基于機器學習的輻射源行為建模和感知軟件設(shè)計與實現(xiàn)*

匡 銳 楊 宇

（1.海軍駐昆明地區(qū)第二軍事代表室 昆明 650000）（2.中船凌久電子（武漢）有限責任公司 武漢 430074）

1 引言

現(xiàn)代高技術(shù)戰(zhàn)場，隨著世界各種大型常規(guī)雷達研制和各類特種軍用雷達研究的深入技術(shù)和發(fā)展，空間電磁環(huán)境變化異常之復雜，雷達信號脈沖分選法所必須面臨著的科技挑戰(zhàn)就更加嚴峻繁重，主要集中體現(xiàn)在了以下兩個大方面：1）雷達輻射源數(shù)量越來越多，脈沖密度變化大，對脈沖分選算法設(shè)計的高精度時效性要求愈來愈高；2）由于雷達種類繁雜和發(fā)射信號形式的多樣化，每一種雷達技術(shù)又可能有多種復雜的多變形式的發(fā)射信號及調(diào)制接收方法，對識別算法的識別成功率要求高。

目前，基于機器學習原理的雷達輻射源的分選及識別系統(tǒng)研究正成為了一門新研究的重大發(fā)展新趨勢，具有高魯棒性質(zhì)量好、智能化控制程度高以及自適應(yīng)信號處理能力更強等技術(shù)優(yōu)點，更能充分適應(yīng)當前復雜多變的電磁環(huán)境。國防科技大學的劉章孟［1］使用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）對雷達輻射源進行分選，利用循環(huán)神經(jīng)網(wǎng)絡(luò)挖掘雷達信號的高階特征，實現(xiàn)對脈沖流的高效分選，而且抗噪性得到了提高。昆明理工大學的普運偉［2］、北京無線電測量研究所的牛浩楠［3］等使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN），通過訓練一維卷積神經(jīng)網(wǎng)絡(luò)來快速學習雷達輻射源信號的各種有效識別特征并自動進行識別，從而對雷達輻射源進行分選，當信噪比很低時，識別正確率仍然能保持一個較好的水平。但是，這兩類方法在算法實時性和有效性上存在不小的劣勢，很難在現(xiàn)代戰(zhàn)場上滿足實戰(zhàn)使用要求。

為綜合解決所有這些關(guān)鍵技術(shù)問題，本文試圖提出另一種完全基于機器學習原理的雷達輻射源行為特征建模算法和感知分析方法，首先考慮利用時頻分析協(xié)同融合模型算法進行雷達特征識別提取，快速定量提取出雷達特征參數(shù)并作為訓練的樣本，然后結(jié)合建立一套基于卷積神經(jīng)網(wǎng)絡(luò)算法的深度機器學習模型系統(tǒng)進行分類特征識別，提高雷達分選識別準確性水平和系統(tǒng)對識別誤差預測的適應(yīng)性。

2 信號分選

從雷達的偵察天線可以接收到目標輻射源的射頻信號，能夠根據(jù)需要輸出脈沖信號的參數(shù)數(shù)據(jù)，根據(jù)這些參數(shù)即脈沖描述字可以進行信號的分選和識別。雷達信號的分選方式基本都是基于脈沖信號的重復頻率進行分選處理的，一般包括三個步驟：預分選、主分選和后續(xù)處理。

雷達信號的分選，包括對已知脈沖信號的識別和去除，主要采用基于脈沖到達角（DOA）、信號脈寬（PW）和信號載頻（RF）及脈內(nèi)信號調(diào)制方式相結(jié)合分選；第二步是信號的主分選，主要為通過識別信號的脈沖描述字，將脈沖參數(shù)相似的雷達信號識別出來；第三步是對脈沖數(shù)據(jù)的后續(xù)處理，主要包括脈沖描述字的統(tǒng)計分析、判斷并去除虛假的輻射源，更新雷達信號數(shù)據(jù)庫。具體流程如圖1所示。

圖1 雷達信號分選流程圖

3 特征提取：時頻分析融合模型構(gòu)建

首先得出不同輻射源信號，經(jīng)過特征提取判斷出輻射源的相關(guān)特征參數(shù)，參數(shù)主要包括雷達輻射源的時頻分布和信號功率譜估計值。本項目構(gòu)建時頻分析協(xié)同融合模型將初步提取的特征參數(shù)作為訓練模型的輸入，進而識別提取雷達輻射源信號的掃描特征等參數(shù)與時頻特征融合池化層。總體設(shè)計框圖如圖2所示。

圖2 雷達輻射源信號協(xié)同融合模型

依據(jù)特征提取得到的參數(shù)，通過查閱資料獲取參數(shù)和不同雷達工作模式的對應(yīng)關(guān)系，判別雷達與其工作模式。常見的雷達工作模式有搜索、跟蹤、目標識別、導航、制導、火控、通信等。本項目采取卷積神經(jīng)網(wǎng)絡(luò)進行雷達工作模式的判別，通過訓練標簽對判別效果進行評估，不斷獲得最優(yōu)的工作模式判別，該卷積神經(jīng)網(wǎng)絡(luò)為時頻分析協(xié)同融合模型的部分內(nèi)容。時頻分析協(xié)同融合模型的具體方法及模型構(gòu)建介紹如下。

3.1 基于VMD 的同步提取短時分數(shù)階傅立葉變換算法

短時分數(shù)階傅立葉變換（STFrFT）是將短時傅立葉變換推廣到分數(shù)域而得到的一種分數(shù)域時頻分析方法。與傳統(tǒng)STFT 相比，STFrFT 是將信號轉(zhuǎn)化到分數(shù)域時頻二維空間進行表示。

本項目提出將同步提取變換（Synchroextracting Transform，SET）和變分模態(tài)分解（Variational Mode Decomposition，VMD）與STFrFT 相結(jié)合的改進思想，得到基于VMD 的同步提取STFrFT 算法（Pro-STFrFT）。SET 技術(shù)以STFrFT 的處理結(jié)果為基礎(chǔ)構(gòu)建同步提取算子，提取STFrFT 時頻分布中脊線位置的時頻系數(shù)，作為信號瞬時頻率的估計值，得到高聚集度的時頻分布。VMD 算法的作用則是將多分量信號分解為單分量的集合，對每個分量單獨匹配最優(yōu)旋轉(zhuǎn)階數(shù)，解決多階匹配問題，用于雷達信號時頻分析特征的學習，算法總體方案如圖3所示。

圖3 基于VMD的同步提取STFrFT算法（Pro-STFrFT）的總體方案圖

3.2 多重同步壓縮變換算法

多重同步壓縮變換算法（MSST）是在SST 基礎(chǔ)上發(fā)展而來，屬于后處理算法，通過多次迭代應(yīng)用多個SST 操作，從頻率方向?qū)r頻系數(shù)進行重分配且無信息丟失，將時頻表示的能量以階梯的方式集中，重構(gòu)信號，表述為式（1）。

MSST原理及實現(xiàn)過程如圖4所示。

圖4 MSST原理及實現(xiàn)過程

倒譜法一般是首先分別將各信號域的平均倒頻譜取一正負對數(shù)，再通過計算機將變換所得的結(jié)果分別進行傅里葉的變換，得到各個信號域在其各個平均倒頻域間分布的平均倒頻譜。倒頻譜法就可以做到通過變換將一個同時域頻譜系統(tǒng)中兩個相互平行卷積疊加起來形成的前后的兩個正交信號或把前后的多個正交信號再分別用變換方式疊加到同一個倒頻域信號系統(tǒng)中從而分離成為后兩個正交相加后產(chǎn)生的正交信號，進而也就可以真正實現(xiàn)通過采用線性濾波的信號分離技術(shù)方法而實現(xiàn)分離前后的兩個信號。倒譜法分離的基本原理特性使得對原始信號的識別與分離變得容易，有助于信號分量之間的分離和過濾信號中的噪聲，因此，將倒譜與多重同步壓縮算法結(jié)合得到De-shape MSST。

3.3 雷達輻射源信號的功率譜特征

針對雷達輻射源信號傳輸中具有高頻的非均勻連續(xù)而平穩(wěn)的隨機雷達輻射信號特征的特點，采用這樣一種具有一定統(tǒng)計規(guī)律特性意義上的雷達信號功率譜指標來間接估計探測靈敏度已是當前一項較為成熟直接而且有效且實用簡便的測量方法手段，功率譜系數(shù)即定義為雷達功率譜密度指數(shù)（Power Spectral Density，PSD）系數(shù)的一種數(shù)學簡稱，定義和表征了在一個單位頻帶區(qū)域范圍內(nèi)傳輸?shù)男盘柟β拭芏仁请S該信號頻率高低而的一個線性頻率分布情況。

根據(jù)譜估計方法研究的最新技術(shù)特點的要求和我國目前用于本研究項目研究的數(shù)據(jù)處理方法及其需求，本研究項目也可同時采用另外一種基于粒子群卡爾曼的濾波算法的AR 模型（AR Model based on Particle Swarm Optimization-Kalman filter，PSO-Kalman AR）模型，該模型還可以進一步采用粒子群優(yōu)化算法來進一步優(yōu)化卡爾曼濾波算法模型中的各種初始參數(shù)，使各種粒子模型變量的所有初始的最佳位置信息都將盡可能更多地出現(xiàn)于在一個盡可能更接近粒子模型的真實的觀測值的有限時空范圍內(nèi)，僅能夠通過時間序列變量的自身的或歷史上的實際觀測值，來盡量準確地反映出各有關(guān)影響模型因素發(fā)揮的變量對模型最終實現(xiàn)預測中的各目標參數(shù)發(fā)生的各種直接影響的作用機制和約束的作用，不受變量與構(gòu)成模型變量因素之間相互和完全互相獨立依賴關(guān)系的各種假設(shè)變量與條件模型之間的約束，建模過程簡單，完成對雷達輻射源信號的功率譜估計，作為后續(xù)發(fā)育發(fā)現(xiàn)模型的輸入?yún)⒘恐唬浯笾铝鞒虉D如圖5所示。

圖5 基于PSO Kalman AR模型的雷達輻射源信號功率譜估計

3.4 基于卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同融合模型

協(xié)同是指通過協(xié)調(diào)兩個以上或者可以是有兩個或者以上目的不同需要的組織個體人員或者單位資源，使其相互之間能夠?qū)崿F(xiàn)協(xié)同并一致目標的方法達到完成某一目的。經(jīng)過時頻分析之后雷達輻射源特征參數(shù)和輻射源信息有很多，將他們綜合分析得到我們所需的綜合度較高的特征參數(shù)就要用到模型融合，模型融合就是訓練多個模型或者是對于多數(shù)據(jù)元采用不同的處理算法，然后按照一定的方法集成多個模型所得的推薦參數(shù)。

基于神經(jīng)網(wǎng)絡(luò)原理提出的雷達輻射源特征信息識別系統(tǒng)模型，主要是指通過計算機將其中一個雷達輻射源特征參數(shù)信息資料和所有其他雷達輻射源信息數(shù)據(jù)資料（雷達型號、工作模式等）信息共同整合，作為其整個雷達神經(jīng)網(wǎng)絡(luò)體系中重要的一個信號數(shù)據(jù)輸入信息來源和輸出信息同時輸出，通過計算機系統(tǒng)實時分析調(diào)整雷達網(wǎng)絡(luò)系統(tǒng)內(nèi)部的各神經(jīng)元權(quán)重值分布，及網(wǎng)絡(luò)相互連接的連接方式等一系列相關(guān)參數(shù)信息資料從而重新構(gòu)建的一個雷達神經(jīng)網(wǎng)絡(luò)模型，使損失調(diào)函數(shù)的變化范圍達到了最小。

本項研究的項目主要旨在探討通過計算機對在有監(jiān)督的機器學習網(wǎng)絡(luò)中可提取出的輻射源信號中的神經(jīng)特征信號如何進行分類識別并綜合識別，典型的計算機深度機器學習的模型研究之一則是卷積神經(jīng)網(wǎng)絡(luò)模型研究（Convolutional Neural Networks，CNN）。利用CNN 分析軟件在快速分析解決各種復雜的計算機視覺任務(wù)能力水平上所具有的強大圖像處理技術(shù)性能，對雷達輻射源信號特征圖像進行了基于一定時間頻率序列的變換，提取分析了其二維分布圖像特征，即首先采用了前文中已有提到過的二維時頻序列分布的圖像特征作為分析樣本并進一步訓練建立其二維CNN 分布模型，然后分別對系統(tǒng)圖像進行了分類識別。對雷達輻射源信號進行短時調(diào)制頻率的傅里葉變換計算（Short Time Fourier Transform，STFT）運算后即可得到短時調(diào)制頻信號的時頻分布，用CNN 算法來進行雷達信號分類計算及識別，針對在較低的信噪比的環(huán)境條件下模型區(qū)分雙相移相鍵控雷達信號（BPSK）和普通雷達信號效果較明顯差信號源的實時識別問題，設(shè)置出了STFT 的最大時間累積量閾值，實現(xiàn)了計算機上對上述的2 類差信號源的實時的、有效的識別。同時將CNN 分析與強化學習算法相結(jié)合，利用CNN 技術(shù)自動識別提取雷達輻射源信號包絡(luò)前沿特征，并自動擬合雷達當前狀態(tài)動作時的Q值，通過強化學習模型自動完成雷達輻射源個體特征識別。深度學習是基于更高深層數(shù)據(jù)的一種人工神經(jīng)網(wǎng)絡(luò)，它通過將數(shù)據(jù)特征工程實現(xiàn)自動化，自動分析學習數(shù)據(jù)過程中最全面的最關(guān)鍵的信息，提取比數(shù)據(jù)本身更符合本質(zhì)意義的特征。其最大技術(shù)代價之一主要就是雷達模型基數(shù)太高過大，超參數(shù)過多，訓練的時間一般又要求較長，依賴獲取大規(guī)模帶標簽數(shù)據(jù)，而如果從實際的訓練環(huán)境中要想快速獲取到如此大量的非合作雷達輻射源數(shù)據(jù)則仍存在有很大的一定比例上的困難。

4 結(jié)語

本方案立足于輻射源目標行為判別部分，根據(jù)獲取到的雷達信號實現(xiàn)特征提取等功能，為電子對抗中的實時干擾提供依據(jù)。本方案在每個關(guān)鍵步驟均提出了異于傳統(tǒng)方法的策略，在特征提取部分，本方案擬建立時頻分析協(xié)同融合模型，根據(jù)輸入的雷達信號進行目標的特性識別，為硬件平臺的功能實現(xiàn)提供參數(shù)信息。