基于卷积神经网络的多功能雷达行为辨识研究*

2021-02-03陈秋菊潘继飞毕大平

火力与指挥控制 2021年1期

方旖，陈秋菊，2，潘继飞，2，毕大平

（1.国防科技大学电子对抗学院，合肥 230037；2.电子对抗信息处理实验室，合肥 230037）

0 引言

由于军事上的迫切需求，多功能雷达（Multi-Function Radar，MFR）部署和应用越来越广泛，其信号的复杂性和灵活性大大增加了参数空间的维度，其状态变化的时序特征更是超出了统计参数模型的描述能力，难以有效转化成雷达系统的情报信息，给雷达对抗技术带来了前所未有的挑战。因此，实现对MFR 内部状态变化的实时感知，引导对抗装备敏捷地决策出最优的对抗策略至关重要。雷达行为识别需要获取足够多、足够全面的数据样本，构造可用于深度学习的数据集，并且基于“数据”驱动的智能分析辨识手段，才能使其性能远高于传统方法。

当前，MFR 行为辨识问题的研究方法多集中于两个方面：基于句法模式识别理论的辨识方法［1-2］和利用统计学原理基于参数的辨识方法。传统的雷达行为识别方法通常利用构建CPI（相干处理周期）矩阵，并将矩阵与先前搭建的雷达数据库进行关联［3-5］。此方法原理简单，但受设定的门限值影响较大，只能划分参数特征区别明显的脉冲序列，并且需要在已知上一级行为状态的情况下，才能完整进行识别分析。马爽等人［6］引入生物信息学“多序列比对（MSA）”方法，定义随机将跟踪行为序列插入到搜索行为序列中形成新的雷达行为序列，并从中重建搜索序列，完成对搜索行为的规律探索。该方法能够很好地适应多功能雷达信号波束捷变的特点，但多功能雷达的行为类型多，变化快，此方法不易推广到其他行为任务，有一定局限性。

随着人工智能的广泛发展，人工智能技术、深度学习理论也被应用于多个领域。近年来，卷积神经网络因为其权值共享、效果稳定等特点开始逐渐被应用在语音识别方向中，学者们面向语音信号开展了大量的研究。Abdel-Hamid 等人［7］提出了一种将卷积神经网络应用于混合NN-HMM 模型框架下的语音识别方式。之后的几年里，大量研究学者开始研究CNN 在语音识别中的应用，解决了语音的情感识别、说话人的识别等［8-10］问题。

多功能相控阵雷达信号可以和语音信号类比，也是一组组按时间排列的、具有一定逻辑关系的连续数组。从理论上分析，将卷积神经网络应用于雷达行为识别也同样是可行的。在雷达对抗领域也有大量专家学者利用深度学习的方法，对雷达目标、雷达图像等方面展开研究［11-13］，并取得了一定成果。文献［11］基于深度神经网络，对测量得到的目标电磁散射面积（RCS）序列进行分析，通过对时间序列的特征提取，构造特征参数样本集训练识别网络，对识别空间飞行目标展开研究。文献［12］基于卷积神经网络对雷达开展典型手势动作识别。此研究主要从雷达距离-多普勒信息中提取幅度矩阵，组成训练样本集，并利用此网络模型构建了经典手势动作的LFMCW 雷达回波数据库，识别效果稳定。本文基于卷积神经网络探究多功能相控阵雷达的行为辨识问题，分别构造信号级行为数据集和信号加参数级行为数据集，比较两者的优缺点和识别准确率，分析卷积神经网络在雷达对抗与雷达行为识别方向的应用优势和不足。

1 多功能雷达行为辨识模型

将“雷达行为”定义为“雷达对战场态势及电磁环境作出的内部资源分配与外部信号辐射等所有反应的总和”。多功能雷达能够自适应调度任务，根据当前指令变化波束方位、波形参数等，并且根据不同任务要求，转换工作模式，改变频率、脉冲重复间隔（PRI）等波形参数。信号参数实时的变化给多功能雷达行为辨识提供了有效的依据。图1 为典型多功能相控阵雷达的时序构成。

对于多功能雷达而言，包括脉冲信号、特定模式下的脉冲序列、参数特性，以及雷达执行的任务等在内的各个层次都能体现多功能雷达行为特点。针对某一部特定的多功能雷达，在一段时间内截获到的所有脉冲就是对这部雷达的外在表现的描述（信号级行为）。越底层的描述越具体，形式越复杂，越高层的描述越抽象，形式也越简单。选择合适的描述方式对之后的多功能雷达辨识研究也具有一定影响。

图1 多功能相控阵雷达时序构成

对于某种机载火控雷达的信号样本而言，每一截获的信号级参数在t 时刻的信息可以用如下向量表示：其中，gti表示t 时刻信号中第i 个采样点的信息。

为了直观表示输入序列在时间轴的特征，构建了多功能雷达行为序列样本能够在时间和空间同时表示的矩阵形式。矩阵由每次不同时刻截获的信号向量依次拼接而成，其中每一行对应某一截获时刻的信号信息，按照截获时间顺序排列，即：

本文选择建立两种数据样本进行卷积神经网络的训练：一种是仅包含信号级参数，另一种将信号与脉冲参数相结合。为了更好地构造神经网络进行计算，矩阵的每一行信号参数数量都需要一致，即采样点数相同。当信号级参数不足以满足识别需求时，需要对向量尺度进行扩充，补充识别所需的特征参数辅助识别，即：

2 多功能雷达行为数据集构建

卷积神经网络与其他神经网络一样，每条神经元的输入端都是通过一个二维矩阵，因此，需要对截获到的雷达信号进行预处理，转换成为能够进入卷积神经网络的数据集。实验分别对雷达信号级的数据集和雷达信号级与参数级组合的数据集开展行为辨识研究，需要构建两类适合进入卷积神经网络的二维矩阵。

建立信号级雷达数据集样本需要在数据预处理后基于变化点检测算法，将截获的MFR 信号样本进行分割，其对应了不同的雷达行为状态。由于按照功能性进行划分，信号长短不一，需要对其进行补齐，并按照时间排列成二维序列。而信号级加参数级的数据集建立，则需要在雷达信号序列后补充能够表达雷达行为意义的参数。

首先定义雷达行为的变化点：计算所得的条件概率在变化点检测算法中发生很大变化的点。设定一个固定窗口长度的滑动窗口，沿着所有接收到的脉冲序列时间顺序滑动，对每一个窗口内的数据进行概率计算，当前后两个概率值相差超过阈值时，判断出现变化点。变化点前后两个事件有可能为同一行为状态，也可能是状态，在每一事件结束，都进行状态更新，并判断是否为同一行为。

定义从当前时间点回溯到最近变化点之间的脉冲描述字数据称为一个行程，用r 表示。假设检测到的最近变化点已经过去了t 个单位时间，则与最近数据相关联的有t 个不同长度的行程，那么在接收到最新数据之后再进行变化点检测，可以考虑两种可能性：新的序列是当前行程的一部分，因此，当前行程的长度加1；或者是变化点发生，当前行程结束，新的序列是新行程的一部分。设rt表示最近行程的长度，则在给定前面t 个事件下rt的概率计算公式：

假设给定了相应的脉冲描述字时间序列，则根据贝叶斯准则，在t 事件之后的概率分布可以按以下公式计算：

CNN 样本数据集构造流程图如图2 所示。

图2 CNN 样本数据集构造流程图

3 CNN 结构模型构建

卷积神经网络主要包括卷积层、池化层和全连接层。本文构建的CNN 网络模型如图3 所示。

图3 CNN 结构模型示意图

1）one-hot 独热编码：是一种利用状态寄存器来对状态进行有效位编码的方法，主要针对非连续型数值特征进行处理，使其通过one-hot 独热编码后的数值在欧式空间中到原点的距离更加合理，且可以看成是连续的特征关系，可以对其进行归一化处理等。本文针对截获的信号与参数数值之间是离散关系，引入one-hot 独热编码对其进行编码，使得有效数据进入网络训练。

2）激活函数：深度学习神经网络中的两层节点之间的函数关系被称为“激活函数”。神经网络中的激活函数主要有sigmoid、tanh 和relu 3 种非线性函数。不同的激活函数在不同层面上的优劣势是不相同的，sigmoid 函数由于其饱和性会使上几层的权值难以更新，称为“梯度消失”，且其并不以零为中心，当输入值全正时，权值的变化只能全正或全负；tanh函数属于sigmoid 函数的一个变形形式，但tanh 函数是以零为中心，可以产生类似数据中心化的效果，但是依然没有改善梯度消失的问题；relu 函数是非饱和函数，可以解决梯度消失的问题，且能快速收敛。但是relu 函数会使得神经网络发生“神经元死亡”即权值无法更新的问题出现，这需要在涉及网络结构时设定合适的学习率。本文网络结构设计选择激活函数“relu”，学习率设置为0.01。

3）卷积层：主要滤波器（filters）和激活函数构成。卷积层通过卷积计算提取并增强特征，并降低噪声。经过卷积后的信号脉冲通常会较原先的短，为了使卷积次数不会过少，通常使用填白（padding）的方式补齐信号序列，使得和原先序列长度一致，此方法称为“same”，不经过任何填白的称为“valid”方式。本文网络结构设计的超参数包括步长为1，padding 选用“same”，滤波器的个数分别为512、128、32。

4）池化层：为减小数据冗余，通过固定窗口长度在区域内提取相关特征，防止过拟合现象发生。池化层不需要学习参数，先前设置好的参数是固定计算方式的。本文网络结构设计的超参数包括步长为1，pool 选用“Macpooling”。

5）全连接层：用来整合所有提取的特征，将上一层所有点连接。计算公式为输出参数=输入参数*权值+偏置。

6）正则化（Regularization）［14-16］：正则化是为了使验证数据或者之后使用神经网络进行识别时不会出现误差过大的方法。本文主要使用两种正则化方法用来提升神经网络识别效果：1）在数据中嵌入先验知识，使得神经网络对MFR 的信号和参数识别更准确和灵敏；2）使用dropout 丢弃法，即在经过一层神经网络后，随机选取一定比例的神经元将其“舍弃”，强行简化模型。

4 仿真实验

4.1 实验1

实验在Win10 系统和Python Tensor Flow 环境下进行。行为与特征参数、评价指标选取如下：

1）选择某型机载火控雷达作为研究对象，选定多功能雷达行为近距离搜索、远距离搜索、跟踪进行识别。

2）选取训练样本数据为1 500*3 001 的二维矩阵，其中包含3 种不同工作模式类别各500 条信号脉冲及各个模式的标签；选取验证样本数据为150*3 001 的二维矩阵，其中包含3 种不同工作模式类别各50 条信号脉冲及各个模式的标签。

3）性能指标。

实验结果如图4 和表1 所示。

图4 CNN 识别结果

表1 CNN 识别准确率

由实验结果可知，全信号级数据进行CNN 网络训练时，相近信号所代表的雷达行为识别时会受到干扰，类别3 几乎全部被识别为类别2，几个被识别为类别1 的，准确率很低。实验在反复训练的过程中，也出现了类别2 几乎全部被识别为类别3 的现象。由于信号级数据在一定程度上无法体现雷达工作状态变化，例如波束方位的改变，重频的变化等，这对CNN 网络训练而言，类别2 和类别3 会被认为是同一组信号，从而在验证过程中都被识别为同一类别。因此，下一步将信号级数据与参数级数据结合，避免了信息片面残缺的问题。

4.2 实验2

在上个实验选用的每组信号数据后分别和同时加入波束方位、重复频率的参数值，组成训练样本1 500*3 002 两组和1 500*3 003 一组，验证样本150*3 002 两组和150*3 003 一组，将完整的序列集合输入卷积神经网络进行训练。

实验结果如图5 所示。

图5 CNN 识别结果

表2 CNN 识别准确率

图6 CNN 识别准确率对比

显然，加入雷达脉冲参数的训练样本可以得到更准确的识别率，且实验结果受参数影响而产生不同效果。在此次实验中，波束方位显然起着更为重要的作用，指代了有不同的追踪目标在不同的方位上，能够有效地区分类别2 和类别3。而重频由于具有捷变的特性，对提升识别准确率作用不是很明显。从图4 可以看出，信号和参数组合的样本数据能够完整描述雷达脉冲序列的脉内脉间所有特性，相比全信号级训练样本，具有有效的识别结果，但是当有参数的样式是变化时，反而会使准确率有所下降。

4.3 与其他算法的对比

对比文献［4、6］中的雷达行为识别方法，文献［4］通过对幅度波形提取峰谷值比、幅度直方图、平均能量3 个参数来区别搜索与跟踪。文献［6］采用循环二分法进行分析。首先确定一个门限值，通过门限值找出整段序列中与其他差异性最大的一段并计算最大似然比统计量。判断得到两点（或一点）变化点后，对分出的3 个（或2 个）段继续进行分析，不断循环处理，直到再无变化点被检测出来。两种方法均可以对多功能雷达行为进行识别，但是在实际复杂信号环境下，当脉冲密度很高时，脉冲相互叠加会造成幅度测量的不准确；并且对于非相控阵体制的雷达来说，工作模式的切换往往还与脉宽、脉冲重复周期等参数的变化相关，而不仅反映在幅度变化上，仅采用幅度一种参数进行分割，可利用信息量少，在多工作模式下容易造成漏警，判决不够准确。

相比较而言可以看出卷积神经网络的训练结果较稳定，训练过程中多次迭代可以减弱一定噪声变量的影响，减小误差，提高识别率，且识别率较为稳定。