基于Stacking組合分類算法的新體制雷達(dá)型號識別技術(shù)

徐 晶 張生杰 張譯方 周 超 閆亞斌 邱光輝

(西南電子設(shè)備研究所 成都 610036)

0 引言

雷達(dá)輻射源型號識別是將偵測到敵方雷達(dá)發(fā)射的信號，在信號分選基礎(chǔ)上，分析工作參數(shù)，實(shí)現(xiàn)雷達(dá)輻射源型號判識，完成準(zhǔn)確的威脅判斷和搭載平臺識別，為作戰(zhàn)指揮人員提供戰(zhàn)場態(tài)勢信息和戰(zhàn)術(shù)決策行動信息[1-2]。

隨著新體制、多功能雷達(dá)的廣泛運(yùn)用，戰(zhàn)場電磁環(huán)境呈現(xiàn)密集性和復(fù)雜性，雷達(dá)信號呈現(xiàn)頻率捷變快、參數(shù)變化多的特點(diǎn)，傳統(tǒng)雷達(dá)信號處理在分選、關(guān)聯(lián)、識別各個(gè)環(huán)節(jié)面臨巨大挑戰(zhàn)，難以有效處理新體制雷達(dá)信號[3]。其中，以相控陣?yán)走_(dá)型號的準(zhǔn)確識別問題尤為突出；另一方面，隨著神經(jīng)網(wǎng)絡(luò)等人工智能算法的引入，一定程度上解決了對復(fù)雜雷達(dá)信號的識別問題[4-6]。但由于戰(zhàn)場環(huán)境的非合作化，復(fù)雜體制雷達(dá)信號參數(shù)的可區(qū)分特征維度少、樣本數(shù)據(jù)存在錯(cuò)誤、缺失等特點(diǎn)，要求所運(yùn)用的人工智能算法能夠同時(shí)具備對小樣本數(shù)據(jù)泛化能力和對錯(cuò)誤樣本數(shù)據(jù)容錯(cuò)能力的特點(diǎn)[7]。因此，運(yùn)用諸如隨機(jī)森林、SVM、CNN等目前較為成熟的單一人工智能算法無法取得最優(yōu)的識別效果。

為解決上述問題，本文提出一種基于Stacking組合分類方法的雷達(dá)輻射源型號識別技術(shù)，通過構(gòu)造兩級疊加式架構(gòu)，將卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)算法組合，豐富識別手段，同時(shí)擴(kuò)展識別參數(shù)維度，結(jié)合特征規(guī)律和不同智能算法的特點(diǎn)，針對性地將不同參數(shù)作為各個(gè)分類器的輸入特征向量，達(dá)到對特征參數(shù)的最佳運(yùn)用，形成對復(fù)雜體制雷達(dá)的準(zhǔn)確識別。

1 Stacking框架基本原理

Stacking框架是一種疊加式分類器[10]，具有較強(qiáng)的可擴(kuò)展性，組合的層次可以從一層到多層向上延伸，該方法將組合問題看做歸納過程，利用前一級模型的輸出作為下一級的輸入，使得前一次的學(xué)習(xí)能充分用于后面的歸納過程，發(fā)現(xiàn)并糾正分類偏差[11]，提高學(xué)習(xí)的精度。

Stacking框架通常采用的是兩級式框架結(jié)構(gòu)，通過對多個(gè)分類器的輸出結(jié)果進(jìn)行融合，利用前一級分類器的輸出結(jié)果以及其他的特征作為下一級分類器的學(xué)習(xí)輸入特征，使得后一級的學(xué)習(xí)對前一級輸出結(jié)果進(jìn)行充分的歸納學(xué)習(xí)，同時(shí)能及時(shí)發(fā)現(xiàn)識別誤差并糾正，從而獲得比單個(gè)獨(dú)立分類器更優(yōu)異的識別率[12]。兩級Stacking框架中第1級代表各個(gè)成員分類器，稱為基分類器，第2級代表更高一層的融合歸納分類器[13]，稱為元分類器，決定Stacking泛化能力的關(guān)鍵是基分類器和元分類器的組合方式。

Stacking框架工作的過程分為訓(xùn)練和分類兩個(gè)階段，訓(xùn)練階段采用訓(xùn)練樣本數(shù)據(jù)來創(chuàng)建第1級和第2級分類器，分類階段使用生成的1、2級分類器來測試未知類別的數(shù)據(jù)類別[12]。

1.1 訓(xùn)練過程

首先利用訓(xùn)練數(shù)據(jù)對第1級分類器進(jìn)行訓(xùn)練，訓(xùn)練過程采用交叉驗(yàn)證的方式進(jìn)行[13]，假設(shè)訓(xùn)練數(shù)據(jù)為

D={(x(n),y(n)),n=1,2,3,…,N}

其中：x(n)代表第n個(gè)訓(xùn)練樣本數(shù)據(jù)，y(n)代表訓(xùn)練樣本標(biāo)簽，隨機(jī)將訓(xùn)練數(shù)據(jù)劃分為k個(gè)大小基本相等的子集D1,D1,…,Dk，分別定義Dk和D(-k)=D-Dk為K折交叉驗(yàn)證中的第k折測試集和訓(xùn)練集。給定S個(gè)分類學(xué)習(xí)算法作為第1級歸納算法，對訓(xùn)練集D(-k)用第s個(gè)算法歸納得到模型D(-k),s=1,…,S。

Dcv={(yn,z1n,…,zsn),n=1,…N}

圖1 Stacking的泛化示意圖

基于Stacking的組合分類器方法系統(tǒng)架構(gòu)如圖2所示。

圖2 基于Stacking組合分類器系統(tǒng)架構(gòu)

1.2 分類過程

對于輸入的一個(gè)待分類樣本x，對它的分類過程分為如下兩步：

1)由第1級分類器對它進(jìn)行分類，得到預(yù)測結(jié)果；

2)將第1級分類器的預(yù)測結(jié)果看做是一個(gè)新的預(yù)測樣本，送入第2級分類器，由第2級分類器來預(yù)測類別[14]。

2 基于Stacking框架的識別技術(shù)

雷達(dá)輻射源型號識別的關(guān)鍵在于特征參數(shù)和分類器的選擇。分類器選擇主要面臨如下挑戰(zhàn)：一是特征矢量比較復(fù)雜，維度較多，對分類器識別能力提出較高的要求；二是雷達(dá)輻射源識別作為偵收機(jī)信號處理的關(guān)鍵環(huán)節(jié)，接收到的信號持續(xù)時(shí)間較短，分類器必須具備在小樣本條件下的快速、穩(wěn)定識別能力，識別準(zhǔn)確率必須滿足實(shí)戰(zhàn)化需要[15]。

2.1 總體思路

參照Stacking組合分類器系統(tǒng)架構(gòu)，將傳統(tǒng)一級分類架構(gòu)擴(kuò)展到兩級，通過一個(gè)融合模型來融合若干個(gè)單模型的預(yù)測結(jié)果，這個(gè)單模型稱為1級模型，融合模型稱為2級模型，第1級分類器采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)，第2級分類器采用支持向量機(jī)(SVM)，通過合理組織兩級分類器使得Stacking架構(gòu)具備更優(yōu)異的泛化能力。利用新體制雷達(dá)脈間常規(guī)特征參數(shù)、脈內(nèi)特征參數(shù)，實(shí)現(xiàn)對雷達(dá)不同特征參數(shù)識別結(jié)果的融合。

2.2 分類器選擇

由于受電磁環(huán)境的影響，偵收到的輻射源信號數(shù)據(jù)受到嚴(yán)重干擾，無法準(zhǔn)確提取表征信號的有效特征，尤其是新體制雷達(dá)技術(shù)的快速發(fā)展使得現(xiàn)有技術(shù)無法靈活適應(yīng)，因此需采用類似大腦皮層多級處理的層級編碼結(jié)構(gòu)智能化提取更抽象的深層特征。

神經(jīng)網(wǎng)絡(luò)分類器具有分析非線性模式數(shù)據(jù)、處理大數(shù)據(jù)的能力，處理分析數(shù)據(jù)速度較快，通過對數(shù)據(jù)特征的學(xué)習(xí)和記憶達(dá)到對未知類別數(shù)據(jù)的準(zhǔn)確識別[21]。卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為一種典型的深度學(xué)習(xí)算法，目前廣泛應(yīng)用于圖像處理、語音識別等領(lǐng)域，取得了突破性的成果。深度學(xué)習(xí)模型從低層次特征提取更高層抽象特征屬性，實(shí)現(xiàn)了復(fù)雜的非線性函數(shù)逼近，較淺層模型泛化能力更強(qiáng)，能刻畫數(shù)據(jù)更豐富的本質(zhì)信息[16]。卷積神經(jīng)網(wǎng)絡(luò)采用“局部感受區(qū)域”的策略，以減少網(wǎng)絡(luò)中的非重要參數(shù)，同時(shí)采用權(quán)值共享和降采樣技術(shù)，大幅減少了訓(xùn)練參數(shù)的數(shù)量，提高訓(xùn)練識別速度并有效防止網(wǎng)絡(luò)過擬合，以達(dá)到更好的學(xué)習(xí)和泛化效果，能取得較好的識別準(zhǔn)確率。根據(jù)目前的研究資料，雷達(dá)輻射源識別領(lǐng)域采用的均是人為設(shè)計(jì)的特征參數(shù)，深度特征的學(xué)習(xí)尚未得到廣泛應(yīng)用，提取雷達(dá)輻射源信號深層表征特征是目前亟待解決的問題。

支持向量機(jī)(SVM)專門研究小樣本條件下機(jī)器學(xué)習(xí)規(guī)律，在處理高維數(shù)據(jù)時(shí)，能有效解決“維度災(zāi)難”，具有很好的泛化能力[17-19]。支持向量機(jī)在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出結(jié)構(gòu)簡單、全局最優(yōu)、泛化能力強(qiáng)等許多特有的優(yōu)勢[18]，已在許多研究領(lǐng)域得到成功應(yīng)用。

雷達(dá)輻射源數(shù)據(jù)具有非合作、小樣本、碎片化等顯著特點(diǎn)，因此輻射源分類識別是在小樣本條件下的非線性分類問題，對識別速度和識別準(zhǔn)確率均有較高的要求，為了提取雷達(dá)輻射源深層特征，實(shí)現(xiàn)多維度特征數(shù)據(jù)處理，本文采用卷積神經(jīng)網(wǎng)絡(luò)作為第1級分類器，為了解決小樣本條件的判識問題，增強(qiáng)識別模型的泛化能力，采用支持向量機(jī)作為第2級分類器，SVM卷積核采用徑向基函數(shù)(RBF)。

2.3 系統(tǒng)設(shè)計(jì)

本文采用Stacking框架與機(jī)器學(xué)習(xí)算法相結(jié)合的方式，系統(tǒng)結(jié)構(gòu)如圖3所示。主要分為訓(xùn)練過程和識別過程。

圖3 Stacking融合算法分類器實(shí)現(xiàn)

其中，訓(xùn)練過程為：

1)數(shù)據(jù)預(yù)處理

預(yù)處理步驟主要分為數(shù)據(jù)過濾、特征提取，具體為：

①數(shù)據(jù)過濾：為了濾除噪聲及背景信號影響，根據(jù)已知數(shù)據(jù)接收情況，按照頻段、參數(shù)范圍等規(guī)則進(jìn)行過濾；

②特征提取：根據(jù)信號分選算法、特征提取算法挖掘常規(guī)信號特征及脈間細(xì)微特征，根據(jù)脈內(nèi)特征提取算法分析脈內(nèi)調(diào)制特征參數(shù)。

2)標(biāo)簽加載

根據(jù)先驗(yàn)知識，對信號特征參數(shù)數(shù)據(jù)賦予對應(yīng)的標(biāo)簽(特征參數(shù)對應(yīng)的目標(biāo)ID)。

3)第1級分類器訓(xùn)練

傳統(tǒng)特征參數(shù)在雷達(dá)輻射源型號識別領(lǐng)域仍具有非常重要的作用，因此以傳統(tǒng)特征參數(shù)為主，脈間細(xì)微特征、脈內(nèi)特征為輔，訓(xùn)練識別分類器。為了提取雷達(dá)信號深層特征，第1級分類器采用卷積神經(jīng)網(wǎng)絡(luò)。利用傳統(tǒng)特征參數(shù)訓(xùn)練第1級分類器中第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，利用傳統(tǒng)特征參數(shù)加脈間細(xì)微特征訓(xùn)練第1級分類器中的第二個(gè)卷積神經(jīng)網(wǎng)絡(luò)，利用傳統(tǒng)特征參數(shù)加脈內(nèi)特征訓(xùn)練第1級分類器中的第三個(gè)卷積神經(jīng)網(wǎng)絡(luò)。

4)第2級分類器訓(xùn)練

第2級分類器采用支持向量機(jī)(SVM)，將第1級分類器中三個(gè)卷積神經(jīng)網(wǎng)絡(luò)的輸出，結(jié)合脈內(nèi)特征，形成第1級分類器輸出的特征向量，標(biāo)簽與第1級分類器的標(biāo)簽相同，利用第1級分類器輸出的特征向量及標(biāo)簽訓(xùn)練第2級分類器。

第1級分類器和第2級分類器訓(xùn)練過程如圖4所示。

圖4 訓(xùn)練測試過程

5)模型保存

將第1級分類器中的三個(gè)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的模型加標(biāo)簽、第2級分類器訓(xùn)練的模型加標(biāo)簽及備注信息依次保存至模型文件中，在每個(gè)模型數(shù)據(jù)之前先保存模型標(biāo)識信息，用以標(biāo)識各個(gè)模型，模型保存方式如圖5所示。

圖5 模型保存方式

識別過程為：

1)數(shù)據(jù)預(yù)處理

識別的預(yù)處理方式與訓(xùn)練的預(yù)處理過程相同，即需要對原始數(shù)據(jù)進(jìn)行過濾、信號特征參數(shù)提取等操作。

2)分類識別

首先加載已訓(xùn)練的模型文件，根據(jù)模型標(biāo)識完成對應(yīng)分類器的初始化，根據(jù)數(shù)據(jù)預(yù)處理提取的信號特征參數(shù)，采用Stacking架構(gòu)模型進(jìn)行識別。

3)結(jié)果輸出

采用第2級分類器的結(jié)果，作為最終的結(jié)果輸出。

3 仿真分析

運(yùn)用仿真方法生成6類新體制雷達(dá)目標(biāo)特征參數(shù)，按照上述算法進(jìn)行驗(yàn)證分析。

不同分類器的識別結(jié)果混淆矩陣如圖6、圖7、圖8所示。采用識別準(zhǔn)確率、召回率、F1-Score指標(biāo)驗(yàn)證不同分類器的識別性能。驗(yàn)證結(jié)果如表1、表2、表3所示。

圖6 CNN識別結(jié)果歸一化混淆矩陣

圖7 SVM識別結(jié)果歸一化混淆矩陣

圖8 Stacking識別結(jié)果歸一化混淆矩陣

表1 CNN分類器識別結(jié)果

表2 SVM分類器識別結(jié)果

表3 Stacking分類器識別結(jié)果

從表1、表2、表3的驗(yàn)證結(jié)果可以看出，相對于單一分類器SVM、CNN，本文提出的Stacking組合分類算法能提高1%～2%的識別準(zhǔn)確度，因此，對于不同體制雷達(dá)，不需要針對性地選擇最優(yōu)的基分類算法，而是利用組合分類算法去組合不同的基分類器，這種組合結(jié)果可以充分應(yīng)用不同特征參數(shù)對不同使用場景的分類貢獻(xiàn)率，結(jié)合不同信號特征參數(shù)取得最佳分類效果，具有較強(qiáng)的工程應(yīng)用價(jià)值。

4 結(jié)束語

本文從機(jī)器學(xué)習(xí)算法著手，以雷達(dá)信號特征參數(shù)為基礎(chǔ)，將卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)應(yīng)用在新體制雷達(dá)型號識別領(lǐng)域，采用不同基分類器學(xué)習(xí)不同維度信號特征參數(shù)，利用Stacking架構(gòu)組合不同分類器的識別結(jié)果，實(shí)現(xiàn)新體制雷達(dá)型號的準(zhǔn)確判識，相對于單一分類器，本文提出的識別技術(shù)能有效提升雷達(dá)輻射源識別率，具有較好的應(yīng)用前景。