一種雷達(dá)輻射源智能個體識別的方法

陸劍雄, 陳 旗, 滿 欣

(海軍工程大學(xué)電子工程學(xué)院,武漢 430000)

0 引言

雷達(dá)輻射源個體識別(Specific Emitter Identification,SEI),主要是通過提取偵收到的雷達(dá)信號中的細(xì)微特征,從而唯一識別個體雷達(dá)[1]。傳統(tǒng)雷達(dá)輻射源個體識別主要是通過分析載頻(CF)、脈寬(PW)、到達(dá)時間(TOA)、到達(dá)方位(DOA)等常規(guī)脈沖參數(shù)進行個體識別[2]。但是,當(dāng)截獲到信噪比較低的雷達(dá)信號時,傳統(tǒng)方法對雷達(dá)輻射源個體識別概率較低,且性能不穩(wěn)定[3]。深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)的研究,它可以利用低層特征得到更加抽象的高層特征,以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示,進而達(dá)到自適應(yīng)地提取雷達(dá)輻射源個體特征的目的。因此,本文引入深度學(xué)習(xí)技術(shù)開展雷達(dá)輻射源個體識別。

針對雷達(dá)輻射源個體識別,通常采用FFT、時頻變換[4-6]、高階累積量[7]等信號處理手段,結(jié)合參數(shù)分類識別、模式識別和機器學(xué)習(xí)等方法,對偵收到的各種雷達(dá)輻射源信號參數(shù)提取分類,實現(xiàn)不同雷達(dá)輻射源個體識別。文獻[4-6]使用傳統(tǒng)的時頻分析方法,如Wigner-Ville分布、Choi-Williams分布以及小波變換等,這些方法是通過基函數(shù)對信號進行處理,結(jié)合深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)實現(xiàn)輻射源的識別;文獻[7]提出巴氏距離選擇雙譜和改進的矩形積分雙譜兩種方法,對輻射源進行個體識別,驗證了所提方法在計算復(fù)雜度和準(zhǔn)確率方面的優(yōu)勢;文獻[8]針對小樣本條件下的一維雷達(dá)輻射源信號序列,基于Transformer模型構(gòu)建了雷達(dá)輻射源個體識別模型,采用多種數(shù)據(jù)增強與數(shù)據(jù)擴充的方法,一定程度上解決了訓(xùn)練樣本有限的問題。

EfficientNet是2019年由“谷歌大腦”的工程師譚明星和首席科學(xué)家LE在有關(guān)卷積縮放模型的論文中提出的一種深度學(xué)習(xí)網(wǎng)絡(luò)模型。深度學(xué)習(xí)網(wǎng)絡(luò)模型的性能,主要受網(wǎng)絡(luò)寬度(卷積核的個數(shù))、網(wǎng)絡(luò)深度和輸入網(wǎng)絡(luò)的圖像分辨率影響,往常的一些深度學(xué)習(xí)網(wǎng)絡(luò)模型,例如VGG、ResNet、MobileNet等,僅僅是通過改變上述3個參數(shù)中的一個,來提升網(wǎng)絡(luò)模型的性能。其缺點主要有3個方面:首先,雖然增加網(wǎng)絡(luò)深度能夠提取更深層次的細(xì)微特征,但是,網(wǎng)絡(luò)深度太深容易導(dǎo)致梯度消失、梯度爆炸、訓(xùn)練變慢的問題;其次,雖然增加網(wǎng)絡(luò)寬度能夠使網(wǎng)絡(luò)更加容易訓(xùn)練,但是,寬度較大而深度較小的網(wǎng)絡(luò)往往在挖掘深層次特征方面有所欠缺;最后,雖然增加輸入圖像分辨率能夠使網(wǎng)絡(luò)獲取更高細(xì)粒度的特征,但是,也會增加網(wǎng)絡(luò)的計算量,拖慢訓(xùn)練進度。而EfficientNet深度學(xué)習(xí)網(wǎng)絡(luò)[9],可以同時探索3個參數(shù)的合理配置,使EfficientNet達(dá)到效率和準(zhǔn)確率的高效結(jié)合,通過輸入經(jīng)過短時傅里葉變換(STFT)的雷達(dá)信號時頻圖譜,開展基于STFT和EfficientNet的雷達(dá)輻射源個體識別研究。

1 基于STFT和EfficientNet的雷達(dá)輻射源個體識別方法

SEI研究在本質(zhì)上是對接收到的雷達(dá)信號進行識別分類的過程。接收端獲取信號,再對所采集的信號數(shù)據(jù)進行預(yù)處理后,通過特定的變換得到信號特征,提取這些特征的細(xì)微差異,分別對信號打標(biāo)簽,從而實現(xiàn)信號的分類?；赟TFT和EfficientNet的方法實現(xiàn)雷達(dá)輻射源個體識別的過程主要包括:數(shù)據(jù)切割截取、時頻特征提取、細(xì)微特征提取和識別分類4個部分,整體流程如圖1所示。

圖1 算法流程圖

首先,對采集的雷達(dá)信號根據(jù)脈沖段進行切割,截取信號有效部分;然后,進行預(yù)處理,對截取的每段信號進行STFT提取信號時頻特征,結(jié)合神經(jīng)網(wǎng)絡(luò)對圖像識別性能的優(yōu)越性,繪制二維特征圖;最后,將二維圖譜輸入EfficientNet進行細(xì)微特征提取。由于EfficientNet具有更深層次的網(wǎng)絡(luò)結(jié)構(gòu),能夠挖掘并提取圖像更細(xì)微的特征,同時,解決了梯度消失、梯度爆炸、訓(xùn)練速度減緩等問題,因此,采用EfficientNet對信號STFT生成的圖譜提取細(xì)微特征并識別分類。

1.1 信號預(yù)處理

STFT作為一種經(jīng)典的、使用時間最早、實際應(yīng)用最廣泛的時頻分析方法[10],具有原理簡單、適用性好、能夠充分體現(xiàn)通信信號時頻特性的優(yōu)點。STFT可以反映信號的局部特征,并且算法計算量相對較小,在信號分析上具有一定的優(yōu)勢[11]。STFT通過窗口滑動截取窗內(nèi)的一段信號來表示某一時刻的信號特征,不僅能夠反映信號在瞬時的頻率特性,還能反映頻率隨時間變化而變化的特性。這些頻率特性包括信號諧波成分、信號帶內(nèi)頻率抖動情況、信號的載波頻率偏移、信號相位抖動等,根據(jù)其特點可以實現(xiàn)信號調(diào)制樣式的識別[12]。

假設(shè)原始信號為x(t),STFT的處理步驟如下。

1) 設(shè)置一個在時域上近乎有限的窗函數(shù)g(τ),τ為窗函數(shù)中心,它的能量主要集中在-Δt/2≤τ≤Δt/2范圍內(nèi),通過將窗函數(shù)g(τ-t)平移到時間點t附近,實現(xiàn)對信號在時間點t附近的“切片”。

2) 以t作為參數(shù),取x(τ)g(τ-t)的傅里葉變換,即STFT的定義為

(1)

式中:ω為角頻率;*表示共軛。

3) 將窗函數(shù)在時間軸上進行滑動,對信號逐段進行傅里葉變換,并繪制STFT處理后的特征譜圖作為后續(xù)網(wǎng)絡(luò)輸入的訓(xùn)練、測試數(shù)據(jù)。

1.2 EfficientNet分析

EfficientNet作為一種輕量化的高效網(wǎng)絡(luò),其基本結(jié)構(gòu)仍然和普通的CNN類似,擁有卷積層、池化層、全連接層等主要部分,并且采用BN層、Dropout層來提高網(wǎng)絡(luò)訓(xùn)練速度。同時,EfficientNet采用了不同的網(wǎng)絡(luò)搭建模式,是在深入分析了深度學(xué)習(xí)網(wǎng)絡(luò)的網(wǎng)絡(luò)深度d、網(wǎng)絡(luò)寬度w、輸入圖像分辨率r和運算資源復(fù)合系數(shù)φ之間關(guān)系的基礎(chǔ)上,使用自動搜索的方法進行的,其關(guān)系為

(2)

式中,α≥1,β≥1,γ≥1。在網(wǎng)絡(luò)構(gòu)建過程中,考慮到計算機配置能夠達(dá)到的最大參數(shù)存儲數(shù)量和最多浮點運算的次數(shù),結(jié)合式(2),首先固定φ=1,使用小型模型搜索的方式,確定EfficientNet-B0最佳參數(shù)為α=1.2,β=1.1,γ=1.15。本文使用的EfficientNet-B0結(jié)構(gòu)如圖2所示。

圖2 EfficientNet-B0基本結(jié)構(gòu)

通過圖2可以看出,EfficientNet-B0網(wǎng)絡(luò)主要是由移動翻轉(zhuǎn)瓶頸卷積層(Mobile Inverted Bottleneck Convolution,MBConv)模塊組成的,通過多個MBConv模塊的疊加,即可提取出有效圖像的更復(fù)雜抽象的深層特征。隨后將圖像特征展開成一維向量,經(jīng)過全連接層得到輸出向量,即可得到輸入圖片屬于每個類別的置信度。并且,在其中使用壓縮與激勵(Squeeze-and-Excitation,SE)通道注意力模塊[13]進行優(yōu)化,網(wǎng)絡(luò)使用的激勵函數(shù)也由常用的ReLU函數(shù)換成了Swish函數(shù)。

2 仿真分析

2.1 數(shù)據(jù)采集與處理

實驗仿真了3種型號的共13個模擬信號源發(fā)送的雷達(dá)信號,3種型號信號源的雷達(dá)數(shù)據(jù)分別為數(shù)據(jù)集1、數(shù)據(jù)集2、數(shù)據(jù)集3,分別對應(yīng)信號1類、2類、3類。為體現(xiàn)網(wǎng)絡(luò)對不同樣本大小的識別性能,從1類、2類、3類中分別取少量、中量、大量的訓(xùn)練和測試樣本做對比實驗。其中,8個模擬信號源為1類,編號為輻射源A、B、C、D、E、F、G、H;信號載頻為9800 MHz,采樣頻率為500 MHz,每個輻射源取250個訓(xùn)練樣本,60個測試樣本,共取樣訓(xùn)練集樣本2000個,測試集樣本480個;3個模擬信號源為2類,編號為輻射源J、K、L,信號載頻8500 MHz,采樣頻率500 MHz,每個輻射源取1350個訓(xùn)練樣本,400個測試樣本,共取樣訓(xùn)練集樣本4050個,測試集樣本1200個;2個模擬信號源為3類,編號為輻射源M、N;信號載頻為5400 MHz,采樣頻率為500 MHz,每個輻射源取7500個訓(xùn)練樣本,1000個測試樣本,共取樣訓(xùn)練集樣本15 000個,測試集樣本2000個。實驗采集信號數(shù)據(jù)默認(rèn)為理想情況下無噪聲信號,為了對比算法在不同信噪比情況下的識別性能,后期通過采集不同信噪比環(huán)境下雷達(dá)的信號加入實驗。

實驗仿真環(huán)境運行在高性能計算機Windows10系統(tǒng)上,信號切割、信號預(yù)處理采用軟件仿真,深度學(xué)習(xí)環(huán)境為Python3.6,神經(jīng)網(wǎng)絡(luò)的搭建采用Pytorch框架。

2.2 實驗結(jié)果與對比分析

2.2.1 理想情況下測試

實驗采用EfficientNet-B0,首先對該網(wǎng)絡(luò)模型進行訓(xùn)練,訓(xùn)練的參數(shù)設(shè)置為:優(yōu)化器(Optimizer)選擇使用“SGD”優(yōu)化器,權(quán)重衰減因子(Decay)設(shè)置為0.000 1,動量(Momentum)設(shè)置為0.9,初始學(xué)習(xí)率(Learning rate)為0.01,批量處理大小(Batchsize)設(shè)置為32,訓(xùn)練迭代次數(shù)(Epoch)為50。為了方便觀察訓(xùn)練過程中每個Epoch的準(zhǔn)確率(Accuracy)和損失值(Loss)的變化,網(wǎng)絡(luò)模型訓(xùn)練過程不采用凍結(jié)訓(xùn)練的方法。EfficientNet-B0對采集的13個模擬信號源的訓(xùn)練集的訓(xùn)練準(zhǔn)確率與損失值如圖3所示。

圖3 訓(xùn)練集訓(xùn)練結(jié)果示意圖

由圖3可以看出,隨著訓(xùn)練迭代次數(shù)的增加,網(wǎng)絡(luò)的識別準(zhǔn)確率逐漸上升,損失值迅速下降,并在15輪之后逐步趨于收斂。網(wǎng)絡(luò)訓(xùn)練結(jié)束后,保存網(wǎng)絡(luò)訓(xùn)練后得到的權(quán)重,調(diào)用保存好的網(wǎng)絡(luò)權(quán)重對測試集進行測試,得到測試混淆矩陣如圖4所示。本文取訓(xùn)練過程中收斂后的10次準(zhǔn)確率的平均值為訓(xùn)練準(zhǔn)確率,測試準(zhǔn)確率為個體識別準(zhǔn)確率,如表1所示。

表1 輻射源個體識別準(zhǔn)確率

通過圖4可以看出,EfficientNet-B0對于時頻變換后的13個模擬信號源個體具有較好的識別效果。每個信號源能夠完全區(qū)分開,對于數(shù)據(jù)集1中信號源C有一小部分被錯誤分類為信號源B,信號源A和E有一小部分被錯誤分類為信號源G。分析原因可能是相互誤判的信號源存在一定的相似程度,且該類別選取的訓(xùn)練集較少,網(wǎng)絡(luò)沒有足夠樣本得到充分訓(xùn)練,導(dǎo)致網(wǎng)絡(luò)對個別信號源存在誤識別的情況。在采用中樣本和大樣本訓(xùn)練集后,由數(shù)據(jù)集2和數(shù)據(jù)集3的測試結(jié)果顯示,個體識別效果明顯優(yōu)于數(shù)據(jù)集1,但是信號源J有個別數(shù)據(jù)被錯誤識別成信號源L,分析原因可能是偶然事件導(dǎo)致誤識別。總之,基于STFT和EfficientNet的雷達(dá)輻射源個體識別方法在不加噪聲的理想情況下對3種型號的共13個模擬輻射源具有較好的識別能力。

2.2.2 對比實驗結(jié)果及分析

1) 對信號采用不同的變換方式的對比實驗。

文獻[4-5]通過提取時頻特征,如Wigner-Ville分布(WVD)等對輻射源個體進行識別。本文選擇Wigner-Ville分布、FFT和雙譜變換特征進行對比實驗。采用上述13個模擬信號源分別進行WVD、FFT和雙譜變換,與本文提出的STFT方法進行對比實驗。得到的識別結(jié)果如表2和圖5～6所示。

表2 識別準(zhǔn)確率

圖5 不同特征訓(xùn)練準(zhǔn)確率

圖6 不同特征訓(xùn)練損失值

通過對比實驗可以看出,在訓(xùn)練相同輪數(shù)的情況下,對于不同網(wǎng)絡(luò)和不同時頻變換方式,基于STFT和EfficientNet的雷達(dá)輻射源個體識別方法對于13個模擬信號源個體識別的準(zhǔn)確率最高且最穩(wěn)定。通過表2和圖5～6可以看出:雙譜變換生成的圖譜在網(wǎng)絡(luò)中訓(xùn)練準(zhǔn)確率較低且損失值較大;FFT表現(xiàn)出測試結(jié)果與STFT相近,但是在訓(xùn)練過程中訓(xùn)練準(zhǔn)確率幅度較大,較STFT收斂需更多輪數(shù)訓(xùn)練;WVD在訓(xùn)練過程中準(zhǔn)確率和損失值均與STFT相近,但是,個體識別準(zhǔn)確率不如STFT。因此,實驗結(jié)果表明,基于STFT和EfficientNet的雷達(dá)輻射源個體識別方法具有更好的識別效果。

2) 采用不同網(wǎng)絡(luò)模型對輻射源個體識別的對比實驗。

實驗同時對原始信號進行SFTF時頻變換,選取ResNet-50[14]和VGG16[15]2種網(wǎng)絡(luò)模型分別進行實驗,訓(xùn)練結(jié)果與EfficientNet-B0對比,如圖7所示。

圖7 3種網(wǎng)絡(luò)訓(xùn)練結(jié)果

通過圖7可以看出,對于ResNet-50和VGG16網(wǎng)絡(luò),隨著訓(xùn)練迭代次數(shù)的增加,網(wǎng)絡(luò)的識別準(zhǔn)確率迅速上升,損失值迅速下降,在迭代15輪之后,準(zhǔn)確率和損失值仍有所波動,在30輪之后逐漸趨于收斂。同時,訓(xùn)練過程中ResNet-50和VGG16相較于EfficientNet-B0來說識別準(zhǔn)確率較低、訓(xùn)練速度較慢,并且,ResNet-50和VGG16占用的硬件資源也更多。因此,EfficientNet-B0具有輕量化和高效性的特點。

使用訓(xùn)練好的ResNet-50網(wǎng)絡(luò)和VGG16網(wǎng)絡(luò)做測試,與EfficientNet-B0進行對比實驗。保存最優(yōu)參數(shù)的ResNet-50和VGG16網(wǎng)絡(luò)模型,調(diào)用保存好的網(wǎng)絡(luò)模型對原始信號數(shù)據(jù)的測試集進行測試,訓(xùn)練準(zhǔn)確率和個體識別準(zhǔn)確率如表3所示。

表3 使用3種網(wǎng)絡(luò)訓(xùn)練及識別準(zhǔn)確率

通過表3可以看出,在原始信號條件下,ResNet-50和VGG16對13個雷達(dá)輻射源的個體識別訓(xùn)練準(zhǔn)確率低于EfficientNet-B0,小樣本數(shù)據(jù)中,ResNet-50和VGG16相比于使用EfficientNet-B0,識別準(zhǔn)確率分別低了1.76個百分點和1.55個百分點,中樣本數(shù)據(jù)中,ResNet-50和VGG16相比于使用EfficientNet-B0,識別準(zhǔn)確率分別低了1.81個百分點和2.93個百分點,大樣本數(shù)據(jù)中,采用3個網(wǎng)絡(luò)模型的個體識別準(zhǔn)確率相似。因此,EfficientNet-B0對于提取時頻特征中存在的細(xì)微差異方面有著更好的性能。

3) 不同信噪比的信號環(huán)境下的對比實驗。

在實際中,信號不可避免會受到噪聲影響,因此,開展在不同網(wǎng)絡(luò)、不同信噪比[16]下的對比實驗。實驗網(wǎng)絡(luò)采用ResNet-50,VGG16與EfficientNet-B0對比,數(shù)據(jù)采用大樣本訓(xùn)練數(shù)據(jù),設(shè)置信噪比區(qū)間為[-15 dB,15 dB],步長為5 dB的數(shù)據(jù)集。利用上述EfficientNet-B0模型進行訓(xùn)練,測試該算法在不同信噪比下的個體識別性能,個體識別結(jié)果如表4所示。

表4 不同信噪比下的識別結(jié)果

通過表4可以看出,隨著信噪比的增加,基于STFT和EfficientNet的雷達(dá)輻射源個體識別準(zhǔn)確率也在不斷提高。在15 dB的信噪比下,個體識別準(zhǔn)確率達(dá)到97.37%,僅比理想情況下的個體識別準(zhǔn)確率低2.63個百分點。在0 dB的信噪比下,識別準(zhǔn)確率仍達(dá)到82.44%,說明該方法在低信噪比的情況下仍有較好的識別性能。并且,通過與其他網(wǎng)絡(luò)相對比,在相同信噪比的情況下,使用EfficientNet對雷達(dá)輻射源進行個體識別的準(zhǔn)確率均優(yōu)于使用其他網(wǎng)絡(luò)。

3 結(jié)束語

本文提出了一種基于STFT和EfficientNet的雷達(dá)輻射源個體識別方法,通過對所采集的雷達(dá)信號進行短時傅里葉變換,提取輻射源的時頻特征,然后輸入EfficientNet進行訓(xùn)練,得到最終的個體識別結(jié)果。實驗結(jié)果表明,相比使用ResNet等其他網(wǎng)絡(luò)及WVD等其他變換方法,本文提出的對雷達(dá)輻射源智能個體識別的方法具有更高的個體識別準(zhǔn)確率,STFT與EfficientNet能夠更充分地體現(xiàn)和捕捉到雷達(dá)輻射源個體細(xì)微差異,同時,該方法在低信噪比的情況下仍有較好的識別性能。