基于时频分析和CNN的雷达辐射源识别算法∗

黄 智 王俊杰 石国良

（海军工程大学 武汉 430000）

1 引言

雷达辐射源识别（Emitter Identification，EID）作为电子战领域最基础的技术之一，在认知雷达、雷达发射机识别和侦察威胁告警等方向皆有应用，它对敌方雷达信号进行截获、定位、分析和识别，为作战指挥人员提供战场态势信息和战术决策行动［1］。随着雷达技术的不断发展，雷达信号形势越来越多样化，按照传统，根据脉冲描述字（Pulse Descrip⁃tion Word，PDW）实现辐射源识别的方法其效果不断降低［2］。为适应现代战争，近些年研究重点开始转向雷达辐射源脉内特征的提取，开始发展许多关于辐射源脉内特征提取的方法，其中，基于时频特征［3］的辐射源识别方法在EID领域取得了较好的识别效果，但目前依旧有一些问题存在：1）许多理论模型在时间消耗上太大；2）通过人为提取特征进行识别，识别的结果很大程度上依赖于特征参数的设计。因此，如果能够设计出自动提取信号本质特征、识别速度块且能够分类多种辐射源的神经网络模型，对识别性能的提升和理论的实际应用具有重要意义。

近些年，卷积神经网络（Convolutional Neural Network，CNN）因其强大的性能广泛应用于自动驾驶［4］、图像识别［5］以及医疗［6］等领域，其通过相互连接的卷积层和池化层自动提取图像深层特征，达到极高的识别准确率［5］。不少研究者开始将CNN与辐射源识别相结合，文献［7］通过信号脉宽、脉幅和载频形成表征信号特征空间的三维图像，输入到CNN完成58个独立辐射源的识别［7］；文献［14］将低信噪比下的时频图处理与图像形态学相结合，利用图像形态学的知识去除时频图中产生的噪声，同时构造一个包含两层卷积层的卷积神经网络实现8种辐射源信号的分类；文献［15］同样运用了卷积神经网络的方法，实现了12种低截获概率信号的分类。但是，在这些方法中，作为输入的特征图像尺寸大，并且在关于网络的识别速度上没有做更进一步的分析。所以，本文构建11层CNN实现辐射源识别，主要贡献在于：1）引入时频图作为CNN的输入特征图像，进一步提高在低信噪比下对不同辐射源信号的识别率；2）简化输入图像尺寸为64×64并构建深层网络，进一步缩短对辐射源信号的识别时间。

2 卷积神经网络结构

卷积神经网络（Convolutional Neural Network，CNN）的经典结构通常包含5个部分：输入层、卷积层、池化层（又称下采样层）、全连接层和输出层。它通过交替进行的卷积和池化操作来完成图像的特征提取和降维。本文采用时频分析的方法将信号转换为时频图，输入时频图X∈ℝn×n，最终通过全连接层划分为目标类别 y∈ℝm，如图1。

图1 CNN基本结构

其中，“⊗”代表卷积操作，bk表示对于第k组卷积核的偏置量。

在得到第i+1层卷积层的特征图后，CNN接着做池化操作，有

其中，Sample(·)是池化函数，CNN将卷积层大小为n×n的特征图做池化，经过池化，特征图的数量不

经过CNN交替进行的卷积和池化，最终得到的特征图被拉成一组一维向量，再将该组向量经过若干个全连接网络，最终划分为m个目标类别。

其中，Fullconnect(·)表示全连接操作。

3 基于CNN的雷达辐射源识别

3.1 时频特征提取和数据预处理

提取信号的时频特征有多种方法［8］，而非线性时频表示的Choi-William分布（Choi-Williams dis⁃tribution，CWD）可以有效抑制时频交叉项［9］，在接收频率编码信号或同时接收多个辐射源信号时能展示出更清晰、准确的时频特征图，所以本文选择CWD作为信号时频特征图的提取方法。

对于输入信号s(t)，作时频变换：

其中，CWD(·)表示对输入信号作Choi-William变换，经过变换得到大小为n的一维向量t∈ℝn、二维向量 f∈ℝn×n和二维向量 trf∈ℝn×n。需要强调的是，f中每个元素代表该点的频率值，trf中每个元素代表该点的信号强度。

CNN主要完成图像识别，而图像的值范围在0～255，经过变换后，信号的强度值有时会超出0～255的范围，根据这个情况，假设trf内任意一点的强度值为 ||trfij，做如下数据处理：

其中，max(·)和 min(·)分别表示取最大值和取最小值函数。

3.2 构建CNN

图2是本文搭建的基于CNN的雷达辐射源识别网络图，它包括4层卷积层，4层池化层，2层全连接层以及1层dropout层。其中，dropout层是为了防止网络过拟合而设计，其将神经元按照一定的概率暂时从网络中丢弃以防止网络的过拟合。

图2 基于CNN的辐射源识别流程图

根据图2，构建的CNN可以表示为

3.3 精调网络

CNN没有训练好之前，网络输出的 y1,y2,…,ym共m个预测结果与预先设置好的正确结果（标签值）y1_label,y2_label,…,ym_label之间计算损失值：

根据损失值，用反向传播算法［10］对CNN中各卷积核和全连接层中的权重值进行误差精调，使网络内部的所有权重参数与需要分类的辐射源类型不断契合。

3.4 识别辐射源

神经元在经过分类器后，所有类别的输出概率和为1，最有可能的类别将输出最大的概率值，至此可以得到辐射源的分类识别结果result=

4 仿真实验和结论分析

采用Matlab产生六种脉冲压缩体制辐射源信号进行仿真实验，以此来进一步验证所提出CNN网络的识别性能。这六种辐射源信号分别为常规脉冲信号（CP）、线性调频信号（LFM）、非线性余弦调频信号（NCFM）、二相编码压缩信号（BPSK）、二频率编码信号（BFSK）和四频率编码信号（QFSK）。

在实际信号环境中存在多种载频的信号，而接收机在接收不同载频的信号后，时频图会有所变化（如图3），所以，本文在产生6种调制信号的基础上，对每种调制信号的训练样本内产生不同载频的信号，产生的信号载频范围从0～fs/2，以此调整时频图中调制信号的分布位置，得到更多不同的时频图，扩大训练样本包含的内容。

根据以上条件，在训练集中，针对每种调制信号产生1800个训练样本，共产生10800个训练样本。对于每种调制信号，1800个训练样本中随机添加噪声，噪声的产生范围从-6dB～9dB，同时，这1800个训练样本包含的载频范围从0～fs/2。在测试方面，共设置6个测试集，它们的信噪比分别为-6dB、-3dB、0dB、3dB、6dB和9dB，每个测试集包含1800个测试样本，针对每种调制信号产生300个测试样本，随机生成每个样本的载频，载频的产生范围从0～fs/2。

图3 两种调制信号在不同载频下对时频图的分布影响

信号参数设置采样率为50MHz，BPSK和BFSK采用11位Barker码，QFSK采用16位Frank码，仿真中均采用加性高斯白噪声。

4.1 识别结果分析

需要强调的是，本文仿真设置CNN块大小为200，训练次数3000次，卷积核大小3×3，学习率0.1。采用该参数设置，经python的tensorflow框架训练后，CNN模型在信噪比为9dB的测试集上最终可达到100%的识别率。

利用配置的模型，分别在设计的六个测试集上进行识别，考虑到CNN高识别率的获得是采用较长的时间和大数量的样本来训练达到的，以长时间、大数量训练得到的模型来识别较小数量的测试集，不足以验证网络的整体性能，所以在每个信噪比的测试集中分别产生 600、1800、3000、4200、5400共5种大小的测试样本，得到的识别情况如图4所示。

图4表明，随着信噪比的提升，CNN的识别率增加的很快，在信噪比为-6dB的时候识别率较差，为72%左右，但信噪比提高到-3dB时，CNN的识别率达到96%左右，当信噪比在3dB～9dB的时候，CNN在所有测试集上均可以100%的分类六种辐射源信号，在增加测试样本的情况下，CNN的识别率没有太大波动，说明结合时频分析的CNN对六种辐射源的识别结果是准确、有效的。

图4 不同训练样本数的识别率（%）

4.2 算法效率对比

表1 不同分类算法的识别率（%）

本文选取4种识别率较高的算法与CNN作为对比，文献［11］提出用稀疏分类（SC）的方法识别辐射源，并将传统KNN分类器作为对比，文献［12］提出利用RBF-SVM对辐射源时频特征进行分类，文献［13］提出使用多自动编码器（SAE）来识别辐射源，并将识别结果同KNN算法、文献［11］提出的SC算法和文献［12］提出的RBF-SVM算法作对比，表明其SAE算法在KNN、RBF-SVM、SC等算法中表现最佳。本文从文献［13］的仿真条件出发，设置相同的测试样本，在不同的信噪比下获得的识别结果如表2所示，可以发现，当SNR=-6dB时，SAE识别率略高于CNN，当SNR≥-3后，五种算法中CNN的识别率更好，高于其余四种算法。此外，在平均识别时间上，CNN为5.86s，仅次于KNN，所以从整体来看，CNN的识别性能最佳。

5 结语

根据CNN能够自动提取时频图特征并完成分类的特性，本文构建11层的CNN，并将信号经过时频变换后得到的时频图作为输入训练出能够识别辐射源的较优权重模型，该模型能够对不同类型辐射源进行正确识别，验证了算法的有效性。之后，CNN模型的效率被进一步作比较讨论，仿真结果表明，从识别率以及识别速度上进行综合考量，基于时频分析和CNN的雷达辐射源识别算法是性能更优且更加高效的一种辐射源识别算法。