練模型進(jìn)行評(píng)估。GC的定義為

式中，C，R表示時(shí)頻圖的行（Row）數(shù)與列（Column）數(shù)。pc，r表示模型對(duì)第i行第j列的像素類別判斷結(jié)果為

式中，K表示每個(gè)樣本中的脈沖信號(hào)標(biāo)簽類數(shù)，在本實(shí)驗(yàn)中K取3。AreaOverlap，k為第k個(gè)樣本的真實(shí)區(qū)域面積，AreaUnion，k為第k個(gè)樣本預(yù)測區(qū)域與真實(shí)區(qū)域面積之和。IoUk表示第k個(gè)信號(hào)的IoU值。

實(shí)驗(yàn)結(jié)果如圖7 所示?？梢钥闯?，在SNR 為?3 dB 時(shí)，該網(wǎng)絡(luò)的GC 已經(jīng)達(dá)到了95%以上，mIoU達(dá)到了85%以上。

信號(hào)檢測中常采用檢測率（TPR）作為算法性能的評(píng)價(jià)指標(biāo)［20］，TPR的定義為

式中，N為所有正樣本數(shù)，NP為預(yù)測的正樣本數(shù)。

為驗(yàn)證網(wǎng)絡(luò)對(duì)信號(hào)的檢測能力，指定SNR 范圍為［?6 dB，9 dB］，步長為3 dB，每個(gè)SNR 下采取1000 次蒙特卡洛實(shí)驗(yàn)。對(duì)MP、LFM 和NLFM 信號(hào)隨機(jī)重疊的信號(hào)進(jìn)行檢測。同時(shí)，考慮到文獻(xiàn)［8］方法無法對(duì)非線性調(diào)頻信號(hào)進(jìn)行檢測，對(duì)其選取同批次MP、LFM 重疊信號(hào)進(jìn)行方法有效性對(duì)比，得到結(jié)果如圖8所示。

由圖8 可以看出，當(dāng)SNR 為?3 dB 時(shí)，本方法對(duì)信號(hào)的TPR 能夠達(dá)到95%以上。且當(dāng)SNR 小于0 dB時(shí)，本文方法的檢測率顯著提高。

3.3.2 信號(hào)分離

從圖6（b）可以看出，即使信號(hào)存在不同程度的時(shí)頻重疊，網(wǎng)絡(luò)也能成功的識(shí)別分類，并且能夠檢測出信號(hào)的重疊部分。對(duì)重疊部分定為其他類別標(biāo)簽，將混合信號(hào)時(shí)頻圖的標(biāo)簽信息映射到時(shí)頻數(shù)據(jù)進(jìn)行掩膜分離，并對(duì)分離后的時(shí)頻數(shù)據(jù)進(jìn)行反時(shí)頻變換得到單個(gè)信號(hào)。得到結(jié)果如圖9、圖10所示。

3.3.3 信號(hào)重構(gòu)

從圖9、圖10 的結(jié)果可以看出，僅僅用掩膜方法對(duì)重疊的多信號(hào)進(jìn)行分離，會(huì)不可避免的損失重疊部分的信息，還需要用GAN 對(duì)損失部分進(jìn)行信號(hào)修復(fù)。實(shí)驗(yàn)環(huán)境和參數(shù)如表4 所示，將殘缺信號(hào)輸入生成網(wǎng)絡(luò)并于完整信號(hào)在判別網(wǎng)絡(luò)中進(jìn)行對(duì)比，在本實(shí)驗(yàn)環(huán)境下每次訓(xùn)練耗時(shí)30 至40 分鐘內(nèi)得到檢測模型。以圖10 中所示的NLFM 信號(hào)為例對(duì)其進(jìn)行分離復(fù)原，并且分別將原始信號(hào)、殘缺信號(hào)與修復(fù)信號(hào)進(jìn)行脈沖壓縮，得到的結(jié)果分別如圖11、圖12所示。

在圖11 中，（c）是對(duì)（b）中殘缺信號(hào)的時(shí)域波形進(jìn)行修復(fù)后的結(jié)果，對(duì)殘缺信號(hào)的時(shí)、頻域均實(shí)現(xiàn)較好的重構(gòu)效果。從圖12 中三種信號(hào)的匹配濾波結(jié)果可以看出，重構(gòu)信號(hào)與原始信號(hào)的脈壓輸出非常相似，表明本文方法在對(duì)信號(hào)估計(jì)的同時(shí)保留了原信號(hào)的相位信息，不影響后續(xù)的脈壓處理。

在不同信噪比下對(duì)分離后重構(gòu)的信號(hào)與原始信號(hào)進(jìn)行差異分析，其中信號(hào)相似度使用相關(guān)距離ρXY進(jìn)行衡量。給出ρXY的定義為

實(shí)驗(yàn)結(jié)果如圖13所示。

從圖13 結(jié)果可以看出，當(dāng)信噪比大于5 dB 時(shí)，修復(fù)信號(hào)與原始信號(hào)的相關(guān)系數(shù)高于0.8，差異較小。結(jié)合圖11、圖12 和圖13 結(jié)果，以及與文獻(xiàn)［8］中僅僅對(duì)信號(hào)的時(shí)頻圖像進(jìn)行像素值修復(fù)的方法進(jìn)行對(duì)比，本文著眼于重疊信號(hào)在信號(hào)層面的修復(fù)，在工程中更具有實(shí)際意義。

4 結(jié)論

本文將深度學(xué)習(xí)引入到雷達(dá)信號(hào)的檢測、分離與重構(gòu)中，研究多個(gè)信號(hào)在時(shí)頻域混疊時(shí)，如何通過網(wǎng)絡(luò)來智能準(zhǔn)確地對(duì)不同信號(hào)進(jìn)行檢測、分離與重構(gòu)。對(duì)比文獻(xiàn)［8］方法，解決了調(diào)制類型和數(shù)量的受限的問題，可實(shí)現(xiàn)對(duì)非線性調(diào)頻信號(hào)的檢測，在SNR 為?3 dB 時(shí)，mIoU 能夠達(dá)到85%，在SNR 為6 dB 時(shí)，分離后的信號(hào)與原信號(hào)相關(guān)系數(shù)高于0.85。且本文從保留雷達(dá)信號(hào)特性的角度出發(fā)，提出的算法保留了雷達(dá)信號(hào)的特性，便于后續(xù)的雷達(dá)信號(hào)處理工作。值得指出的是，本文方法需要依靠大量的數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如何對(duì)數(shù)據(jù)進(jìn)行輕量化處理來減少訓(xùn)練成本是下一步需要研究的問題。