一種稀缺樣本條件下的雷達(dá)信號(hào)識(shí)別方法

于 濛，杜天有

一種稀缺樣本條件下的雷達(dá)信號(hào)識(shí)別方法

于 濛，杜天有

（中國電子科技集團(tuán)公司第二十研究所，西安 710068）

針對(duì)復(fù)雜電磁環(huán)境下的輻射源精確識(shí)別問題，基于戰(zhàn)場環(huán)境下雷達(dá)信號(hào)采集困難、樣本稀少的特點(diǎn)，以及相控陣?yán)走_(dá)信號(hào)的特征，提出一種稀缺樣本條件下基于遷移學(xué)習(xí)的雷達(dá)信號(hào)識(shí)別算法及其優(yōu)化方法。該方法在識(shí)別稀缺樣本目標(biāo)時(shí)，訓(xùn)練時(shí)常短、識(shí)別準(zhǔn)確度高，在-10 dB條件下，對(duì)四種雷達(dá)信號(hào)進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率可達(dá)85.3%。

深度學(xué)習(xí)；雷達(dá)信號(hào)；稀缺樣本；遷移學(xué)習(xí)

0 引言

隨著雷達(dá)對(duì)抗技術(shù)與雷達(dá)反對(duì)抗技術(shù)的不斷發(fā)展，現(xiàn)代電子戰(zhàn)的電磁環(huán)境日益復(fù)雜。雷達(dá)偵察面臨嚴(yán)峻挑戰(zhàn)，除波形復(fù)雜、調(diào)制類型增多外，戰(zhàn)爭環(huán)境下雷達(dá)信號(hào)采集困難，因此樣本量十分稀少。傳統(tǒng)的雷達(dá)信號(hào)識(shí)別方法過于依賴穩(wěn)定的信號(hào)特征，基于脈沖描述字（Pulse Descriptor Word，PDW）的識(shí)別方式早已不適用于現(xiàn)代電子戰(zhàn)場[1]。

深度學(xué)習(xí)網(wǎng)絡(luò)能夠通過網(wǎng)絡(luò)模型的自適應(yīng)特征提取與分析，進(jìn)而實(shí)現(xiàn)對(duì)研究目標(biāo)的高精度識(shí)別。但深度學(xué)習(xí)網(wǎng)絡(luò)需要通過對(duì)大量數(shù)據(jù)進(jìn)行訓(xùn)練與學(xué)習(xí)得到，面對(duì)復(fù)雜電磁環(huán)境下，雷達(dá)信號(hào)采集困難的問題，傳統(tǒng)的深度學(xué)習(xí)方法對(duì)于真實(shí)的戰(zhàn)場中的雷達(dá)信號(hào)識(shí)別略顯吃力。

本文使用以ResNet18為主體的遷移學(xué)習(xí)網(wǎng)絡(luò)通過大量非雷達(dá)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再使用少量真實(shí)雷達(dá)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行遷移訓(xùn)練，進(jìn)而實(shí)現(xiàn)稀缺樣本條件下的雷達(dá)信號(hào)識(shí)別。

1 基于遷移學(xué)習(xí)的雷達(dá)信號(hào)識(shí)別

遷移學(xué)習(xí)（Transfer Learning）是通過既有經(jīng)驗(yàn)，對(duì)相似的新事物進(jìn)行快速學(xué)習(xí)的過程，可用于解決樣本量稀少的分類問題。因此對(duì)于雷達(dá)信號(hào)識(shí)別問題，本文采用仿真雷達(dá)信號(hào)作為源數(shù)據(jù)集，隨后使用稀缺的真實(shí)雷達(dá)數(shù)據(jù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行遷移訓(xùn)練，進(jìn)而解決稀缺樣本條件下的雷達(dá)信號(hào)識(shí)別問題。

1.1 遷移學(xué)習(xí)網(wǎng)絡(luò)模型

遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中用來解決稀缺樣本問題的重要工具之一。遷移學(xué)習(xí)通過放松數(shù)據(jù)需要保持獨(dú)立同分布的假設(shè)進(jìn)而將源域中的知識(shí)遷移到目標(biāo)域中。通過放松獨(dú)立同分布假設(shè)往往給由于缺乏訓(xùn)練數(shù)據(jù)而導(dǎo)致模型準(zhǔn)確度不高的稀缺樣本問題帶來很大提升。

首先，需要定義領(lǐng)域（Domain）和任務(wù)（Task）。

定義領(lǐng)域如式（1）所示：

定義任務(wù)如式（2）所示：

1.2 ResNet18網(wǎng)絡(luò)模型

2015年，Kaiming He 所寫的獲得了CVPR（Conference on Computer Vision and Patten Recognition）的最佳論文獎(jiǎng)[2]。傳統(tǒng)的深層次神經(jīng)網(wǎng)絡(luò)通常面臨梯度消失和網(wǎng)絡(luò)退化兩大問題。該論文基于跳層連接的思想，在層與層之間使用殘差連接的方法，有效解決了深層次網(wǎng)絡(luò)的梯度彌散、梯度爆炸以及網(wǎng)絡(luò)退化等問題。

ResNet18網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

由圖1可知，深度殘差網(wǎng)絡(luò)在層與層之間加入捷徑連接（Shortcut Connections），可以實(shí)現(xiàn)梯度不再經(jīng)過卷積層而是直接進(jìn)行傳遞，使得深層信息可以有效傳遞至淺層，其中ReLU（Rectified Linear Unit）為線性整流函數(shù)。

圖1 ResNet18網(wǎng)絡(luò)結(jié)構(gòu)圖

殘差連接示意圖如圖2所示。

圖2 殘差連接示意圖

此時(shí)ResNet18的學(xué)習(xí)目標(biāo)從學(xué)習(xí)一個(gè)完整的輸出，變化為目標(biāo)值()和的差值。

殘差的計(jì)算公式如式（3）所示：

因此，網(wǎng)絡(luò)的擬合目標(biāo)為()，即是指將后續(xù)的殘差結(jié)果無限逼近于0，進(jìn)而實(shí)現(xiàn)隨著網(wǎng)絡(luò)加深，網(wǎng)絡(luò)的準(zhǔn)確率得以保障。

1.3 基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)原理型

基于網(wǎng)絡(luò)模型的深度遷移學(xué)習(xí)是指通過重復(fù)利用在源域中經(jīng)過預(yù)訓(xùn)練的網(wǎng)絡(luò)來進(jìn)行目標(biāo)領(lǐng)域網(wǎng)絡(luò)的訓(xùn)練。重復(fù)利用的部分包括源域中的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)中的參數(shù)。這種方法基于神經(jīng)網(wǎng)絡(luò)的處理過程和人的大腦類似，是一個(gè)迭代且連續(xù)的過程[3]。神經(jīng)網(wǎng)絡(luò)的靠前層可被視為某種特征的提取器，且這些特征具有泛化表達(dá)能力，具體方法如圖3所示。

圖3 基于網(wǎng)絡(luò)模型的遷移學(xué)習(xí)示意圖

圖3通過將網(wǎng)絡(luò)模型劃分成兩個(gè)部分，前半部分為與源域有關(guān)的遷移層，后半部分為與目標(biāo)域有關(guān)的分類層。網(wǎng)絡(luò)先在源域利用數(shù)據(jù)與對(duì)應(yīng)的標(biāo)簽進(jìn)行訓(xùn)練，待模型收斂后保留遷移層，移除源域的分類層替換為目標(biāo)領(lǐng)域的分類層。再利用少量的目標(biāo)域的數(shù)據(jù)與標(biāo)簽進(jìn)行訓(xùn)練直到模型收斂。源域的部分不變知識(shí)將被遷移到目標(biāo)領(lǐng)域。

2 雷達(dá)信號(hào)建模仿真與信號(hào)預(yù)處理

2.1 常見雷達(dá)信號(hào)仿真

雷達(dá)信號(hào)常見的脈內(nèi)調(diào)制方式有頻率調(diào)制、相位調(diào)制、幅度調(diào)制和混合調(diào)制。常見的雷達(dá)信號(hào)調(diào)制種類有：線性調(diào)頻信號(hào)（Linear Frequency Modulation，LFM）、非線性調(diào)頻信號(hào)（Non-Linear Frequency Modulation，NLFM）、二頻率編碼信號(hào)（Binary Frequency Shift Keying，BFSK）和二相編碼信號(hào)（Binary Phase Shift Keying，BPSK）等[4]。以下將這四類常見的雷達(dá)信號(hào)進(jìn)行詳細(xì)的仿真分析：

1）LFM的時(shí)域與頻域的仿真結(jié)果圖如圖4所示。由圖4可知，LFM信號(hào)的頻率與時(shí)間之間存在線性關(guān)系，且LFM信號(hào)隨頻率變化，信號(hào)密集程度也隨之發(fā)生線性變化。

2）NLFM的時(shí)域與頻域的仿真結(jié)果圖如圖5所示。從圖5可以看出，NLFM的時(shí)域密集程度是非線性變化的。頻率在一定范圍內(nèi)發(fā)生非線性變化。

圖4 線性調(diào)頻信號(hào)時(shí)域和頻域圖

圖5 非線性調(diào)頻信號(hào)的時(shí)域與頻域

3）BFSK的時(shí)域與頻域的仿真結(jié)果圖如圖6所示。由圖6可知，BFSK在不同的時(shí)間段內(nèi)具有不同的密集程度且有2個(gè)頻點(diǎn)。

圖6 二頻編碼信號(hào)時(shí)域與頻域圖

圖7 二相編碼信號(hào)時(shí)域與頻域圖

2.2 基于時(shí)頻分析的雷達(dá)信號(hào)預(yù)處理

時(shí)頻分析方法能夠聯(lián)合時(shí)域與頻域的分布信息清晰地描述信號(hào)頻率隨時(shí)間變化的關(guān)系，同時(shí)該方法具有信號(hào)濾波功能?？紤]復(fù)雜雷達(dá)信號(hào)的非平穩(wěn)特性，時(shí)頻分析有助于顯化信號(hào)的時(shí)頻特征[5]，從而加速后續(xù)網(wǎng)絡(luò)的收斂過程。因此，本文采用基于短時(shí)傅里葉變換（Short-Time Fourier Transform，STFT）的時(shí)頻分析作為雷達(dá)的數(shù)據(jù)預(yù)處理方法。

式中，、、分別對(duì)應(yīng)于連續(xù)變量、、的離散變量。

由于STFT是線性時(shí)頻變換，變換時(shí)對(duì)于多分量信號(hào)不存在交叉項(xiàng)的影響。-10 dB時(shí)，經(jīng)短時(shí)傅里葉變換后的雷達(dá)信號(hào)時(shí)頻圖如圖8所示。

由圖8可知，當(dāng)=-10 dB時(shí)，其通過STFT分析過后，雖然時(shí)頻圖背景噪聲非常多，有些甚至背景噪聲已經(jīng)淹沒信號(hào)，但從圖中高亮部分可以看出時(shí)頻特征大部分還是保留下來，可為后面的實(shí)驗(yàn)部分提供仿真數(shù)據(jù)。

3 實(shí)驗(yàn)結(jié)果分析

3.1 基于ResNet18的識(shí)別實(shí)驗(yàn)

3.1.1損失函數(shù)及網(wǎng)絡(luò)訓(xùn)練

1）損失函數(shù)：

ResNet18網(wǎng)絡(luò)的損失函數(shù)同樣選用交叉熵?fù)p失函數(shù)，如式（7）所示：

2）網(wǎng)絡(luò)訓(xùn)練：

網(wǎng)絡(luò)訓(xùn)練步驟簡寫如：

（2）依次將數(shù)據(jù)輸入到ResNet18網(wǎng)絡(luò)中得到網(wǎng)絡(luò)的輸出如式（8）所示：

（3）假定總共數(shù)據(jù)中有個(gè)不同類，分別計(jì)算每一類的softmax值如式（9）所示：

（4）計(jì)算網(wǎng)絡(luò)的損失函數(shù)：

（5）利用隨機(jī)梯度下降的方法更新參數(shù)：

（6）重復(fù)以上步驟直到模型收斂。

3.1.2 實(shí)驗(yàn)參數(shù)及實(shí)驗(yàn)結(jié)果與分析

設(shè)置ResNet18的學(xué)習(xí)率為0.0001、訓(xùn)練集樣本量為20 000和500、迭代輪數(shù)為1000，在不同信噪比下識(shí)別率分別如表1和表2所示。

從表1～表2中可以看出：在樣本量為20000的情況下，隨著迭代次數(shù)的增加，各個(gè)信噪比下的識(shí)別率都在上升。信噪比為-10 dB時(shí)，雷達(dá)信號(hào)的識(shí)別率可以達(dá)到90%；而訓(xùn)練樣本為500的情況下，即當(dāng)樣本稀缺時(shí)，由于深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練不充分，-10 dB下的識(shí)別正確率也僅在60%左右，無法準(zhǔn)確識(shí)別雷達(dá)信號(hào)調(diào)制類型。

表1 20 000樣本量下的ResNet18網(wǎng)絡(luò)對(duì)不同信噪比的識(shí)別結(jié)果

表2 500樣本量下的ResNet18網(wǎng)絡(luò)對(duì)不同信噪比的識(shí)別結(jié)果

3.2 基于ResNet18的遷移學(xué)習(xí)網(wǎng)絡(luò)模型識(shí)別實(shí)驗(yàn)

以ResNet18網(wǎng)絡(luò)為深度學(xué)習(xí)網(wǎng)絡(luò)主體，應(yīng)用遷移學(xué)習(xí)原理，解決稀缺樣本條件下的雷達(dá)信號(hào)識(shí)別問題。

其具體流程如圖9所示。

圖9 遷移學(xué)習(xí)網(wǎng)絡(luò)識(shí)別流程圖

采用基于網(wǎng)絡(luò)的遷移學(xué)習(xí)來進(jìn)行知識(shí)遷移的遷移，過程如下：

5）重復(fù)上述步奏直到模型收斂；

同樣的設(shè)置遷移學(xué)習(xí)網(wǎng)絡(luò)的學(xué)習(xí)率為0.0001、訓(xùn)練集樣本量為500、迭代輪數(shù)為1 000，在不同信噪比下四種雷達(dá)信號(hào)的識(shí)別率如表3所示：

表3 500樣本量下基于ResNet18網(wǎng)絡(luò)的遷移學(xué)習(xí)模型對(duì)不同信噪比的識(shí)別結(jié)果

基于上述實(shí)驗(yàn)，繪制-10 dB條件下，樣本量500時(shí)，ResNet18網(wǎng)絡(luò)、遷移學(xué)習(xí)網(wǎng)絡(luò)的識(shí)別率折線圖如圖10所示。

由表3和圖10分析可知：在稀缺樣本情況下，基于遷移學(xué)習(xí)的深度殘差網(wǎng)絡(luò)對(duì)于雷達(dá)信號(hào)的識(shí)別率較為穩(wěn)定，與傳統(tǒng)深度學(xué)習(xí)算法相比識(shí)別率更高。

4 結(jié)論

本文應(yīng)用深度學(xué)習(xí)中的遷移學(xué)習(xí)技術(shù)，對(duì)常見的四種雷達(dá)信號(hào)進(jìn)行了識(shí)別研究。實(shí)驗(yàn)表明遷移學(xué)習(xí)網(wǎng)絡(luò)可以有效地提高稀缺樣本條件下的雷達(dá)信號(hào)識(shí)別準(zhǔn)確度，有效解決了稀缺樣本下的雷達(dá)信號(hào)識(shí)別問題。

[1] 崔曉明. 復(fù)雜調(diào)制雷達(dá)信號(hào)識(shí)別方法的研究[D]. 哈爾濱：哈爾濱工程大學(xué)，2018.

[2] K. He, X. Zhang, S. Ren, J. Sun. Deep Residual Learning for Image Recognition[C]. In CVPR, 2016.

[3] Ding C, Tao D. Robust face recognition via multimodal deep face representation[C]. 2015 IEEE International Conference on, 2015.

[4] 趙國慶. 雷達(dá)對(duì)抗原理[M]. 西安：西安電子科技大學(xué)出版社，1999.

[5] 徐景明，朱燦燦. 兩種雷達(dá)脈沖壓縮信號(hào)的性能分析[J].兵工自動(dòng)化，2010，29（8）：60-63.

Towards Identifying Radar Signals with Sparse Data Samples

YU Meng, DU Tianyou

Aiming at the problem of accurate identification of radiation sources in complex electromagnetic environments, a radar signal identification algorithm and its optimization method based on transfer learning are proposed under the condition of lacking samples. This method has the characteristics of short training time and high recognition rate when recognizing scare sample targets. Under the condition of -10 dB, four kinds of radar signals are recognized, reaching the recognition accuracy 85.3%.

Deep Learning; Radar Signal; Lacking Samples; Transfer Learning

TN957

A

1674-7976-(2022)-04-303-07

2022-03-22。

于濛（1994.07—），陜西西安人，碩士研究生，主要研究方向?yàn)槔走_(dá)總體和信號(hào)處理。