融合注意力機(jī)制的雷達(dá)欺騙干擾域適應(yīng)識別方法

孫閩紅 陳鑫偉 仇兆煬 滕旭陽

(杭州電子科技大學(xué)通信工程學(xué)院 杭州 310018)

1 引言

隨著數(shù)字射頻存儲器[1](Digital Radio Frequency Memory, DRFM)技術(shù)的快速發(fā)展，有源雷達(dá)欺騙干擾已成為主要的雷達(dá)干擾手段之一。如何采取有效方法識別有源欺騙干擾，以保證雷達(dá)有效工作，是雷達(dá)抗干擾中迫切需要解決的問題。

現(xiàn)有基于特征差異的識別方法包括利用發(fā)射信號優(yōu)化[2]、物體表面散射強(qiáng)度[3]、極化特性差異[4]、到達(dá)時間差差異[5]以及相位調(diào)制后多普勒圖像差異[6]等來識別雷達(dá)欺騙干擾。以上方法都是針對單一樣式的雷達(dá)欺騙干擾進(jìn)行研究，但隨著復(fù)合干擾手段的出現(xiàn)，這類方法在實(shí)際應(yīng)用中存在一定局限性。

近年來，隨著機(jī)器學(xué)習(xí)理論研究不斷深入，有著穩(wěn)健信息表征能力的深度學(xué)習(xí)成為研究熱點(diǎn)，被成功應(yīng)用于異常檢測、圖像分類、缺陷檢測等領(lǐng)域。同時，國內(nèi)外學(xué)者也致力于雷達(dá)欺騙干擾的智能識別研究。文獻(xiàn)[7]對干擾下的雷達(dá)接收信號進(jìn)行時頻分析，用棧式稀疏自編碼器對時頻特征進(jìn)行降維，最后利用Softmax分類器完成有源欺騙干擾的識別。文獻(xiàn)[8]通過Hilbert信號空間理論建立干擾信號特征空間，提出了基于信號特征空間的概率神經(jīng)網(wǎng)絡(luò)分類算法。文獻(xiàn)[9]提出結(jié)構(gòu)改進(jìn)型的AlexNet用于廣播式自動相關(guān)監(jiān)視欺騙干擾檢測。文獻(xiàn)[10]提出一種基于奇異值分解與神經(jīng)網(wǎng)絡(luò)的干擾識別方法，采用奇異值分解法對干擾信號進(jìn)行預(yù)處理，再用神經(jīng)網(wǎng)絡(luò)作為分類器實(shí)現(xiàn)干擾識別。以上研究通常包含兩個前提條件：一是訓(xùn)練樣本集與待分類樣本集間具有一致的特征分布；二是有充足的標(biāo)注樣本供給訓(xùn)練穩(wěn)健的模型。然而，在現(xiàn)實(shí)場景下，以上前提條件往往難以滿足。遷移學(xué)習(xí)是解決這一問題的有效方法之一，它是在源域與目標(biāo)域概率分布不同條件下解決如何使用源域數(shù)據(jù)來預(yù)測目標(biāo)域數(shù)據(jù)標(biāo)簽的問題，域適應(yīng)(domain adaptation)需要滿足兩個域間的標(biāo)簽空間一致，是有條件的遷移學(xué)習(xí)問題，也是當(dāng)前遷移學(xué)習(xí)問題的研究重點(diǎn)[11]。域適應(yīng)主要包括基于距離度量與基于對抗學(xué)習(xí)兩大類方法。前者度量域間分布差異的指標(biāo)包括最大均值差異(Maximum Mean Discrepancy, MMD)、Wasserstein以及KL散度(Kullback-Leibler Divergence, KLD)等，代表算法有深度適配網(wǎng)絡(luò)[12](Deep Adaptation Network, DAN)、聯(lián)合分布自適應(yīng)[13](Joint Distribution Adaption, JDA)等。借鑒了生成對抗網(wǎng)絡(luò)的思想，后者代表算法有域?qū)咕W(wǎng)絡(luò)[14](Domain Adversarial training of Neural Networks,DANN)等。

針對現(xiàn)有研究的不足，本文將DANN引入到雷達(dá)抗欺騙干擾，提出了融合注意力機(jī)制的深度殘差域?qū)咕W(wǎng)絡(luò)(Attention-based Residual Domain Adversarial training of Neural Networks, Attention-RDANN)的欺騙干擾域適應(yīng)識別方法。應(yīng)用基于對抗網(wǎng)絡(luò)思想的域適應(yīng)技術(shù)實(shí)現(xiàn)從源域到目標(biāo)域上的遷移識別，并通過空間通道注意力機(jī)制使網(wǎng)絡(luò)訓(xùn)練聚焦于時頻圖全局空間特征和高響應(yīng)通道，以忽略時頻圖像中可遷移性低的區(qū)域從而抑制負(fù)遷移的發(fā)生。該方法在標(biāo)注源域數(shù)據(jù)的基礎(chǔ)上，利用未標(biāo)注的目標(biāo)域數(shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)而對目標(biāo)域數(shù)據(jù)進(jìn)行分類，即利用源域已有知識，借助特征提取器與標(biāo)簽預(yù)測器、域分類器之間的對抗，將源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)特征分布對齊，來解決不同數(shù)據(jù)分布情況下的雷達(dá)欺騙干擾識別問題。

2 系統(tǒng)模型

雷達(dá)檢測欺騙干擾有無及干擾類型識別可建模為如下的多元假設(shè)檢驗(yàn)問題

其中， H0表示無干擾狀態(tài)；Hi表示受第i種干擾狀態(tài)，i取1～5，對應(yīng)5種不同欺騙干擾類型，分別為距離欺騙、速度欺騙、距離速度聯(lián)合欺騙、頻譜彌散[15]、切片組合干擾[15]。x(n)表示雷達(dá)接收信號，s(n) 為 真實(shí)目標(biāo)回波，ji(n)表示第i類欺騙干擾信號，ω(n)表示雷達(dá)接收機(jī)內(nèi)部噪聲。

不同于基于統(tǒng)計(jì)檢測的方法，本文采用時頻圖作為模型輸入信息，利用在H0和Hi情況下接收信號時頻圖像的深度特征差異，借助深度學(xué)習(xí)及遷移學(xué)習(xí)在圖像分類方面的優(yōu)勢完成欺騙干擾識別。

3 基于Attention-RDANN的欺騙干擾識別

殘差神經(jīng)網(wǎng)絡(luò)[16](RESidual neural NETwork,RESNET)可以有效地解決隨著網(wǎng)絡(luò)深度增加產(chǎn)生的網(wǎng)絡(luò)退化的問題，卷積注意力模塊[17](Convolutional Block Attention Module, CBAM)可以通過訓(xùn)練注意力權(quán)重來強(qiáng)調(diào)圖片中的重要信息，以達(dá)到抑制無關(guān)信息的效果。本文將注意力殘差模塊與DANN的對抗思想相結(jié)合進(jìn)行欺騙干擾識別，算法流程如圖1所示。首先通過信號預(yù)處理、時頻變換和二值化將原始雷達(dá)欺騙干擾信號樣本處理成時頻域灰度圖樣本，經(jīng)過圖像歸一化、裁剪、翻轉(zhuǎn)等圖像預(yù)處理后生成張量樣本，然后將源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)共同輸入Attention-RDANN網(wǎng)絡(luò)進(jìn)行特征向量提取，以 H散度[18]度量兩個域樣本間的特征向量分布差異，借助標(biāo)簽預(yù)測器與域判別器間的對抗不斷迭代優(yōu)化，得到最后的分類模型。此外，該方法只需要源域數(shù)據(jù)標(biāo)簽，而并不需要目標(biāo)域數(shù)據(jù)標(biāo)簽，以達(dá)到通過域適應(yīng)使得網(wǎng)絡(luò)適應(yīng)目標(biāo)域數(shù)據(jù)的目的。

圖1 算法流程圖

3.1 DANN網(wǎng)絡(luò)

本文通過應(yīng)用改進(jìn)的DANN網(wǎng)絡(luò)進(jìn)行欺騙干擾感知。鑒于生成對抗網(wǎng)絡(luò)[19](Generative Adversarial Nets, GAN)在人工智能領(lǐng)域的優(yōu)異表現(xiàn)，DANN借助GAN的生成對抗學(xué)習(xí)思想，來學(xué)習(xí)源域及目標(biāo)域樣本間的可遷移特征。其模型示意圖與結(jié)構(gòu)圖如圖2所示。

圖2 DANN網(wǎng)絡(luò)

DANN結(jié)構(gòu)主要包括特征提取器、標(biāo)簽預(yù)測器與領(lǐng)域判別器3個部分。特征提取器的作用是將源域及目標(biāo)域數(shù)據(jù)分別映射到相應(yīng)的特征空間，使標(biāo)簽預(yù)測器能夠通過所提取的特征分辨具體的源域數(shù)據(jù)干擾類別，而領(lǐng)域判別器不能區(qū)分所提取的特征來自源域或是目標(biāo)域。此外網(wǎng)絡(luò)通過引入 H散度度量不同領(lǐng)域間深度特征的分布差異。給定兩個領(lǐng)域和，x表示定義在它們之上的數(shù)據(jù)，給定一個空間H，則和之間的 H散度為

其中，I[a]為 指示函數(shù)：當(dāng)a成立時其值為1，否則其值為0，η為盡可能區(qū)分和兩個域的函數(shù)，n1和n2分別表示源域和目標(biāo)域各自的樣本數(shù)。同時其目標(biāo)域泛化誤差上界為

其中

即RDs(η)與RDt(η)分別表示源域與目標(biāo)域上的泛化誤差，c表示一個常數(shù)，η?∈η，表示其中任意一種區(qū)分源域和目標(biāo)域的函數(shù)。算法的目的即最小化dH(Ds,Dt)和RDs(η)的同時最小化目標(biāo)域分類誤差RDt(η)。

DANN網(wǎng)絡(luò)可以通過對抗學(xué)習(xí)到可遷移特征，但是它的特征提取模塊結(jié)構(gòu)過于簡單，面向復(fù)雜時頻圖像不足以提取穩(wěn)定的特征，而引入注意力機(jī)制殘差塊可以在加深網(wǎng)絡(luò)的同時增強(qiáng)對時頻圖像特定區(qū)域的表征能力，從而提高網(wǎng)絡(luò)的識別精度。

3.2 注意力機(jī)制殘差模塊

增加神經(jīng)網(wǎng)絡(luò)層數(shù)可以提取到更加豐富的特征，更有利于信號時頻圖像的分類。但加深網(wǎng)絡(luò)學(xué)習(xí)過程中梯度消失是時有發(fā)生的問題，殘差學(xué)習(xí)通過加入直接映射一定程度上解決了深度學(xué)習(xí)網(wǎng)絡(luò)的梯度消失問題。此外許多研究人員驗(yàn)證了在神經(jīng)網(wǎng)絡(luò)中引入注意力機(jī)制能夠增強(qiáng)模型的特征表達(dá)能力。不同于人類視覺感知，網(wǎng)絡(luò)訓(xùn)練過程中根據(jù)識別需求只需要關(guān)注時頻圖像信號部分，本文引入殘差學(xué)習(xí)與CBAM至網(wǎng)絡(luò)特征提取模塊以提高識別性能。

在欺騙干擾檢測識別中通過引入殘差學(xué)習(xí)到DANN特征提取模塊以解決梯度消失問題，其塊結(jié)構(gòu)如圖3所示，輸入輸出特征向量關(guān)系式可表示為

圖3 殘差塊結(jié)構(gòu)

其中，xl和xl+1分 別表示第l+1層的輸入和輸出向量，F(xiàn)(x,{Wi})表示其殘差特征向量。加入直接映射保證了第l+1 比第l層包含更多的時頻圖信息，并且網(wǎng)絡(luò)參數(shù)量保持不變，每層僅多了1項(xiàng)求和，計(jì)算量幾乎不變，故對時間復(fù)雜度并無影響。

而回波信號的時頻圖像經(jīng)過殘差網(wǎng)絡(luò)得到的特征矩陣包含多個通道，這些通道信息重要性并不相同，故而以變換權(quán)重來實(shí)現(xiàn)特征通道的過濾來優(yōu)化特征，其表達(dá)式為

其中，f表示輸入該模塊的特征向量，A vgPool和MaxPool 分別表示平均池化層與最大池化層，σ表示激活函數(shù)。該模塊將輸入的特征f通過平均池化和全局最大池化的特征表征向量分別送入共享多層感知機(jī)(Muti-Layer Perception, MLP)，而后將共享網(wǎng)絡(luò)輸出的特征向量對應(yīng)量進(jìn)行求和得到和向量，對其進(jìn)行激活得到該模塊最終的輸出權(quán)重系數(shù)Mc，這個權(quán)重系數(shù)與通道數(shù)相同，體現(xiàn)了圖像不同通道特征的重要程度，最后通過相乘對輸入特征向量進(jìn)行加權(quán)得到細(xì)分后的特征向量。其時間復(fù)雜度主要變化體現(xiàn)在池化層及全連接感知機(jī)層上，全連接層的時間復(fù)雜度與輸入矩陣尺寸密切相關(guān)，其時間復(fù)雜度可表示為 T ime～O(N2·Cin·Cout)，N表示池化后的特征圖邊長，Cin表 示輸入通道數(shù)，Cout表示輸出通道數(shù)。而經(jīng)過池化后運(yùn)算量得以大規(guī)模削減。

區(qū)別于通道注意力，空間注意力聚焦于對識別有價(jià)值的圖像空間，兩者相輔相成，分別關(guān)注位置和內(nèi)容，其表達(dá)式為

該模塊同樣將輸入的特征f分別進(jìn)行平均池化和全局最大池化壓縮，不同的是此處不再是求和，而是通過按通道對應(yīng)拼接后利用7 ×7大小的卷積核進(jìn)一步維度壓縮，對其激活得到該模塊的輸出權(quán)重系數(shù)Ms，這個權(quán)重系數(shù)與原特征維數(shù)相同，體現(xiàn)了圖像不同區(qū)域特征的重要程度，最后通過與原特征向量相乘對其加權(quán)得到細(xì)分后的特征向量。其時間復(fù)雜度主要體現(xiàn)在池化層上，池化層的時間復(fù)雜度可以表示為T ime～O(M2·n2·Cin)， 其中M表示每個卷積核輸入特征圖的邊長，n表示池化窗口邊長。

本文Attention-RDANN模型的注意力機(jī)制模塊結(jié)構(gòu)如圖4所示，兩個模塊間以順序連接方式工作。結(jié)合上述時間復(fù)雜度，單個注意力機(jī)制殘差塊結(jié)構(gòu)的時間復(fù)雜度可表示為

圖4 注意力機(jī)制殘差塊結(jié)構(gòu)

其中，D表 示有D個 卷積層，Ml表 示第l個卷積核輸入特征圖的邊長，kl表示第l個卷積核的邊長，Cl?1與Cin表 示輸入通道數(shù)，Cl與Cout表 示輸出通道數(shù)，n表示池化窗口邊長，N1表示空間注意力模塊輸入特征圖邊長，N2表示通道注意力模塊池化后輸入全連接層的特征圖邊長。

3.3 Attention-RDANN網(wǎng)絡(luò)

在欺騙干擾識別問題中，目標(biāo)域數(shù)據(jù)缺少標(biāo)注是卷積神經(jīng)網(wǎng)絡(luò)識別性能不佳的主要問題。本文通過改進(jìn)的DANN網(wǎng)絡(luò)來學(xué)習(xí)源域及目標(biāo)域數(shù)據(jù)中的可遷移特征去實(shí)現(xiàn)雷達(dá)欺騙干擾識別。本文所提方法的模型結(jié)構(gòu)如圖5所示。通過這個網(wǎng)絡(luò)既可以實(shí)現(xiàn)深層特征提取同時避免梯度消失現(xiàn)象，又可以自適應(yīng)地學(xué)習(xí)到圖像中空間與通道的權(quán)重，然后根據(jù)權(quán)重去增強(qiáng)對檢測有意義的特征并抑制無意義特征，從而避免負(fù)遷移現(xiàn)象的發(fā)生。此外，本文為了適應(yīng)欺騙干擾檢測任務(wù)還對DANN網(wǎng)絡(luò)結(jié)構(gòu)做了一些修改：(1)去掉最后一個最大池化層，防止圖像丟失低級特征。(2)去掉源域分類器最后一個全連接層，并且將最后softmax適應(yīng)數(shù)據(jù)改為2/6類，全連接層(Fc)包含大量參數(shù)，這是為了減少類別同時去除冗余參數(shù)。網(wǎng)絡(luò)初始權(quán)重采用在線預(yù)訓(xùn)練權(quán)重。

圖5 Attention-RDANN網(wǎng)絡(luò)結(jié)構(gòu)

此處分別以Gf,Gy與Gd表示特征提取器、標(biāo)簽預(yù)測器與域判別器3個模塊各自的輸入輸出間函數(shù)，輸出分別表示信號時頻圖深度特征向量、網(wǎng)絡(luò)預(yù)測的干擾數(shù)據(jù)類型及網(wǎng)絡(luò)判定的干擾數(shù)據(jù)領(lǐng)域。將源域樣本與目標(biāo)域樣本深層特征分別表示為S(Gf)和T(Gf)。 則基于式(3)的源域與目標(biāo)域間 H散度為

其中，n1,n2分別表示源域目標(biāo)域數(shù)據(jù)的樣本數(shù)，此處把 H 看作特征空間中的一個超平面，通過域判別器模塊映射函數(shù)Gd來估計(jì)式(8)的最小值部分。

當(dāng)給定一個信號時頻圖樣本(xi,yi)，其標(biāo)簽預(yù)測器與域判別器的損失分別表示為Ly(Gy(Gf(xi)),yi)和Ld(Gd(Gf(xi)),di) ，di表 示 第i個 欺 騙 干 擾 時 頻圖樣本的域2元標(biāo)注。則網(wǎng)絡(luò)整體總目標(biāo)函數(shù)為

4 仿真實(shí)驗(yàn)與分析

4.1 干擾數(shù)據(jù)仿真

本文利用Hammerstein模型仿真體現(xiàn)干擾機(jī)引入的欺騙干擾信號與真實(shí)信號間的細(xì)微差異。首先把雷達(dá)發(fā)射機(jī)和干擾機(jī)看作兩個不同的靜態(tài)非線性子系統(tǒng)，則可以用不同的無記憶多項(xiàng)式模型表示該系統(tǒng)。此外把傳輸信道看作一個動態(tài)線性子系統(tǒng)，并以FIR濾波器表示。通過將兩個子系統(tǒng)級聯(lián)，得到該非線性系統(tǒng)的模型關(guān)系式為

其中，M表示系數(shù)數(shù)量，x(n)表 示輸入信號，y(n)表示輸出信號，r2i?1表 示該多項(xiàng)式系數(shù)，uk是信道響應(yīng)系數(shù)，N是FIR濾波器的階數(shù)，w(n)～N(0,σ2)是加性高斯白噪聲。以下仿真實(shí)驗(yàn)中使用的實(shí)際參數(shù)如表1所示，設(shè)置多項(xiàng)式系數(shù)的階數(shù)為7，F(xiàn)IR濾波器的階數(shù)為3。將發(fā)射信號附加幅度、時延、多普勒頻率等調(diào)制信息后，輸入該非線性模型，得到5類欺騙干擾信號。

表1 Hammerstein非線性模型參數(shù)表

4.2 實(shí)驗(yàn)參數(shù)設(shè)置

為了評估本文方法對于在雷達(dá)欺騙干擾識別領(lǐng)域的可行性及有效性，本文通過檢測雷達(dá)回波中是否存在距離假目標(biāo)、速度假目標(biāo)、距離-速度同步假目標(biāo)、頻譜彌散干擾和切片組合干擾5種雷達(dá)欺騙干擾進(jìn)行仿真實(shí)驗(yàn)，雷達(dá)發(fā)射信號參數(shù)如表2所示。

表2 仿真參數(shù)設(shè)置

按照上述流程產(chǎn)生接收信號，對接收信號以點(diǎn)數(shù)4000分出各類樣本，剔除異常樣本后對信號做時頻分析得到不同時頻圖樣本各800個，源域與目標(biāo)域6種信號類型共9600個樣本，在標(biāo)注源域數(shù)據(jù)和未標(biāo)注目標(biāo)域數(shù)據(jù)中每種干擾類型分別任意取600個時頻圖樣本作為訓(xùn)練集，將剩余每個類別200個時頻圖樣本作為測試集。

本文模型中優(yōu)化算法為隨機(jī)梯度下降法，學(xué)習(xí)率lr=0.01, batch_size=32, momentum=0.9，激活函數(shù)為ReLU。深度學(xué)習(xí)框架為Pytorch，版本為1.4.0，Python版本為3.6.8。實(shí)驗(yàn)都是在一臺CPU為Intel(R) Core(TM) i7-8750H 2.20 GHz, GPU為NVIDIA GeForce GTX 1060MaxQ的電腦上運(yùn)行，內(nèi)存為16 GB，硬盤容量為512 GB的固態(tài)硬盤，所有數(shù)據(jù)仿真產(chǎn)生都是通過MATALAB 2018b編程實(shí)現(xiàn)。

4.3 對比實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文算法的優(yōu)越性，選取有代表性的方法做性能對比，其中包括采用基于時頻圖像Zernike矩特征[20]的特征提取方法，遷移成分分析[21](Transfer Component Analysis, TCA), DAN, JAN和Source_only算法。其中Zernike作為傳統(tǒng)特征提取方法，本身不具有分類器，采用的分類器均為SVM分類器，并且僅用源域數(shù)據(jù)訓(xùn)練，目標(biāo)域數(shù)據(jù)測試，這里不進(jìn)行遷移；TCA作為典型的特征遷移方法，所用特征為上述傳統(tǒng)特征，即輸入為經(jīng)過提取時頻圖Zernike特征；Source_only網(wǎng)絡(luò)對比實(shí)驗(yàn)表示只用源域數(shù)據(jù)訓(xùn)練，目標(biāo)域數(shù)據(jù)測試來為遷移實(shí)驗(yàn)作對照。

4.4 結(jié)果與分析

實(shí)驗(yàn)1 不同雷達(dá)欺騙干擾類型數(shù)據(jù)集間的遷移。對3.1節(jié)處理后的雷達(dá)欺騙干擾時頻圖數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，并與3.3節(jié)的Source_only算法進(jìn)行對比得到不同算法下的檢測識別性能，如表3所示。其中源域與目標(biāo)域分別包含真實(shí)回波與距離欺騙、速度欺騙、距離-速度聯(lián)合欺騙、頻譜彌散5類信號的一種，即做二分類檢測識別有無假目標(biāo)。表中Rd表示距離欺騙，Vd表示速度欺騙，R_Vd表示距離速度聯(lián)合欺騙，SMSP表示頻譜彌散，C＆I表示切片組合干擾。以上述僅源域訓(xùn)練(Source_only)實(shí)驗(yàn)做參照實(shí)驗(yàn)，做不同雷達(dá)欺騙干擾類型數(shù)據(jù)集間的遷移，其中各類信號的信噪比設(shè)為10 dB，各類干擾與真實(shí)回波的干信比設(shè)為6 dB。

從表3可以得到，對于不同干擾類型的數(shù)據(jù)而言，由于域間數(shù)據(jù)具有一定的差別，當(dāng)采用Source_only方案，即只用源域訓(xùn)練，對目標(biāo)域數(shù)據(jù)的識別率普遍較本文域適應(yīng)方法低，原因在于兩個域數(shù)據(jù)存在一定差異，域適應(yīng)方法可以通過將目標(biāo)域數(shù)據(jù)一并訓(xùn)練以減小特征空間差異，而普通深度學(xué)習(xí)方法在訓(xùn)練階段時并沒有用到目標(biāo)域數(shù)據(jù)的信息，體現(xiàn)了本文對抗適配遷移學(xué)習(xí)方法對于雷達(dá)欺騙干擾識別的有效性。同時有部分實(shí)驗(yàn)兩種方法識別性能相差不大，這是因?yàn)閮蓚€域間差異不大，不同方法都能較好地進(jìn)行識別。有部分實(shí)驗(yàn)遷移后識別性能反而降低，則是出現(xiàn)了負(fù)遷移現(xiàn)象，現(xiàn)有的克服負(fù)遷移的研究方法包括樣本選擇思想和傳遞式域適應(yīng)方法[11]。實(shí)驗(yàn)表明在出現(xiàn)未知新型干擾時，本文域適應(yīng)方法對于雷達(dá)欺騙干擾識別具有一定現(xiàn)實(shí)意義。

表3 不同雷達(dá)欺騙干擾類型遷移效果對比

實(shí)驗(yàn)2 不同干噪比雷達(dá)欺騙干擾數(shù)據(jù)集的遷移。對3.1節(jié)中處理后的雷達(dá)欺騙干擾時頻圖數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，與3.3節(jié)設(shè)置的對照算法進(jìn)行實(shí)驗(yàn)對比，如表4所示。其中源域與目標(biāo)域分別包含僅真實(shí)回波以及真實(shí)回波與距離欺騙、速度欺騙、距離速度聯(lián)合欺騙、SMSP、C＆I 5類信號的一種共6類信號樣本，其中真實(shí)回波的信噪比固定為10 dB。第1列表示源域數(shù)據(jù)集的干噪比為20 dB，目標(biāo)域數(shù)據(jù)集的干噪比為10 dB，第2列則表示源域數(shù)據(jù)集的干噪比為10 dB，目標(biāo)域?yàn)?0 dB，從而做不同干噪比下雷達(dá)欺騙干擾數(shù)據(jù)集的遷移，表中每個實(shí)驗(yàn)取50次實(shí)驗(yàn)結(jié)果平均值。

從表4可以看出，在同時存在多種欺騙干擾類型情況下，傳統(tǒng)特征算法識別性能不佳，表明在雷達(dá)欺騙干擾樣式多樣、電磁環(huán)境復(fù)雜情況下，傳統(tǒng)特征不再具有普適性。并且經(jīng)過TCA遷移后的檢測識別率比只用SVM分類結(jié)果反而更低，體現(xiàn)傳統(tǒng)特征的可遷移性較低。對比Source_only算法，本文方法分別提高了17.1%和16.7%，說明不同干噪比下的時頻圖數(shù)據(jù)具有一定的差異，體現(xiàn)了本文方法有利于解決數(shù)據(jù)分布差異的問題。相比DAN及JAN遷移學(xué)習(xí)算法，本文算法體現(xiàn)了更好的性能，相比DAN提升了16.7%和17.5%，相比JAN提升了3.6%和3.7%。而相比DANN算法，本文算法在特征提取層引入注意力機(jī)制殘差模塊后，單次平均時間增加了0.15 s，單次識別時間略微增加，符合3.2節(jié)時間復(fù)雜度分析，而性能有不同程度的提升，分別提升了2.1%和2.2%，體現(xiàn)了注意力機(jī)制殘差模塊的有效性。

表4 不同方法識別效果對比

為了體現(xiàn)本文方法所提取深度特征的可遷移性能，對Source_only方法和Attention-RDANN方法提取出來的網(wǎng)絡(luò)深度特征進(jìn)行了T分布隨機(jī)近鄰嵌入(T-distribution Stochastic Neighbour Embedding, T-SNE)降維和可視化，其中源域?yàn)?0 dB干噪比的雷達(dá)欺騙干擾時頻圖數(shù)據(jù)，目標(biāo)域數(shù)據(jù)干噪比為10 dB。將網(wǎng)絡(luò)輸出的512維的特征向量通過T-SNE降維至2維，歸一化后的可視化結(jié)果圖6和圖7所示，其中不同顏色代表不同類型的雷達(dá)欺騙干擾樣本。

圖6 Source_only的T-SNE降維可視化

圖7 本文方法的T-SNE降維可視化

通過圖7可以看出，相比僅用源域訓(xùn)練，目標(biāo)域測試(未遷移)的特征可視化結(jié)果中，本文方法在模型輸出特征空間內(nèi)兩個域間各個類型的特征更好地對齊了，即通過域適應(yīng)使得模型映射到可遷移的特征空間，將目標(biāo)域不同類型的真實(shí)回波與雷達(dá)欺騙干擾數(shù)據(jù)較好地分類識別，體現(xiàn)了本文對抗適配遷移學(xué)習(xí)方法對于雷達(dá)欺騙干擾識別的有效性。

為了進(jìn)一步驗(yàn)證本文算法對于雷達(dá)欺騙干擾樣式分類識別的性能，需要評估該算法識別結(jié)果受干噪比的影響程度。設(shè)置源域?yàn)楦稍氡?0 dB的數(shù)據(jù)，目標(biāo)域數(shù)據(jù)的干噪比變化范圍為10～20 dB。分別進(jìn)行本文Attention-RDANN算法、未遷移情況Source_only方法與源域與目標(biāo)域一致情況做對比，其中源域與目標(biāo)域一致指兩者特征空間無差異，得到識別結(jié)果如圖8所示。每個實(shí)驗(yàn)取100次實(shí)驗(yàn)結(jié)果平均值。

圖8 不同條件下的欺騙干擾識別性能對比

從圖8可以看出，當(dāng)源域與目標(biāo)域干噪比一致時，識別率基本穩(wěn)定在98%，有細(xì)微的波動，原因在于各個干噪比下的網(wǎng)絡(luò)訓(xùn)練和測試數(shù)據(jù)一致，但各個干噪比下的訓(xùn)練數(shù)據(jù)間是不一致的，導(dǎo)致隨機(jī)性引入了網(wǎng)絡(luò)訓(xùn)練，不同訓(xùn)練集訓(xùn)練不同網(wǎng)絡(luò)，故與理想狀態(tài)識別率固定不變相比存在一定的上下波動。Source_only方法下，即不進(jìn)行遷移，僅用源域數(shù)據(jù)訓(xùn)練，目標(biāo)域數(shù)據(jù)測試情況，識別率普遍低于本文提出算法，且隨著源域與目標(biāo)域的干噪比差距越來越小，兩者識別率越來越接近。相對于Source_only方法，本文經(jīng)過域適應(yīng)方法有明顯提高，說明當(dāng)需要識別的欺騙干擾數(shù)據(jù)集與網(wǎng)絡(luò)訓(xùn)練欺騙干擾數(shù)據(jù)集有一定差別時，所提方法能夠有效地改善識別性能。

5 結(jié)束語

本文提出一種融合注意力機(jī)制的雷達(dá)欺騙干擾遷移識別方法，該方法首先對雷達(dá)接收信號進(jìn)行了時頻分析；然后通過注意力殘差模塊網(wǎng)絡(luò)對回波時頻圖進(jìn)行特征提取，并利用標(biāo)簽預(yù)測器與域分類器間的對抗對特征提取器進(jìn)行反饋訓(xùn)練，達(dá)到使網(wǎng)絡(luò)適應(yīng)目標(biāo)域數(shù)據(jù)的目的，該方法訓(xùn)練不需要目標(biāo)域數(shù)據(jù)的標(biāo)簽；針對不同的源域與目標(biāo)域數(shù)據(jù)開展實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，相對傳統(tǒng)特征，深度特征具有更強(qiáng)的魯棒性與可遷移性，將注意力機(jī)制與適配網(wǎng)絡(luò)相結(jié)合，聚焦于圖像關(guān)鍵區(qū)域，提高了模型的識別性能。然而該域適應(yīng)方法僅關(guān)注了欺騙干擾數(shù)據(jù)深度特征的整體分布，忽略了深度特征空間和類別空間之間的相關(guān)性。如何克服域適應(yīng)的負(fù)遷移現(xiàn)象以及進(jìn)一步利用類別空間助力域適應(yīng)，將會是下一步研究的重點(diǎn)方向。