基于特征提取和機(jī)器學(xué)習(xí)的電磁目標(biāo)識(shí)別方法

徐洪志 姚家馳 劉 超 李彩霞 蔣東翔 孫騰龍 趙新青

(1.中國(guó)人民解放軍32142部隊(duì) 河北保定 071000;2.清華大學(xué) 北京 100084;3.河北大學(xué) 河北保定 071000)

0 引言

電磁目標(biāo)識(shí)別在軍事領(lǐng)域中具有非常重要的作用，通過識(shí)別電磁目標(biāo)的類型和數(shù)量能夠有助于判斷敵方所使用的設(shè)備狀態(tài)及人員規(guī)模，進(jìn)而提前有針對(duì)性地部署相應(yīng)的作戰(zhàn)方案。目前國(guó)內(nèi)外學(xué)者對(duì)電磁目標(biāo)識(shí)別進(jìn)行了許多研究，主要有基于卷積神經(jīng)網(wǎng)絡(luò)的方法，基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的方法，基于深度學(xué)習(xí)的方法，基于深度神經(jīng)網(wǎng)絡(luò)與多任務(wù)學(xué)習(xí)的方法，基于輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)的方法，基于遷移學(xué)習(xí)的方法，基于壓縮感知的識(shí)別方法，基于模型的識(shí)別方法，基于指紋機(jī)制的識(shí)別方法等?；谏窠?jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的方法雖然識(shí)別準(zhǔn)確率高，但是復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)導(dǎo)致計(jì)算時(shí)間較長(zhǎng)，且需要較高的計(jì)算硬件條件；基于模型和指紋機(jī)制的識(shí)別方法需要根據(jù)電磁目標(biāo)的特點(diǎn)建立相應(yīng)的數(shù)學(xué)模型，雖然能夠準(zhǔn)確識(shí)別電磁目標(biāo)，但是存在模型通用性有限等限制。

本項(xiàng)工作針對(duì)實(shí)際現(xiàn)場(chǎng)環(huán)境中要求快速準(zhǔn)確識(shí)別出電磁目標(biāo)的需求，提出一種基于特征提取和機(jī)器學(xué)習(xí)的電磁目標(biāo)識(shí)別方法，同時(shí)針對(duì)現(xiàn)有電磁目標(biāo)數(shù)據(jù)庫(kù)數(shù)據(jù)有限的情況，提出通過重采樣、改變幅值和信號(hào)疊加三種方法擴(kuò)充現(xiàn)有數(shù)據(jù)庫(kù)，通過本項(xiàng)工作既能擴(kuò)充現(xiàn)有電磁目標(biāo)數(shù)據(jù)庫(kù)，又能實(shí)時(shí)準(zhǔn)確地識(shí)別出各電磁目標(biāo)。

1 電磁目標(biāo)數(shù)據(jù)庫(kù)及其擴(kuò)充方法

對(duì)于電磁目標(biāo)識(shí)別，Anu Jagannath和Jithin Jagannath學(xué)者通過研究得到了電磁目標(biāo)數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)主要包含8種信號(hào)類型和6種調(diào)制類型，8種信號(hào)類型分別為Airborne detection radar、Airborne range radar、Air-Ground MTI radar、Ground mapping radar、Radar Altimeter、SATCOM、AM Radio、Short-range wireless；6種調(diào)制類型分別為Pulsed Continuous wave、Frequency modulated Continuous wave、BPSK、AM-DSB、AM-SSB、ASK。雖然該數(shù)據(jù)庫(kù)中已有許多數(shù)據(jù)，但是在實(shí)際應(yīng)用中可能還不夠，為了擴(kuò)充數(shù)據(jù)庫(kù)，提出通過重采樣、改變幅值和信號(hào)疊加三種方法對(duì)現(xiàn)有數(shù)據(jù)庫(kù)進(jìn)行擴(kuò)充：重采樣指改變電磁信號(hào)的采樣頻率；改變幅值指增加或降低電磁信號(hào)的幅值；信號(hào)疊加指將兩個(gè)或兩個(gè)以上的電磁信號(hào)混合生成新的電磁信號(hào)。通過重采樣、改變幅值和信號(hào)疊加三種數(shù)據(jù)擴(kuò)充方法能夠有效擴(kuò)充現(xiàn)有的電磁目標(biāo)數(shù)據(jù)庫(kù)，有助于開展電磁目標(biāo)識(shí)別研究。

對(duì)于擴(kuò)充的電磁目標(biāo)數(shù)據(jù)庫(kù)，選取8種電磁目標(biāo)進(jìn)行研究，如表1所示。

表1中電磁目標(biāo)類型6采用了重采樣處理，電磁目標(biāo)類型7采用了改變幅值處理，電磁目標(biāo)類型8由電磁目標(biāo)類型1和2疊加生成。對(duì)于選取的8種電磁目標(biāo)，研究能在不同信噪比(18dB、16dB、14dB、12dB、10dB、8dB)下準(zhǔn)確識(shí)別各電磁目標(biāo)的方法，每種電磁目標(biāo)類型有600個(gè)樣本，表1中8種電磁目標(biāo)類型的波形圖如圖1所示。

表1 8種電磁目標(biāo)

圖1中展示的是在信噪比18 dB下第78個(gè)樣本數(shù)據(jù)的電磁目標(biāo)波形圖。對(duì)于8種電磁目標(biāo)類型，每種類型共有600個(gè)樣本數(shù)據(jù)，將其中的70%當(dāng)作訓(xùn)練集用于訓(xùn)練，剩下的30%當(dāng)作測(cè)試集驗(yàn)證所提出電磁目標(biāo)識(shí)別方法的識(shí)別效果。

圖1 8種電磁目標(biāo)波形圖

2 電磁目標(biāo)識(shí)別方法計(jì)算過程

電磁目標(biāo)識(shí)別方法主要包括三個(gè)步驟：特征提取、特征降維和分類識(shí)別，下面分別對(duì)這三個(gè)步驟的計(jì)算過程進(jìn)行分析。

2.1 特征提取

在特征提取部分，對(duì)于電磁目標(biāo)信號(hào)，提取其時(shí)域和頻域統(tǒng)計(jì)特征，時(shí)域和頻域統(tǒng)計(jì)特征參數(shù)的計(jì)算公式分別如表2和表3所示。

表2 時(shí)域統(tǒng)計(jì)特征

表3 頻域統(tǒng)計(jì)特征

表2中的表示電磁目標(biāo)時(shí)間序列信號(hào)，表3中的和分別表示經(jīng)過傅里葉變換后的頻率成分和頻譜幅值。通過計(jì)算時(shí)域統(tǒng)計(jì)特征可以得到16個(gè)特征參數(shù)，通過計(jì)算頻域統(tǒng)計(jì)特征可以得到12個(gè)特征參數(shù)，為了提高計(jì)算效率，采用特征降維方法保留主成分。

2.2 特征降維

經(jīng)過特征提取后可得到16個(gè)時(shí)域統(tǒng)計(jì)特征和12個(gè)頻域統(tǒng)計(jì)特征，采用主成分分析(Principal Component Analysis，PCA)方法對(duì)其進(jìn)行特征降維。

對(duì)于個(gè)特征參數(shù)對(duì)應(yīng)的個(gè)值，構(gòu)造的特征矩陣為

(1)

將特征矩陣進(jìn)行線性變換使其滿足式(2)。

(2)

且有

(3)

式中var()表示方差，cor(,)表示主成分間的相關(guān)性。

通過PCA方法能夠?qū)⑻卣鲄?shù)變換成多個(gè)主成分，為了提高計(jì)算效率，這里選取前三個(gè)主成分進(jìn)行計(jì)算和分析。

2.3 分類識(shí)別

對(duì)于8種電磁目標(biāo)，每種電磁目標(biāo)有600個(gè)樣本，總共4800個(gè)樣本，對(duì)每個(gè)樣本提取16個(gè)時(shí)域統(tǒng)計(jì)特征和12個(gè)頻域統(tǒng)計(jì)特征，然后經(jīng)過PCA處理選取前三個(gè)主成分，最后得到4800×3維的特征空間，將其中的70%當(dāng)作訓(xùn)練集用于訓(xùn)練，剩余的30%當(dāng)作測(cè)試集驗(yàn)證識(shí)別的準(zhǔn)確率。為了進(jìn)行對(duì)比分析研究，選取SVM、KNN、Random forest和AdaBoost四種基于機(jī)器學(xué)習(xí)的分類識(shí)別算法進(jìn)行識(shí)別，同時(shí)考慮在現(xiàn)場(chǎng)環(huán)境應(yīng)用中的實(shí)際需求，還研究了在不同信噪比下的識(shí)別結(jié)果以及進(jìn)行識(shí)別所需耗費(fèi)的時(shí)間，在進(jìn)行計(jì)算時(shí)所使用的計(jì)算機(jī)為Windows 10系統(tǒng)，CPU為英特爾i7-9700，內(nèi)存為64 GB，程序代碼用python語(yǔ)言編寫，并基于Spyder編譯器運(yùn)行。

3 電磁目標(biāo)識(shí)別結(jié)果

通過計(jì)算得到的電磁目標(biāo)識(shí)別結(jié)果如表4所示。

表4 電磁目標(biāo)識(shí)別結(jié)果

由表4可知，隨著信噪比(18dB、16dB、14dB、12dB、10dB、8dB)降低，電磁目標(biāo)識(shí)別的準(zhǔn)確率也逐漸降低。在采用時(shí)域統(tǒng)計(jì)特征時(shí)，8dB信噪比下SVM、KNN、Random forest和AdaBoost算法識(shí)別的準(zhǔn)確率分別為92.92%、93.75%、94.72%和94.86%；在采用頻域統(tǒng)計(jì)特征時(shí)，其識(shí)別準(zhǔn)確率分別為96.88%、97.29%、97.78%和98.06%；在同時(shí)采用時(shí)域和頻域統(tǒng)計(jì)特征時(shí)，其識(shí)別準(zhǔn)確率分別為89.86%、93.26%、93.75%和92.85%。當(dāng)同時(shí)采用時(shí)域和頻域統(tǒng)計(jì)特征時(shí)，電磁目標(biāo)的識(shí)別準(zhǔn)確率沒有只采用頻域統(tǒng)計(jì)特征時(shí)高，這可能是因?yàn)殡姶拍繕?biāo)對(duì)頻域特征參數(shù)更加敏感，因此只需采用頻域統(tǒng)計(jì)特征即可準(zhǔn)確識(shí)別各電磁目標(biāo)，此外通過比較平均耗費(fèi)時(shí)間可知，Random forest算法雖然識(shí)別準(zhǔn)確率略高于AdaBoost算法，但是其所需的時(shí)間比AdaBoost算法約長(zhǎng)1.3s。為了快速準(zhǔn)確識(shí)別電磁目標(biāo)，研究結(jié)果表明基于AdaBoost算法采用頻域統(tǒng)計(jì)特征能夠準(zhǔn)確快速識(shí)別出電磁目標(biāo)，識(shí)別的平均準(zhǔn)確率高達(dá)99.20%，所需時(shí)間為0.19s。

4 結(jié)束語(yǔ)

本項(xiàng)工作提出了重采樣、改變幅值和信號(hào)疊加三種電磁目標(biāo)數(shù)據(jù)庫(kù)擴(kuò)充方法，通過這三種方法能夠有效擴(kuò)充現(xiàn)有數(shù)據(jù)庫(kù)?；跀U(kuò)充的電磁目標(biāo)數(shù)據(jù)庫(kù)，提出了一種基于特征提取和機(jī)器學(xué)習(xí)的電磁目標(biāo)識(shí)別方法，研究結(jié)果表明，基于頻域統(tǒng)計(jì)特征采用AdaBoost算法能夠準(zhǔn)確識(shí)別出不同信噪比下的電磁目標(biāo)，平均識(shí)別準(zhǔn)確率高達(dá)99.20%，在8dB低信噪比下的識(shí)別準(zhǔn)確率仍有98.06%，且平均耗時(shí)僅為0.19s。