基于孿生網(wǎng)絡(luò)的電磁目標(biāo)跨模式識別算法

張 偉，王沙飛，林靜然，利 強(qiáng)，邵懷宗

（1. 電子科技大學(xué)信息與通信工程學(xué)院，四川成都 611731；2. 電子信息控制重點(diǎn)實(shí)驗(yàn)室，四川成都 610036；3. 北方電子設(shè)備研究所，北京 100191；4. 鵬城實(shí)驗(yàn)室，廣東深圳 518055）

1 引言

電磁目標(biāo)識別是電磁頻譜感知/認(rèn)知領(lǐng)域的重要研究內(nèi)容，是實(shí)現(xiàn)電磁頻譜資源有效管控的重要手段［1］.傳統(tǒng)的電磁目標(biāo)識別主要利用經(jīng)典信號處理方法提取目標(biāo)特征并進(jìn)行模板匹配，以此為依據(jù)對目標(biāo)身份進(jìn)行辨識［1～4］. 這類方法受人為經(jīng)驗(yàn)影響較大，自適應(yīng)能力差，在復(fù)雜的應(yīng)用場景中識別準(zhǔn)確率較低. 近年來，以深度學(xué)習(xí)［5，6］為代表的人工智能技術(shù)為復(fù)雜電磁環(huán)境下的目標(biāo)精準(zhǔn)識別提供了一種有效解決方案. 神經(jīng)網(wǎng)絡(luò)具備模擬復(fù)雜非線性映射關(guān)系的能力. 利用大量標(biāo)注良好的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練，可以避免繁雜的顯式特征提取，將電磁信號特征提取和身份辨識并入神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)端到端的精確識別［7～14］.

總體而言，在訓(xùn)練樣本充足且標(biāo)注良好的情況下，各類神經(jīng)網(wǎng)絡(luò)大多能很好地完成目標(biāo)識別任務(wù). 但這樣的條件過于理想. 特別地，現(xiàn)有的電磁目標(biāo)往往具有多種工作模式，如全網(wǎng)通手機(jī)可兼容2G/3G/4G/5G等制式；通信電臺可以工作在不同頻段，采用不同的調(diào)制、編碼和加密方式進(jìn)行信息傳遞［15］；多功能雷達(dá)也支持邊跟蹤邊搜索、跟蹤加搜索、單目標(biāo)跟蹤、多目標(biāo)跟蹤等多種模式［16］. 受目標(biāo)工作場景、模式選擇策略和數(shù)據(jù)采集條件等因素限制，能夠獲取的多模式電磁目標(biāo)各模式訓(xùn)練樣本的數(shù)量往往不均衡，甚至?xí)霈F(xiàn)某一種或幾種模式的樣本完全缺失或者十分稀少的情況. 本文將訓(xùn)練樣本充足的模式稱為“常見模式”，將樣本缺失或稀少的模式稱為“罕見模式”. 由深度學(xué)習(xí)方法自身機(jī)理可知，在罕見模式下難以獲得較好的識別性能.需要說明，盡管罕見模式出現(xiàn)頻率不高，對應(yīng)的目標(biāo)識別問題卻十分重要. 以軍用電臺為例，在日常訓(xùn)練和實(shí)際作戰(zhàn)中電臺工作在不同模式. 日常訓(xùn)練對應(yīng)常見模式，數(shù)據(jù)較易獲取、訓(xùn)練樣本充足，可以確保較高的識別率；一旦進(jìn)入實(shí)戰(zhàn)，電臺會切換到作戰(zhàn)模式即罕見模式，由于前期缺乏訓(xùn)練樣本支撐，作戰(zhàn)模式下的目標(biāo)識別十分困難. 另一方面，從實(shí)用角度出發(fā)，能夠在作戰(zhàn)模式下正確識別目標(biāo)顯然更有價(jià)值，其重要性甚至超過了訓(xùn)練模式下的目標(biāo)識別［17］. 基于上述考慮，本文針對多模式電磁目標(biāo)在非均衡數(shù)據(jù)集上的跨模式識別問題開展研究.

目前，關(guān)于非均衡數(shù)據(jù)集上的目標(biāo)識別問題，其解決方法主要有3 類：數(shù)據(jù)層面的方法、算法層面的方法和混合類的方法［18～20］. 其中，數(shù)據(jù)層面的方法利用重采樣或生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）等方法來平衡各目標(biāo)的訓(xùn)練集［21～25］；算法層面的方法則通過修正現(xiàn)有學(xué)習(xí)器來緩解數(shù)據(jù)不均衡造成的學(xué)習(xí)偏移，代表性的方法有代價(jià)敏感學(xué)習(xí)算法［26，27］、單分類學(xué)習(xí)算法［28，29］、基于模糊決策樹的算法［30］、基于核學(xué)習(xí)的算法［31］、網(wǎng)絡(luò)嵌入方法［32］等；混合類的方法則把數(shù)據(jù)層面和算法層面的方法相結(jié)合，利用二者的優(yōu)勢來進(jìn)行目標(biāo)識別［33～35］. 除此之外，另一類相關(guān)的研究是小樣本/零樣本識別，二者都是在訓(xùn)練樣本不足時(shí)試圖提高目標(biāo)識別率，其基本解決思路仍然是數(shù)據(jù)增強(qiáng)、修改算法或?qū)⒍呓Y(jié)合［36～41］. 需要說明的是，盡管在相關(guān)領(lǐng)域已經(jīng)有很多成果發(fā)表，但是關(guān)于本文考慮的多模式電磁目標(biāo)在非均衡數(shù)據(jù)集上的跨模式識別問題仍然缺乏一個(gè)有針對性的優(yōu)良解決方案. 就現(xiàn)有方法而言，數(shù)據(jù)層面的方法往往存在增加無用數(shù)據(jù)或者誤刪有用數(shù)據(jù)的風(fēng)險(xiǎn)；而算法層面方法的性能高低取決于能否準(zhǔn)確地定位傳統(tǒng)方法在非均衡數(shù)據(jù)集上識別性能惡化的原因——這顯然并不容易. 此外，很多現(xiàn)有非均衡數(shù)據(jù)識別、小樣本/零樣本識別都沒有考慮多模式問題，它們研究的目標(biāo)模式較為單一，盡管也有研究考慮一大類目標(biāo)中又包含若干小類的問題，但這和一個(gè)電磁目標(biāo)具有多種工作模式的場景有著明顯的區(qū)別. 最后，本文考慮的非均衡數(shù)據(jù)集并不是簡單的各類數(shù)據(jù)比例不同，而是某類數(shù)據(jù)完全缺失或者十分稀少的極端情況，處理起來顯然更具挑戰(zhàn). 綜上所述，由于問題模型的不匹配，直接使用現(xiàn)有方法求解本文的問題難以獲得令人滿意的性能.

為解決多模式電磁目標(biāo)在非均衡數(shù)據(jù)集上的跨模式識別問題，本文首先分析現(xiàn)有方法性能不足的原因.現(xiàn)有深度學(xué)習(xí)方法在非均衡數(shù)據(jù)集上主要依據(jù)常見模式數(shù)據(jù)中攜帶的電磁指紋來學(xué)習(xí)確定分類邊界，忽略了罕見模式數(shù)據(jù)中的電磁指紋. 由于目標(biāo)內(nèi)部不同模式數(shù)據(jù)間的差異可能超過不同目標(biāo)數(shù)據(jù)間的差異，這必然導(dǎo)致在罕見模式下的目標(biāo)識別性能下降. 另一方面，由于使用同一套硬件設(shè)備，同一目標(biāo)不同模式的數(shù)據(jù)間仍然包含有（可能非常微弱）共有的指紋特征，如果能設(shè)法讓深度學(xué)習(xí)過程更加關(guān)注這些不同模式間的共有指紋特征，將顯著提高罕見模式下的識別性能. 基于上述觀察結(jié)果，本文提出了一種基于孿生網(wǎng)絡(luò)（Sia?mese Network）的電磁目標(biāo)識別算法，以解決多模式電磁目標(biāo)在非均衡數(shù)據(jù)集上的跨模式識別問題. 本文的主要貢獻(xiàn)總結(jié)如下：

（1）在孿生網(wǎng)絡(luò)框架［42］下，通過修改網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)，引導(dǎo)神經(jīng)網(wǎng)絡(luò)在深度學(xué)習(xí)過程中聚集在同一電磁目標(biāo)不同模式間的共有電磁指紋特征，同時(shí)弱化不同模式間電磁指紋的差異，從而修正了由數(shù)據(jù)不均衡引起的分類邊界偏移；

（2）基于度量學(xué)習(xí)［43］的思想，設(shè)計(jì)了一種鄰近判決準(zhǔn)則，通過計(jì)算罕見模式下的網(wǎng)絡(luò)映射向量與訓(xùn)練集上各個(gè)目標(biāo)映射向量間的歐氏距離來進(jìn)行目標(biāo)分類判決，該方法有效規(guī)避了人為設(shè)置門限引起的判決模糊，自適應(yīng)能力更強(qiáng)；

（3）在此基礎(chǔ)上提出了一種聯(lián)合判決反饋機(jī)制，其核心思想是當(dāng)罕見模式下的測試數(shù)據(jù)到來時(shí)，利用多樣本進(jìn)行聯(lián)合判決，根據(jù)當(dāng)前判決結(jié)果標(biāo)記新到數(shù)據(jù)，并利用新標(biāo)注的數(shù)據(jù)反饋和更新網(wǎng)絡(luò)，使網(wǎng)絡(luò)具備自增長能力，逐漸提升罕見模式下的識別性能.

2 基于孿生網(wǎng)絡(luò)的跨模式識別算法

2.1 現(xiàn)有深度學(xué)習(xí)方法的不足

為有針對性地解決多模式電磁目標(biāo)在非均衡數(shù)據(jù)集上的跨模式識別問題，需要先分析現(xiàn)有深度學(xué)習(xí)方法失效的原因. 圖1 給出了現(xiàn)有方法在處理該問題時(shí)遇到的困難，圖中紅、黃、藍(lán)3 種顏色代表3 個(gè)不同的目標(biāo)，編號1，2，3則對應(yīng)3種常見模式，編號4對應(yīng)罕見模式. 如圖1 所示，不同目標(biāo)不同模式的數(shù)據(jù)攜帶的電磁指紋特征是不同的（他們在信號空間處于不同位置），并且同一目標(biāo)內(nèi)部不同模式數(shù)據(jù)間的指紋特征差異可能超過不同目標(biāo)數(shù)據(jù)間的特征差異. 以不同模式代表不同工作頻率的場景為例. 電磁信號在空間的傳輸受到頻率選擇性衰落的影響，且不同頻段上的衰落特性差異巨大. 另一方面，隨著電路集成工藝的提高，相同型號元器件之間的電氣特性差異正不斷減小. 在這種情況下，同一目標(biāo)內(nèi)部不同模式數(shù)據(jù)間的指紋特征差異完全可能超過不同目標(biāo)數(shù)據(jù)間的差異. 這里使用距離遠(yuǎn)近描述差異大小. 在圖1（a）中，罕見模式訓(xùn)練樣本缺失，網(wǎng)絡(luò)完全根據(jù)當(dāng)前已有常見模式訓(xùn)練樣本的映射向量在空間的分布情況確定分類邊界，忽略了罕見模式樣本在空間的分布. 測試過程中，當(dāng)罕見模式樣本（見圖中虛線圓圈）到來時(shí)，利用上述邊界進(jìn)行分類就會發(fā)生誤判，如圖1（b）所示. 同理，當(dāng)罕見模式的訓(xùn)練樣本十分稀少時(shí)，也會發(fā)生類似的現(xiàn)象.

圖1 現(xiàn)有深度學(xué)習(xí)方法在非均衡數(shù)據(jù)集上的跨模式識別過程

由上述分析可知，同一目標(biāo)不同模式間的特征差異性可能掩蓋目標(biāo)個(gè)體間的特征差異性，導(dǎo)致深度學(xué)習(xí)過程主要關(guān)注各個(gè)模式的指紋特征，因此個(gè)體識別性能受模式變化影響較大. 為解決該問題，本文擬采用度量學(xué)習(xí)（Metric Learning）的思想來弱化模式特征，凸顯個(gè)體指紋特征. 具體而言，通過尋找一個(gè)度量空間（映射空間），使得同一目標(biāo)的不同工作模式在度量空間中呈現(xiàn)聚合特性，同時(shí)不同目標(biāo)在度量空間中呈現(xiàn)分散特性，從而實(shí)現(xiàn)對同一目標(biāo)不同模式特征的弱化和對不同目標(biāo)個(gè)體指紋特征的凸顯. 在度量學(xué)習(xí)領(lǐng)域，孿生網(wǎng)絡(luò)最具代表性. 下面對孿生網(wǎng)絡(luò)基本原理進(jìn)行簡單介紹，并對基于孿生網(wǎng)絡(luò)的電磁目標(biāo)跨模式識別算法進(jìn)行詳細(xì)描述.

2.2 基于孿生網(wǎng)絡(luò)的電磁目標(biāo)跨模式識別原理

孿生網(wǎng)絡(luò)度量學(xué)習(xí)核心是通過構(gòu)造對比損失函數(shù)（Contrastive Loss），縮小同一目標(biāo)間的距離，拉大不同目標(biāo)間的距離. 采用的損失函數(shù)如下：

此時(shí)，網(wǎng)絡(luò)將不同目標(biāo)在度量空間中的距離至少拉大到M.

網(wǎng)絡(luò)訓(xùn)練可以通過求解如下優(yōu)化問題實(shí)現(xiàn)，即

圖2 孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

該優(yōu)化問題通常采用隨機(jī)梯度下降法（Stochastic Gradient Descent，SGD）迭代求解，過程如下：

其中，Nk為第k次SGD 迭代的mini-batch；ηk>0 為迭代步長. 在具體實(shí)現(xiàn)中，可以使用SGD 的加速算法Adam來更新網(wǎng)絡(luò)參數(shù).

孿生網(wǎng)絡(luò)將輸入的電磁信號映射到度量空間. 基于電磁信號在度量空間中的表征，還需要設(shè)計(jì)相應(yīng)的分類判決準(zhǔn)則. 傳統(tǒng)的孿生網(wǎng)絡(luò)判決方法將待分類數(shù)據(jù)與訓(xùn)練數(shù)據(jù)成對輸入兩個(gè)子網(wǎng)絡(luò)中，獲得各自的映射空間向量，計(jì)算向量間的距離（如歐式距離、指數(shù)距離等）以獲取相似度量值，并人為地設(shè)置門限對其進(jìn)行判決——度量值小于門限則判為同類，大于門限為判為異類. 但是，由于門限劃分與數(shù)據(jù)密切相關(guān)，面對不同場景的數(shù)據(jù)集時(shí)需要反復(fù)進(jìn)行人為篩選，缺乏靈活性. 為解決門限設(shè)置難題，本文設(shè)計(jì)了一種Q臨近點(diǎn)判決準(zhǔn)則，以實(shí)現(xiàn)跨模式目標(biāo)識別.

2.3 Q臨近點(diǎn)判決準(zhǔn)則

Q臨近點(diǎn)判決的原理可描述為

其中，x為待判決的輸入；為第i類輻射源的第n個(gè)訓(xùn)練數(shù)據(jù)；q(i)為第i類輻射源訓(xùn)練數(shù)據(jù)集合的任一大小為Q的子集；I為類別輻射源/類別總數(shù)；Q臨近點(diǎn)判決方程在度量空間中計(jì)算每個(gè)輻射源與當(dāng)前待判決信號最近的Q個(gè)點(diǎn)的距離和，選取最小值來判決當(dāng)前輸入信號所對應(yīng)的輻射源.

圖3 給出了Q臨近點(diǎn)判決原理示意圖. 簡單起見，考慮3 個(gè)輻射源（紅、藍(lán)、黃），每個(gè)目標(biāo)包含3 種模式（圓形、矩形和三角形）. 當(dāng)待分類數(shù)據(jù)輸入網(wǎng)絡(luò)后，在度量空間中映射為綠色正五邊形. 分別計(jì)算綠色正五邊形與1～3 號源的常見模式數(shù)據(jù)之間距離最近的前Q（這里Q=4）個(gè)距離和，作為待分類數(shù)據(jù)與3 個(gè)源的判決距離. 假設(shè)綠色正五邊形與1～3號源的判決距離分別為1，2和1.5，則待分類的綠色正五邊形判決為輻射源1.

圖3 孿生網(wǎng)絡(luò)的Q鄰近點(diǎn)判決算法示意圖

綜上，面對多模式電磁目標(biāo)的非均衡數(shù)據(jù)集，結(jié)合Q臨近點(diǎn)判決，本文提出了基于孿生網(wǎng)絡(luò)的跨模式目標(biāo)識別算法，其具體流程如算法1所示.

算法1 基于孿生網(wǎng)絡(luò)的跨模式目標(biāo)識別算法輸入:由多模式電磁目標(biāo)各個(gè)模式樣本組成的數(shù)據(jù)對輸出:新輸入某目標(biāo)罕見模式樣本的識別結(jié)果步驟1 將訓(xùn)練數(shù)據(jù)對輸入圖2所示的孿生網(wǎng)絡(luò)并訓(xùn)練步驟2 保存網(wǎng)絡(luò)模型步驟3 加載網(wǎng)絡(luò)模型步驟4 將待判決的某目標(biāo)樣本與各個(gè)源的已有樣本以數(shù)據(jù)對的形式輸入孿生網(wǎng)絡(luò)中步驟5 對待判決的樣本與各個(gè)源已有樣本之間的度量距離進(jìn)行決策判決,判決出該樣本所屬目標(biāo),具體步驟如下:步驟5.1 計(jì)算各個(gè)目標(biāo)已知樣本中與輸入樣本距離最近的Q 個(gè)距離度量并求和步驟5.2 找到Q個(gè)距離度量之和最小的目標(biāo)步驟5.3 將待判決樣本判定為步驟5.2中目標(biāo)

由臨近判決的機(jī)制，不論是罕見模式還是常見模式均能通過尋找臨近最近的所屬源來實(shí)現(xiàn)判決，解決了硬判決強(qiáng)邊界的問題，也解決了人工輔佐設(shè)置門限導(dǎo)致程序的繁冗.

3 基于聯(lián)合判決反饋的自增長識別

在罕見模式數(shù)據(jù)缺失或十分稀少的極端情況，由于必要信息的缺失，受限于深度學(xué)習(xí)的機(jī)理，有時(shí)候算法1 中的方法仍然難以拿到獲得足夠高的跨模式識別率. 為此，在前一節(jié)的基礎(chǔ)上引入數(shù)據(jù)切片技術(shù)和聯(lián)合判決反饋，使孿生網(wǎng)絡(luò)具有自更新的能力，利用罕見模式測試數(shù)據(jù)進(jìn)一步提升對罕見模式的識別性能. 該方法的基本原理如圖4所示.

在圖4中，通過對長段的未知目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)切片，并將多路切片數(shù)據(jù)并行送入已訓(xùn)練好的孿生網(wǎng)絡(luò)模型，利用第2節(jié)中的Q臨近點(diǎn)判決算法獲得m個(gè)獨(dú)立的判決結(jié)果. 通過對m個(gè)判決結(jié)果進(jìn)行聯(lián)合判決，最終得到當(dāng)前待測樣本的判決結(jié)果. 實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)每個(gè)切片數(shù)據(jù)的判決準(zhǔn)確率不太高的時(shí)候，通過多個(gè)獨(dú)立切片判決結(jié)果的綜合，可有效提升最終的判決準(zhǔn)確率.

圖4 基于聯(lián)合判決反饋的自增長跨模式識別原理

獲得當(dāng)前待測樣本的判決結(jié)果后，可將該結(jié)果作為該未知目標(biāo)數(shù)據(jù)的標(biāo)簽加入到訓(xùn)練集中，對孿生網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練或僅用新加入的數(shù)據(jù)進(jìn)行增量式更新訓(xùn)練，從而實(shí)現(xiàn)網(wǎng)絡(luò)的自增長. 需要注意，自增長是否有效取決于對新入未知目標(biāo)數(shù)據(jù)的識別是否準(zhǔn)確. 若能較準(zhǔn)確的識別，可以實(shí)現(xiàn)正向自增長，若新入數(shù)據(jù)識別率較低，可能會導(dǎo)致錯(cuò)誤累積效應(yīng)，惡化孿生網(wǎng)絡(luò)性能. 為避免錯(cuò)誤累積，一方面可以只使用聯(lián)合判決置信度較高的待測數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)更新；另一方面，可以引入網(wǎng)絡(luò)更新判決機(jī)制，通過對網(wǎng)絡(luò)更新前后在驗(yàn)證集上性能的比測試，來決定最終是否更新后網(wǎng)絡(luò)模型.

4 算法性能測試

利用5 部多模式通信電臺的中頻實(shí)采數(shù)據(jù)進(jìn)行跨模式識別算法的性能測試. 其中，每部電臺支持在5個(gè)不同頻率（200 MHz，330 MHz，400 MHz，440 MHz，500 MHz）上傳輸數(shù)據(jù)，對應(yīng)5種工作模式. 在測試過程中，選取任意一種頻率（如440 MHz）為罕見模式，其他4 種頻率為常見模式，利用大量常見模式的數(shù)據(jù)和微量罕見模式的數(shù)據(jù)實(shí)現(xiàn)5部電臺罕見模式數(shù)據(jù)的識別功能.

作為對比，同時(shí)測試在孿生網(wǎng)絡(luò)架構(gòu)和常規(guī)單體網(wǎng)絡(luò)架構(gòu)上的跨模式識別性能. 兩類網(wǎng)絡(luò)都選擇經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），訓(xùn)練集包含各個(gè)電臺大量常見模式的數(shù)據(jù)樣本和微量的罕見模式數(shù)據(jù)樣本. 二者使用相同的樣本量和特征提取方法，本文用短時(shí)傅里葉變換（Short-Time Fourier Transform，STFT）. 單體網(wǎng)絡(luò)和孿生網(wǎng)絡(luò)的相關(guān)參數(shù)如表1 所示，其中罕見模式的訓(xùn)練樣本量可配，以常見模式訓(xùn)練樣本數(shù)1 920 為基準(zhǔn)，在0%～100%之間選擇一些典型的比例值，以測試不同罕見模式訓(xùn)練樣本量下的跨模式識別算法性能.

表1 單體網(wǎng)絡(luò)和孿生網(wǎng)絡(luò)的配置對比

在第一個(gè)實(shí)驗(yàn)中，假設(shè)5部電臺罕見模式的訓(xùn)練樣本完全缺失，使用經(jīng)典的單體CNN 和本文所提出的孿生網(wǎng)絡(luò)方法分別對5 部電臺罕見模式的測試樣本進(jìn)行識別，得到的混淆矩陣如圖5所示. 由圖5可以看出，單體CNN 在罕見模式訓(xùn)練樣本缺失的情況下基本不具備跨模式識別能力，只有4號電臺的罕見模式識別效果略高，但也僅為56%，而5部電臺的平均識別率僅為35%，幾乎等同于隨機(jī)猜測. 與之相對，孿生網(wǎng)絡(luò)在罕見模式樣本缺失的情況下，對1 號、2 號、4 號電臺仍然具有較好的識別效果. 特別地，最高的4 號電臺罕見模式的識別率達(dá)到了98%，其可能的原因?yàn)?號目標(biāo)罕見模式和常見模式之間的相似程度非常高. 另外，此時(shí)對1 號、2號電臺的識別率也高于60%，只有3號、5號電臺的效果略差. 本實(shí)驗(yàn)說明，基于孿生網(wǎng)絡(luò)的目標(biāo)識別算法顯著提升了非均衡數(shù)據(jù)集上的跨模式識別能力，在罕見模式訓(xùn)練樣本缺失、單體CNN 方法基本失效的情況下，其仍可以識別大部分目標(biāo).

進(jìn)一步地，觀察到圖5 中3 號和5 號電臺識別率仍然較差，嘗試加入微量（即192個(gè)樣本，僅占常見模式訓(xùn)練樣本數(shù)量的10%，時(shí)長約為500 ms）第3 號、5 號電臺的罕見模式樣本參與訓(xùn)練，此時(shí)第1號、2號和4號電臺罕見模式的訓(xùn)練樣本仍然缺失. 兩種方法獲得的混淆矩陣如圖6 所示. 可以看出，增加少量3 號和5 號電臺訓(xùn)練樣本后，2 種方法的識別率都有所上升，但單體CNN 方法的識別率仍然較低，大部分電臺識別率不足50%，5 部電臺平均識別率僅為51%；而孿生網(wǎng)絡(luò)方法效果提升明顯，3號電臺識別率由13%增加到了60%，5號電臺識別率由39%增加到了66%，5部電臺平均識別率達(dá)到70%. 由此可見，本文設(shè)計(jì)的基于孿生網(wǎng)絡(luò)的跨模式目標(biāo)識別算法在非均衡數(shù)據(jù)集上優(yōu)勢明顯.

圖5 罕見模式訓(xùn)練樣本完全缺失時(shí)的混淆矩陣

圖6 第3號、5號電臺增加10%的罕見模式訓(xùn)練樣本后的混淆矩陣

為全面地測試所提出算法的性能，在下面的實(shí)驗(yàn)中逐步增加所有5 部電臺罕見模式的訓(xùn)練樣本. 同時(shí)，在對比算法中除了經(jīng)典的單體CNN 目標(biāo)識別方法外，還增加了2種數(shù)據(jù)增強(qiáng)的方法進(jìn)行比較：一是通過線性組合采樣的數(shù)據(jù)增強(qiáng)方案，二是基于生成對抗網(wǎng)絡(luò)GAN的數(shù)據(jù)增強(qiáng)方法. 圖7所示為5部電臺罕見模式平均識別率隨罕見模式樣本數(shù)量的變化圖. 由圖可知，在罕見模式訓(xùn)練樣本量較少（如低于常見模式樣本量的20%）時(shí)，2 種數(shù)據(jù)增強(qiáng)方法的識別率僅僅是略好于經(jīng)典的單體CNN 方法，這是因?yàn)楫?dāng)絕對樣本量較少時(shí)，這些方法很難有實(shí)質(zhì)性的數(shù)據(jù)增強(qiáng)效果，因此性能提升有限. 這說明對于本文考慮的非均衡數(shù)據(jù)集上的跨模式識別問題，數(shù)據(jù)增強(qiáng)方法并不適用. 與這3 種方法相比，本文提出的識別算法優(yōu)勢明顯，特別是在罕見模式訓(xùn)練樣本量低于常見模式量的20%時(shí)，識別率性能提升比例最高超過20%. 此時(shí)盡管罕見模式訓(xùn)練樣本的絕對數(shù)量很小，但通過與常見模式相對充足的訓(xùn)練樣本進(jìn)行組合，仍然可以構(gòu)成大量樣本對，支撐網(wǎng)絡(luò)收斂到較好狀態(tài). 當(dāng)罕見模式訓(xùn)練樣本量繼續(xù)增大時(shí)，幾種方法的性能大致相同. 該結(jié)果說明，本文提出的方法特別適用于罕見模式樣本缺失或者十分稀少的極端情況.

圖7 罕見模式識別率隨罕見模式訓(xùn)練樣本數(shù)量的變化情況

最后一個(gè)實(shí)驗(yàn)測試聯(lián)合判決反饋機(jī)制帶來的網(wǎng)絡(luò)識別率自增長效果. 首先，需要確定進(jìn)行聯(lián)合判決的樣本數(shù)量. 容易想到，進(jìn)行聯(lián)合判決的樣本數(shù)越多，反饋的數(shù)據(jù)樣本標(biāo)簽越準(zhǔn)確，最終聯(lián)合判決識別率也越高，但代價(jià)也越大、效率也會降低. 表2 所示為罕見模式訓(xùn)練樣本缺失時(shí)，聯(lián)合判決樣本數(shù)量與識別率的關(guān)系. 可以看出，聯(lián)合5 個(gè)樣本的識別率僅為70%左右，也就是說判決中會出現(xiàn)30%的判錯(cuò)樣本進(jìn)入閉環(huán)反饋，導(dǎo)致最終識別效果變差，而聯(lián)合100 個(gè)樣本后，正確率接近100%，幾乎不會出現(xiàn)判錯(cuò)情況，但此時(shí)反饋效率較低（待收集100 個(gè)樣本的聯(lián)合判決后才能反饋）. 實(shí)際應(yīng)用時(shí)，應(yīng)該在性能和效率之間進(jìn)行折中.

表2 聯(lián)合判決樣本量與識別率的關(guān)系

圖8 所示為不同數(shù)量的樣本聯(lián)合判決反饋對最終罕見模式識別結(jié)果的影響. 可以看出，通過判決結(jié)果的反饋，孿生網(wǎng)絡(luò)對罕見模式數(shù)據(jù)的識別率提升明顯. 特別地，在選取20 個(gè)樣本的識別結(jié)果進(jìn)行聯(lián)合判決和反饋時(shí)，最終的識別率能夠逐漸上升并達(dá)到90%以上. 由此可以得出結(jié)論：孿生網(wǎng)絡(luò)的臨近判決算法和聯(lián)合判決反饋機(jī)制可以很好地在實(shí)際應(yīng)用中解決非均衡數(shù)據(jù)集上對電磁目標(biāo)罕見模式數(shù)據(jù)的識別問題.

圖8 罕見模式識別率隨罕見模式訓(xùn)練樣本數(shù)量的變化情況

5 總結(jié)

本文針對多模式電磁目標(biāo)在非均衡數(shù)據(jù)集上的跨模式識別問題，提出了一種基于孿生網(wǎng)絡(luò)的Q臨近點(diǎn)判決算法，并在多模式通信電臺實(shí)測數(shù)據(jù)上進(jìn)行了算法性能驗(yàn)證. 實(shí)驗(yàn)表明在罕見模式訓(xùn)練樣本數(shù)據(jù)量較低的情景下，本文所提算法對罕見模式的識別能力優(yōu)于常規(guī)卷積神經(jīng)網(wǎng)絡(luò)，也優(yōu)于現(xiàn)有的數(shù)據(jù)增強(qiáng)方法. 此外，通過引入數(shù)據(jù)切片技術(shù)和自增長技術(shù)，提出了一種聯(lián)合判決反饋機(jī)制，隨著罕見模式測試樣本的到來，在提升識別率的同時(shí)，實(shí)現(xiàn)了網(wǎng)絡(luò)的動態(tài)更新.