基于特征提取和機器學習的電磁目標識別方法

徐洪志 姚家馳 劉 超 李彩霞 蔣東翔 孫騰龍 趙新青

(1.中國人民解放軍32142部隊 河北保定 071000;2.清華大學 北京 100084;3.河北大學 河北保定 071000)

0 引言

電磁目標識別在軍事領域中具有非常重要的作用，通過識別電磁目標的類型和數量能夠有助于判斷敵方所使用的設備狀態及人員規模，進而提前有針對性地部署相應的作戰方案。目前國內外學者對電磁目標識別進行了許多研究，主要有基于卷積神經網絡的方法，基于輕量化卷積神經網絡的方法，基于深度學習的方法，基于深度神經網絡與多任務學習的方法，基于輕量級深度神經網絡的方法，基于遷移學習的方法，基于壓縮感知的識別方法，基于模型的識別方法，基于指紋機制的識別方法等。基于神經網絡和深度學習的方法雖然識別準確率高，但是復雜的網絡結構會導致計算時間較長，且需要較高的計算硬件條件；基于模型和指紋機制的識別方法需要根據電磁目標的特點建立相應的數學模型，雖然能夠準確識別電磁目標，但是存在模型通用性有限等限制。

本項工作針對實際現場環境中要求快速準確識別出電磁目標的需求，提出一種基于特征提取和機器學習的電磁目標識別方法，同時針對現有電磁目標數據庫數據有限的情況，提出通過重采樣、改變幅值和信號疊加三種方法擴充現有數據庫，通過本項工作既能擴充現有電磁目標數據庫，又能實時準確地識別出各電磁目標。

1 電磁目標數據庫及其擴充方法

對于電磁目標識別，Anu Jagannath和Jithin Jagannath學者通過研究得到了電磁目標數據庫。該數據庫主要包含8種信號類型和6種調制類型，8種信號類型分別為Airborne detection radar、Airborne range radar、Air-Ground MTI radar、Ground mapping radar、Radar Altimeter、SATCOM、AM Radio、Short-range wireless；6種調制類型分別為Pulsed Continuous wave、Frequency modulated Continuous wave、BPSK、AM-DSB、AM-SSB、ASK。雖然該數據庫中已有許多數據，但是在實際應用中可能還不夠，為了擴充數據庫，提出通過重采樣、改變幅值和信號疊加三種方法對現有數據庫進行擴充：重采樣指改變電磁信號的采樣頻率；改變幅值指增加或降低電磁信號的幅值；信號疊加指將兩個或兩個以上的電磁信號混合生成新的電磁信號。通過重采樣、改變幅值和信號疊加三種數據擴充方法能夠有效擴充現有的電磁目標數據庫，有助于開展電磁目標識別研究。

對于擴充的電磁目標數據庫，選取8種電磁目標進行研究，如表1所示。

表1中電磁目標類型6采用了重采樣處理，電磁目標類型7采用了改變幅值處理，電磁目標類型8由電磁目標類型1和2疊加生成。對于選取的8種電磁目標，研究能在不同信噪比(18dB、16dB、14dB、12dB、10dB、8dB)下準確識別各電磁目標的方法，每種電磁目標類型有600個樣本，表1中8種電磁目標類型的波形圖如圖1所示。

表1 8種電磁目標

圖1中展示的是在信噪比18 dB下第78個樣本數據的電磁目標波形圖。對于8種電磁目標類型，每種類型共有600個樣本數據，將其中的70%當作訓練集用于訓練，剩下的30%當作測試集驗證所提出電磁目標識別方法的識別效果。

圖1 8種電磁目標波形圖

2 電磁目標識別方法計算過程

電磁目標識別方法主要包括三個步驟：特征提取、特征降維和分類識別，下面分別對這三個步驟的計算過程進行分析。

2.1 特征提取

在特征提取部分，對于電磁目標信號，提取其時域和頻域統計特征，時域和頻域統計特征參數的計算公式分別如表2和表3所示。

表2 時域統計特征

表3 頻域統計特征

表2中的表示電磁目標時間序列信號，表3中的和分別表示經過傅里葉變換后的頻率成分和頻譜幅值。通過計算時域統計特征可以得到16個特征參數，通過計算頻域統計特征可以得到12個特征參數，為了提高計算效率，采用特征降維方法保留主成分。

2.2 特征降維

經過特征提取后可得到16個時域統計特征和12個頻域統計特征，采用主成分分析(Principal Component Analysis，PCA)方法對其進行特征降維。

對于個特征參數對應的個值，構造的特征矩陣為

(1)

將特征矩陣進行線性變換使其滿足式(2)。

(2)

且有

(3)

式中var()表示方差，cor(,)表示主成分間的相關性。

通過PCA方法能夠將特征參數變換成多個主成分，為了提高計算效率，這里選取前三個主成分進行計算和分析。

2.3 分類識別

對于8種電磁目標，每種電磁目標有600個樣本，總共4800個樣本，對每個樣本提取16個時域統計特征和12個頻域統計特征，然后經過PCA處理選取前三個主成分，最后得到4800×3維的特征空間，將其中的70%當作訓練集用于訓練，剩余的30%當作測試集驗證識別的準確率。為了進行對比分析研究，選取SVM、KNN、Random forest和AdaBoost四種基于機器學習的分類識別算法進行識別，同時考慮在現場環境應用中的實際需求，還研究了在不同信噪比下的識別結果以及進行識別所需耗費的時間，在進行計算時所使用的計算機為Windows 10系統，CPU為英特爾i7-9700，內存為64 GB，程序代碼用python語言編寫，并基于Spyder編譯器運行。

3 電磁目標識別結果

通過計算得到的電磁目標識別結果如表4所示。

表4 電磁目標識別結果

由表4可知，隨著信噪比(18dB、16dB、14dB、12dB、10dB、8dB)降低，電磁目標識別的準確率也逐漸降低。在采用時域統計特征時，8dB信噪比下SVM、KNN、Random forest和AdaBoost算法識別的準確率分別為92.92%、93.75%、94.72%和94.86%；在采用頻域統計特征時，其識別準確率分別為96.88%、97.29%、97.78%和98.06%；在同時采用時域和頻域統計特征時，其識別準確率分別為89.86%、93.26%、93.75%和92.85%。當同時采用時域和頻域統計特征時，電磁目標的識別準確率沒有只采用頻域統計特征時高，這可能是因為電磁目標對頻域特征參數更加敏感，因此只需采用頻域統計特征即可準確識別各電磁目標，此外通過比較平均耗費時間可知，Random forest算法雖然識別準確率略高于AdaBoost算法，但是其所需的時間比AdaBoost算法約長1.3s。為了快速準確識別電磁目標，研究結果表明基于AdaBoost算法采用頻域統計特征能夠準確快速識別出電磁目標，識別的平均準確率高達99.20%，所需時間為0.19s。

4 結束語

本項工作提出了重采樣、改變幅值和信號疊加三種電磁目標數據庫擴充方法，通過這三種方法能夠有效擴充現有數據庫。基于擴充的電磁目標數據庫，提出了一種基于特征提取和機器學習的電磁目標識別方法，研究結果表明，基于頻域統計特征采用AdaBoost算法能夠準確識別出不同信噪比下的電磁目標，平均識別準確率高達99.20%，在8dB低信噪比下的識別準確率仍有98.06%，且平均耗時僅為0.19s。