基于深度殘差網(wǎng)絡(luò)的脈內(nèi)調(diào)制信號(hào)識(shí)別研究

邵廣慶，陳歆偉，包 軍，周 鈞，許海波，晏 楊

（中國(guó)航天科工集團(tuán)8511 研究所，江蘇 南京 210007）

0 引言

復(fù)雜雷達(dá)的脈內(nèi)調(diào)制信號(hào)識(shí)別一直是電子對(duì)抗的關(guān)鍵技術(shù)和難題。為了進(jìn)一步識(shí)別新型復(fù)雜體制雷達(dá)，研究人員開始投入大量的精力于脈內(nèi)特征提取研究。雷達(dá)信號(hào)脈內(nèi)特征作為一種細(xì)微特征，是對(duì)不同調(diào)制的雷達(dá)進(jìn)行分選和識(shí)別的重要參數(shù)，在此基礎(chǔ)上對(duì)雷達(dá)輻射源進(jìn)行識(shí)別，可以提高識(shí)別的準(zhǔn)確率，為新一代電子對(duì)抗系統(tǒng)在單脈沖基礎(chǔ)上實(shí)現(xiàn)雷達(dá)信號(hào)識(shí)別提供了有力的支撐。

目前傳統(tǒng)的脈內(nèi)調(diào)制信號(hào)識(shí)別方法主要包括2種：一種是通過似然比檢驗(yàn)來判斷信號(hào)的調(diào)制類型，基于似然函數(shù)的算法，首先計(jì)算接收到的雷達(dá)信號(hào)的似然函數(shù)，然后將似然比和門限進(jìn)行比較來判斷接收信號(hào)屬于哪種調(diào)制類型?；谒迫缓瘮?shù)的算法能夠達(dá)到貝葉斯準(zhǔn)則下最小的錯(cuò)誤識(shí)別概率，但是其計(jì)算量太大，可靠性較差。另外一種則是通過分析雷達(dá)復(fù)雜脈內(nèi)調(diào)制信號(hào)的產(chǎn)生機(jī)理，通過人工進(jìn)行特征參數(shù)提取，并應(yīng)用常見的模式識(shí)別模型對(duì)脈內(nèi)調(diào)制信號(hào)進(jìn)行識(shí)別，但是該方法依賴于人工特征參數(shù)提取，需要消耗大量的人力和資源。

近些年來，深度學(xué)習(xí)在分類和識(shí)別任務(wù)中取得了優(yōu)異的成績(jī)，作為深度學(xué)習(xí)的重要代表，卷積神經(jīng)網(wǎng)絡(luò)具備出色的非線性特征提取能力，可以通過對(duì)訓(xùn)練樣本進(jìn)行逐層特征變換，將樣本在原空間的特征表示變換到新的特征空間，自動(dòng)地學(xué)習(xí)得到層次化非線性的特征表示，無(wú)需人工提取特征，自動(dòng)地從復(fù)雜的數(shù)據(jù)中學(xué)習(xí)特征。而深度殘差網(wǎng)絡(luò)在深度卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入了恒等映射操作，有效地解決了深度卷積神經(jīng)網(wǎng)絡(luò)隨著訓(xùn)練層數(shù)增加而出現(xiàn)的性能退化的現(xiàn)象，進(jìn)一步提升了深度卷積網(wǎng)絡(luò)提取抽象特征的能力。目前，基于深度學(xué)習(xí)的方法也逐漸用于雷達(dá)脈內(nèi)調(diào)制信號(hào)識(shí)別。

本文通過對(duì)常規(guī)信號(hào)（NS）、線性調(diào)頻（LFM）、非線性調(diào)頻（VFM）、二相相位編碼（BPSK）、二頻編碼（2FSK）、線性調(diào)頻-二相編碼復(fù)合信號(hào)進(jìn)行仿真，構(gòu)建完備的復(fù)雜調(diào)制信號(hào)數(shù)據(jù)庫(kù)；然后利用STFT 對(duì)脈內(nèi)調(diào)制信號(hào)進(jìn)行時(shí)頻分析，獲取脈內(nèi)調(diào)制信號(hào)時(shí)頻圖作為設(shè)計(jì)深度殘差識(shí)別模型的輸入；根據(jù)時(shí)頻圖的特點(diǎn)設(shè)計(jì)相應(yīng)的深度殘差神經(jīng)網(wǎng)絡(luò)，并采用正則化手段增強(qiáng)識(shí)別網(wǎng)絡(luò)的泛化能力，在低信噪比下對(duì)復(fù)雜雷達(dá)脈內(nèi)調(diào)制信號(hào)進(jìn)行精確識(shí)別。

1 算法分析

1.1 信號(hào)模型

假設(shè)中頻信號(hào)觀測(cè)模型為：

式中，為信號(hào)載頻，為初相，()為幅度函數(shù)，()為相位函數(shù)。不同的脈內(nèi)調(diào)制類型體現(xiàn)在相位函數(shù)的差異。常規(guī)信號(hào)相位函數(shù)為0；線性調(diào)頻信號(hào)相位函數(shù)為π；非線性調(diào)頻信號(hào)相位函數(shù)為πk()，k()為頻率調(diào)制函數(shù)；二相相位編碼相位函數(shù)為0 或π；二頻編碼相位函數(shù)為0；線性調(diào)頻-二相編碼復(fù)合信號(hào)在線性調(diào)頻信號(hào)的各子脈沖內(nèi)進(jìn)行相應(yīng)的二相編碼調(diào)制。

1.2 復(fù)雜脈內(nèi)調(diào)制信號(hào)時(shí)頻分析

由于仿真生成復(fù)雜雷達(dá)調(diào)制信號(hào)的關(guān)鍵參數(shù)往往有著很大差異，如LFM 信號(hào)，其脈沖寬度、中心頻率、調(diào)頻斜率均會(huì)在一定的范圍發(fā)生改變，因此，對(duì)于復(fù)雜調(diào)制信號(hào)來說，從時(shí)域上對(duì)它們進(jìn)行區(qū)分具備相當(dāng)?shù)碾y度，尤其是在低信噪比的情況下，復(fù)雜調(diào)制信號(hào)在時(shí)域上更加難以區(qū)分。因此，先對(duì)復(fù)雜的調(diào)制信號(hào)進(jìn)行STFT，獲得復(fù)雜調(diào)制信號(hào)時(shí)間與其頻率之間的關(guān)系，從而獲取更清晰的特征表示，其STFT 定義如下：

式中，()為中頻信號(hào)，()為窗函數(shù)，本文所采取的窗函數(shù)為漢明窗。

1.3 傳統(tǒng)脈內(nèi)調(diào)制信號(hào)識(shí)別模型設(shè)計(jì)

近些年，脈內(nèi)調(diào)制信號(hào)識(shí)別的研究主要集中在基于人工提取特征參數(shù)加訓(xùn)練分類器的算法上。本文針對(duì)復(fù)雜調(diào)制信號(hào)的特點(diǎn)，分別從時(shí)域、頻域、小波域等分別提取復(fù)雜調(diào)制信號(hào)的特征參數(shù)，其人工提取的特征參數(shù)共十維，為時(shí)域矩偏度、時(shí)域矩峰度、包絡(luò)起伏度、信息維數(shù)、香農(nóng)熵、歸一化瞬時(shí)幅頻最大值、相位相關(guān)系數(shù)、灰度矩、功率譜最大熵、高階累積量。分類器主要采取目前主流的集成分類器隨機(jī)森林。傳統(tǒng)脈內(nèi)調(diào)制信號(hào)識(shí)別模型如圖1 所示。

圖1 傳統(tǒng)脈內(nèi)調(diào)制信號(hào)識(shí)別模型

1.4 基于深度殘差網(wǎng)絡(luò)的脈內(nèi)調(diào)制信號(hào)識(shí)別模型設(shè)計(jì)

基于深度殘差網(wǎng)絡(luò)的脈內(nèi)調(diào)制信號(hào)識(shí)別模型（STFT-2D-ResNet），如圖2 所示，其識(shí)別算法的具體步驟如下：

圖2 基于深度殘差網(wǎng)絡(luò)的脈內(nèi)調(diào)制信號(hào)識(shí)別模型

1）為了充分發(fā)揮深度殘差網(wǎng)絡(luò)特征提取能力，本文先對(duì)復(fù)雜的調(diào)制信號(hào)進(jìn)行STFT，得到時(shí)頻圖。

2）為了加快識(shí)別網(wǎng)絡(luò)的訓(xùn)練速度，將得到的彩色時(shí)頻圖進(jìn)行灰度化操作得到灰度圖，然后將灰度圖進(jìn)行縮放處理得到相同尺寸的灰度圖（有利于深度殘差識(shí)別網(wǎng)絡(luò)的學(xué)習(xí)）。

3）將時(shí)頻灰度圖隨機(jī)劃分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。

4）將訓(xùn)練集送入到初步設(shè)計(jì)深度殘差網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，通過驗(yàn)證集調(diào)整識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計(jì)出最優(yōu)的深度殘差識(shí)別網(wǎng)絡(luò)。其中，為了充分發(fā)揮卷積層數(shù)提取深度特征的性能以及加快網(wǎng)絡(luò)的訓(xùn)練速度和減小網(wǎng)絡(luò)過擬合的現(xiàn)象，引入了批量歸一化（BN）、L2 正則化、Dropout 和標(biāo)簽平滑（LS）操作。

5）將測(cè)試集送入到訓(xùn)練好的深度殘差網(wǎng)絡(luò)，經(jīng)過多個(gè)卷積塊和殘差塊的操作，將卷積（CONV2D）、BN、非線性變換（ReLU）、池化（Max Pooling2D）得到的特征向量進(jìn)行全局平均值池化（Global Average Pooling2D），得到復(fù)雜調(diào)制信號(hào)的深度魯棒特征，將其送入到Softmax分類器，得到復(fù)雜雷達(dá)脈內(nèi)調(diào)制信號(hào)的類別。

2 仿真分析

2.1 脈內(nèi)信號(hào)仿真參數(shù)設(shè)置

仿真驗(yàn)證采取的采樣率為200 MHz、360 MHz 和500 MHz。6 種雷達(dá)信號(hào)參數(shù)如下。

1）對(duì) 于LFM 信號(hào)，其脈寬P的范圍是200 ns ≤P≤100 μs，帶寬的范圍為0 ＜≤f/2，中心頻率f的范圍為0 ＜f≤f/2，線性調(diào)頻的斜率的范圍為-/P≤≤/P，信 號(hào) 幅 度的 范 圍1 ≤≤100，仿真產(chǎn)生的每個(gè)樣本的采樣點(diǎn)數(shù)量的范圍 為P f≤≤P f。

2）對(duì)于BPSK 信號(hào)，其碼元個(gè)數(shù)N的范圍為8 ≤N≤64，碼元寬度D為100 ns、200 ns、500 ns、800 ns或1 000 ns，信號(hào)幅度的范圍1 ≤≤100，中心頻率f的范圍為f/10 ＜f≤f/2。碼序列為隨機(jī)碼，每組不同的碼元寬度對(duì)應(yīng)于不同的隨機(jī)碼，仿真產(chǎn)生的每個(gè)樣本的采樣點(diǎn)數(shù)量的范圍為D N f≤≤D N f。

3）對(duì)于2FSK 信號(hào)，其碼元個(gè)數(shù)N的范圍為8 ≤N≤64，碼元寬度D為500 ns、800 ns 和1 000 ns，信號(hào)幅度的范圍1 ≤≤100。碼序列為隨機(jī)碼，每組不同的碼元寬度對(duì)應(yīng)于不同的隨機(jī)碼，2 個(gè)頻點(diǎn)間隔的范圍為0.5 MHz ≤≤100 MHz。

4）對(duì)于VFM 信號(hào)，主要采取的是V 型調(diào)頻信號(hào)，其脈寬P的范圍是200 ns ≤P≤100 μs，帶寬的范圍 為0 ＜≤f/2，中心頻率f的范圍為0 ＜f≤f/2，信號(hào)幅度的范圍1 ≤≤100，仿真產(chǎn)生的每個(gè)樣本的采樣點(diǎn)數(shù)量的范圍為P f≤≤P f，調(diào)頻 的 斜 率的 范 圍 為 -/(2P)≤≤/(2P)。

5）對(duì)于NS 信號(hào)來說，其脈寬P的范圍是200 ns ≤P≤100 μs，中 心 頻 率f的 范 圍 為0 ＜f≤f/2，信號(hào)幅度的范圍1 ≤≤100，仿真產(chǎn)生的每個(gè)樣本的采樣點(diǎn)數(shù)量的范圍為P f≤≤P f。

6）對(duì)于LFM-BPSK 復(fù)合信號(hào)來說，其脈寬P的范 圍 是200 ns ≤P≤100 μs，帶 寬的 范 圍 為0 ＜≤f/2，中心頻率f的范圍為f/20 ＜f≤f/10，線性調(diào)頻的斜率的范圍為0 ≤≤/P，碼元個(gè)數(shù)N的 范 圍 為8 ≤N≤32，碼 元 寬 度 選 擇500 ns、800 ns。碼序列為隨機(jī)碼，每組不同的碼元寬度對(duì)應(yīng)于不同的隨機(jī)碼。

在關(guān)鍵仿真參數(shù)，如脈寬、中心頻率、調(diào)頻斜率、碼元寬度、碼元個(gè)數(shù)、碼元序列、帶寬、信號(hào)幅度、采樣點(diǎn)不同的情況下，是很難區(qū)分不同的復(fù)雜調(diào)制信號(hào)類型，這更加接近實(shí)際的復(fù)雜的戰(zhàn)場(chǎng)情況。

2.2 基于深度殘差網(wǎng)絡(luò)的脈內(nèi)調(diào)制信號(hào)識(shí)別模型參數(shù)設(shè)置

對(duì)于基于深度殘差網(wǎng)絡(luò)的脈內(nèi)調(diào)制信號(hào)識(shí)別方法，將調(diào)制信號(hào)數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。由于對(duì)單個(gè)復(fù)雜調(diào)制信號(hào)進(jìn)行STFT 得到的時(shí)頻圖數(shù)據(jù)量較大，會(huì)影響識(shí)別網(wǎng)絡(luò)的訓(xùn)練速度，因此對(duì)時(shí)頻圖進(jìn)行灰度化操作，并進(jìn)行縮放處理得到相對(duì)應(yīng)的訓(xùn)練集、驗(yàn)證集和測(cè)試集。對(duì)于傳統(tǒng)識(shí)別方法的識(shí)別方法，主要采取人工提取時(shí)域矩偏度、時(shí)域矩峰度、包絡(luò)起伏度、信息維數(shù)等10 維特征訓(xùn)練隨機(jī)森林分類器的方法（Feature-RF）。此外，為了探究信噪比對(duì)提出的識(shí)別模型識(shí)別精度的影響，通過引入高斯白噪聲來改變復(fù)雜調(diào)制信號(hào)數(shù)據(jù)集的信噪比。其中，信噪比的取值為2 dB。以此來探究低信噪比下所設(shè)計(jì)的識(shí)別模型的識(shí)別精度變化情況。

關(guān)于STFT-2D-ResNet 網(wǎng)絡(luò)模型的具體參數(shù)設(shè)置如表1 所示。網(wǎng)絡(luò)中共進(jìn)行了14 次卷積操作，充分發(fā)揮了卷積層的特征提取能力。

表1 基于STFT-2D-ResNet 的雷達(dá)調(diào)制信號(hào)識(shí)別模型網(wǎng)絡(luò)參數(shù)表

2.3 仿真試驗(yàn)

為了探究STFT-2D-ResNet 識(shí)別模型對(duì)于不同采樣率下根據(jù)不同關(guān)鍵參數(shù)仿真得到的復(fù)雜調(diào)制信號(hào)的識(shí)別性能，本實(shí)驗(yàn)在200 MHz、360 MHz 以及500 MHz 下各自仿真了12 000 個(gè)樣本，各自包含LFM、BPSK、2FSK、VFM、NS 和LFM-BPSK 共6 類調(diào)制信號(hào)，每類調(diào)制信號(hào)各自仿真了2 000 個(gè)樣本，在每類1 000 訓(xùn)練樣本共6 000 訓(xùn)練樣本以及每類200 驗(yàn)證樣本共1 200 驗(yàn)證樣本，每類800 測(cè)試樣本共4 800 測(cè)試樣本的條件下，通過3 次獨(dú)立重復(fù)實(shí)驗(yàn)，得到的復(fù)雜調(diào)制信號(hào)識(shí)別結(jié)果如表2 所示?？梢钥吹?，在不同采樣率的情況下，STFT-2D-ResNet 對(duì)復(fù)雜脈內(nèi)調(diào)制信號(hào)的識(shí)別精度均達(dá)到98.5%以上。對(duì)于各類調(diào)制信號(hào)的平均識(shí)別精度來說，各類調(diào)制信號(hào)的識(shí)別精度均達(dá)到96.5%以上。這在一定條件下說明了設(shè)計(jì)算法的可靠性和深度學(xué)習(xí)模型提取特征的有效性。

對(duì)于基于Feature-RF 的識(shí)別模型來說，其對(duì)復(fù)雜調(diào)制信號(hào)識(shí)別結(jié)果如表3 所示。通過表2 和表3 對(duì)比可以發(fā)現(xiàn)，F(xiàn)eature-RF 總體識(shí)別精度明顯低于STFT-2D-ResNet 識(shí)別模型的總體識(shí)別精度，這在一定程度下表明相對(duì)于傳統(tǒng)方法，本文設(shè)計(jì)的算法在識(shí)別精度上有著明顯的提升。此外，基于Feature-RF 方法的識(shí)別精度易受采樣率的影響。如在采樣率在200 MHz 條件下，F(xiàn)eature-RF 方法的總體識(shí)別精度為92.65%±0.32%，而在采樣率為360 MHz 和500 MHz時(shí) ，其 總 體 識(shí) 別 精 度 為 95.74%±0.31% 和96.76%±0.15%。但是基于STFT-2D-ResNet 的識(shí)別精度不受采樣率的影響，其識(shí)別精度在不同采樣率下均能達(dá)到98.5%以上。

表2 在不同采樣率下STFT-2D-ResNet 對(duì)于復(fù)雜調(diào)制信號(hào)的識(shí)別結(jié)果 /%

表3 在不同采樣率下Feature-RF 對(duì)于復(fù)雜調(diào)制信號(hào)的識(shí)別結(jié)果 /%

為了探究提出的STFT-2D-ResNet 識(shí)別模型的抗噪聲能力，探究在低信噪比（2 dB）下設(shè)計(jì)復(fù)雜調(diào)制信號(hào)識(shí)別模型的識(shí)別精度，其試驗(yàn)結(jié)果如表4—5 所示。在信噪比為2 dB 時(shí)，STFT-2D-ResNet 的總體識(shí)別精度，在采樣率為200 MHz 時(shí)是95.79%±1.16%，采樣率為360 MHz 時(shí)是95.74%±0.44%，采樣率為500 MHz 時(shí)是96.58%±0.41%，其總體識(shí)別精度均在95%以上，而Feature-RF 方法的總體識(shí)別精度，在采樣率為200 MHz 時(shí)是85.31%±0.28%，采樣率為360 MHz 時(shí)是87.20%±0.37%，采樣率為500 MHz 時(shí)是90.74%±0.51%。這在一定程度上說明相對(duì)于傳統(tǒng)識(shí)別方法，本文方法具備良好的抗干擾能力。

表4 在不同采樣率下STFT-2D-ResNet 在信噪比為2 dB 時(shí)對(duì)于復(fù)雜調(diào)制信號(hào)的識(shí)別結(jié)果 /%

表5 在不同采樣率下Feature-RF 在信噪比為2 dB 時(shí)對(duì)于復(fù)雜調(diào)制信號(hào)的識(shí)別結(jié)果 /%

3 結(jié)束語(yǔ)

本文提出了一種基于深度殘差網(wǎng)絡(luò)的脈內(nèi)調(diào)制信號(hào)識(shí)別模型，由于在低信噪比下，雷達(dá)脈內(nèi)調(diào)制信號(hào)識(shí)別困難，因此，首先對(duì)脈內(nèi)調(diào)制信號(hào)進(jìn)行時(shí)頻變換，然后將其送入到設(shè)計(jì)好的深度殘差網(wǎng)絡(luò)進(jìn)行脈內(nèi)調(diào)制類型識(shí)別。為了增強(qiáng)網(wǎng)絡(luò)的抗干擾和泛化能力，引入標(biāo)簽平滑、L2 正則化等多種技術(shù)，在信噪比為2 dB 情況下對(duì)復(fù)雜雷達(dá)脈內(nèi)調(diào)制信號(hào)類型的識(shí)別精度達(dá)到95%以上。該方法無(wú)需人工提取特征，自動(dòng)從復(fù)雜的脈內(nèi)數(shù)據(jù)中學(xué)習(xí)特征，具備較強(qiáng)的抗干擾和泛化能力。此外，該方法識(shí)別精度高，具備一定的工程應(yīng)用價(jià)值?！?/p>