基于特征融合網(wǎng)絡(luò)的短波信號(hào)規(guī)格識(shí)別

張 見 吳 迪 胡 濤 朱世先 楚倩楠

（1.中國人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)數(shù)據(jù)與目標(biāo)工程學(xué)院，河南鄭州 450001；2.91746部隊(duì)，北京 102206）

1 引言

短波通信具有抗毀性、方式靈活和遠(yuǎn)距離傳輸?shù)忍攸c(diǎn)，一直是軍事通信領(lǐng)域的發(fā)展和保留手段，在通信偵察中，短波信號(hào)規(guī)格識(shí)別是一項(xiàng)重要內(nèi)容，是后續(xù)開展信號(hào)處理、監(jiān)控及對抗等工作的重要基礎(chǔ)。當(dāng)前，現(xiàn)代短波通信技術(shù)高速發(fā)展，信號(hào)規(guī)格和通信設(shè)備表現(xiàn)出格式多樣化、種類豐富化、個(gè)別信號(hào)類間相似度高等特點(diǎn)，為傳統(tǒng)的識(shí)別方法帶來挑戰(zhàn)。因此，為滿足新形勢下模塊化、智能化、實(shí)時(shí)化的電磁環(huán)境感知需求，開展對短波信號(hào)規(guī)格高效識(shí)別方法的研究具有重要價(jià)值。

傳統(tǒng)的信號(hào)規(guī)格識(shí)別方法主要分為基于特征模板匹配［1］的方法和基于比特流分析［2］的方法。基于特征模板匹配的方法中，文獻(xiàn)［3］利用小波降噪去除短波信號(hào)中的噪聲干擾，進(jìn)行波形匹配識(shí)別，但該類方法建立降噪匹配模板的過程較復(fù)雜，且識(shí)別效果受判決門限的選取影響較大；文獻(xiàn)［4］對Link4A 和Link11信號(hào)建立持續(xù)和消失時(shí)間數(shù)據(jù)庫，并結(jié)合信號(hào)的時(shí)間-頻率-幅度信息進(jìn)行檢測識(shí)別，但該類方法在低信噪比時(shí)效果不佳，且判別時(shí)采用的聚類算法無法有效區(qū)分持續(xù)和消失幀長時(shí)間相似的信號(hào)。基于比特流分析的方法中，文獻(xiàn)［5］提取信號(hào)比特流幀同步碼作為識(shí)別特征，識(shí)別合法用戶和非授權(quán)用戶發(fā)送的信號(hào)規(guī)格類型，但該類方法要求接收到完整的幀同步碼序列，且在低信噪比下誤檢率較高。隨著深度學(xué)習(xí)技術(shù)被應(yīng)用到通信信號(hào)處理領(lǐng)域，一些研究利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大特征提取和映射能力，解決信號(hào)規(guī)格識(shí)別的問題。文獻(xiàn)［6］以不同短波信號(hào)幀結(jié)構(gòu)時(shí)頻譜圖的視覺特性差異作為特征，利用深度殘差網(wǎng)絡(luò)［7］（Deep Residual Network，ResNet）對7種特定信號(hào)規(guī)格進(jìn)行識(shí)別；文獻(xiàn)［8］使用單階段多目標(biāo)檢測（Single Shot Detector，SSD）網(wǎng)絡(luò)模型學(xué)習(xí)信號(hào)的圖像特征，實(shí)現(xiàn)對4 類信號(hào)的檢測和識(shí)別。但此類方法依賴于待識(shí)別信號(hào)集在時(shí)頻特性上具有明顯差異，當(dāng)信號(hào)規(guī)格的時(shí)頻特征接近時(shí)，其識(shí)別效果十分受限。根據(jù)以上分析，當(dāng)前信號(hào)規(guī)格識(shí)別方法存在以下不足，1）僅采用信號(hào)數(shù)據(jù)流提取特征信息，或僅采用信號(hào)圖像提取特征數(shù)據(jù)，未將數(shù)據(jù)和圖像兩個(gè)維度的特征信息綜合利用；2）集中于對采用不同調(diào)制方式的信號(hào)進(jìn)行識(shí)別，對相同調(diào)制方式不同規(guī)格信號(hào)識(shí)別的研究開展不足。

針對上述問題，本文在已有研究的基礎(chǔ)上，構(gòu)建了基于信號(hào)矢量圖和數(shù)據(jù)流的信號(hào)淺層特征表達(dá)形式，在盡可能保留信號(hào)原始信息的同時(shí)，充分利用信號(hào)不同維度的特征信息，并結(jié)合文獻(xiàn)［6］的特征提取思想，以較深度殘差網(wǎng)絡(luò)結(jié)構(gòu)性能更優(yōu)的密集連接卷積［9］（Densely Connected Convolution，DCC）作為特征提取和學(xué)習(xí)工具，提出了一種短波信號(hào)規(guī)格識(shí)別的新算法。該算法首先通過數(shù)據(jù)預(yù)處理，將采樣的復(fù)信號(hào)數(shù)據(jù)流轉(zhuǎn)換成實(shí)數(shù)據(jù)矩陣和信號(hào)矢量圖，其中信號(hào)矢量圖能夠充分反映信號(hào)的調(diào)制信息，數(shù)據(jù)流矩陣能夠保留信號(hào)數(shù)據(jù)完整的差異性信息；其次，構(gòu)建特征融合網(wǎng)絡(luò)模型，通過其中的密集連接卷積單元（Dense Block）模塊，以較多的網(wǎng)絡(luò)層充分挖掘信號(hào)數(shù)據(jù)流和矢量圖蘊(yùn)含的深度信息特征，將兩類特征進(jìn)行融合、學(xué)習(xí)和映射，實(shí)現(xiàn)對不同信號(hào)規(guī)格的有效識(shí)別。此外，利用Dense Block 模塊的特征復(fù)用機(jī)制，使網(wǎng)絡(luò)模型的參數(shù)和計(jì)算量大大降低，在不降低系統(tǒng)性能的同時(shí)提高了運(yùn)算速度；在生成訓(xùn)練樣本時(shí)采用添加隨機(jī)頻偏的策略，進(jìn)一步增強(qiáng)了網(wǎng)絡(luò)模型的泛化性能。實(shí)驗(yàn)表明，與傳統(tǒng)算法相比，本文算法有效利用了矢量圖和信號(hào)數(shù)據(jù)兩個(gè)維度的特征信息，既能識(shí)別采用不同調(diào)制方式的信號(hào)規(guī)格類型，也能識(shí)別采用相同調(diào)制方式的不同信號(hào)規(guī)格類型，在信噪比為0 dB 時(shí)，識(shí)別準(zhǔn)確率能達(dá)到98%以上，同時(shí)隨機(jī)頻偏策略和特征復(fù)用機(jī)制的使用，使得當(dāng)信號(hào)樣本含有頻偏時(shí)，其識(shí)別率相對于傳統(tǒng)算法有5%～14%的提高，且模型空間僅占471 KB，運(yùn)算速度約為90 ms，具有一定的實(shí)用價(jià)值。

2 短波信號(hào)差異性特征選取

調(diào)制方式是短波信號(hào)規(guī)格的一項(xiàng)重要屬性，短波信號(hào)矢量圖是信號(hào)調(diào)制類型的理想表達(dá)形式，由信號(hào)的兩路數(shù)據(jù)按時(shí)間順序重組得來，通過矢量圖不僅能區(qū)分頻移鍵控（Frequency Shift Keying，F(xiàn)SK）和相移鍵控（Phase Shift Keying，PSK），還能區(qū)分采用不同PSK 調(diào)制方式的信號(hào)。圖1 為QPSK-24K 信號(hào)、采用8PSK 調(diào)制的MIL-STD-188-110A［10］（以下簡稱110A）和采用8FSK 調(diào)制的MIL-STD-188-141A［11］（以下簡稱141A）信號(hào)的矢量圖，由于PSK類信號(hào)的符號(hào)具有固定相位，因此對接收的信號(hào)數(shù)據(jù)進(jìn)行去載頻和低通濾波處理后，得到的矢量圖為星座點(diǎn)+符號(hào)軌跡的形式，而FSK 類信號(hào)為恒包絡(luò)信號(hào)，其相位隨頻率的變化而變化，故矢量圖呈現(xiàn)為圓環(huán)形式。

由上述分析知，使用矢量圖作為特征的淺層表達(dá)形式，可以對一系列信號(hào)進(jìn)行有效區(qū)分；實(shí)際中，許多短波信號(hào)采用相同調(diào)制方式，如均為8PSK 調(diào)制的110A、MIL-STD-188-110B［12］（以下簡稱110B）、MIL-STD-188-141B［13］（以下簡稱141B）和Link11 SLEW［14］（以下簡稱Link11）信號(hào)，以及各類FSK 類信號(hào)在矢量圖上均呈現(xiàn)為圓環(huán)狀，此時(shí)僅通過矢量圖作為特征提取源無法對其進(jìn)行有效區(qū)分。考慮到短波信號(hào)在正向設(shè)計(jì)時(shí)，會(huì)制定一系列特定的信號(hào)產(chǎn)生標(biāo)準(zhǔn)和規(guī)則，如圖2 為110A 信號(hào)產(chǎn)生示意圖，可見原始信息經(jīng)過卷積編碼、交織與格雷碼映射后，添加同步前導(dǎo)序列和訓(xùn)練序列，再經(jīng)過擾碼、調(diào)制和成型濾波，通過數(shù)模轉(zhuǎn)換（Digital to Ana?logue，DA）單元后經(jīng)發(fā)信機(jī)發(fā)射。

由于不同的通信規(guī)格標(biāo)準(zhǔn)對應(yīng)不同的信號(hào)產(chǎn)生算法和傳輸組網(wǎng)規(guī)范，使得其產(chǎn)生的信號(hào)數(shù)據(jù)序列會(huì)呈現(xiàn)出特殊的信息傳輸格式。例如，110A、141B 和Link11 數(shù)據(jù)鏈信號(hào)典型信息格式如圖3 所示，從圖中可知110A 由前導(dǎo)序列、數(shù)據(jù)序列、結(jié)束段和沖洗段組成，141B 由保護(hù)序列、前導(dǎo)序列和有效數(shù)據(jù)序列組成，而Link11 信號(hào)則由報(bào)頭序列、相位參考、起始碼、戰(zhàn)術(shù)數(shù)據(jù)和監(jiān)督停止碼構(gòu)成，同時(shí)各類信號(hào)數(shù)據(jù)字段中的比特位數(shù)也有明顯差異。

這些特定的信息數(shù)據(jù)組織和排列形式設(shè)計(jì)，是為了滿足不同的業(yè)務(wù)與戰(zhàn)術(shù)通信需求，而這也使得接收的信號(hào)數(shù)據(jù)流，呈現(xiàn)出各類信號(hào)規(guī)格的獨(dú)特波形信息。以第三代短波通信規(guī)格標(biāo)準(zhǔn)的141B 信號(hào)典型數(shù)據(jù)流為例，其保護(hù)序列是可以進(jìn)行直接調(diào)制、不需要進(jìn)行偽隨機(jī)序列（Pseudorandom Noise，PN）擴(kuò)展的256 位三比特符號(hào)序列，前導(dǎo)序列是一個(gè)64位的三比特符號(hào)序列，其傳輸?shù)拿總€(gè)數(shù)據(jù)包是長度為640 位的三比特調(diào)制符號(hào)，每個(gè)141B 信號(hào)的波形可以傳輸P個(gè)數(shù)據(jù)包，其中P的取值為3、6、12或24。當(dāng)傳輸?shù)臄?shù)據(jù)生成之后，會(huì)按照每3 個(gè)比特表達(dá)一個(gè)調(diào)制符號(hào)的形式來產(chǎn)生數(shù)據(jù)包，并與保護(hù)序列、前導(dǎo)序列一起，構(gòu)成了141B 信號(hào)的獨(dú)特波形結(jié)構(gòu)。因此，接收得到的不同類型信號(hào)的數(shù)據(jù)流，具有表征各自信號(hào)波形完整的差異性特征信息，可作為對不同信號(hào)規(guī)格進(jìn)行區(qū)分的主要依據(jù)。

綜上所述，本文選取信號(hào)數(shù)據(jù)流作為主要特征提取源，以矢量圖作為補(bǔ)充以提高識(shí)別性能，利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取與處理能力，經(jīng)過一系列卷積、下采樣、連接和池化等操作，將兩個(gè)維度的特征進(jìn)行融合、學(xué)習(xí)與映射，彌補(bǔ)傳統(tǒng)算法特征選取單一以及無法區(qū)分相同調(diào)制方式不同規(guī)格信號(hào)的問題，實(shí)現(xiàn)對各類信號(hào)規(guī)格的有效識(shí)別。

3 基于特征融合網(wǎng)絡(luò)的信號(hào)規(guī)格識(shí)別

3.1 特征提取模塊

如何有效地提取和學(xué)習(xí)輸入數(shù)據(jù)中的深度特征，是本文著重考慮的一個(gè)問題。理論上，搭建的網(wǎng)絡(luò)卷積層數(shù)越多，神經(jīng)網(wǎng)絡(luò)提取的特征就會(huì)更加豐富，識(shí)別的效果就會(huì)越好。但是研究［15］指出，在實(shí)際中，當(dāng)網(wǎng)絡(luò)層數(shù)超過一定臨界值后，反而會(huì)導(dǎo)致網(wǎng)絡(luò)識(shí)別性能的下降。文獻(xiàn)［7］指出，可以通過殘差映射的方式改善上述問題，其深度殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖4（a）所示；文獻(xiàn)［9］在殘差映射的基礎(chǔ)上，提出了性能更優(yōu)的密集連接卷積的理論，即連接網(wǎng)絡(luò)中所有特征提取的卷積層，每個(gè)特征提取層都會(huì)接受之前所有的網(wǎng)絡(luò)層作為其額外的輸入。本文依據(jù)上述理論，構(gòu)建密集連接卷積單元（Dense Block）這一特征提取模塊，如圖4（b）所示，實(shí)現(xiàn)對輸入樣本數(shù)據(jù)深度特征的有效提取。

對于網(wǎng)絡(luò)的第L層，深度殘差網(wǎng)絡(luò)將每個(gè)層和前面的某層以“短路”的形式相連接，連接形式是元素級相加，其輸出為：

其中xl為網(wǎng)絡(luò)第L層的輸出，xl-1為第L-1 層的輸出，Hl(·)為網(wǎng)絡(luò)的非線性變換函數(shù)，包括一系列卷積（Convolution）、正則化（Normalization）、激活（Acti?vation）和池化（Pooling）操作。

如圖4（b）所示，Dense Block 模塊采用了特征復(fù)用（Feature Reuse）機(jī)制，即每一層中提取特征的運(yùn)算，都會(huì)重復(fù)利用之前所有層的特征處理和提取結(jié)果，具體為將本層數(shù)據(jù)和之前各層提取的特征數(shù)據(jù)，在通道（Channel）維度上相連接，再進(jìn)行非線性運(yùn)算處理：

因此，對于一個(gè)L層的Dense Block 模塊結(jié)構(gòu)，共包含個(gè)連接，這種連接方式可以直接融合來網(wǎng)絡(luò)不同層的特征，增強(qiáng)了特征復(fù)用的效果。在達(dá)到相同分類準(zhǔn)確率時(shí)，Dense Block 模塊所使用的參數(shù)數(shù)量不到深度殘差網(wǎng)絡(luò)的一半，計(jì)算效率大大提升，同時(shí)其抗過擬合能力和泛化性能也更強(qiáng)。

3.2 特征融合網(wǎng)絡(luò)模型

本文設(shè)計(jì)的特征融合網(wǎng)絡(luò)模型如圖5 所示，考慮網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)和實(shí)際信號(hào)的相關(guān)參數(shù)，將輸入的信號(hào)數(shù)據(jù)樣本統(tǒng)一設(shè)置為336×336的數(shù)據(jù)矩陣形式，矢量圖樣本統(tǒng)一設(shè)置為128×128 的尺寸。模型對輸入信號(hào)樣本的處理和識(shí)別流程如下：

1）分別對信號(hào)數(shù)據(jù)矩陣和矢量圖進(jìn)行7×7 的卷積和3×3 的最大池化（Max Pooling）操作，初步提取特征并降低特征數(shù)據(jù)的尺寸。

2）將上述由數(shù)據(jù)矩陣得到的特征數(shù)據(jù)依次通過4 個(gè)Dense Block 模塊，由矢量圖得到的特征數(shù)據(jù)依次通過3 個(gè)Dense Block 模塊，逐步提取不同層次的特征，每個(gè)Dense Block 模塊結(jié)構(gòu)如圖4（b）所示，兩路網(wǎng)絡(luò)的Dense Block 模塊含有的密集連接卷積節(jié)點(diǎn)數(shù)量不同，依次為6、12、32、32 個(gè)和6、12、12個(gè)。每個(gè)Dense Block模塊中，各個(gè)網(wǎng)絡(luò)層的特征數(shù)據(jù)尺寸保持一致，實(shí)現(xiàn)在通道維度上將特征數(shù)據(jù)相連接。

3）各相鄰的Dense Block模塊通過變換（Transi?tion）模塊相連接。在變換模塊中，信號(hào)的特征數(shù)據(jù)先經(jīng)過一個(gè)1×1的卷積，再通過步長為2的2×2的平均池化（Average Pool）層，實(shí)現(xiàn)對信號(hào)特征數(shù)據(jù)尺寸的減小。

4）對最終得到的兩路特征分別實(shí)施7×7 的全局平均池化（Global Average Pool）操作，獲得其特征向量，再將兩路特征向量進(jìn)以連接（Concatenate）的方式實(shí)現(xiàn)特征融合。

5）將上述步驟得到的融合特征送入全連接分類器中進(jìn)行運(yùn)算，得到對信號(hào)規(guī)格識(shí)別的結(jié)果。

在Dense Block 模塊中，對信號(hào)進(jìn)行特征提取采用的非線性函數(shù)H(·)的內(nèi)部結(jié)構(gòu)如圖6 所示，信號(hào)樣本數(shù)據(jù)先經(jīng)過批正則化（Batch Normalization，BN）、修正線性單元（Rectified linear unit，ReLU）激活和1×1 的卷積層，使信號(hào)的特征層數(shù)減少以增加運(yùn)算效率，隨后再經(jīng)過批正則化、Relu 激活和一個(gè)3×3的卷積，實(shí)現(xiàn)對信號(hào)數(shù)據(jù)的特征提取。

由上述分析可知，本文設(shè)計(jì)的特征融合網(wǎng)絡(luò)模型對樣本進(jìn)行特征提取的部分共含(82+30)×2+7=231 層，得益于Dense Block 模塊的良好性能，模型的運(yùn)算量和資源利用率維持在較好的水平。

3.3 信號(hào)數(shù)據(jù)集的生成

本節(jié)介紹訓(xùn)練和測試信號(hào)樣本數(shù)據(jù)集的生成，本文研究的短波信號(hào)規(guī)格識(shí)別類別包括110A、110B、141A、141B、Link11 SLEW 和PACTOR［16］協(xié)議標(biāo)準(zhǔn)下的信號(hào)，其中110A、110B、141B和Link11信號(hào)規(guī)格均為8PSK調(diào)制方式，符號(hào)速率均為2400 Baud，141A 為8FSK 調(diào)制方式，PACTOR 為2FSK 調(diào)制方式，樣本信號(hào)數(shù)據(jù)集使用Matlab 平臺(tái)仿真生成，圖7為信號(hào)數(shù)據(jù)集的產(chǎn)生流程。

首先根據(jù)指定的規(guī)格標(biāo)準(zhǔn)和隨機(jī)的消息符號(hào)數(shù)據(jù)序列，產(chǎn)生相應(yīng)短波信號(hào)，信號(hào)生成的相關(guān)參數(shù)依據(jù)各協(xié)議具體標(biāo)準(zhǔn)規(guī)范執(zhí)行，信號(hào)產(chǎn)生過程中使用高斯信道［17］模擬實(shí)際信道環(huán)境，添加高斯噪聲后各樣本的信噪比Es/N0范圍為-5～5 dB?？紤]實(shí)際應(yīng)用情況和網(wǎng)絡(luò)訓(xùn)練需求，對數(shù)據(jù)集產(chǎn)生流程中的特定步驟闡述如下：

1）加入隨機(jī)頻偏

本文通過對信號(hào)樣本的深度特征提取、融合和學(xué)習(xí)，實(shí)現(xiàn)對各類信號(hào)規(guī)格差異性特征的區(qū)分?？紤]到實(shí)際接收的短波信號(hào)在去載頻時(shí)，往往伴隨有一定的頻偏，會(huì)對信號(hào)樣本數(shù)據(jù)的分布產(chǎn)生相當(dāng)?shù)挠绊?，因此為貼合實(shí)際情況，在仿真產(chǎn)生信號(hào)樣本數(shù)據(jù)時(shí)，設(shè)計(jì)了隨機(jī)頻偏策略，即對信號(hào)進(jìn)行如圖8所示的添加隨機(jī)頻偏的處理。在產(chǎn)生每個(gè)信號(hào)樣本時(shí)，通過產(chǎn)生隨機(jī)的頻偏控制因子α，使有50%的概率進(jìn)行隨機(jī)頻偏操作。當(dāng)產(chǎn)生頻偏時(shí)，加入的相對于符號(hào)速率的頻偏在0～λ范圍內(nèi)隨機(jī)選取，其中頻偏上限λ設(shè)為0.04。通過對信號(hào)加入隨機(jī)頻偏，增加了樣本的豐富性，使得網(wǎng)絡(luò)模型能夠?qū)@一頻偏范圍內(nèi)的信號(hào)樣本進(jìn)行學(xué)習(xí)，從而在一定程度上提高模型的泛化能力。

2）隨機(jī)截取信號(hào)長度

理想情況下，希望能夠獲取短波信號(hào)完整長度的幀數(shù)據(jù)以進(jìn)行識(shí)別，但在實(shí)際信號(hào)傳輸?shù)倪^程中，受各種復(fù)雜因素的影響，往往不能接收得到完整的信號(hào)幀數(shù)據(jù)。本文對每個(gè)信號(hào)樣本數(shù)據(jù)進(jìn)行隨機(jī)截取處理，按截取的位置區(qū)間分兩種情況：包括完整的單幀數(shù)據(jù)或單幀數(shù)據(jù)的某部分，若截取單幀的一部分，截取的信號(hào)長度在30%～100%間隨機(jī)選取，且截取的起始點(diǎn)從幀頭或幀尾隨機(jī)選擇。通過對信號(hào)樣本進(jìn)行隨機(jī)長度截取，使信號(hào)數(shù)據(jù)集更加接近實(shí)際情況，從而提升模型的實(shí)用性。

3）生成矢量圖

考慮到傳統(tǒng)的矢量圖為二值圖像，無法反映符號(hào)軌跡在某些區(qū)域的聚集程度，本文將信號(hào)數(shù)據(jù)轉(zhuǎn)換成基于8 位灰度圖像的矢量圖，使得符號(hào)軌跡在各區(qū)域的聚集程度得以體現(xiàn)在圖像的灰度值上，并結(jié)合網(wǎng)絡(luò)模型的處理需求，將矢量圖設(shè)置為128×128的尺寸。

4）轉(zhuǎn)化為單路數(shù)據(jù)

由于神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)，需要實(shí)數(shù)據(jù)作為網(wǎng)絡(luò)輸入，因此將信號(hào)的復(fù)數(shù)據(jù)流轉(zhuǎn)化為單路數(shù)據(jù)，具體做法為將信號(hào)各樣本點(diǎn)的實(shí)部和虛部數(shù)據(jù)分開，各點(diǎn)數(shù)據(jù)依據(jù)實(shí)部-奇數(shù)列，虛部-偶數(shù)列的規(guī)則排列，得到復(fù)信號(hào)數(shù)據(jù)的單路實(shí)數(shù)表達(dá)形式。

5）歸一化信號(hào)數(shù)據(jù)值

為使不同強(qiáng)度的信號(hào)樣本數(shù)據(jù)值在輸入網(wǎng)絡(luò)模型運(yùn)算時(shí)，不因其幅值的統(tǒng)計(jì)大小水平而影響網(wǎng)絡(luò)的性能表現(xiàn)，使網(wǎng)絡(luò)模型更加有效地?cái)M合信號(hào)樣本數(shù)據(jù)，實(shí)現(xiàn)準(zhǔn)確收斂，對信號(hào)數(shù)據(jù)進(jìn)行歸一化操作：

其中data1為未進(jìn)行歸一化處理的數(shù)據(jù)，data2為歸一化的結(jié)果。通過式（3）將各類信號(hào)樣本數(shù)據(jù)的數(shù)值區(qū)間均搬移至［0，1］之間，讓各信號(hào)規(guī)格的特征值具有相同的度量尺度，使網(wǎng)絡(luò)模型更好地實(shí)現(xiàn)對信號(hào)數(shù)據(jù)的特征提取和學(xué)習(xí)。

6）轉(zhuǎn)化為數(shù)據(jù)矩陣

神經(jīng)網(wǎng)絡(luò)中，二維形式的數(shù)據(jù)組織形式可以實(shí)現(xiàn)一系列高效的卷積、池化、正則化和激活等運(yùn)算，因此將歸一化得到的信號(hào)數(shù)據(jù)，按每336 個(gè)數(shù)值排為一列的組織規(guī)則，構(gòu)建尺寸為336×336 的數(shù)據(jù)矩陣，實(shí)現(xiàn)數(shù)據(jù)樣本結(jié)構(gòu)的高效化，方便后續(xù)網(wǎng)絡(luò)模型的處理。

4 性能測試與分析

本節(jié)對模型的識(shí)別性能進(jìn)行仿真測試，待識(shí)別的信號(hào)規(guī)格對象集為｛110A、110B、141A、141B、Link11、PACTOR｝，各類信號(hào)在每個(gè)信噪比下測試的樣本個(gè)數(shù)為1000，信號(hào)樣本的生成依據(jù)3.3 節(jié)中方法步驟執(zhí)行，實(shí)驗(yàn)平臺(tái)配置為Intel（R）Xeon（R）E-2276M 處理器，Nvidia Quadro RTX 5000 GPU，32 GB DDR4內(nèi)存。本文采用的信號(hào)規(guī)格識(shí)別性能指標(biāo)為：

4.1 模型總體識(shí)別性能

各類信號(hào)規(guī)格在不同信噪比下的識(shí)別效果如圖9 所示，可以看出在符號(hào)信噪比為-5 dB 時(shí)，對110A、110B、141B、Link11 和PACTOR 等5 類信號(hào)規(guī)格的識(shí)別率均可以達(dá)到90%以上；隨著信噪比的不斷提升，識(shí)別率也在逐漸提高，當(dāng)信噪比達(dá)到0 dB時(shí)，對所有信號(hào)規(guī)格的識(shí)別準(zhǔn)確率都能達(dá)到98%以上，表現(xiàn)出良好的識(shí)別性能。

圖10 為本文算法與基于深度殘差網(wǎng)絡(luò)算法［7］以及單階段多目標(biāo)檢測算法［8］的識(shí)別效果對比，由于現(xiàn)有算法的特征選取與處理方式在識(shí)別采用相同調(diào)制方式的信號(hào)規(guī)格類型時(shí)存在不足，本文算法以數(shù)據(jù)流作為主要特征提取源，并以矢量圖作為補(bǔ)充，將信號(hào)的兩個(gè)維度特征進(jìn)行融合學(xué)習(xí)與處理，可以有效識(shí)別該6 類信號(hào)規(guī)格，其中4 類均為8PSK調(diào)制，具有一定的優(yōu)勢。

為便于量化分析網(wǎng)絡(luò)模型對各信號(hào)規(guī)格的識(shí)別性能，繪制了-5～5 dB 信噪比區(qū)間模型分類混淆矩陣，同時(shí)計(jì)算模型對各個(gè)信號(hào)規(guī)格識(shí)別的準(zhǔn)確率（Precision）、召回率（Recall）和總體識(shí)別精準(zhǔn)度，如圖11所示。

其中，數(shù)字為每個(gè)具體分類下的樣本數(shù)量，數(shù)字下方百分?jǐn)?shù)為識(shí)別成該類的樣本數(shù)量占總測試樣本數(shù)量的百分比；最右一列為模型的識(shí)別準(zhǔn)確率，表征某樣本信號(hào)被識(shí)別成該類規(guī)格時(shí)的可信程度，最下一排為模型識(shí)別的召回率，表征模型對每類信號(hào)規(guī)格的區(qū)分和鑒別性能，右下角百分?jǐn)?shù)為模型總體識(shí)別精度，表征網(wǎng)絡(luò)模型在整體測試信號(hào)數(shù)據(jù)集上的綜合分類性能。由圖11 可知，模型在-5～5 dB 信噪比范圍內(nèi)的總體識(shí)別精準(zhǔn)度為98.93%，對110B、141A、Link11 和PACTOR 信號(hào)規(guī)格的識(shí)別準(zhǔn)確率均達(dá)到了99%，對141A信號(hào)識(shí)別時(shí)有0.42%的信號(hào)樣本與110A 混淆，其次是110B 信號(hào)，有0.27%的樣本和110A 信號(hào)混淆。識(shí)別時(shí)發(fā)生上述輕微混淆的110B和110A信號(hào)均為8PSK調(diào)制方式，而141A 和110A 雖為不同調(diào)制方式，但其信息數(shù)據(jù)組織格式有相似之處，且均使用8 類符號(hào)進(jìn)行數(shù)據(jù)傳輸，當(dāng)加入強(qiáng)高斯噪聲生成極低信噪比的信號(hào)樣本后，其數(shù)據(jù)流會(huì)呈現(xiàn)某些相似的特性，并且在此種低信噪比環(huán)境下，其矢量圖的區(qū)分度不明顯，因此有個(gè)別信號(hào)在識(shí)別時(shí)產(chǎn)生混淆，當(dāng)信噪比提升后這種相似性混淆會(huì)消失，具體如圖9所示。

表1 為網(wǎng)絡(luò)模型的相關(guān)屬性參數(shù)，其中時(shí)間復(fù)雜度為分別對13200 個(gè)訓(xùn)練信號(hào)樣本進(jìn)行訓(xùn)練和9000 個(gè)測試信號(hào)樣本進(jìn)行測試后求統(tǒng)計(jì)平均得到，表征模型對單個(gè)樣本的處理速度。可見本文模型大小僅有471 KB，權(quán)重文件大小為52.3 MB，利于部署在輕量化設(shè)備中；訓(xùn)練和測試的時(shí)間復(fù)雜度約為90 ms，基本可以滿足實(shí)時(shí)性的識(shí)別需求，具有一定的應(yīng)用前景。

表1 信號(hào)規(guī)格識(shí)別模型屬性參數(shù)Tab.1 Signal specification recognition model attribute parameters

4.2 實(shí)驗(yàn)參數(shù)對性能的影響

實(shí)際短波信號(hào)接收處理中，對載頻的估計(jì)往往會(huì)有誤差，因此本文的信號(hào)樣本生成算法采用了添加隨機(jī)頻偏的策略，圖12是本文模型在不同頻偏條件下，使用本文樣本生成算法和使用傳統(tǒng)無頻偏樣本生成算法［5］識(shí)別性能的對比?？梢娤鄬τ跓o頻偏條件下的識(shí)別性能，當(dāng)信號(hào)樣本含有相對于符號(hào)速率的不同頻偏時(shí)，識(shí)別率會(huì)有一定程度的降低。由于本文在構(gòu)造訓(xùn)練樣本數(shù)據(jù)集時(shí)采用了加入隨機(jī)頻偏的策略，網(wǎng)絡(luò)模型在一定程度上學(xué)習(xí)了設(shè)置的頻偏范圍內(nèi)的信號(hào)樣本屬性特征，因此當(dāng)測試樣本含有頻偏時(shí)，其識(shí)別率相對于傳統(tǒng)的無頻偏樣本生成算法有5%～14%的提高。

輸入網(wǎng)絡(luò)的信號(hào)樣本中，選取的信號(hào)數(shù)據(jù)序列的長短會(huì)影響識(shí)別效果。本文以實(shí)驗(yàn)驗(yàn)證選取信號(hào)數(shù)據(jù)序列不同長短時(shí)的識(shí)別性能，其結(jié)果如圖13所示。

實(shí)驗(yàn)中，對各類信號(hào)采樣得到的數(shù)據(jù)序列的長度占其信號(hào)波形總長度的比例δ分別取100%、90%、75%、60%、45%和30%。由實(shí)驗(yàn)結(jié)果知，當(dāng)選取的信號(hào)數(shù)據(jù)序列長度過短時(shí)，由于信號(hào)數(shù)據(jù)流樣本往往不能包含完整的表征信號(hào)間差異的數(shù)據(jù)字段序列，因此當(dāng)δ取30%時(shí)識(shí)別率較低；當(dāng)δ取45%時(shí)識(shí)別率有了較好的提升，表明當(dāng)截取約一半的信號(hào)波形長度時(shí)，本文基于特征融合的規(guī)格識(shí)別算法即可較為有效地識(shí)別各信號(hào)規(guī)格類別；隨著選取信號(hào)數(shù)據(jù)序列長度的進(jìn)一步增長，識(shí)別率也在相應(yīng)地提高，且比較δ取90%與100%時(shí)的識(shí)別效果可知，當(dāng)選取的信號(hào)數(shù)據(jù)序列長度接近完整的波形序列長度時(shí)，即能總體達(dá)到算法的最優(yōu)識(shí)別效果，此后識(shí)別性能將幾乎不再變化。

考慮信號(hào)樣本中截取信號(hào)數(shù)據(jù)流的起始位置對識(shí)別的影響，圖14 展示了獲取樣本時(shí)從信號(hào)波形序列的不同位置進(jìn)行截取的識(shí)別性能。其中，截取的位置相比于波形序列總長度的起始位置比例γ分別取0（波形序列之前）、25%、50%、65%、75%和90%?？梢?，當(dāng)從信號(hào)波形數(shù)據(jù)序列之前截取時(shí)，能夠取得最好的識(shí)別效果；當(dāng)以信號(hào)波形數(shù)據(jù)序列的25%處為起始點(diǎn)進(jìn)行截取時(shí)，仍可以獲得較為豐富的信號(hào)數(shù)據(jù)規(guī)格信息，本文基于特征融合的規(guī)格識(shí)別算法可以取得90%以上的識(shí)別準(zhǔn)確率；當(dāng)截取的起始位置移至信號(hào)波形數(shù)據(jù)序列的50%處即中間位置時(shí)，截取得到的信號(hào)數(shù)據(jù)序列已經(jīng)不能有效表征信號(hào)之間的差異，此時(shí)識(shí)別性能有了明顯下降；當(dāng)在波形的75%和90%處，即截取的起始位置移至信號(hào)波形序列的后1/4范圍時(shí)，識(shí)別性能進(jìn)一步大幅下降，表明此時(shí)截取得到的數(shù)據(jù)流序列已基本無法體現(xiàn)信號(hào)間的差異。

為檢驗(yàn)多徑時(shí)延和寬帶干擾對識(shí)別性能的影響，增加模擬實(shí)際大氣情況的寬帶干擾［18］，并在沃特森（Watterson）信道標(biāo)準(zhǔn)［19］中的6類短波信道標(biāo)準(zhǔn)環(huán)境下，測試算法的性能表現(xiàn)，實(shí)驗(yàn)結(jié)果如圖15 所示。可見本文算法在不同信道環(huán)境下仍具有穩(wěn)健性，在2 dB總體識(shí)別率可達(dá)90%以上。

比較使用數(shù)據(jù)流和時(shí)頻圖作為網(wǎng)絡(luò)輸入的訓(xùn)練效率和識(shí)別性能，將各類信號(hào)矢量圖替換為相應(yīng)的時(shí)頻圖，與數(shù)據(jù)流一同作為網(wǎng)絡(luò)輸入，記錄迭代訓(xùn)練過程中的損失值和識(shí)別率，結(jié)果如圖16 所示。由于采用相同調(diào)制方式的不同規(guī)格信號(hào)在矢量圖相位上有一定差異，其時(shí)頻圖總體上無明顯差異，因此訓(xùn)練效率及識(shí)別性能較本文算法有一定不足。此外，時(shí)頻圖的相似性會(huì)對訓(xùn)練產(chǎn)生一定干擾，表現(xiàn)為相應(yīng)性能曲線呈現(xiàn)輕微擾動(dòng)。

考慮網(wǎng)絡(luò)結(jié)構(gòu)對性能的影響，本文通過實(shí)驗(yàn)對比單一特征網(wǎng)絡(luò)結(jié)構(gòu)和特征融合網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別性能。使用本文特征提取模塊構(gòu)造單輸入規(guī)格識(shí)別網(wǎng)絡(luò)模型并以信號(hào)數(shù)據(jù)流作為網(wǎng)絡(luò)輸入，與本文基于特征融合網(wǎng)絡(luò)模型的規(guī)格識(shí)別算法性能進(jìn)行對比，結(jié)果如圖17所示。由于僅以信號(hào)數(shù)據(jù)流作為特征提取源時(shí)未充分利用信號(hào)的調(diào)制信息，對某些調(diào)制方式不同但幀長或信息組織格式相似的短波信號(hào)（如141A 與Link11）進(jìn)行識(shí)別時(shí)仍有提升的空間，在一定程度上劣于本文算法，從而驗(yàn)證了本文算法的可行性。

5 結(jié)論

本文基于短波信號(hào)矢量圖和數(shù)據(jù)流的特征表達(dá)形式，提出了特征融合網(wǎng)絡(luò)模型，充分利用Dense Block 模塊強(qiáng)大的特征提取和處理能力，融合學(xué)習(xí)矢量圖和數(shù)據(jù)流中蘊(yùn)含的豐富特征信息，較好地解決了對包括相同調(diào)制方式在內(nèi)的各類信號(hào)規(guī)格有效識(shí)別的問題。同時(shí)，在產(chǎn)生信號(hào)數(shù)據(jù)集時(shí)設(shè)計(jì)了隨機(jī)頻偏策略，進(jìn)一步提升了網(wǎng)絡(luò)模型的適用性。實(shí)驗(yàn)結(jié)果表明，本文算法在保證信號(hào)規(guī)格識(shí)別準(zhǔn)確率的同時(shí)，具有較好的抗噪性和一定的抗頻偏性。此外，本文設(shè)計(jì)的特征融合網(wǎng)絡(luò)模型具有文件體積小、運(yùn)算速度快的優(yōu)點(diǎn)，可以方便部署和開展實(shí)時(shí)化處理，具有較好的工程應(yīng)用前景。