基于TC-CNN網(wǎng)絡(luò)的殘缺TACAN空/地信號(hào)識(shí)別方法

郝彥超，侯 進(jìn)，楊宗源，王祥宇 ，李天宇 ,文志龍

(1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院 智能感知智慧運(yùn)維實(shí)驗(yàn)室，四川 成都 611756；2.西南交通大學(xué) 綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國(guó)家工程實(shí)驗(yàn)室，四川 成都 611756;3.西南交通大學(xué) 唐山研究院，河北 唐山 063000)

0 引言

TACAN導(dǎo)航系統(tǒng)作為軍用領(lǐng)域的傳統(tǒng)通信手段，在全世界都有著十分廣泛的應(yīng)用。TACAN導(dǎo)航系統(tǒng)主要包括空/空、空/地2種模式，其中空/空模式用于空中設(shè)備間的通信，空/地模式用于空地設(shè)備間的通信，因此在對(duì)TACAN信號(hào)的偵收處理過(guò)程中，對(duì)TACAN空/地信號(hào)進(jìn)行識(shí)別有著十分重要的軍事意義[1-2]。

傳統(tǒng)TACAN空/地信號(hào)識(shí)別的方法主要包括以下幾種方案：一種是基于數(shù)字化的譯碼識(shí)別[3]，該方法主要是通過(guò)FPGA可編程邏輯器件的使用，對(duì)信號(hào)進(jìn)行了數(shù)字化處理，針對(duì)TACAN空/地信號(hào)的脈沖類型、調(diào)制方式和不同脈沖群的周期等特點(diǎn)進(jìn)行識(shí)別；另一種是通過(guò)使用模板匹配的方法[4-5]進(jìn)行識(shí)別，該方法通過(guò)匹配TACAN空/地信號(hào)的脈沖數(shù)量、脈沖寬度等信號(hào)特征完成對(duì)信號(hào)的判斷。上述2種方法都是以TACAN空/地信號(hào)的脈沖群特征作為判斷條件，雖然能夠檢測(cè)出完整周期的TACAN空/地信號(hào)，但是當(dāng)信號(hào)發(fā)生缺失時(shí)，信號(hào)部分特征(各個(gè)脈沖群數(shù)量、脈沖群個(gè)數(shù)等)不再完整，上述2種方法的識(shí)別率將會(huì)受到嚴(yán)重影響。

為解決因TACAN空/地信號(hào)缺失導(dǎo)致的識(shí)別率較低的問(wèn)題。本文設(shè)計(jì)了一種基于CNN的新型神經(jīng)網(wǎng)絡(luò)模型方法，并利用該模型對(duì)殘缺的TACAN空/地信號(hào)進(jìn)行識(shí)別。經(jīng)驗(yàn)證，該模型與傳統(tǒng)模板匹配算法相比，在信號(hào)處于較低信噪比且信號(hào)殘缺度較高的情況下，也能使信號(hào)的識(shí)別精度得到有效的提升。

1 TC-CNN模型

TC-CNN基于傳統(tǒng)的CNN模型進(jìn)行設(shè)計(jì)，CNN模型在數(shù)據(jù)分類和預(yù)測(cè)問(wèn)題上比傳統(tǒng)算法有著更高的效率和準(zhǔn)確度，能夠全面地捕捉TACAN空/地信號(hào)的關(guān)鍵特征。該模型的基本思想是通過(guò)TACAN空/地信號(hào)產(chǎn)生的IQ數(shù)據(jù)，分別對(duì)I路和Q路2組信號(hào)進(jìn)行特征提取，同時(shí)，2組信號(hào)中的每一個(gè)數(shù)據(jù)都作為模型輸入的特征點(diǎn)傳遞給后續(xù)的卷積層，之后通過(guò)模型中的連接層對(duì)I，Q信號(hào)進(jìn)行特征融合，并使用多個(gè)隱藏層實(shí)現(xiàn)關(guān)鍵特征的提取。通過(guò)模型的多次迭代學(xué)習(xí)，計(jì)算出TACAN空/地信號(hào)中關(guān)鍵特征的權(quán)值，最后通過(guò)輸出層輸出2類偵收信號(hào)的識(shí)別概率，并選擇最大概率作為最終結(jié)果，實(shí)現(xiàn)殘缺TACAN偵收信號(hào)的識(shí)別。

1.1 構(gòu)建TACAN空/地?cái)?shù)據(jù)集

原始TACAN空/地信號(hào)采用了高斯脈沖調(diào)制技術(shù)[13-14]，以脈沖對(duì)的形式進(jìn)行編碼實(shí)現(xiàn)。在空/地X模式下，TACAN空/地信號(hào)一秒由3 600對(duì)脈沖組成，其中包括900對(duì)方位基準(zhǔn)脈沖及由識(shí)別信號(hào)脈沖對(duì)、距離應(yīng)答脈沖和隨機(jī)填充脈沖對(duì)組成的2 700對(duì)其他脈沖。在空/地Y模式下，TACAN空/地信號(hào)一秒由7 155個(gè)脈沖構(gòu)成，其中1 755個(gè)是方位基準(zhǔn)脈沖群。剩余的2 700對(duì)由識(shí)別信號(hào)脈沖對(duì)、距離應(yīng)答脈沖及隨機(jī)填充脈沖等多種脈沖構(gòu)成。TACAN空/地X信號(hào)和空/地Y信號(hào)的最大區(qū)別在于TACAN空/地信號(hào)的主基準(zhǔn)脈沖群和輔助基準(zhǔn)脈沖群的構(gòu)成方式不同，TACAN空/地X信號(hào)的主基準(zhǔn)脈沖群共由12個(gè)脈沖對(duì)組成，輔助基準(zhǔn)脈沖群共由6個(gè)脈沖對(duì)組成，其中主基準(zhǔn)脈沖群的脈沖間隔為(12±0.1)μs，脈沖對(duì)間隔為(30±0.1)μs；輔助基準(zhǔn)脈沖群的脈沖間隔為(12±0.1)μs，脈沖對(duì)間隔為(24±0.1)μs。對(duì)于TACAN空/地Y信號(hào)，其主基準(zhǔn)脈沖群共由13個(gè)單脈沖組成，輔助基準(zhǔn)脈沖群也由13個(gè)單脈沖組成，其中主基準(zhǔn)脈沖間隔為(30±0.1)μs，輔助基準(zhǔn)脈沖群的脈沖間隔為(15±0.1)μs。上述特征是傳統(tǒng)模板匹配法的識(shí)別關(guān)鍵。在本文實(shí)驗(yàn)中，所有TACAN空/地模式信號(hào)均來(lái)自SIMULINK工具包[15]所產(chǎn)生的帶噪信號(hào)數(shù)據(jù)。本文根據(jù)上述TACAN空/地模式下的信號(hào)特征，對(duì)空/地模式下的2類信號(hào)進(jìn)行了仿真實(shí)現(xiàn)。

根據(jù)TACAN空/地信號(hào)的產(chǎn)生條件[16-18]，設(shè)置信號(hào)的采樣頻率為51.2 MHz，中心頻率為1 GHz，信號(hào)強(qiáng)度為-65 dBm，同時(shí)在信噪比分別為-3，0，3 dB的條件下，空/地X和空/地Y模式分別產(chǎn)生了900個(gè)信號(hào)，其中，各組信號(hào)分別以10%，20%，30%的丟失比例構(gòu)造數(shù)據(jù)集。信號(hào)的產(chǎn)生參數(shù)設(shè)置具體如表1所示。根據(jù)參數(shù)設(shè)置，最終生成的各類型TACAN空/地信號(hào)數(shù)量如表2所示，其中，每種信噪比下的不同丟失比例的信號(hào)數(shù)量均為300個(gè)。

表1 TACAN空/地模式下的數(shù)據(jù)集參數(shù)

表2 TACAN空/地模式下的各類信號(hào)數(shù)量

完成上述工作后，將數(shù)據(jù)集以7∶2∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，同時(shí)在輸入模型之前，使用隨機(jī)脈沖信號(hào)對(duì)殘缺的TACAN空/地信號(hào)進(jìn)行補(bǔ)全處理，以保證數(shù)據(jù)長(zhǎng)度的一致性。

1.2 TC-CNN模型設(shè)計(jì)

TC-CNN模型以多層CNN模型為基礎(chǔ)，分別對(duì)TACAN空/地模式下的實(shí)部信號(hào)和虛部信號(hào)進(jìn)行特征提取，并使用連接層進(jìn)行特征融合，之后，再通過(guò)使用多個(gè)隱藏層進(jìn)行二次特征提取，其中有一個(gè)重要的隱藏層——LSTM層[11]，該層的作用主要是提高TC-DNN模型對(duì)TACAN空/地信號(hào)時(shí)序性特征的學(xué)習(xí)能力，并最終通過(guò)輸出層輸出模型的分類結(jié)果。該模型的主要結(jié)構(gòu)如圖1所示。

圖1 TC-CNN模型結(jié)構(gòu)Fig.1 TC-CNN model structure diagram

構(gòu)建完成上述模型后，選擇使用交叉熵?fù)p失函數(shù)作為該模型的損失函數(shù)，由于該模型是二分類模型，因此該損失函數(shù)的形式如下：

L=-[ylbp+(1-y)lb(1-p)]，

(1)

式中，y為T(mén)ACAN空/地信號(hào)的真實(shí)標(biāo)簽；p為該樣本經(jīng)過(guò)模型預(yù)測(cè)之后分類為y的概率。也可以將該函數(shù)寫(xiě)為：

由于核心網(wǎng)網(wǎng)元之間的接口所涉及的鏈路，均通過(guò)核心網(wǎng)CE進(jìn)行互聯(lián)，對(duì)移動(dòng)互聯(lián)網(wǎng)的鏈路只需采集核心網(wǎng)CE與各個(gè)網(wǎng)元之間的鏈路，集采系統(tǒng)建議設(shè)置在核心網(wǎng)CE側(cè)，如下圖：

(2)

為了表示簡(jiǎn)便，最終用p空/地X表示樣本屬于空/地X信號(hào)的概率，最終該模型的交叉熵?fù)p失函數(shù)可以表示為：

CE(p,y)=CE(P空/地X)=-lb(P空/地X)。

(3)

2 實(shí)驗(yàn)

2.1 TC-CNN模型訓(xùn)練

在TC-CNN模型的訓(xùn)練過(guò)程中，選擇AdamOptimizer[12]作為該模型的訓(xùn)練優(yōu)化器，設(shè)置模型訓(xùn)練的epoch為50，學(xué)習(xí)率參數(shù)為0.000 1，學(xué)習(xí)衰減率decay為0.000 01。同時(shí)，模型中加入Dropout層來(lái)防止模型發(fā)生過(guò)擬合，訓(xùn)練開(kāi)始后，Dropout層在模型訓(xùn)練時(shí)隨機(jī)關(guān)閉的神經(jīng)單元比例個(gè)數(shù)設(shè)置為0.5，測(cè)試時(shí)設(shè)置為1.0。為了能夠使模型達(dá)到最優(yōu)性能，模型中加入提前終止訓(xùn)練操作，當(dāng)模型在5個(gè)epoch范圍內(nèi)不再上升或下降時(shí)，提前終止訓(xùn)練，這樣能夠使模型在停止訓(xùn)練時(shí)達(dá)到最優(yōu)性能。最終，不同分類下各個(gè)模型的訓(xùn)練結(jié)果如圖2～圖4所示。

圖2 信噪比為-3 dB時(shí)不同殘缺率下模型訓(xùn)練結(jié)果Fig.2 Model training results under different defect rates when the signal-to-noise ratio is -3 dB

圖3 信噪比為0 dB時(shí)不同殘缺率下模型訓(xùn)練結(jié)果Fig.3 Model training results under different defect rates when the signal-to-noise ratio is 0 dB

圖4 信噪比為3 dB時(shí)不同殘缺率下模型訓(xùn)練結(jié)果Fig.4 Model training results under different defect rates when the signal-to-noise ratio is 3 dB

由圖2～圖4可以看出，不同信噪比下，各模型方法均已收斂，當(dāng)信噪比為-3 dB，信號(hào)殘缺率為30%時(shí)，模型的準(zhǔn)確率穩(wěn)定在84%左右；信號(hào)殘缺率為20%時(shí)，模型的準(zhǔn)確率穩(wěn)定在92%左右；信號(hào)殘缺率為10%時(shí)，模型的準(zhǔn)確率穩(wěn)定在97%左右。當(dāng)信噪比為0 dB，信號(hào)殘缺率為30%時(shí)，模型的準(zhǔn)確率穩(wěn)定在86%左右；信號(hào)殘缺率為20%時(shí)，模型的準(zhǔn)確率穩(wěn)定在95%左右；信號(hào)殘缺率為10%時(shí)，模型的準(zhǔn)確率穩(wěn)定在99%左右。當(dāng)信噪比為3 dB，信號(hào)殘缺率為30%時(shí)，模型的準(zhǔn)確率穩(wěn)定在89%左右；信號(hào)殘缺率為20%時(shí)，模型的準(zhǔn)確率穩(wěn)定在96%左右；信號(hào)殘缺率為10%時(shí)，模型的準(zhǔn)確率穩(wěn)定在99.8%左右。在各殘缺率下，模型的識(shí)別準(zhǔn)確率隨著信噪比的提升而漸次升高。但是當(dāng)信噪比高于0 dB且信號(hào)殘缺率低于10%時(shí)，模型的提升性能有限，這是因?yàn)楫?dāng)信號(hào)殘缺率低于10%時(shí)，TACAN空/地信號(hào)中的各脈沖群信號(hào)較為完整，殘缺的部分以隨機(jī)脈沖為主。隨機(jī)脈沖對(duì)模型最終的分類結(jié)果影響較小，因此當(dāng)信號(hào)的信噪比高于0 dB且信號(hào)殘缺率低于10%時(shí)，幾乎可以忽略信號(hào)殘缺率對(duì)模型造成的影響。

由該模型的訓(xùn)練結(jié)果也可以看出，信噪比保持一致的前提下，信號(hào)殘缺率越低，模型準(zhǔn)確率越高。這是因?yàn)閷?duì)于TC-CNN模型，信號(hào)越完整，模型可學(xué)習(xí)到的特征越多，尤其是作為區(qū)分TACAN空/地信號(hào)的關(guān)鍵特征，主基準(zhǔn)脈沖群和輔助基準(zhǔn)脈沖群。因此當(dāng)信號(hào)殘缺率下降時(shí)，TC-CNN模型能夠有效地提高模型的識(shí)別率。

2.2 實(shí)驗(yàn)結(jié)果對(duì)比

在完成訓(xùn)練后，使用不同條件下的測(cè)試集對(duì)模型進(jìn)行評(píng)估，由于本文實(shí)驗(yàn)任務(wù)是對(duì)殘缺的空/地X和空/地Y等2類信號(hào)進(jìn)行分類，因此，在不同信噪比及不同殘缺率下，各模型的召回率(Recall)、精確率(Precision)、F1-Score值對(duì)2種模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。

2種模型的識(shí)別結(jié)果如表3～表5所示，可以看出，傳統(tǒng)模板匹配算法在信噪比為-3 dB，殘缺率為30%時(shí)，效果最差，精確率僅為66.4%。在信噪比為3 dB，殘缺率為10%時(shí)，效果最好，精確率可以達(dá)到92.8%。而TC-CNN模型的精確率在信噪比為-3 dB，殘缺率為30%時(shí)，精確率為84.4%；在信噪比為3 dB，殘缺率為10%時(shí)，精確率可以達(dá)到99.8%。傳統(tǒng)模板匹配算法的召回率、精確率及F1-Score的值在各殘缺率下均低于TC-CNN模型，TC-CNN模型算法即使在較低信噪比的前提下(信噪比為-3 dB)，當(dāng)信號(hào)的殘缺率低于30%時(shí)，仍然可以達(dá)到84%以上的精確率。

表3 各模型Recall評(píng)估對(duì)照結(jié)果

表4 各模型Precision評(píng)估對(duì)照結(jié)果

表5 各模型F1-Score評(píng)估對(duì)照結(jié)果

本文繪制了信噪比在0 dB且信號(hào)殘缺率為30%時(shí)，傳統(tǒng)模板匹配法和TC-CNN模型識(shí)別結(jié)果的混淆矩陣圖，如圖5和圖6所示。

圖5 信噪比為0 dB,殘缺率為30%時(shí)模板匹配法識(shí)別結(jié)果的混淆矩陣Fig.5 Confusion matrix of the recognition result of template matching method when the signal-to-noise ratio is 0 dB and the defect rate is 30%

圖6 信噪比為0 dB,殘缺率為30%時(shí)TC-CNN識(shí)別結(jié)果的混淆矩陣Fig.6 Confusion matrix of TC-CNN recognition results when the signal-to-noise ratio is 0 dB and the defect rate is 30%

在該混淆矩陣中，縱軸代表實(shí)際的TACAN空/地信號(hào)類型，橫軸代表預(yù)測(cè)的信號(hào)類型。由圖5和圖6可以看出，本文提出的TC-CNN模型方法在信號(hào)完整度較低的情況下具有更高的識(shí)別率。

3 結(jié)束語(yǔ)

本文通過(guò)研究信噪比和丟失率對(duì)TACAN空/地信號(hào)的影響，提出了一種基于改進(jìn)的多層卷積神經(jīng)網(wǎng)絡(luò)模型TC-CNN。該模型對(duì)3種不同信噪比、不同信號(hào)殘缺率下的TACAN空/地信號(hào)進(jìn)行識(shí)別，并與傳統(tǒng)模板匹配算法的結(jié)果進(jìn)行了對(duì)比和評(píng)估。實(shí)驗(yàn)結(jié)果顯示，傳統(tǒng)模板匹配算法受信噪比和信號(hào)殘缺率的影響較大，TC-CNN模型在保持較高識(shí)別率的前提下同時(shí)具有較好的魯棒性。因此TC-CNN模型具有一定的實(shí)際應(yīng)用價(jià)值。在后續(xù)工作中將繼續(xù)考慮提升低信噪比的情況下，該模型的識(shí)別準(zhǔn)確率。同時(shí)考慮加入不同的頻率偏移以提高神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)際信號(hào)中頻偏的適應(yīng)性。