基于改進UNet3+網(wǎng)絡(luò)的雷達輻射源信號識別

李 霜，董 瑋，董會旭，凌云飛，張歆東

(1.吉林大學電子科學與工程學院，長春，130012； 2.空軍航空大學航空作戰(zhàn)勤務(wù)學院，長春，130022)

輻射源信號識別是電子對抗偵察的關(guān)鍵部分[1-2]，識別敵方雷達信號，獲取戰(zhàn)場信息，為戰(zhàn)役指揮決策提供了關(guān)鍵的判斷依據(jù)。早期戰(zhàn)場電磁環(huán)境相對簡單，人工提取特征后通過與雷達數(shù)據(jù)庫比對，能夠較為準確地識別雷達信號。文獻[3]提出了一種融合先驗信息的輻射源信號識別方法；文獻[4]提出了基于小波網(wǎng)絡(luò)對不同脈沖重復間隔模式的輻射源信號識別方法。這些方法在并不復雜的電磁環(huán)境下具有較好的識別能力，但是在電磁環(huán)境日益復雜的背景下，這類方法的識別速度和識別精度不能滿足識別要求。如何在復雜的電磁環(huán)境[5-7]中準確地識別信號成為亟待解決的問題。

深度學習(deep learning，DL)作為機器學習中的分支，近年來廣泛應(yīng)用在計算機視覺[8]、智能控制[9]、自然語言處理[10-11]等領(lǐng)域，在輻射源信號識別中也具有優(yōu)異的性能。文獻[12]對雷達信號的偽WVD和CWD時頻圖像提取特征，并用多層感知機、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)3種分類器對信號進行識別，但是在低信噪比條件下，部分信號的識別精度較低；文獻[13]利用AlexNet 網(wǎng)絡(luò)模型對信號的時頻圖進行分類識別,將信號轉(zhuǎn)化為二維圖像進行識別，提高了識別精度，但大幅度增加了計算量，耗時較長，樣本量較大時并不適用。

為解決上述問題，本文引入UNet3+[14]網(wǎng)絡(luò)對輻射源信號進行識別。UNet3+網(wǎng)絡(luò)能處理序列數(shù)據(jù)，相較于處理時頻圖像的方法，計算量較小，可以適應(yīng)樣本量較大的情況。UNet3+網(wǎng)絡(luò)能自主進行信號特征提取，無需人為選擇特征，相較于人工提取特征的方法，能較為全面地提取特征，適應(yīng)多數(shù)類型信號的識別。該網(wǎng)絡(luò)通過全尺度跳過連接將數(shù)據(jù)的深層特征和淺層特征進行融合[15-17]，充分提取了數(shù)據(jù)特征，進而擁有較高的識別準確率。本文在UNet3+的基礎(chǔ)上，將5層級的UNet3+網(wǎng)絡(luò)刪減為3層級，保留其特征融合能力的同時降低了網(wǎng)絡(luò)的復雜度，并引入注意力機制，優(yōu)化了模型性能，在低信噪比的條件下也擁有較好的識別能力。

1 UNet3+網(wǎng)絡(luò)

圖1 UNet3+網(wǎng)絡(luò)的結(jié)構(gòu)圖

2 注意力機制

注意力機制[21-24]是從人類視覺的注意力機制得到啟發(fā)：人類在觀察事物時，先全面觀察，再經(jīng)過大腦處理，挑選出需要重點關(guān)注的位置仔細觀察，得到關(guān)鍵信息。

特征提取是信號識別的關(guān)鍵。注意力機制能篩選出重要信息，其具體表現(xiàn)形式為會根據(jù)信息的重要程度分配不同的概率權(quán)重，網(wǎng)絡(luò)會更加注重權(quán)重系數(shù)較大的信息，忽略一些無需關(guān)注的信息，突出關(guān)鍵信息的影響，增強模型判斷的準確性，提升識別速度。

注意力機制的具體實現(xiàn)流程如圖2所示。

圖2 注意力機制實現(xiàn)流程

如圖2所示，[x1,x2，…，xt-1，xt]表示輸入的輻射源信號信息，計算注意力主要分為以下3步：

步驟 1計算權(quán)重：

et=utanh(ωkt+b)

(1)

式中：b是偏置系數(shù)；u和ω是權(quán)重系數(shù)。

步驟 2對上一步得到的權(quán)重et歸一化，得到的at為注意力機制對神經(jīng)網(wǎng)絡(luò)隱藏層輸出的注意力概率權(quán)重：

(2)

步驟 3將注意力概率權(quán)重和輻射源信號中各元素進行加權(quán)求和得到注意力輻射源信號：

(3)

3 改進UNet3+模型及訓練流程

神經(jīng)網(wǎng)絡(luò)是通過提取到的特征進行判斷識別，提取到較好的特征有助于提高識別能力。UNet3+網(wǎng)絡(luò)通過全尺度跳過連接進行特征融合，淺層特征和深層特征互相補充，更好地描述了信號特征，避免特征丟失，網(wǎng)絡(luò)能通過更多的特征去判斷識別信號，識別能力較好。未改進的UNet3+網(wǎng)絡(luò)模型雖然能充分地提取信號特征，但也具有一定的局限性：由UNet3+網(wǎng)絡(luò)的結(jié)構(gòu)圖可知，每增加一個網(wǎng)絡(luò)層級，就要進行更多的特征融合，即使充分提取信號特征，但模型結(jié)構(gòu)過于復雜，需要進行更多的運算，大幅度增加網(wǎng)絡(luò)的訓練時間。針對上述問題，本文將5層級的UNet3+網(wǎng)絡(luò)刪減為3層級，降低網(wǎng)絡(luò)的復雜度，避免進行過多的特征融合，減少了網(wǎng)絡(luò)的運算量，提高網(wǎng)絡(luò)的訓練速度。網(wǎng)絡(luò)雖然提取到了詳細的數(shù)據(jù)特征，但在判斷識別信號時，并不是提取到的所有的特征都有助于判斷識別信號，有些特征是多余的，故在此基礎(chǔ)上，引入注意力機制，注意力機制通過分配不同的概率權(quán)重，使網(wǎng)絡(luò)能關(guān)注重要的特征，忽略無關(guān)的特征，將多余的特征無效化，這樣就能突出提取到的所有的特征中較為關(guān)鍵的特征的影響，進一步提高網(wǎng)絡(luò)的訓練速度和識別準確率。

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

改進UNet3+網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 本文模型的網(wǎng)絡(luò)結(jié)構(gòu)

圖3中黃色虛線框中的是3個一維卷積池化層，通過32個長度為5的卷積核處理數(shù)據(jù)，最大池化層的大小都為2，在每個卷積池化層后接正則化層，防止過擬合現(xiàn)象，3個正則化層的系數(shù)分別為0.2、0.1、0.1。網(wǎng)絡(luò)通過這些結(jié)構(gòu)進行特征提取。再經(jīng)過卷積層4、5、6處理數(shù)據(jù)，他們通過8個長度為5的卷積核處理數(shù)據(jù)，再通過全尺度跳過連接的方式進行特征融合，如藍色虛框所示，其中卷積層7、8是通過8個長度為7的卷積核處理數(shù)據(jù)，卷積池化層9是通過8個長度為7的卷積核處理數(shù)據(jù)，最大池化層的大小為2，在特征融合層2后接綠色虛線框內(nèi)的注意力層。批量歸一化(batch normalization，BN)層2后接的正則化層系數(shù)為0.4，最后在正則化層后接平鋪層和全連接層。

3.2 訓練流程

步驟 1數(shù)據(jù)輸入。將輻射源數(shù)據(jù)和對應(yīng)的標簽輸入到網(wǎng)絡(luò)模型中。

步驟 2數(shù)據(jù)預(yù)處理。將標簽轉(zhuǎn)換成獨熱碼。

步驟 3建立數(shù)據(jù)集。以0.47∶0.23∶0.3的比例將樣本劃分為訓練集、驗證集、測試集，并使用隨機種子將其打亂。

步驟 4設(shè)置早停機制。當驗證集損失不再減小，再經(jīng)過5輪訓練后損失仍沒有低于最小值，則終止訓練。

步驟 5編譯網(wǎng)絡(luò)。選擇Adam作為網(wǎng)絡(luò)的優(yōu)化器，使用categorical_crossentropy計算損失。

步驟 6設(shè)置學習率動態(tài)調(diào)整機制。最初將學習率為設(shè)置0.000 1，網(wǎng)絡(luò)訓練時，當驗證集損失增大，學習率將會衰減為原來的一半，設(shè)置學習率最多衰減為0.000 012 5。

步驟 7模型訓練。設(shè)置一次訓練所選取的樣本數(shù)為512、最大訓練輪數(shù)為50輪進行訓練。

4 試驗及結(jié)果分析

本文使用MATLAB仿真不同調(diào)制類型的信號的序列數(shù)據(jù)驗證模型性能，仿真的8種信號為：BPSK、Costas、FMCW、Frank、P1、P2、P3和P4，是未經(jīng)時頻分析處理的脈內(nèi)數(shù)據(jù),將脈內(nèi)數(shù)據(jù)采樣，對采樣后的結(jié)果截取成長度為1 024×1的數(shù)據(jù)，直接輸入到網(wǎng)絡(luò)中，載頻為1～1.2 kHz，信噪比為-20～10 dB，為全頻段功率信噪比[25]，信噪比的間隔為2 dB，共16種信噪比，在每種信噪比條件下，8種信號共產(chǎn)生2 000個長度為1 024的樣本，所以數(shù)據(jù)集的樣本總數(shù)為256 000個：訓練集的樣本總數(shù)為120 063，驗證集的樣本總數(shù)為59 127，測試集的樣本總數(shù)為76 800，所有樣本隨機打亂進行訓練。信號的具體參數(shù)見表1。計算機配置見表2。

表1 8種信號的主要參數(shù)

表2 計算機配置

4.1 實驗1

為了探究刪減網(wǎng)絡(luò)層級對網(wǎng)絡(luò)的影響，對5層級的UNet3+模型和3層級的UNet3+模型做對比試驗，其他參數(shù)保持不變，評價標準為測試集的準確率，訓練集的訓練時間。實驗結(jié)果見表3。

表3 刪減網(wǎng)絡(luò)層級對網(wǎng)絡(luò)的影響

由表3可知，3層級UNet3+的訓練時間比5層級UNet3+的訓練時間少522 s，準確率沒有太大改變，說明刪減后的3層級UNet3+網(wǎng)絡(luò)在不降低網(wǎng)絡(luò)識別準確率的同時提升了識別速度，減低了網(wǎng)絡(luò)模型的復雜度，提升了模型的泛化能力。

4.2 實驗2

為了探究全尺度跳過連接的特征融合對網(wǎng)絡(luò)識別能力的影響，以是否進行全尺度跳過連接的特征融合作為自變量，分別訓練無特征融合的UNet3+模型和有特征融合的UNet3+模型做對比試驗(二者都是5層級的網(wǎng)絡(luò)模型)，其他參數(shù)保持不變，評價標準為測試集的準確率和損失、訓練集的訓練時間。實驗結(jié)果如表4所示。

表4 特征融合對網(wǎng)絡(luò)識別能力的影響

由表4可知，進行特征融合的UNet3+模型訓練時間較長，因為特征融合后需要處理的數(shù)據(jù)變多，導致訓練時間變長；在準確率、損失上效果更好，說明UNet3+模型通過特征融合保留了更多的細節(jié)信息，充分利用了原始數(shù)據(jù)集，可以通過更多的特征進行識別，進而提高識別能力。

4.3 實驗3

為了探究引入注意力機制帶來的影響，將是否引入注意力機制作為自變量進行對比試驗，評價標準為測試集的準確率、訓練集的訓練輪數(shù)和訓練時間，實驗結(jié)果如表5所示。

表5 注意力機制實驗結(jié)果

由表5可知，有注意力機制的UNet3+網(wǎng)絡(luò)訓練時間更短、訓練輪數(shù)更少，網(wǎng)絡(luò)的識別能力約提高了0.9%，可以看出注意力機制小幅度提升了識別準確率，大幅度提高了識別速度，這是因為注意力機制對需要關(guān)注的特征分配了更多的注意力資源，忽略一些無需關(guān)注的特征，進而提高網(wǎng)絡(luò)對輻射源信號的識別能力。

為進一步探究注意力機制提升網(wǎng)絡(luò)識別準確率和訓練速度的原因，實驗將注意力層的概率權(quán)重數(shù)值畫出圖像，實驗分為以下3步：

步驟 1隨機從P3信號中抽取一個長度為1024的數(shù)據(jù)，直接輸入到訓練好的有注意力機制的UNet3+模型中。

步驟 2通過get_layer函數(shù)獲得注意力層的概率權(quán)重。因為網(wǎng)絡(luò)模型結(jié)構(gòu)的原因，獲得的數(shù)據(jù)長度為(1×1 536×8)。

步驟 3將步驟2中獲得的三維張量展平，長度為(1×12 288)畫出圖像，注意力層概率權(quán)重如圖4所示。

圖4 注意力層的概率權(quán)重

概率權(quán)重是由輻射源信號和輻射源信號中各元素權(quán)值的相似度計算得出的，從圖4可以清楚地看出得到的是一組長短明顯的針狀圖，說明有的輻射源信號元素分配了較小的概率權(quán)重，即注意力機制抑制了不重要特征，有的輻射源信號元素分配了較大的概率權(quán)重，說明注意力機制保留了關(guān)鍵信息，最終突出了關(guān)鍵信息的影響，進而提升網(wǎng)絡(luò)的識別能力。

4.4 實驗4

實驗4分為3個小實驗進一步探究模型的識別能力。

1)小實驗1：為了探究本文模型對比常見深度學習模型的優(yōu)勢。用本文模型與CLDNN[26]模型、GRU[27]模型、VGG16[28]、AlexNet[29]4種常用的經(jīng)典網(wǎng)絡(luò)模型以及未改進UNet3+模型進行對比試驗。在不同信噪比下的識別準確率如圖5所示。

圖5 不同深度學習模型在不同信噪比下的識別準確率

從圖5中可以看出，本文模型曲線全程在最上方，說明本文模型的識別精度最高，尤其是在信噪比最低的-20 dB的條件下，本文模型的準確率高于80%，遠高于大部分經(jīng)典模型。

2)小實驗2：為了探究本文模型在復雜電磁環(huán)境下的識別能力，使用訓練完成的模型對不同信噪比下的8類信號的測試集進行識別，實驗結(jié)果如圖6所示。

圖6 8類信號識別準確率

由圖6中可以看出，在噪聲較嚴重的-16 dB的信噪比條件下，8類信號的識別準確率皆能達到90%，在噪聲最嚴重的-20 dB信噪比條件下，8類信號均有高于70%的識別準確率，其中FMCW信號識別準確率最低為72%，說明在低信噪比環(huán)境下FMCW信號最難識別。綜上所述，本文模型是基本能夠滿足低信噪比條件下識別要求的。

3)小實驗3：圖7為8類信號的混淆矩陣。圖中深藍色對角線為正確識別出8類信號的概率，對角線外的區(qū)域是錯誤分類識別信號的概率。由圖7可知，8類信號的識別準確率均能達到94%以上，其中Costas與BPSK、Costas與FMCW、FMCW與BPSK錯誤率比較高，說明分類識別他們的能力較低。其他錯誤區(qū)域錯誤率全部低于1%，說明本文網(wǎng)絡(luò)識別能力較好，基本能夠滿足輻射源信號的識別要求。

圖7 8類信號混淆矩陣

5 結(jié)語

本文在UNet3+模型的基礎(chǔ)上進行改進，在減少網(wǎng)絡(luò)層級的同時，保留了UNet3+網(wǎng)絡(luò)的特征融合能力，并引入了注意力機制，進一步優(yōu)化了模型性能。實驗表明，本文提出的網(wǎng)絡(luò)能夠較為準確地識別8種輻射源信號，尤其是在信噪比較低時，相較于經(jīng)典網(wǎng)絡(luò)模型，能夠更加準確地識別信號。綜上所述，本文提出的模型在低信噪比條件下能較好地識別雷達信號，更加適應(yīng)戰(zhàn)場上復雜的電磁環(huán)境。