基于輕量化網絡的干擾信號智能識別算法

胡婉婉，張勁東，張 瑞，王 娜

（南京航空航天大學電子信息工程學院，江蘇南京 211106）

0 引 言

隨著雷達對抗技術的不斷發展，雷達系統面對干擾的多樣化、干擾信號參數變化范圍大和干擾功率不斷增強等挑戰。因此，迫切需要提升現代雷達系統的抗干擾能力［1］。干擾信號的識別是雷達系統抗干擾的前提和基礎，干擾識別算法是當前雷達抗干擾領域的研究熱點和基本問題。

目前，國內外從機器學習和人工智能的角度對有源干擾的特征提取和識別開展了很多研究。文獻［2］利用BP 神經網絡對建模合理的復合干擾信號進行識別，當JNR＞10 dB 時，對各種復合干擾信號的正確識別率可達90%以上。文獻［3］提出了一種基于時頻分布Zernike矩特征的欺騙干擾識別算法，通過與其他方法的比較，SNR＜6 dB時，識別率最高。文獻［4］提出了一種CNN 的雷達干擾深度學習與識別方法，在0 ～8 dB JNR（干擾噪聲比）范圍內，9 種典型干擾的分類精度可達98.667%，對不同參數干擾具有較好的泛化能力。綜上，目前干擾識別的研究大多數基于時頻域分析樣本數據，容量較大，CNN 識別率較高，但存在模型體積大、訓練過程伴隨著大量的參數計算和迭代等問題。

近年來卷積神經網絡的發展越來越迅速，從11 層的AlexNet［5］到16 層的VGGNet［5］，再到22 層的GoogLeNet［6］、152 層的ResNet［7］等，它的模型效果越來越好，但模型結構越來越復雜，對FPGA［8］這種嵌入式系統很不友好。輕量化網絡的出現有效地解決了網絡模型參數多、訓練成本高等問題，且能達到良好的識別精度。文獻［9］提出了一種無監督和輕型CNN 的SAR 圖像目標識別方法，通過對MSTAR 數據集的測試，該方法在分類任務中獲得了滿意的準確率，有效地實現了無監督目標檢測。文獻［10］提出了一種基于深度卷積神經網絡的SqueezeNet 模型的導航干擾識別方法，與李建等［11］基于脈寬、調頻斜率和帶寬比三種分類特征識別調制型導航信號干擾的方法相比，在相同的0 dB干擾噪聲比下，識別精度提高了約15%。

目前基于輕量化CNN 網絡的干擾識別研究相對較少。本文針對干擾識別時CNN 網絡模型體積大、訓練成本高等問題，提出了一種基于距離多普勒（Range-Doppler,RD）和改進的輕量化網絡SqueezeNet 模型的復雜干擾信號識別算法。利用改進的SqueezeNet 模型提取干擾信號RD 圖像的深度特征，應用于典型干擾信號的智能識別。通過與經典SqueezeNet模型的比較，本文算法在輕量化、識別速度與準確率等方面都有更好的效果。

1 距離多普勒圖像的生成

1.1 典型干擾信號模型

本文主要研究幾種典型的雷達主瓣有源欺騙干擾信號，包括前沿復制干擾、間歇采樣轉發干擾、密集假目標和距離速度波門拖引干擾。

欺騙干擾具有與雷達回波相似的特征，它們是由數字射頻存儲器（Digital Radio-Frequency Memory,DRFM）產生，但每種干擾產生的方式不同，其中：前沿復制（Front Copy,FC）轉發干擾是由DRFM 截取雷達發射信號前沿部分，隨后將其多次復制轉發形成。間歇采樣（Intermittent Sampling,IS）轉發干擾［12］是DRFM 間歇的對信號進行采樣，再逐次轉發，然后對一個采樣周期中轉發的信號進行多次采樣轉發產生的。密集假目標［12］（Intensive Fake Targets,IFT）是DRFM 截獲一部分雷達信號后，在一個脈沖重復周期中對截獲的部分信號進行多次復制并轉發，在雷達端形成兩兩之間高度密集的假目標，從而形成密集假目標。距離-速度波門拖引（Range-Velocity Gate Pull Off,RVGPO）干擾［13］包含捕獲期、波門拖引期和停拖期三個階段。當信號的多普勒頻率不斷變化時，干擾信號可以驅動速度跟蹤門對目標信號進行偏移。同時根據干擾脈沖多普勒頻移的變化規律得到徑向拖引速度，完成有效拖引距離。

當不間斷的對信號多普勒頻率施加變化時，可以使得干擾信號帶動速度跟蹤波門偏移目標信號，同時能夠根據干擾脈沖多普勒頻移的變化規律得到徑向拖引速度，完成有效的距離拖引。

1.2 基于RD的干擾特征提取

距離多普勒是一種相對直觀、應用性較強的方法，是從雷達中提取多目標信息的有效方法。它將二維圖像處理過程分別級聯為2個一維過程，修正了成像中的距離偏移問題，同時達到了較好的通用性和計算效率與精度，并且易于實現。

1.2.1 RD圖像處理流程

RD 圖像生成有三個核心步驟：距離壓縮、距離徙動矯正和方位壓縮［14］。

1）距離壓縮

距離壓縮是一個匹配濾波的過程，對待處理信號與原始發射信號分別進行傅里葉變換，相乘之后再進行傅里葉反變換。原始發射信號表達式為

式中，A0為信號幅度，ωr(τ)為距離包絡，R(η)為距離，τ、η為近距方位時間，ηc為波束中心偏離時間，ωa(η)為方位包絡，f0為雷達中心頻率，Kr為調頻斜率。取它的匹配濾波器H(f)為

距離壓縮的輸出為

2）方位傅里葉變換和距離徙動矯正

距離可表示為

聯立式（1），距離壓縮信號可表示為

方位FFT之后的信號:

進行方位向壓縮前需進行距離徙動矯正（RCMC）:

矯正之后的信號為

此時，pr與方位頻率無關，表示RCMC 已被準確矯正，并且能量都聚在τ=2R0c處。

3）方位壓縮

方位壓縮處理也可通過匹配濾波實現：

經過方位壓縮和IFFT后即可得到最終結果為

1.2.2 RD圖像重塑

本文使用距離多普勒算法獲取目標及干擾信號的距離多普勒圖。信號經RD處理后的圖像尺寸較大、矩陣數值范圍不統一，需要對其進行重塑。

1）滑窗變換

圖像數據點數較多，為減小數據規模，可以先對輸入圖像作降維處理。預定區域的獲取可以采用圖像滑窗裁剪的方法。設線性調頻信號的斜率為k，斜線區域上下兩側的點(n0,m0)、(n1,m1)，則預定區域為

式中A和Ar分別為裁剪前后的圖像矩陣，1 ≤j≤Ns，Ns為一個周期的采樣點數。

2）歸一化

歸一化處理的目的是將輸入數據的數值范圍統一在一個固定范圍，這里本算法將其轉化為0～1之間。若特征間的數值差距較大，梯度更新時，會極不穩定，要經過很久才能達到局部最優或者全局最優值。為解決此問題，需對數據進行范圍統一化，保證不同的數據能保持在相同的區間內，使梯度下降很快收斂。

原始RD圖像尺寸冗余，選擇合理大小的滑動窗口截取RD圖像。本文選擇1 024×4的窗口對整個原始圖像滑窗處理，可獲得無效/有效距離和速度范圍內的目標及干擾RD圖像，之后對獲得的圖像進行維度轉換和數據歸一化，從而得到重塑的樣本圖像。

1.3 基于RD處理的樣本圖像生成

本實驗針對多類信號樣本，首先獲得距離多普勒圖像，然后滑窗截取干擾最大時延范圍內的數據，最后通過圖像預處理操作得到最終的樣本圖像。圖1顯示了基于距離多普勒處理的樣本圖像生成流程圖。

圖1 樣本生成流程圖

本文以某系統的典型參數為例，在噪聲及雜波干擾的背景下，選取信號脈寬為10 μs，帶寬為50 MHz，采樣率為50 MHz，仿真中信噪比為25 dB，干噪比為30 dB 作為場景參數。基于以上參數，圖2分別展示了信號經過滑窗處理之后生成的RD 圖像的若干情形，其中，滑窗處理之后的圖像尺寸1 024×4，然后將其轉化為64×64 的矩陣。圖2（a）為真實目標RD 圖，圖2（b）為無目標與干擾RD圖，即只存在噪聲與雜波干擾，圖2（c）為距離速度波門拖引RD圖，圖2（d）、圖2（e）為不同切片寬度、多普勒頻率下的前沿復制轉發干擾RD 圖，圖2（f）、圖2（g）為不同時延、多普勒頻率下間歇采樣轉發干擾RD 圖，圖2（h）、圖2（i）為不同密集假目標個數、多普勒頻率下的密集假目標RD 圖，圖2（j）、圖2（k）、圖2（l）、圖2（m）為部分目標干擾復合信號RD 圖。由圖2可知，目標與干擾的距離多普勒圖之間的確存在明顯的差異，其可以用來刻畫干擾與目標之間的特征差異。

圖2 目標及干擾滑窗處理后距離多普勒圖

2 基于改進的輕量化CNN模型的干擾識別算法

本文主要研究了輕量化網絡SqueezeNet模型，針對欺騙干擾與真實目標在雷達RD 圖像上的差異，對SqueezeNet模型進行改進以滿足復雜干擾信號識別的需求。

2.1 經典輕量化SqueezeNet模型

卷積神經網絡SqueezeNet 模型核心為fire 模塊，其fire 模塊如圖3所示。SqueezeNet 結構說明如下：

圖3 fire模塊

1）fire 模塊：一個fire 模塊包括一個squeeze 層（只有1×1 卷積）和expand 層，其中expand 層是1×1 和3×3 卷積的組合。一個fire 模塊中有3 個超參數：s1×1，e1×1 和e3×3，分別代表對應卷積在對應層的數量。使用fire 模塊時，設置s1×1 ＜(e1×1+e3×3)）。expand 層有助于限制3×3卷積中輸入通道的數量［15］。

2）ReLU 函數層：ReLU 模塊會減少大量的計算環節；在ReLU 的反向傳播過程中，網絡收斂時間較短；它將使某些神經元的輸出趨于零，降低它們之間的相互依賴性，使網絡稀疏性更強，減少過擬合問題發生的頻率［15］。

3）Dropout層：主要用于防止過擬合。

4）最大池化層：采用最大池化可以減小上一層的參數誤差對估計平均值的偏差，保留圖像更有效更詳細的特征信息。同時，避免了平均池化帶來的模糊特征。

5）全局平均池化層：通過全局平均池化層代替全連接層來計算分類。

在對ImageNet 數據的實驗中，它實現的精度幾乎與AlexNet 相同，但參數大大減少，接近AlexNet 的1/50，使其更適合在資源有限的硬件上使用，并且大大提高了計算速度。

2.2 基于RD信息尺寸的SqueezeNet網絡剪枝

近幾年提出的經典SqueezeNet 模型在對1 000類ImageNet 數據的分類中，具有與AlexNet 相似的精度。本文針對目標及干擾信號的RD 圖像特征，采用網絡剪枝的方式對經典SqueezeNet 網絡作出改進。

為了有效表征目標及干擾信號的RD 圖像，本文對RD 信息尺寸和統一有效信息尺寸進行分別定義。統一有效信息尺寸是指同時能夠覆蓋目標及干擾的RD 信息尺寸的最小圖像。以圖2為例，統一有效信息尺寸大小僅為1 024×4。RD 信息尺寸是指信號經RD 處理后，包含當前距離和多普勒頻率信息的最小圖像。圖4顯示的是圖2中距離為1 000，多普勒頻率為1 750 的目標及干擾的RD信息尺寸圖。

圖4 目標及干擾RD信息尺寸圖

圖4示例RD信息尺寸圖是基于文中實驗參數范圍內所有的干擾信號及目標的最大RD 信息尺寸，所以參數改變時，RD 信息尺寸實際上是有較小的變化，實驗時考慮到此種情況，以下進行合適的隱層剪枝。

1）后四個fire模塊剪枝

本文目標及干擾經RD 處理后，統一有效信息尺寸大小僅為1 024×4，經矩陣維度轉換后，輸入信號圖像的尺寸為64×64，生成的總訓練樣本數為3 750，即本文使用的樣本圖像尺寸小，數據集小，需適當對fire 模塊剪枝以降低模型空間復雜度和測試時發生過擬合的可能性。經多次試驗，刪除后四個fire模塊擁有相對較好的識別效果。

2）Maxpool8層剪枝

式（12）和式（13）分別為卷積模塊和池化層輸出大小計算公式：

式中，N*代表輸出圖像尺寸大小，W*代表輸入圖像尺寸大小，F*代表卷積核大小，P*代表padding 填充，S*代表步長。通過上述公式可以計算出經卷積層和池化層學習后輸出的圖像尺寸。輸出圖像尺寸應大于RD信息尺寸，即有

式中，w*，h*分別指目標及干擾的RD 信息尺寸的寬和高。網絡最后輸出的特征圖像素需不小于目標及干擾的RD 信息尺寸像素，才能提取到相對完整的特征圖的信息。

以圖4為例，圖中wT×hT=2×2，wFC×hFC=7×2,wIS×hIS=10×2,wIFT×hIFT=5×2，wRVGPO×hRVGPO=5×2。樣本圖像初始尺寸為64×64，步長為2。據式（12）和式（13），經一次卷積和兩次池化后，輸出的特征圖尺寸為8×8，如圖5（a）所示。繼續下采樣，特征圖尺寸變為4×4，即每個特征圖只包含16 個像素的信息，如圖5（b）所示。由于wIS×hIS＞16，導致間歇采樣轉發干擾的部分信息損失，此干擾的識別率受到影響，所以刪掉第三個最大池化層，同時將Maxpool4 放在靠后的位置，延遲網絡下采樣的時間，使較大的特征圖都保持在網絡的后面以獲得較高的識別率。

圖5 間歇采樣轉發干擾特征圖可視化

3）通道剪枝

通道剪枝是指去除特征映射上的冗余通道，如何選擇剪枝的卷積核通道數是本措施的重點。式（15）主要通過降低剪枝前后特征圖之間的差別，盡可能地減少卷積核的通道數。

其中，c為通道數，M指有/無目標及干擾的樣本個數，βi是第i個信道的標量掩碼（即是否去掉整個信道），Wi指第i個卷積核，X指第i個原始輸入特征圖，Y為經過原網絡的輸出特征圖，后半部為剪枝后通過網絡的輸出特征圖，本公式表達的就是能在最大限度剪枝時，保證處理后的目標及干擾的特征圖和原始網絡輸出的特征圖的區別最小。限制項為‖β‖0，c＇為一個超參數，表示我們希望剪枝的最小數量，式中β=0 時，對應的輸入層沒有作用，達到想要的效果。

本文減少了fire2/3/4 層s1×1，e1×1 和e3×3卷積核的輸入通道數。1×1 卷積核是3×3 卷積核參數量的1/9，為最大限度減少模型參數量，在保持使用1×1 卷積核的基礎上，減少每層fire 模塊3×3卷積核的通道數。

隱層剪枝和通道剪枝分別壓縮了模型的深度和寬度，極大地縮小了模型尺寸和存儲空間，且訓練時間大大減少。

圖6為改進前的SqueezeNet 模型，圖7、圖8是兩種改進后的SqueezeNet模型。

圖6 SqueezeNet網絡模型

圖7 改進1的SqueezeNet網絡模型

圖8 改進2的SqueezeNet網絡模型

表1對比了改進前后SqueezeNet 網絡模型的可訓練參數數目，在本文網絡的基礎上刪除一個fire 模塊，可訓練參數數目減少。可以看出改進后的SqueezeNet模型參數是原網絡的1/30，能夠極大地減少計算量和內存需求，使之更適合部署在資源有限的嵌入式平臺上。

表1 本文網絡和原網絡具體參數對比

2.3 算法流程

如圖9為基于CNN 的干擾識別算法流程圖，算法分為訓練和測試兩個階段。訓練樣本和驗證樣本由大量已知類型的真實目標和干擾經雷達距離多普勒處理后的RD 圖組成，測試樣本為目標和更改部分參數后的干擾信號的RD 圖組成，首先對訓練集和驗證集做圖像預處理使之利于卷積神經網絡的訓練與驗證；同時根據任務建立合適的CNN網絡并設置合適的網絡初始參數；最后將處理樣本送入CNN中進行訓練，當達到訓練次數后輸出訓練好的網絡；將測試樣本經過相同處理后送入上述訓練完成的網絡中，從而得到最終的識別結果。

圖9 基于SqueezeNet的干擾識別算法流程圖

3 實驗結果及分析

本節通過實驗仿真驗證和分析了基于輕量化CNN 模型的干擾識別算法的有效性。由于真實目標與干擾信號的參數范圍較大，因此本實驗針對不同切片寬度、距離時延以及多普勒頻率等參數，仿真了多種不同組合參數下的目標及干擾樣本，其仿真參數如表2所示。按照表中的干擾模型參數產生7 種雷達接收信號，分別為無目標及干擾、目標回波信號、前沿復制轉發干擾、間歇采樣轉發干擾、密集假目標、距離速度拖引干擾和目標干擾復合信號。

表2 實驗參數

為了訓練和評估模型，將訓練集3 750個按9∶1的比例重新分配訓練集和驗證集。設置模型Batch Size=128，初始學習率lr=0.000 85，使用3 750 個訓練集樣本對它們進行訓練，改進前的SqueezeNet 網絡的訓練總時長約為173.266 9 s，改進1 后的SqueezeNet 網絡訓練總時長約132.908 6，改進2后的SqueezeNet網絡訓練總時長約67 s。圖10是基于改進前后的輕量化SqueezeNet 模型訓練集和驗證集的識別率曲線與損失曲線。

圖10 基于改進前后輕量化SqueezeNet的訓練和驗證

如圖10所示，隨著迭代次數的增加，基于改進前后SqueezeNet的損失誤差收斂很快，并且識別達到較好的效果，驗證識別準確率均可達到95%以上，但改進2 后SqueezeNet 識別率與損失曲線收斂明顯變慢。訓練完成后，保存的改進后的網絡模型與權重占用內存更小，調用訓練保存下來的模型及權重，對未知類型的干擾、目標加干擾進行測試，改進前的SqueezeNet 測試每張圖片需43.6 ms，整體識別準確率約96.85%，改進1 后的SqueezeNet測試每張圖片需36.1 ms，整體識別準確率可達97.55%。改進2 后的SqueezeNet 測試每張圖片需22.1 ms，整體識別準確率可達99.73%。經實驗分析可知，改進2 后的SqueezeNet 測試速度相對本文網絡更快，但是識別準確率卻不是很高，本文網絡的訓練速度、測試識別速度更快，測試識別率也更高。這正是由于SqueezeNet 網絡采用小卷積核代替大卷積核，提取到更具體的圖像特征，刪除部分fire 模塊，適當減少卷積核個數，從而加快了網絡的計算速度。

在多分類問題中，除了對不同分類點的識別準確率進行分析外，混淆矩陣也被廣泛應用于分析識別能力。圖11給出了基于改進前后的SqueezeNet目標及干擾識別情況的混淆矩陣，其中0、1、2、3、4、5、6分別對應7種信號：無目標、目標回波、前沿復制轉發干擾、間歇采樣轉發干擾、密集假目標、距離速度聯合拖引和目標干擾復合信號。在基于改進前的SqueezeNet 識別中，39 個間歇采樣轉發干擾誤分類為目標干擾復合信號，79 個間歇采樣轉發干擾樣本誤分類為前沿復制轉發干擾；在基于改進1后的SqueezeNet識別中，有4個密集假目標干擾誤分類為前沿復制轉發干擾，6 個密集假目標干擾誤分類為目標干擾復合信號。在基于改進2后的SqueezeNet識別中，有90個密集假目標干擾誤分類為前沿復制轉發干擾。也就是說，改進前的SqueezeNet 對間歇采樣轉發干擾的識別效果不是特別好，但其他類型的干擾信號都能被正確識別，改進1 后的SqueezeNet 對各種信號的識別效果都非常好，對密集假目標的識別也僅僅只有2.33%的錯誤率，改進2 后的SqueezeNet 對密集假目標的識別效果不是特別好，但對其他干擾信號均能準確識別。

圖11 基于改進前后SqueezeNet的混淆矩陣

圖12給出了25～39 dB 之間每種信噪比下測試樣本的識別率，改進1網絡的測試識別率在每種信噪比下都明顯優于經典的SqueezeNet 和改進2后SqueezeNet 的識別率，說明改進1 后的輕量化網絡在進行目標及干擾的識別時效果卓越，具有較強的實踐意義，所以選擇改進1 后的SqueezeNet 作為本文網絡使用。

圖12 測試樣本的識別率

為驗證本文網絡的可靠性，在信噪比25～39 dB之間，本文對每個雷達信號產生100個樣本作為測試數據，每個信噪比下測試樣本總量為700。圖13給出了每種信噪比下各種雷達信號的識別率，可以看出在低于32 dB 時，各干擾信號及目標都能被準確識別，大于32 dB 時，密集假目標的識別率稍有變動，但其識別效果仍在95%以上，其他信號也都能被準確識別。

在表3中將本節方法與文獻［12］中的3 種方法進行比較，分別從識別率、總參數量、占用內存以及訓練時間四個方面比較，由表中內容可以得出本文采用的改進的SqueezeNet 網絡識別算法識別率遠高于傳統SVM 算法，并且在保持文獻［12］中深度學習算法整體識別率的同時，模型參數更少，計算速度更快，占用內存更小，驗證了本文算法的有效性。

表3 不同算法比較

4 結束語

本文提出了一種基于改進輕量級網絡模型SqueezeNet的雷達信號識別算法，利用人工智能實現高精度復雜干擾信號識別。雖然每次處理的結果都具有一定的隨機性，但證明了卷積神經網絡用于識別干擾類型的有效性。實驗驗證改進后的SqueezeNet 網絡參數量降為經典SqueezeNet 網絡的1/30，節省了大量模型訓練時間，保存的權重和網絡模型占有更小的內存，使之更適合嵌入式系統，并且每種干擾信號的識別率能夠達到95%以上。因此，此算法在干擾識別的硬件存儲方面有很好的應用前景。