基于1D-CNN-LSTM的特定輻射源識別方法

許 全，譚守標，孫 翔，樊 進

（1.安徽大學集成電路學院，合肥 230000；2.安徽大學網絡信息中心，合肥 230000）

0 引言

特定輻射源識別是指從接收到的信號中識別單個無線電發射器，其主要是通過對雷達信號“指紋”特征分析，可以有效實現在調制類型和參數幾乎相近的情況下，對不同雷達發射器的識別。在軍事通信、電子偵察、戰場網絡態勢感知等領域具有至關重要的作用。

文獻［5］、［6］、［7］使用傳統的特定輻射源個體識別技術，通過提取信號的某些指紋特征，并基于該特征成功實現了對特定發射器的識別。但是這些技術需要輻射源信號發射器的參數保持不變，并且對這些基本參數做到精確的測量與計算。由于CNN具備強大的特征提取能力和學習能力，一些學者已經將CNN應用在特定輻射源個體識別上，文獻［8］提出將接收到的I/Q信號輸入到卷積神經網絡當中，來識別不同的輻射源個體；文獻［9］提出首先通過快速傅里葉變換將獲得的信號從時域變換到頻域，然后利用一維卷積網絡完成輻射源個體識別。單獨使用CNN進行輻射源個體識別忽略了雷達信號的時序特征。與CNN相比，循環神經網絡（Recurrent neural network，RNN）更適合用于處理時間序列。但是RNN也存在著難以處理遠距離信息上下文依賴、梯度消失或梯度爆炸等相關問題。1997年，Hochreiter等提 出 了 長 短 期 記 憶（Long short time memory，LSTM）網絡，LSTM單元由輸入門、輸出門和遺忘門三個部分組成，通過這個機制，LSTM解決了RNN所存在的問題，并在語音識別、文本識別等方面有著廣泛的應用。

結合以上分析，CNN在空間特征的提取方面具有明顯的優勢，能夠很好地提取出輻射源信號的波形特征，LSTM可以有效地提取輻射源信號波形時序上的依賴關系，本文將CNN與LSTM的優勢結合，提出了一種新型輻射源識別方法，該方法直接將收集到的I/Q數據先送入1D-CNN網絡進行空間特征提取，再將卷積后的數據送入LSTM網絡。該方法減少人工進行特征變換的時間，并且適應了時序處理問題，有效提高了輻射源個體識別的精度與效率。

1 基于1D-CNN-LSTM的特定輻射源識別模型

1.1 1D-CNN模型

隨著一維CNN網絡的提出，越來越多的CNN被用于序列數據的處理。相比于將雷達信號從一維序列數據轉換成二維圖像數據，直接使用一維CNN網絡對I/Q數據進行處理的方法不僅減少了人工處理信息的操作，而且保留了原始雷達信號的時間序列信息。

一維卷積網絡的特性和計算規則與二維卷積相同。與二維卷積的區別之處在于輸入數據的維數，以及特征檢測器（或過濾器）如何在數據之間滑動。它的工作原理如圖1所示。

圖1 用于自然語言處理的一維卷積工作示意圖

與其他CNN網絡結構類似，1D-CNN模型也主要由卷積、池化、全連接三個部分組成。卷積層的主要作用是通過滑窗卷積運算提取上一層的輸入數據中的局部特征。池化層的引入是仿照人的視覺系統對視覺輸入對象進行降維和抽象。它實際上是一種降采樣，本文采用的是最大池化，即選取每個小區域的最大值作為輸出。全連接層在整個卷積神經網絡中起到“分類器”的作用。

1.2 LSTM模型

作為RNN的一種變體，LSTM通過可控門結構解決了RNN在訓練過程中出現的梯度消失和梯度爆炸問題。LSTM通過在隱藏層中加入記憶單元來控制時間序列數據的記憶信息。信息通過幾個可控門（遺忘門、輸入門、輸出門）在隱藏層的不同單元之間傳輸，從而可以控制先前和當前信息的記憶和遺忘程度。LSTM神經元結構如圖2所示。

圖2 LSTM神經元結構圖

LSTM的計算如公式（1）～（6）所示。

1.3 1D-CNN-LSTM模型

一維CNN網絡逐層捕捉雷達信號中的空間信息，并將最終得到的空間特征向量傳遞給LSTM。作為RNN網絡的特殊變體，LSTM具自動存儲和刪除時間狀態信息的能力，可以提取長時間序列的復雜特征關系。本文提出的基于1D-CNN-LSTM的輻射源個體識別方法的網絡結構如圖3所示。

圖3 輻射源個體識別網絡結構圖

該結構主要由1D-CNN部分、LSTM部分以及分類輸出部分組成，輸入信號為雷達個體的I/Q采樣信號，模型首先通過一系列的一維卷積層來提取雷達信號的圖像特征，為了盡可能保留輸入數據的時序特征，本文在1D-CNN與LSTM部分使用了Maxpooling操作取代了傳統的Flatten操作，Maxpooling操作同時也有效降低了輸入LSTM部分的數據的復雜度，加快了LSTM部分處理數據的速度。為了防止發生過擬合現象，本文還引入了dropout機制，通過隨機丟棄神經元的權重，從而降低網絡對某一單一神經元的依賴，實驗結果證明該方法行之有效。LSTM部分由4層LSTM網絡構成，充分提取出1D-CNN部分所忽略的時序特征，從而提高輻射源識別模型的精度，最后通過全連接層分類輸出分類結果。

2 實驗及結果分析

2.1 數據集說明

本文所使用的數據集是由實際輻射源中頻信號經過采樣組成，數據集中包含了38種不同的輻射源個體，共計77288條信號數據樣本，我們從中隨機抽取80%的樣本作為訓練集來訓練1DCLSTM模型，其余的20%作為測試集。

2.2 模型訓練與結果分析

本文實驗的系統環境為ubantu18.04系統，主要硬件設備為i7-9700KF和NVIDIA GTX 2080。本文所實現的1DCLSTM網絡是基于PyTorch搭建、訓練與測試的。訓練時，輸入的數據長度為156，I/Q兩個通道同時輸入，采用微調的方式完成模型訓練，我們使用Adam優化器完成，損失函數選擇交叉熵損失函數，實驗一共訓練了1000個epoch。

為了確定網絡的總體結構，實驗首先設定Dropout=0.1，通過改變1DCNN部分與LSTM部分的隱藏層數量，將分類精度進行對比驗證，結果如表1所示。

表1 不同隱藏層網絡結構的Top-1分類結果

為了觀察CNN卷積層所提取到的特征，我們將每一層的卷積輸出進行可視化輸出，如圖4所示。

圖4 卷積特征可視化圖

從可視化的特征圖中我們可以看出，隨著卷積網絡的加深，我們提取到的特征會越來越多，尤其是對于脈沖的上升沿與下降沿特征，卷積網絡可以進行充分的提取。我們將卷積層提取到的特征輸入到LSTM網絡中，進行時間特征的進一步提取，并最終得到分類結果。

從表1中的結果以及圖4的特征圖可以看出，當模型深度太淺時，模型無法充分提取信號的特征，分類效果也欠佳，當網絡模型只由一層CNN與一層LSTM所構成時，在測試集上的Top-1分類效果僅為88.21%。隨著模型深度的增大，我們發現CNN與LSTM的隱藏層數量均為4時，Top-1分類效果最好，精度達到了95.34%。此后，無論是增加CNN隱藏層數量還是增加LSTM隱藏層數量，分類效果均不增反降，所以本文所采用的模型總體結構由4層CNN網絡加4層LSTM網絡所組成。

Dropout機制的引入有效地抑制了模型的過擬合，為了驗證Dropout機制在本模型中的有效性以及確定合適的Dropout系數，本文在確定了模型總體結構后使用不同的Dropout系數對模型進行調整，結果如表2所示。

表2 不同Dropout系數對Top-1分類效果的影響

通過表2我們可以看出，引入Dropout可以有效地提升模型的性能，當Dropout=0.2時，模型在數據集上的Top-1分類效果最好，Top-1分類精度達到95.98%，與不引入Dropout所訓練出來的模型測試精度相比，引入Dropout機制后，測試精度提升了1.15%。此外，我們還發現隨著Dropout系數的增大，測試精度反而會出現一定程度的下降，這是由于隨機丟棄了太多的神經元權重導致后續隱藏層學習到的特征不足，所以本文確定的Dropout系數為0.2。

為了驗證上述模型在輻射源個體識別中有效性，本文將數據集分別送入1DCNN網絡、LSTM網絡中進行訓練。文獻［12］中使用包絡提取算法首先將信號包絡提取出來，并繪制成I-Q幅值圖送入DDFN網絡中訓練；文獻［11］中提出LSTM-FCN網絡，將原始數據同時送入卷積網絡與LSTM網絡結構，并將輸出特征進行融合得到分類結果。由于輻射源個體識別領域涉及敏感數據，上述文獻中的方法所使用的源代碼與數據集均無法獲得。本文復現了上述文獻中的實驗，并在本地數據集中得到測試結果對比，如表3所示。

表3 不同網絡模型的測試結果

通過表3中的數據可以看出，直接使用I-Q數據的一維處理方法的各項指標都要優于文獻［12］中介紹的二維處理方法。而文獻［11］提出的LSTM-FCN方法在輻射源個體識別中表現不佳，精度僅為92.56%。本文介紹的1D-CNNLSTM方法在Top-1分類精度這一指標上明顯優于1DCNN和LSTM方法，比1DCNN模型、LSTM模型的分類精度分別提升了2.17%、1.65%。同時，在與1DCNN、LSTM模型測試速度的比較中，1D-CNN-LSTM模型的速度也沒有出現明顯的下降。

由于在實際的應用場景中，采集的數據中會包含各種不同類型的噪聲，為了檢驗模型的抗噪性，本文還進行了不同信噪比（Signal noise ratio，SNR）下的分類識別的實驗。實驗中，我們在數據集中加入從0～20 dB每隔5 dB生成不同的高斯噪聲。最終，不同信噪比下分類識別的準確率如圖5所示。

圖5 SNR對分類精度的影響圖

從圖5中的曲線可以看出，1DCLSTM模型擁有良好的抗噪聲性能，即使在=0 dB的情況下，其分類準確率仍然可以達到81.36%，隨著信噪比的提升，其分類效果也得到提升，在大于25 dB的環境中，分類精度可以達到95%以上，說明1DCLSTM模型完全可以在復雜的電磁環境中發揮良好的性能。

3 結語

本文提出了一種基于一維網絡的1DCLSTM網絡模型，并將該模型應用于輻射源個體識別中，該模型可以同時提取輻射源個體信號的空間與時間特征，并取得了良好的分類效果。與其他模型相比，在一定程度上有效提升了分類精度，并能夠實現復雜電磁環境下輻射源個體的識別。