基于信号特征深度重构的雷达辐射源识别方法

幸涛 郭博雷 张鹏

摘  要：文章将机器学习引入雷达识别领域，提出基于信号特征深度重构的雷达辐射源识别方法。利用深度置信网络对输入层特征逐层提取和特征重构的非监督特征提取特性，将不同辐射源信号特征的差异逐层放大，利用输入层与重构层的矢量夹角作为识别的模糊一致性评判标准，得到雷达辐射源识别结果，通过对模拟辐射源特征参数的识别测试，验证了算法的有效性。

关键词：机器学习;深度置信网络;雷达辐射源识别;矢量夹角

中图分类号：TN957.5      文献标识码：A 文章编号：2096-4706（2020）18-0080-04

Abstract：Machine-learning is introduced into the radar recognition in this paper. A method of radar emitter recognition based on deep feature reconstruction is proposed in this paper. We use the DBNs unsupervising characteristics of feature extraction and reconstruction of in-layer features layer by layer，to amplify the difference of signal features of different emitter layer by layer. Vector angle between the input layer and the reconstructed layer is used as the fuzzy consistency of criterion to get result of recognition of radar emitter. The effectiveness of the algorithm is verified by the recognition test of the characteristic parameters of the simulated radiation source.

Keywords：machine learning;DBN;radar emitter recognition;vector angle

0  引  言

随着电子信息技术的不断发展，现代战场中的电子对抗愈发激烈，进而涌现了更多新型复杂体制的雷达辐射源，这些雷达信号的特征参数变幻莫测，雷达辐射源的识别变得更加艰难，加之现代战争中电磁环境复杂，频率覆盖范围几乎接近全频段，使得战场上的电磁环境高度密集，给雷达辐射源的识别带来了更高的难度。如何快速准确地对雷达辐射源型号进行识别是现代战争中的重要因素之一，也是当前亟待解决的问题。

雷达辐射源识别是电子战中的重要一环，传统的雷达辐射源识别方法已经逐渐跟不上雷达体制的变化。传统的雷达辐射源识别方法主要是利用射频（RF）、重复间隔（PRI）以及脉冲宽度（PW）等参数与雷达知识库中的辐射源参数模板进行匹配来实现对辐射源的识别，在海量复杂雷达信号的冲击下，这种识别方式的能力往往有限，而且每次识别都需要与雷达知识库遍历匹配，效率上也逐渐无法满足当下的作战需求，因此，发展针对现代战场的雷达辐射源识别技术具有重要的意义。

空军装备部驻郑州军事代表室及27所长期以来致力于电子对抗相关的装备研制及算法研发，为解决雷达辐射源识别准确率低的问题，以及相应智能化作战的需求，本文以侦获的雷达信号为切入点，将深度学习的方法引入雷达辐射源识别领域，利用深度置信网络对雷达信号细微特征的提取能力，将网络输入层与重构层的模糊一致性作为识别的评判标准，从而提取到更加复杂完整的雷达信号特征，提升雷达辐射源识别准确率，为战勤人员的决策提供有力支撑。

1  本文主要研究内容

深度置信网络是由多个限制性玻尔兹曼机（Restricted Bolzman Machine，RBM）堆栈，形成一个非监督的数据深层次特征提取结构，后接上一个有监督的逻辑回归神经网络结构组合而成，由于在对雷达辐射源的识别过程中，包含对未知辐射源型号的雷达信号作识别操作，监督分类对新信号的海量数据依赖性会使网络训练收敛速度慢，进而导致识别精度低等问题，本文的雷达辐射源识别方法将摒弃DBN的有监督训练部分，而只保留非監督提取数据特征的部分，利用每一种辐射源的已有数据，训练出该类型雷达辐射源独有的非监督深度置信网络（Unsupervised Deep Belief Network，UDBN），提取雷达信号的深度重构特征，建立对同辐射源极为敏感的UDBN模型，并将训练参数保存用于该类型雷达辐射源的识别。UDBN包含一个可见层，即网络顶端的RBM输入层，多个用于特征提取的隐含层、与特征提取隐含层相同层数的特征重构隐含层，最末端是最后一个RBM输出层，UDBN最大的特点就是当同种辐射源的雷达信号通过UDBN时，每一个隐含层产生的识别偏差比较小，最终输出的结果与输入的结果相似度较高;而当不同辐射源的雷达信号通过UDBN时，每一个隐含层都将产生一定的识别偏差，经过多层的偏差累积，最终输出的结果与输入的数据相似度非常低，利用这个原理，将通过UDBN前后的数据模糊置信度作为识别置信度量标准，就形成了一个完整的雷达辐射源识别过程。

每一种雷达辐射源都有其特定的信号特征，利用不同雷达辐射源特征参数的差异性，来对雷达辐射源做识别。主要选取的特征有射频类型（RFType）、射频下限（RFMin）、射频上限（RFMax）、重复间隔类型（PRIType）、重复间隔下限（PRIMin）、重复间隔上限（PRIMax）、脉冲宽度类型（PWType）、脉冲宽度上限（PWMax）、脉冲宽度下限（PWMin）九个参数参与到神经网络的训练和识别过程。

2  算法内容

深度置信网络是一种由多个限制性玻尔兹曼机组成的深度学习模型，与传统机器学习算法相比，它的精度比较高，计算效率快，是一种综合性能很高的识别算法，比较适合应用于雷达辐射源识别工作中。

2.1  限制性玻尔兹曼机原理

RBM是一种基于信息熵能量的无反馈的两层神经网络结构，其主要作提取数据的隐含特征，RBM的输入层即可见层，输出层即隐含层，如图1所示。

它是由一个有n个神经元的可见层v和一个有m个神经元的隐含层h组成，整个RBM系统（v，h）的能量为：

其中，θ=（ωij，ai，bj）为RBM的网络参数，ωij为输入层的第i个神经元与输出层的第j个神经元之间的网络连接权值，ai为输入层的第i个神经元的连接权值偏置量，bj为输出层的第j个神经元的连接权值偏置量，基于该能量函数，得到（v，h）的联合概率分布：

其中，Z（θ）=为概率归一化项，输入层的分布P（v|θ）和输出层的分布P（h|θ）可以通过联合概率分布的似然函数来确定：

由于输入层v与隐含层h内部无连接，层内各神经元之间保持相互独立的状态，因此，当给定输入层与隐含层的状态时，对应的输入层与输出层的神经元节点为激活状态的概率分别为：

其中，σ（x）=1/（1+e-x）为用于将神经元的激活值作非线性转换的函数，利用数据样本调整RBM网络结构的参数集θ的值，使RBM在训练集上的对数似然函数L（θ）取最大值，以此获取参数的最优解θ*，具体过程为：

其中，[]P为关于分布P的数学期望，P（h|vt，θ）为在输入层的训练样本为vt的情况下，隐含层节点的概率分布，在计算P（v，h|θ）的过程中，概率归一化项Z（θ）无法直接计算，利用对比散度算法中的Gibbs采样方式估算其近似值，最终，得到各参数的更新规则：

其中，ε为学习率，[]data为训练集的数学期望，[]recon为对比散度算法结果得出的数学期望。

2.2  矢量夹角计算

对于两个具有相同长度N的矢量曲线x和y，二者的相似度可以用矢量夹角γ来表示，矢量夹角的计算方式为：

矢量夹角越小，二者的相似度越高，反之相似度越低。

2.3  非监督深度置信网络原理

UDBN由多个RBM组成，结构如图2所示。

网络的前半部分是多个RBM的堆栈组成，它具有提取原始数据深层次隐含特征的功能，后半部分（图中虚线框部分）是对输入数据的重构还原过程，最后，以输入层v与最终的重构层v的矢量夹角余弦作为识别置信度p，算法描述为：

其中，hk，j为第k个RBM的输出层，即第k+1个RBM的输入层，当k=1时，hk，j=v。ωk，ak，bk分别为第k-1个输入层到第k个隐含层之间的连接权值及重构权值偏置、特征提取偏置。hk为第k个重构层，当k=0时，输出结果是对第一个输入层v的重构，计算输入层v与最终的重构层v的矢量夹角余弦作为识别置信度p，当p高于设定阈值，识别成功，否则识别失败。

利用RBM能对原始数据进行还原的特性，UDBN由k个隐含数据特征提取层及k个数据特征还原层组成，利用原始数据作为输入层训练第一个RBM，并将第一个RBM的输出结果作为第二个RBM的输入层训练第二个RBM，依此类推，直到第n个RBM训练完毕，再利用第k个RBM的输出层作为输入层，对k-1层的数据重构还原，再利用第k-1层的重构还原数据对k-2层的数据重构还原，依此类推，最终还原出第一个输出层即原始数据的重构还原结果，从而完成整个网络的训练。整个网络的作用就是利用训练数据训练出该训练集独有的网络参数，即这些参数只能完成与训练集相似数据的重构还原。

2.4  雷达信号特征参数识别

本文的雷达辐射源识别算法是一个人机互动、逐渐积累的过程。首先，需要人工辅助判别未知雷达辐射源的类型，利用人工判别的多组同源雷达信号作为训练集，分别训练其对应的非监督深度置信网络，当未知雷达信号到来时，依次通过每个辐射源对应的UDBN模型，并将未知信号特征值与UDBN输出结果的矢量夹角余弦值作为未知雷达信号属于各类辐射源的置信度，算法流程为：

步骤1，创建雷达辐射源识别库，主要用于存储各已知辐射源的UDBN参数;

步骤2，未知辐射源雷达信号输入;

步骤3，未知辐射源雷达信号通过识别库中的每一个UDBN，得到两种情况：

（1）如识别库中无现有UDBN或置信度列表中的最大值低于設定阈值时，需要行人工辅助判别确定辐射源类型，为其训练UDBN并入识别库，识别过程结束;

（2）置信度列表中的最大值达到或高于设定阈值时识别成功，找到置信度列表中最大值所对应的辐射源类型，作为未知雷达信号的辐射源类型，识别过程结束。

3  实验与结果分析

本次实验采用1个输入层+2个特征提取层+2个特征重构层共5层的UDBN对训练样本进行训练，由于训练样本总量较大（3种辐射源，每个辐射源10个训练样本），本文选取部分训练样本展示，样本如表1所示，其中，射频类型、重复间隔类型、脉冲宽度类型对应的代码如表2所示。

测试样本每种辐射源20个，3种辐射源共60个，将测试样本输入到训练好的UDBN中，得出识别结果及每个样本的识别置信度，本文选取部分测试样本及实验结果如表3所示：

整体识别结果中，60个测试样本，60个识别正确，识别率60/60×100%=100%。从对测试数据的识别效果来看，识别方法具有一定成效。

4  结  论

将机器学习引入雷达辐射源识别过程是大势所趋，本文利用雷达辐射源的信号特征设计了UDBN，利用UDBN对不同类别辐射源特征参数差异逐层放大的特性构建雷达信号特征的深度重构模型，来完成对辐射源的识别，通过对测试数据的识别试验也印证了算法的有效性，对雷达辐射源识别的问题上具有一定的参考价值，同时也需要真实的雷达辐射源特征参数数据来对算法做进一步验证。

参考文献：

[1] 孙晓磊.一种基于模糊推理和模糊判决的雷达目标识别算法 [J].造船技术，2006（4）：44-46.

[2] 戴征坚，郁文贤，胡卫东，等.空间目标的雷达识别技术 [J].系统工程与电子技术，2000（3）：19-22.

[3] 邵命山，陈运涛.不确定推理在雷达识别中的应用 [J].火力与指挥控制，2008（S1）：29-31.

[4] 尚士毅.雷达识别的现况及发展趋向 [J].舰船电子对抗，1994（2）：7-12.

[5] 王维，周希辰，沈凡.目标特征与雷达识别需求关系原理 [J].信息技术，2012，36（8）：108-111+115.

[6] 周旭，姜双章，周治伟.雷达辐射源属性识别算法研究 [J].航天电子对抗，2007（4）：28-31.

[7] 佚名.雷达信号及其处理 [J].电子科技文摘，2001（5）：76.

[8] 王欢，何明浩，刘锐，等.雷达信号识别效果的模糊综合评价研究 [J].雷达科学与技术，2012，10（4）：372-375+379.

作者简介：幸涛（1988.10—），男，汉族，河南新郑人，工程师，学士学位，主要研究方向：信息处理;郭博雷（1982.03—），女，汉族，河南郑州人，高级工程师，学士学位，主要研究方向：信息处理;张鹏（1993.09—），男，汉族，河南信阳人，工程师，硕士，主要研究方向：雷达信号分析处理。