基于1D-CNN-LSTM的特定輻射源識別方法

許 全，譚守標，孫 翔，樊 進

（1.安徽大學集成電路學院，合肥 230000；2.安徽大學網(wǎng)絡信息中心，合肥 230000）

0 引言

特定輻射源識別是指從接收到的信號中識別單個無線電發(fā)射器，其主要是通過對雷達信號“指紋”特征分析，可以有效實現(xiàn)在調(diào)制類型和參數(shù)幾乎相近的情況下，對不同雷達發(fā)射器的識別。在軍事通信、電子偵察、戰(zhàn)場網(wǎng)絡態(tài)勢感知等領域具有至關重要的作用。

文獻［5］、［6］、［7］使用傳統(tǒng)的特定輻射源個體識別技術，通過提取信號的某些指紋特征，并基于該特征成功實現(xiàn)了對特定發(fā)射器的識別。但是這些技術需要輻射源信號發(fā)射器的參數(shù)保持不變，并且對這些基本參數(shù)做到精確的測量與計算。由于CNN具備強大的特征提取能力和學習能力，一些學者已經(jīng)將CNN應用在特定輻射源個體識別上，文獻［8］提出將接收到的I/Q信號輸入到卷積神經(jīng)網(wǎng)絡當中，來識別不同的輻射源個體；文獻［9］提出首先通過快速傅里葉變換將獲得的信號從時域變換到頻域，然后利用一維卷積網(wǎng)絡完成輻射源個體識別。單獨使用CNN進行輻射源個體識別忽略了雷達信號的時序特征。與CNN相比，循環(huán)神經(jīng)網(wǎng)絡（Recurrent neural network，RNN）更適合用于處理時間序列。但是RNN也存在著難以處理遠距離信息上下文依賴、梯度消失或梯度爆炸等相關問題。1997年，Hochreiter等提 出 了 長 短 期 記 憶（Long short time memory，LSTM）網(wǎng)絡，LSTM單元由輸入門、輸出門和遺忘門三個部分組成，通過這個機制，LSTM解決了RNN所存在的問題，并在語音識別、文本識別等方面有著廣泛的應用。

結合以上分析，CNN在空間特征的提取方面具有明顯的優(yōu)勢，能夠很好地提取出輻射源信號的波形特征，LSTM可以有效地提取輻射源信號波形時序上的依賴關系，本文將CNN與LSTM的優(yōu)勢結合，提出了一種新型輻射源識別方法，該方法直接將收集到的I/Q數(shù)據(jù)先送入1D-CNN網(wǎng)絡進行空間特征提取，再將卷積后的數(shù)據(jù)送入LSTM網(wǎng)絡。該方法減少人工進行特征變換的時間，并且適應了時序處理問題，有效提高了輻射源個體識別的精度與效率。

1 基于1D-CNN-LSTM的特定輻射源識別模型

1.1 1D-CNN模型

隨著一維CNN網(wǎng)絡的提出，越來越多的CNN被用于序列數(shù)據(jù)的處理。相比于將雷達信號從一維序列數(shù)據(jù)轉(zhuǎn)換成二維圖像數(shù)據(jù)，直接使用一維CNN網(wǎng)絡對I/Q數(shù)據(jù)進行處理的方法不僅減少了人工處理信息的操作，而且保留了原始雷達信號的時間序列信息。

一維卷積網(wǎng)絡的特性和計算規(guī)則與二維卷積相同。與二維卷積的區(qū)別之處在于輸入數(shù)據(jù)的維數(shù)，以及特征檢測器（或過濾器）如何在數(shù)據(jù)之間滑動。它的工作原理如圖1所示。

圖1 用于自然語言處理的一維卷積工作示意圖

與其他CNN網(wǎng)絡結構類似，1D-CNN模型也主要由卷積、池化、全連接三個部分組成。卷積層的主要作用是通過滑窗卷積運算提取上一層的輸入數(shù)據(jù)中的局部特征。池化層的引入是仿照人的視覺系統(tǒng)對視覺輸入對象進行降維和抽象。它實際上是一種降采樣，本文采用的是最大池化，即選取每個小區(qū)域的最大值作為輸出。全連接層在整個卷積神經(jīng)網(wǎng)絡中起到“分類器”的作用。

1.2 LSTM模型

作為RNN的一種變體，LSTM通過可控門結構解決了RNN在訓練過程中出現(xiàn)的梯度消失和梯度爆炸問題。LSTM通過在隱藏層中加入記憶單元來控制時間序列數(shù)據(jù)的記憶信息。信息通過幾個可控門（遺忘門、輸入門、輸出門）在隱藏層的不同單元之間傳輸，從而可以控制先前和當前信息的記憶和遺忘程度。LSTM神經(jīng)元結構如圖2所示。

圖2 LSTM神經(jīng)元結構圖

LSTM的計算如公式（1）～（6）所示。

1.3 1D-CNN-LSTM模型

一維CNN網(wǎng)絡逐層捕捉雷達信號中的空間信息，并將最終得到的空間特征向量傳遞給LSTM。作為RNN網(wǎng)絡的特殊變體，LSTM具自動存儲和刪除時間狀態(tài)信息的能力，可以提取長時間序列的復雜特征關系。本文提出的基于1D-CNN-LSTM的輻射源個體識別方法的網(wǎng)絡結構如圖3所示。

圖3 輻射源個體識別網(wǎng)絡結構圖

該結構主要由1D-CNN部分、LSTM部分以及分類輸出部分組成，輸入信號為雷達個體的I/Q采樣信號，模型首先通過一系列的一維卷積層來提取雷達信號的圖像特征，為了盡可能保留輸入數(shù)據(jù)的時序特征，本文在1D-CNN與LSTM部分使用了Maxpooling操作取代了傳統(tǒng)的Flatten操作，Maxpooling操作同時也有效降低了輸入LSTM部分的數(shù)據(jù)的復雜度，加快了LSTM部分處理數(shù)據(jù)的速度。為了防止發(fā)生過擬合現(xiàn)象，本文還引入了dropout機制，通過隨機丟棄神經(jīng)元的權重，從而降低網(wǎng)絡對某一單一神經(jīng)元的依賴，實驗結果證明該方法行之有效。LSTM部分由4層LSTM網(wǎng)絡構成，充分提取出1D-CNN部分所忽略的時序特征，從而提高輻射源識別模型的精度，最后通過全連接層分類輸出分類結果。

2 實驗及結果分析

2.1 數(shù)據(jù)集說明

本文所使用的數(shù)據(jù)集是由實際輻射源中頻信號經(jīng)過采樣組成，數(shù)據(jù)集中包含了38種不同的輻射源個體，共計77288條信號數(shù)據(jù)樣本，我們從中隨機抽取80%的樣本作為訓練集來訓練1DCLSTM模型，其余的20%作為測試集。

2.2 模型訓練與結果分析

本文實驗的系統(tǒng)環(huán)境為ubantu18.04系統(tǒng)，主要硬件設備為i7-9700KF和NVIDIA GTX 2080。本文所實現(xiàn)的1DCLSTM網(wǎng)絡是基于PyTorch搭建、訓練與測試的。訓練時，輸入的數(shù)據(jù)長度為156，I/Q兩個通道同時輸入，采用微調(diào)的方式完成模型訓練，我們使用Adam優(yōu)化器完成，損失函數(shù)選擇交叉熵損失函數(shù)，實驗一共訓練了1000個epoch。

為了確定網(wǎng)絡的總體結構，實驗首先設定Dropout=0.1，通過改變1DCNN部分與LSTM部分的隱藏層數(shù)量，將分類精度進行對比驗證，結果如表1所示。

表1 不同隱藏層網(wǎng)絡結構的Top-1分類結果

為了觀察CNN卷積層所提取到的特征，我們將每一層的卷積輸出進行可視化輸出，如圖4所示。

圖4 卷積特征可視化圖

從可視化的特征圖中我們可以看出，隨著卷積網(wǎng)絡的加深，我們提取到的特征會越來越多，尤其是對于脈沖的上升沿與下降沿特征，卷積網(wǎng)絡可以進行充分的提取。我們將卷積層提取到的特征輸入到LSTM網(wǎng)絡中，進行時間特征的進一步提取，并最終得到分類結果。

從表1中的結果以及圖4的特征圖可以看出，當模型深度太淺時，模型無法充分提取信號的特征，分類效果也欠佳，當網(wǎng)絡模型只由一層CNN與一層LSTM所構成時，在測試集上的Top-1分類效果僅為88.21%。隨著模型深度的增大，我們發(fā)現(xiàn)CNN與LSTM的隱藏層數(shù)量均為4時，Top-1分類效果最好，精度達到了95.34%。此后，無論是增加CNN隱藏層數(shù)量還是增加LSTM隱藏層數(shù)量，分類效果均不增反降，所以本文所采用的模型總體結構由4層CNN網(wǎng)絡加4層LSTM網(wǎng)絡所組成。

Dropout機制的引入有效地抑制了模型的過擬合，為了驗證Dropout機制在本模型中的有效性以及確定合適的Dropout系數(shù)，本文在確定了模型總體結構后使用不同的Dropout系數(shù)對模型進行調(diào)整，結果如表2所示。

表2 不同Dropout系數(shù)對Top-1分類效果的影響

通過表2我們可以看出，引入Dropout可以有效地提升模型的性能，當Dropout=0.2時，模型在數(shù)據(jù)集上的Top-1分類效果最好，Top-1分類精度達到95.98%，與不引入Dropout所訓練出來的模型測試精度相比，引入Dropout機制后，測試精度提升了1.15%。此外，我們還發(fā)現(xiàn)隨著Dropout系數(shù)的增大，測試精度反而會出現(xiàn)一定程度的下降，這是由于隨機丟棄了太多的神經(jīng)元權重導致后續(xù)隱藏層學習到的特征不足，所以本文確定的Dropout系數(shù)為0.2。

為了驗證上述模型在輻射源個體識別中有效性，本文將數(shù)據(jù)集分別送入1DCNN網(wǎng)絡、LSTM網(wǎng)絡中進行訓練。文獻［12］中使用包絡提取算法首先將信號包絡提取出來，并繪制成I-Q幅值圖送入DDFN網(wǎng)絡中訓練；文獻［11］中提出LSTM-FCN網(wǎng)絡，將原始數(shù)據(jù)同時送入卷積網(wǎng)絡與LSTM網(wǎng)絡結構，并將輸出特征進行融合得到分類結果。由于輻射源個體識別領域涉及敏感數(shù)據(jù)，上述文獻中的方法所使用的源代碼與數(shù)據(jù)集均無法獲得。本文復現(xiàn)了上述文獻中的實驗，并在本地數(shù)據(jù)集中得到測試結果對比，如表3所示。

表3 不同網(wǎng)絡模型的測試結果

通過表3中的數(shù)據(jù)可以看出，直接使用I-Q數(shù)據(jù)的一維處理方法的各項指標都要優(yōu)于文獻［12］中介紹的二維處理方法。而文獻［11］提出的LSTM-FCN方法在輻射源個體識別中表現(xiàn)不佳，精度僅為92.56%。本文介紹的1D-CNNLSTM方法在Top-1分類精度這一指標上明顯優(yōu)于1DCNN和LSTM方法，比1DCNN模型、LSTM模型的分類精度分別提升了2.17%、1.65%。同時，在與1DCNN、LSTM模型測試速度的比較中，1D-CNN-LSTM模型的速度也沒有出現(xiàn)明顯的下降。

由于在實際的應用場景中，采集的數(shù)據(jù)中會包含各種不同類型的噪聲，為了檢驗模型的抗噪性，本文還進行了不同信噪比（Signal noise ratio，SNR）下的分類識別的實驗。實驗中，我們在數(shù)據(jù)集中加入從0～20 dB每隔5 dB生成不同的高斯噪聲。最終，不同信噪比下分類識別的準確率如圖5所示。

圖5 SNR對分類精度的影響圖

從圖5中的曲線可以看出，1DCLSTM模型擁有良好的抗噪聲性能，即使在=0 dB的情況下，其分類準確率仍然可以達到81.36%，隨著信噪比的提升，其分類效果也得到提升，在大于25 dB的環(huán)境中，分類精度可以達到95%以上，說明1DCLSTM模型完全可以在復雜的電磁環(huán)境中發(fā)揮良好的性能。

3 結語

本文提出了一種基于一維網(wǎng)絡的1DCLSTM網(wǎng)絡模型，并將該模型應用于輻射源個體識別中，該模型可以同時提取輻射源個體信號的空間與時間特征，并取得了良好的分類效果。與其他模型相比，在一定程度上有效提升了分類精度，并能夠?qū)崿F(xiàn)復雜電磁環(huán)境下輻射源個體的識別。