白帆,張慧,李鵬斐,曹昭睿
(1.沈陽理工大學(xué) a.裝備工程學(xué)院 b.機(jī)械工程學(xué)院,遼寧 沈陽 110159;2.北京理工大學(xué) 機(jī)電學(xué)院,北京 100081;3.機(jī)電動(dòng)態(tài)控制重點(diǎn)實(shí)驗(yàn)室,西安 710065)
隨著通信技術(shù)的發(fā)展,引信干擾技術(shù)[1-2]日趨成熟,且隨著現(xiàn)代作戰(zhàn)環(huán)境的不斷變化,該技術(shù)呈現(xiàn)出智能化、復(fù)雜化的發(fā)展趨勢(shì),干擾信號(hào)的類型、手段、策略也更為多樣[3-4]。為了保證對(duì)引信信號(hào)的準(zhǔn)確接收,引信抗干擾算法必須在極短的時(shí)間內(nèi),高效完成干擾信號(hào)檢測(cè)、識(shí)別、過濾等任務(wù),才能滿足現(xiàn)階段引信系統(tǒng)在復(fù)雜含擾環(huán)境下的有效工作需求。否則,引信系統(tǒng)極易在多種類、多策略干擾信號(hào)的影響下出現(xiàn)早炸、錯(cuò)失、誤炸等問題,進(jìn)而導(dǎo)致武器系統(tǒng)失效。
引信干擾信號(hào)的識(shí)別是一個(gè)復(fù)雜的非線性過程,往常以機(jī)器學(xué)習(xí)作為核心檢測(cè)方法[5-6]。近年來,隨著人工智能的發(fā)展,研究人員開始將卷積神經(jīng)網(wǎng)絡(luò)引入信號(hào)識(shí)別領(lǐng)域中[7-8]。郭治銳等[9]提出了基于改進(jìn)的AlexNet 的雷達(dá)干擾識(shí)別方法,該方法利用AlexNet卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取雷達(dá)信號(hào)圖像中的特征細(xì)節(jié),以實(shí)現(xiàn)雷達(dá)干擾信號(hào)的分類識(shí)別。唐陳等[10]采用殘差卷積神經(jīng)網(wǎng)絡(luò),提取了各干擾的聯(lián)合特征,完成了干擾信號(hào)的分類。劉國(guó)滿等[11]設(shè)計(jì)了一種雙卷積神經(jīng)網(wǎng)絡(luò)級(jí)聯(lián)結(jié)構(gòu),基于單周期時(shí)頻圖像完成了干擾預(yù)分類,再利用多周期合成時(shí)頻圖像完成細(xì)分類,最終實(shí)現(xiàn)了8 種典型干擾樣式的識(shí)別。魏迪等[12]考慮到傳統(tǒng)卷積很難提取信號(hào)的時(shí)序特征,因此提出一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)和特征融合的識(shí)別方法,對(duì)通信干擾進(jìn)行了分類。畢明雪等[13]利用CVAE 算法生成了信號(hào)的時(shí)頻譜圖,并配合卷積神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)特征進(jìn)行了提取,最后經(jīng)由LSTM 網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行了識(shí)別。
然而,因真實(shí)引信干擾信號(hào)樣本生成成本高,且難以獲取[14-15],導(dǎo)致在實(shí)際引信抗干擾訓(xùn)練任務(wù)中很難對(duì)充足的干擾數(shù)據(jù)進(jìn)行收集和標(biāo)注。同時(shí),引信干擾信號(hào)樣本遠(yuǎn)小于正常信號(hào)樣本,這種數(shù)據(jù)分布狀態(tài)不利于監(jiān)督學(xué)習(xí)。在網(wǎng)絡(luò)訓(xùn)練的過程中,數(shù)量匱乏且分布不均的樣本極易導(dǎo)致網(wǎng)絡(luò)特征提取失衡,進(jìn)而影響最終的計(jì)算精度。因此,為了有效增強(qiáng)引信抗干擾算法的計(jì)算能力,不但需要從網(wǎng)絡(luò)原理的角度去提升算法的計(jì)算精度與速度,還需要降低網(wǎng)絡(luò)對(duì)真實(shí)樣本的依賴。
針對(duì)上述問題,本文引入異常性檢測(cè)[16-17]算法,設(shè)計(jì)基于GANomaly-EfficientNet 的引信干擾信號(hào)識(shí)別算法(GE-FS),在小樣本訓(xùn)練基礎(chǔ)上,對(duì)干擾信號(hào)進(jìn)行分類識(shí)別,提升引信抗干擾網(wǎng)絡(luò)特征學(xué)習(xí)的泛化性、高效性與適配性。通過實(shí)驗(yàn)證明,GE-FS 算法能夠有效增強(qiáng)引信異常性檢測(cè)效果,可以綜合提升引信的抗干擾能力。
由于真實(shí)含擾引信信號(hào)數(shù)據(jù)集難以獲取,且制作成本較大,為確保網(wǎng)絡(luò)模型在訓(xùn)練過程中能夠獲得足夠強(qiáng)的泛化性,本方案采用原理如圖1 所示的引信干擾信號(hào)數(shù)據(jù)增強(qiáng)方法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理,以擴(kuò)增引信樣本數(shù)量。如圖1 所示,GE-FS 首先將讀取到的全局?jǐn)?shù)據(jù)以1×1 024 的尺度按順序進(jìn)行分割,隨后對(duì)每個(gè)分割出的數(shù)據(jù)按照8×128 的尺度進(jìn)行再分割,生成8 組尺度為128 的數(shù)據(jù)后,將其隨機(jī)打亂,合成為一組尺度為1×1 024 的倍增數(shù)據(jù),該數(shù)據(jù)將作為后續(xù)網(wǎng)絡(luò)訓(xùn)練的輸入數(shù)據(jù)源。通過這一方法,可以在不采集新的含噪引信真實(shí)樣本的前提下,充分利用已有的小樣本進(jìn)行數(shù)據(jù)擴(kuò)增,保證了模型的泛化能力。
圖1 引信樣本數(shù)據(jù)增強(qiáng)方法原理Fig.1 Principle of fuze sample data enhancement method
初始采集的引信信號(hào)一般為一維時(shí)序信號(hào),該類型信號(hào)維度較低,特征較少。為了得到引信信號(hào)的更多特征,本文將構(gòu)造時(shí)間和頻率聯(lián)合函數(shù),基于信號(hào)在不同時(shí)間、不同頻率的能量密度或者強(qiáng)度,從時(shí)域和頻域角度分析一維引信信號(hào),即Wigner-Ville Distibution 時(shí)頻分析方法[18]。利用時(shí)頻分布[19-20]來分析一維引信信號(hào),能得到其各個(gè)時(shí)刻的瞬時(shí)頻率及其幅值,具體計(jì)算過程如下。
Wigner-Ville 分布可以看成信號(hào)的瞬時(shí)自相關(guān)函數(shù)的傅里葉變換,其表達(dá)式如(1)所示。
整理后如式(3)所示。
WVD 在某一頻率段內(nèi)對(duì)f進(jìn)行積分,結(jié)果為該信號(hào)在t時(shí)刻的瞬時(shí)能量。同樣,信號(hào)s(t)的傅里葉變換S(Ω)的WVD 可表示為式(4),結(jié)果為信號(hào)在Ω時(shí)刻的瞬時(shí)能量。
基于GANomaly-EfficientNet 的引信干擾信號(hào)識(shí)別網(wǎng)絡(luò)(GE-FS)結(jié)構(gòu)如圖2 所示。GE-FS 主要由異常信號(hào)檢測(cè)與干擾信號(hào)分類2 部分構(gòu)成。待檢測(cè)信號(hào)經(jīng)WVD 變換后,得到時(shí)頻譜圖X時(shí),GE-FS 首先將圖片X輸入信號(hào)異常檢測(cè)部分,判斷圖片X是否為異常圖片。若圖片X為正常圖片,則直接輸出此時(shí)信號(hào)的類型為正常信號(hào)(Normal);若圖片X為異常圖片,則認(rèn)為此時(shí)的輸入為干擾信號(hào),此時(shí)開啟干擾信號(hào)分類部分,通過EfficientNet 實(shí)現(xiàn)干擾信號(hào)的分類。
圖2 GE-FS 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 GE-FS Network structure
GANomaly 的網(wǎng)絡(luò)結(jié)構(gòu)[21-22]如圖3 所示,主要由以下3 個(gè)部分組成:第1 部分為生成器部分,該部分通過編碼器學(xué)習(xí)輸入數(shù)據(jù)X的特征,輸出中間向量Z,然后通過解碼器重建輸入的圖片X',X與X'間通過損失函數(shù)1 控制收斂;第2 部分為編碼器部分,該部分編碼器的結(jié)構(gòu)與生成器編碼器部分的網(wǎng)絡(luò)結(jié)構(gòu)相同,但網(wǎng)絡(luò)參數(shù)不同,因此生成器編碼器的輸出Z與Z'的維度及大小相同,Z與Z'間通過損失函數(shù)2 控制收斂;第3 部分為判別器部分,其目標(biāo)為判斷輸入判別器X及X'的真假,此時(shí)采用損失函數(shù)3 控制收斂。
圖3 GANomaly 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 GANomaly Network structure
在完成網(wǎng)絡(luò)訓(xùn)練之后,使用GANomaly 異常檢測(cè)算法進(jìn)行模型測(cè)試時(shí),其具體流程如圖4 所示。輸入圖片X首先通過生成器生成圖片X后,再將X'輸入至編碼器中,比較Z與Z'的差異。如果Z與Z'的差異較大,則認(rèn)為此時(shí)的輸入為異常輸入;若Z與Z'的差異較小,則認(rèn)為此時(shí)數(shù)據(jù)為正常數(shù)據(jù),即為該類別信號(hào)。
第三,因人施教,降低難度和要求,培養(yǎng)學(xué)習(xí)興趣。運(yùn)動(dòng)心理學(xué)教科書這樣寫:“興趣是在需要的基礎(chǔ)上,通過學(xué)習(xí)實(shí)踐活動(dòng)逐步形成和發(fā)展起來的?!币虼?,教師在選用大綱內(nèi)容、教材搭配,教學(xué)進(jìn)度和教學(xué)方法時(shí),要充分考慮后進(jìn)生的心理需要和實(shí)際能力(體質(zhì)狀況、接受能力)。力爭(zhēng)每節(jié)課都做到活潑、新穎,多采用游戲和比賽法,使運(yùn)動(dòng)活動(dòng)產(chǎn)生愉快的肌肉滿足感。在練習(xí)和考評(píng)難度較大的項(xiàng)目時(shí),教師的動(dòng)員講解要生動(dòng)、清晰、幽默;態(tài)度、語氣要有利于調(diào)動(dòng)、穩(wěn)定和激發(fā)學(xué)生情緒。對(duì)后進(jìn)生的練習(xí)、要求和標(biāo)準(zhǔn)要放寬,作好保護(hù)與幫助,只要他們表現(xiàn)出有參與的欲望,完成動(dòng)作后便馬上給予肯定和鼓勵(lì)。這樣,他們才能逐漸在體育活動(dòng)中產(chǎn)生積極心理狀態(tài)。
圖4 GANomaly 檢測(cè)流程Fig.4 GANomalydetection process
為了提高信號(hào)識(shí)別的準(zhǔn)確率,本文將使用同時(shí)增加了網(wǎng)絡(luò)寬度、深度以及分辨率的EfficientNet[23]作為干擾信號(hào)分類網(wǎng)絡(luò),其結(jié)構(gòu)[24-25]如圖5 所示。網(wǎng)絡(luò)中每個(gè)階段最前面的數(shù)值表示該階段的重復(fù)次數(shù),而每2 個(gè)階段中間的數(shù)據(jù)為當(dāng)前數(shù)據(jù)尺度。例如,第3階段的“2×MBConv6,K3×3”表示由2 個(gè)大小為3×3卷積核構(gòu)成的MobileNet Conv(MBConv)層,次層的輸入數(shù)據(jù)尺度為 16×112×112,輸出數(shù)據(jù)尺度為24×112×112。
圖5 EfficientNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 EfficientNet Network structure
EfficientNet 的輸入圖片尺度為3×224×224,依次經(jīng)過如圖5 所示的9 個(gè)階段,其中第2—8 個(gè)階段(Stage)采用重復(fù)堆疊的MBConv 層,其具體結(jié)構(gòu)如圖6a 所示。輸入MBConv 層的特征圖經(jīng)1×1 的卷積核進(jìn)行下采樣計(jì)算,并采取批量歸一化操作,隨后利用Swish 激活函數(shù)升維。然后輸入DW 卷積層中,同樣采取批量歸一化操作與Swish 激活函數(shù)計(jì)算,之后輸入結(jié)構(gòu)如圖6b 所示的SE 層中。該層首先對(duì)于輸入特征圖的每個(gè)維度進(jìn)行平均池化,然后分別通過2個(gè)全連接層FC1 和FC2,其中FC1 用Swish 激活函數(shù),F(xiàn)C2 采用Sigmoid 激活函數(shù)。另外,F(xiàn)C2 的結(jié)點(diǎn)個(gè)數(shù)必須與輸入特征圖的維度保持一致,而FC1 結(jié)點(diǎn)個(gè)數(shù)等于輸入特征圖維度的1/4。經(jīng)過SE 模塊后,網(wǎng)絡(luò)通過一個(gè)1×1 的卷積核實(shí)現(xiàn)降維,并通過Dropout操作剔除冗余計(jì)算。最后,網(wǎng)絡(luò)將上述操作的輸出與輸入MBConv 層的特征圖相加,以獲得最終輸出。
圖6 EfficientNet 網(wǎng)絡(luò)層結(jié)構(gòu)Fig.6 Network layer structures of EfficientNet: a) Mobilenet Conv layer network structure; b) SE layer network structure
GE-FS 網(wǎng)絡(luò)共有4 個(gè)損失函數(shù),在訓(xùn)練異常性檢測(cè)網(wǎng)絡(luò)時(shí),共需要3 個(gè)損失函數(shù)。首先是上下文損失,通過衡量輸入數(shù)據(jù)X與生成器生成的數(shù)據(jù)X'的誤差損失來學(xué)習(xí)輸入數(shù)據(jù)中的上下文信息,其表達(dá)式如式(5)所示。
其次是編碼器損失,上下文損失起到保存數(shù)據(jù)的上下文信息,以及讓生成的數(shù)據(jù)更加真實(shí)的作用,而編碼器損失的作用是為了使Z與Z'之間的距離最小,其表達(dá)式如式(6)所示。
異常檢測(cè)部分的最后一個(gè)損失為對(duì)抗損失,該損失采用使用特征對(duì)齊損失函數(shù),其表達(dá)示如式(7)所示。
對(duì)抗損失通過計(jì)算輸入圖像與生成圖像特征表達(dá)之間的歐氏距離,得到判別器的中間層向量,可以優(yōu)化圖像特征之間的差異。
最終,GE-FS 網(wǎng)絡(luò)的異常檢測(cè)算法損失函數(shù)如式(8)所示。
干擾信號(hào)分類部分的任務(wù)本質(zhì)上為圖像分類任務(wù),因此損失函數(shù)為多分類交叉熵?fù)p失函數(shù),可表示為式(9)。
綜上所述,GE-FS 算法的損失函數(shù)可表示為式(10)。
文中采用的引信樣本為仿真數(shù)據(jù),其中共4 類干擾信號(hào)以及1 組正常信號(hào)。第一類干擾的實(shí)驗(yàn)數(shù)據(jù)如圖7 所示,總長(zhǎng)度為32 034。
圖7 一維時(shí)序干擾信號(hào)Fig.7 One-dimensional temporal interference signal
本次實(shí)驗(yàn)首先將讀取到的信號(hào)數(shù)據(jù)以1×1 024 的形式按照順序進(jìn)行分割,隨后將其作為網(wǎng)絡(luò)訓(xùn)練的測(cè)試集。由于數(shù)據(jù)量較少,按照?qǐng)D1 所示的數(shù)據(jù)增強(qiáng)算法處理后,各類數(shù)據(jù)的數(shù)量見表1。
表1 數(shù)據(jù)增強(qiáng)結(jié)果Tab.1 Data enhancement results
完成數(shù)據(jù)增強(qiáng)后,采用WVD 算法對(duì)信號(hào)進(jìn)行時(shí)頻分析,將生成的時(shí)頻譜圖保存,并作為測(cè)試GE-FS算法的數(shù)據(jù)集。圖8 為分別對(duì)5 種類型進(jìn)行WVD 變換得到的時(shí)頻譜圖。
圖8 5 種類型信號(hào)經(jīng)WVD 變換后的時(shí)頻譜圖Fig.8Time spectrum diagrams of five types of signals after WVD transformation: a) normal signal; b) interference type 1; c) interference type 2; d) interference type 3; e) interference type 4
為了驗(yàn)證GE-FS 算法的可行性,本文以聯(lián)想R7作為驗(yàn)證計(jì)算機(jī)平臺(tái),其CPU 配置為AMD Ryzen7 4800H(主頻為2.90 GHz),GPU 為GeForce GTX 1650 Ti(運(yùn)行內(nèi)存16 GB),計(jì)算環(huán)境為Windows 10,算法編寫語言為Python3.7,并配合pytorch1.7 作為輔助高級(jí)API。實(shí)驗(yàn)結(jié)果見表2。
表2 實(shí)驗(yàn)結(jié)果Tab.2The experimental results
通過表2 可知,在均未使用數(shù)據(jù)增強(qiáng)算法的小樣本條件下,基于EfficientNet 的信號(hào)識(shí)別分類算法的識(shí)別準(zhǔn)確率為80%,而GE-FS 算法的識(shí)別準(zhǔn)確率為89.7%。在使用數(shù)據(jù)增強(qiáng)算法后,EfficientNet 的信號(hào)識(shí)別分類算法的識(shí)別準(zhǔn)確率提升為96.9%,而GE-FS分類算法的識(shí)別準(zhǔn)確率提升為98.4%。該結(jié)果既證明了數(shù)據(jù)增強(qiáng)算法的有效性,也證明了GE-FS 干擾信號(hào)分類算法的性能優(yōu)于傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別分類算法,驗(yàn)證了異常性檢測(cè)算法在引信干擾信號(hào)識(shí)別中應(yīng)用的可行性、實(shí)用性與高效性。
本文通過GE-FS 算法對(duì)擴(kuò)充引信信號(hào)異常性檢測(cè)測(cè)試,得出了以下結(jié)論:
1)基于WVD 時(shí)頻轉(zhuǎn)換的數(shù)據(jù)擴(kuò)展方法能夠?qū)π颖菊鎸?shí)含擾引信數(shù)據(jù)進(jìn)行有效倍增,擴(kuò)增的數(shù)據(jù)樣本能夠?yàn)楦蓴_識(shí)別網(wǎng)絡(luò)提供良好的訓(xùn)練基礎(chǔ),能夠降低傳統(tǒng)引信抗干擾算法對(duì)真實(shí)數(shù)據(jù)的依賴。
2)GE-FS 在擴(kuò)增的仿真引信數(shù)據(jù)上具有良好的干擾檢測(cè)能力,相比單架構(gòu)引信抗干擾網(wǎng)絡(luò)的信號(hào)識(shí)別,準(zhǔn)確率具有較強(qiáng)提升。
綜上所述,該算法在引信抗干擾任務(wù)中具有較強(qiáng)的應(yīng)用價(jià)值,能夠增強(qiáng)引信系統(tǒng)面向復(fù)雜作戰(zhàn)環(huán)境時(shí)的抗擾能力與自適應(yīng)性。