基于信號(hào)特征深度重構(gòu)的雷達(dá)輻射源識(shí)別方法

幸濤 郭博雷 張鵬

摘? 要：文章將機(jī)器學(xué)習(xí)引入雷達(dá)識(shí)別領(lǐng)域，提出基于信號(hào)特征深度重構(gòu)的雷達(dá)輻射源識(shí)別方法。利用深度置信網(wǎng)絡(luò)對輸入層特征逐層提取和特征重構(gòu)的非監(jiān)督特征提取特性，將不同輻射源信號(hào)特征的差異逐層放大，利用輸入層與重構(gòu)層的矢量夾角作為識(shí)別的模糊一致性評判標(biāo)準(zhǔn)，得到雷達(dá)輻射源識(shí)別結(jié)果，通過對模擬輻射源特征參數(shù)的識(shí)別測試，驗(yàn)證了算法的有效性。

關(guān)鍵詞：機(jī)器學(xué)習(xí);深度置信網(wǎng)絡(luò);雷達(dá)輻射源識(shí)別;矢量夾角

中圖分類號(hào)：TN957.5? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）18-0080-04

Abstract：Machine-learning is introduced into the radar recognition in this paper. A method of radar emitter recognition based on deep feature reconstruction is proposed in this paper. We use the DBNs unsupervising characteristics of feature extraction and reconstruction of in-layer features layer by layer，to amplify the difference of signal features of different emitter layer by layer. Vector angle between the input layer and the reconstructed layer is used as the fuzzy consistency of criterion to get result of recognition of radar emitter. The effectiveness of the algorithm is verified by the recognition test of the characteristic parameters of the simulated radiation source.

Keywords：machine learning;DBN;radar emitter recognition;vector angle

0? 引? 言

隨著電子信息技術(shù)的不斷發(fā)展，現(xiàn)代戰(zhàn)場中的電子對抗愈發(fā)激烈，進(jìn)而涌現(xiàn)了更多新型復(fù)雜體制的雷達(dá)輻射源，這些雷達(dá)信號(hào)的特征參數(shù)變幻莫測，雷達(dá)輻射源的識(shí)別變得更加艱難，加之現(xiàn)代戰(zhàn)爭中電磁環(huán)境復(fù)雜，頻率覆蓋范圍幾乎接近全頻段，使得戰(zhàn)場上的電磁環(huán)境高度密集，給雷達(dá)輻射源的識(shí)別帶來了更高的難度。如何快速準(zhǔn)確地對雷達(dá)輻射源型號(hào)進(jìn)行識(shí)別是現(xiàn)代戰(zhàn)爭中的重要因素之一，也是當(dāng)前亟待解決的問題。

雷達(dá)輻射源識(shí)別是電子戰(zhàn)中的重要一環(huán)，傳統(tǒng)的雷達(dá)輻射源識(shí)別方法已經(jīng)逐漸跟不上雷達(dá)體制的變化。傳統(tǒng)的雷達(dá)輻射源識(shí)別方法主要是利用射頻（RF）、重復(fù)間隔（PRI）以及脈沖寬度（PW）等參數(shù)與雷達(dá)知識(shí)庫中的輻射源參數(shù)模板進(jìn)行匹配來實(shí)現(xiàn)對輻射源的識(shí)別，在海量復(fù)雜雷達(dá)信號(hào)的沖擊下，這種識(shí)別方式的能力往往有限，而且每次識(shí)別都需要與雷達(dá)知識(shí)庫遍歷匹配，效率上也逐漸無法滿足當(dāng)下的作戰(zhàn)需求，因此，發(fā)展針對現(xiàn)代戰(zhàn)場的雷達(dá)輻射源識(shí)別技術(shù)具有重要的意義。

空軍裝備部駐鄭州軍事代表室及27所長期以來致力于電子對抗相關(guān)的裝備研制及算法研發(fā)，為解決雷達(dá)輻射源識(shí)別準(zhǔn)確率低的問題，以及相應(yīng)智能化作戰(zhàn)的需求，本文以偵獲的雷達(dá)信號(hào)為切入點(diǎn)，將深度學(xué)習(xí)的方法引入雷達(dá)輻射源識(shí)別領(lǐng)域，利用深度置信網(wǎng)絡(luò)對雷達(dá)信號(hào)細(xì)微特征的提取能力，將網(wǎng)絡(luò)輸入層與重構(gòu)層的模糊一致性作為識(shí)別的評判標(biāo)準(zhǔn)，從而提取到更加復(fù)雜完整的雷達(dá)信號(hào)特征，提升雷達(dá)輻射源識(shí)別準(zhǔn)確率，為戰(zhàn)勤人員的決策提供有力支撐。

1? 本文主要研究內(nèi)容

深度置信網(wǎng)絡(luò)是由多個(gè)限制性玻爾茲曼機(jī)（Restricted Bolzman Machine，RBM）堆棧，形成一個(gè)非監(jiān)督的數(shù)據(jù)深層次特征提取結(jié)構(gòu)，后接上一個(gè)有監(jiān)督的邏輯回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組合而成，由于在對雷達(dá)輻射源的識(shí)別過程中，包含對未知輻射源型號(hào)的雷達(dá)信號(hào)作識(shí)別操作，監(jiān)督分類對新信號(hào)的海量數(shù)據(jù)依賴性會(huì)使網(wǎng)絡(luò)訓(xùn)練收斂速度慢，進(jìn)而導(dǎo)致識(shí)別精度低等問題，本文的雷達(dá)輻射源識(shí)別方法將摒棄DBN的有監(jiān)督訓(xùn)練部分，而只保留非監(jiān)督提取數(shù)據(jù)特征的部分，利用每一種輻射源的已有數(shù)據(jù)，訓(xùn)練出該類型雷達(dá)輻射源獨(dú)有的非監(jiān)督深度置信網(wǎng)絡(luò)（Unsupervised Deep Belief Network，UDBN），提取雷達(dá)信號(hào)的深度重構(gòu)特征，建立對同輻射源極為敏感的UDBN模型，并將訓(xùn)練參數(shù)保存用于該類型雷達(dá)輻射源的識(shí)別。UDBN包含一個(gè)可見層，即網(wǎng)絡(luò)頂端的RBM輸入層，多個(gè)用于特征提取的隱含層、與特征提取隱含層相同層數(shù)的特征重構(gòu)隱含層，最末端是最后一個(gè)RBM輸出層，UDBN最大的特點(diǎn)就是當(dāng)同種輻射源的雷達(dá)信號(hào)通過UDBN時(shí)，每一個(gè)隱含層產(chǎn)生的識(shí)別偏差比較小，最終輸出的結(jié)果與輸入的結(jié)果相似度較高;而當(dāng)不同輻射源的雷達(dá)信號(hào)通過UDBN時(shí)，每一個(gè)隱含層都將產(chǎn)生一定的識(shí)別偏差，經(jīng)過多層的偏差累積，最終輸出的結(jié)果與輸入的數(shù)據(jù)相似度非常低，利用這個(gè)原理，將通過UDBN前后的數(shù)據(jù)模糊置信度作為識(shí)別置信度量標(biāo)準(zhǔn)，就形成了一個(gè)完整的雷達(dá)輻射源識(shí)別過程。

每一種雷達(dá)輻射源都有其特定的信號(hào)特征，利用不同雷達(dá)輻射源特征參數(shù)的差異性，來對雷達(dá)輻射源做識(shí)別。主要選取的特征有射頻類型（RFType）、射頻下限（RFMin）、射頻上限（RFMax）、重復(fù)間隔類型（PRIType）、重復(fù)間隔下限（PRIMin）、重復(fù)間隔上限（PRIMax）、脈沖寬度類型（PWType）、脈沖寬度上限（PWMax）、脈沖寬度下限（PWMin）九個(gè)參數(shù)參與到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和識(shí)別過程。

2? 算法內(nèi)容

深度置信網(wǎng)絡(luò)是一種由多個(gè)限制性玻爾茲曼機(jī)組成的深度學(xué)習(xí)模型，與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，它的精度比較高，計(jì)算效率快，是一種綜合性能很高的識(shí)別算法，比較適合應(yīng)用于雷達(dá)輻射源識(shí)別工作中。

2.1? 限制性玻爾茲曼機(jī)原理

RBM是一種基于信息熵能量的無反饋的兩層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其主要作提取數(shù)據(jù)的隱含特征，RBM的輸入層即可見層，輸出層即隱含層，如圖1所示。

它是由一個(gè)有n個(gè)神經(jīng)元的可見層v和一個(gè)有m個(gè)神經(jīng)元的隱含層h組成，整個(gè)RBM系統(tǒng)（v，h）的能量為：

其中，θ=（ωij，ai，bj）為RBM的網(wǎng)絡(luò)參數(shù)，ωij為輸入層的第i個(gè)神經(jīng)元與輸出層的第j個(gè)神經(jīng)元之間的網(wǎng)絡(luò)連接權(quán)值，ai為輸入層的第i個(gè)神經(jīng)元的連接權(quán)值偏置量，bj為輸出層的第j個(gè)神經(jīng)元的連接權(quán)值偏置量，基于該能量函數(shù)，得到（v，h）的聯(lián)合概率分布：

其中，Z（θ）=為概率歸一化項(xiàng)，輸入層的分布P（v|θ）和輸出層的分布P（h|θ）可以通過聯(lián)合概率分布的似然函數(shù)來確定：

由于輸入層v與隱含層h內(nèi)部無連接，層內(nèi)各神經(jīng)元之間保持相互獨(dú)立的狀態(tài)，因此，當(dāng)給定輸入層與隱含層的狀態(tài)時(shí)，對應(yīng)的輸入層與輸出層的神經(jīng)元節(jié)點(diǎn)為激活狀態(tài)的概率分別為：

其中，σ（x）=1/（1+e-x）為用于將神經(jīng)元的激活值作非線性轉(zhuǎn)換的函數(shù)，利用數(shù)據(jù)樣本調(diào)整RBM網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)集θ的值，使RBM在訓(xùn)練集上的對數(shù)似然函數(shù)L（θ）取最大值，以此獲取參數(shù)的最優(yōu)解θ*，具體過程為：

其中，[]P為關(guān)于分布P的數(shù)學(xué)期望，P（h|vt，θ）為在輸入層的訓(xùn)練樣本為vt的情況下，隱含層節(jié)點(diǎn)的概率分布，在計(jì)算P（v，h|θ）的過程中，概率歸一化項(xiàng)Z（θ）無法直接計(jì)算，利用對比散度算法中的Gibbs采樣方式估算其近似值，最終，得到各參數(shù)的更新規(guī)則：

其中，ε為學(xué)習(xí)率，[]data為訓(xùn)練集的數(shù)學(xué)期望，[]recon為對比散度算法結(jié)果得出的數(shù)學(xué)期望。

2.2? 矢量夾角計(jì)算

對于兩個(gè)具有相同長度N的矢量曲線x和y，二者的相似度可以用矢量夾角γ來表示，矢量夾角的計(jì)算方式為：

矢量夾角越小，二者的相似度越高，反之相似度越低。

2.3? 非監(jiān)督深度置信網(wǎng)絡(luò)原理

UDBN由多個(gè)RBM組成，結(jié)構(gòu)如圖2所示。

網(wǎng)絡(luò)的前半部分是多個(gè)RBM的堆棧組成，它具有提取原始數(shù)據(jù)深層次隱含特征的功能，后半部分（圖中虛線框部分）是對輸入數(shù)據(jù)的重構(gòu)還原過程，最后，以輸入層v與最終的重構(gòu)層v的矢量夾角余弦作為識(shí)別置信度p，算法描述為：

其中，hk，j為第k個(gè)RBM的輸出層，即第k+1個(gè)RBM的輸入層，當(dāng)k=1時(shí)，hk，j=v。ωk，ak，bk分別為第k-1個(gè)輸入層到第k個(gè)隱含層之間的連接權(quán)值及重構(gòu)權(quán)值偏置、特征提取偏置。hk為第k個(gè)重構(gòu)層，當(dāng)k=0時(shí)，輸出結(jié)果是對第一個(gè)輸入層v的重構(gòu)，計(jì)算輸入層v與最終的重構(gòu)層v的矢量夾角余弦作為識(shí)別置信度p，當(dāng)p高于設(shè)定閾值，識(shí)別成功，否則識(shí)別失敗。

利用RBM能對原始數(shù)據(jù)進(jìn)行還原的特性，UDBN由k個(gè)隱含數(shù)據(jù)特征提取層及k個(gè)數(shù)據(jù)特征還原層組成，利用原始數(shù)據(jù)作為輸入層訓(xùn)練第一個(gè)RBM，并將第一個(gè)RBM的輸出結(jié)果作為第二個(gè)RBM的輸入層訓(xùn)練第二個(gè)RBM，依此類推，直到第n個(gè)RBM訓(xùn)練完畢，再利用第k個(gè)RBM的輸出層作為輸入層，對k-1層的數(shù)據(jù)重構(gòu)還原，再利用第k-1層的重構(gòu)還原數(shù)據(jù)對k-2層的數(shù)據(jù)重構(gòu)還原，依此類推，最終還原出第一個(gè)輸出層即原始數(shù)據(jù)的重構(gòu)還原結(jié)果，從而完成整個(gè)網(wǎng)絡(luò)的訓(xùn)練。整個(gè)網(wǎng)絡(luò)的作用就是利用訓(xùn)練數(shù)據(jù)訓(xùn)練出該訓(xùn)練集獨(dú)有的網(wǎng)絡(luò)參數(shù)，即這些參數(shù)只能完成與訓(xùn)練集相似數(shù)據(jù)的重構(gòu)還原。

2.4? 雷達(dá)信號(hào)特征參數(shù)識(shí)別

本文的雷達(dá)輻射源識(shí)別算法是一個(gè)人機(jī)互動(dòng)、逐漸積累的過程。首先，需要人工輔助判別未知雷達(dá)輻射源的類型，利用人工判別的多組同源雷達(dá)信號(hào)作為訓(xùn)練集，分別訓(xùn)練其對應(yīng)的非監(jiān)督深度置信網(wǎng)絡(luò)，當(dāng)未知雷達(dá)信號(hào)到來時(shí)，依次通過每個(gè)輻射源對應(yīng)的UDBN模型，并將未知信號(hào)特征值與UDBN輸出結(jié)果的矢量夾角余弦值作為未知雷達(dá)信號(hào)屬于各類輻射源的置信度，算法流程為：

步驟1，創(chuàng)建雷達(dá)輻射源識(shí)別庫，主要用于存儲(chǔ)各已知輻射源的UDBN參數(shù);

步驟2，未知輻射源雷達(dá)信號(hào)輸入;

步驟3，未知輻射源雷達(dá)信號(hào)通過識(shí)別庫中的每一個(gè)UDBN，得到兩種情況：

（1）如識(shí)別庫中無現(xiàn)有UDBN或置信度列表中的最大值低于設(shè)定閾值時(shí)，需要行人工輔助判別確定輻射源類型，為其訓(xùn)練UDBN并入識(shí)別庫，識(shí)別過程結(jié)束;

（2）置信度列表中的最大值達(dá)到或高于設(shè)定閾值時(shí)識(shí)別成功，找到置信度列表中最大值所對應(yīng)的輻射源類型，作為未知雷達(dá)信號(hào)的輻射源類型，識(shí)別過程結(jié)束。

3? 實(shí)驗(yàn)與結(jié)果分析

本次實(shí)驗(yàn)采用1個(gè)輸入層+2個(gè)特征提取層+2個(gè)特征重構(gòu)層共5層的UDBN對訓(xùn)練樣本進(jìn)行訓(xùn)練，由于訓(xùn)練樣本總量較大（3種輻射源，每個(gè)輻射源10個(gè)訓(xùn)練樣本），本文選取部分訓(xùn)練樣本展示，樣本如表1所示，其中，射頻類型、重復(fù)間隔類型、脈沖寬度類型對應(yīng)的代碼如表2所示。

測試樣本每種輻射源20個(gè)，3種輻射源共60個(gè)，將測試樣本輸入到訓(xùn)練好的UDBN中，得出識(shí)別結(jié)果及每個(gè)樣本的識(shí)別置信度，本文選取部分測試樣本及實(shí)驗(yàn)結(jié)果如表3所示：

整體識(shí)別結(jié)果中，60個(gè)測試樣本，60個(gè)識(shí)別正確，識(shí)別率60/60×100%=100%。從對測試數(shù)據(jù)的識(shí)別效果來看，識(shí)別方法具有一定成效。

4? 結(jié)? 論

將機(jī)器學(xué)習(xí)引入雷達(dá)輻射源識(shí)別過程是大勢所趨，本文利用雷達(dá)輻射源的信號(hào)特征設(shè)計(jì)了UDBN，利用UDBN對不同類別輻射源特征參數(shù)差異逐層放大的特性構(gòu)建雷達(dá)信號(hào)特征的深度重構(gòu)模型，來完成對輻射源的識(shí)別，通過對測試數(shù)據(jù)的識(shí)別試驗(yàn)也印證了算法的有效性，對雷達(dá)輻射源識(shí)別的問題上具有一定的參考價(jià)值，同時(shí)也需要真實(shí)的雷達(dá)輻射源特征參數(shù)數(shù)據(jù)來對算法做進(jìn)一步驗(yàn)證。

參考文獻(xiàn)：

[1] 孫曉磊.一種基于模糊推理和模糊判決的雷達(dá)目標(biāo)識(shí)別算法 [J].造船技術(shù)，2006（4）：44-46.

[2] 戴征堅(jiān)，郁文賢，胡衛(wèi)東，等.空間目標(biāo)的雷達(dá)識(shí)別技術(shù) [J].系統(tǒng)工程與電子技術(shù)，2000（3）：19-22.

[3] 邵命山，陳運(yùn)濤.不確定推理在雷達(dá)識(shí)別中的應(yīng)用 [J].火力與指揮控制，2008（S1）：29-31.

[4] 尚士毅.雷達(dá)識(shí)別的現(xiàn)況及發(fā)展趨向 [J].艦船電子對抗，1994（2）：7-12.

[5] 王維，周希辰，沈凡.目標(biāo)特征與雷達(dá)識(shí)別需求關(guān)系原理 [J].信息技術(shù)，2012，36（8）：108-111+115.

[6] 周旭，姜雙章，周治偉.雷達(dá)輻射源屬性識(shí)別算法研究 [J].航天電子對抗，2007（4）：28-31.

[7] 佚名.雷達(dá)信號(hào)及其處理 [J].電子科技文摘，2001（5）：76.

[8] 王歡，何明浩，劉銳，等.雷達(dá)信號(hào)識(shí)別效果的模糊綜合評價(jià)研究 [J].雷達(dá)科學(xué)與技術(shù)，2012，10（4）：372-375+379.

作者簡介：幸濤（1988.10—），男，漢族，河南新鄭人，工程師，學(xué)士學(xué)位，主要研究方向：信息處理;郭博雷（1982.03—），女，漢族，河南鄭州人，高級(jí)工程師，學(xué)士學(xué)位，主要研究方向：信息處理;張鵬（1993.09—），男，漢族，河南信陽人，工程師，碩士，主要研究方向：雷達(dá)信號(hào)分析處理。