一种基于深度特征的信号分类方法

臧 勤,洪 鼎，钱 鸥,刘佳媛，尚 睿

(中国船舶集团有限公司第八研究院，南京211153)

0 引 言

信息技术在军事领域的广泛应用和武器装备的飞速发展引发了现代战争形式的革命性变化。战场的透明化程度是关系到战争成败的重要因素。准确的平台类型与威胁等级的识别能力成为现代战争中获取信息优势的关键[1]。目标信号分类技术是辐射源识别的基础，是侦测系统在未来复杂电磁环境下的核心技术。通过对电磁辐射信号的搜索、截获和相关信息积累，本文研究各类复杂相控阵调制信号的时频域调制规律、空间扫描规律，结合信息智能化处理技术提出了一种基于深度特征的目标分类方法，并在工程中予以应用，取得了一些阶段性的研究成果。

1 复杂波形分析

针对实际侦测辐射源目标信号交叠、参数灵活多变、波形不完整等特点，采用时间序列分析方法提取隐藏特征参数；通过数据积累对全脉冲数据进行补全、纠错；再通过聚类、时间差计算、参数关联等方法对未知数据进行参数特征分析、目标分类。

为了提高复杂波形信号目标识别判证的准确性，传统的雷达特征5参数已经无法适应当前的雷达目标识别的要求，而是需要更多维度的特征来表达信号。通过时间序列分析、时频域联合变换等方法，获取雷达信号辐射源脉冲上升、下降沿、脉间/脉组时间序贯、脉内调制、时频变化、空间扫描等特征，从而实现对辐射源目标的精细化特征提取。

由于一些雷达信号形式复杂多变，信号的SNR起伏较大，难以直接提取出辐射源信号的本质特征，因而首先需要从时域、频域、空域、能量域等不同角度采用多种不同方法对该复杂体制辐射源信号进行充分的特征提取，并将提取出的大量特征组成特征向量来实现对辐射源的分类判别。当前主要提取载频、信号带宽、脉内特征、频率捷变参数、脉宽、重频、脉冲幅度、方位角、俯仰角、位置估计信息、速度估计信息、天线方向图、天线扫描速率、辐射源脉冲上升、下降沿特征、脉间/脉组时间序贯特征、脉内调制特征、时频变化特征、空间扫描特征等18维参数特征描述信号。

2 分类识别算法

在识别流程中,目标识别算法是雷达辐射源识别的核心。通常使用的分类识别技术主要包括相似系数法、参数模板法、聚类分析法、神经网络法、物理模型法和基于知识的方法。考虑到神经网络可以大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，本方法采用神经网络法，并对几种典型网络模型进行深入研究和分析对比，如表1所示，最终根据雷达序列特征选择采用循环神经网络模型进行算法设计。

表1 各模型组成特点分析

3 算法验证情况

搭建分类识别算法验证平台,在该平台对模型层数和节点数进行比较、训练和测试，再对训练效果进行评估比较，选择最适合的训练模型参数。具体处理流程如图1所示。

图1 目标关联识别流程

通过对采集数据(包含RDW数据、PDW数据、中频数据等信息)读取，提取载频、信号带宽、脉内特征、频率捷变参数、脉宽、重频、脉冲幅度、方位角、俯仰角、位置估计信息、速度估计信息、天线方向图、天线扫描速率、辐射源脉冲上升、下降沿特征、脉间/脉组时间序贯特征、脉内调制特征、时频变化特征、空间扫描特征等时域、空域、频域、调制域等多维特征参数；搭建并训练深度学习网络，基于训练好的学习模型实现对复杂体制辐射源数据的分类和识别。

3.1 样本准备

深度学习处理样本要求较高。当前研究过程中遇到的主要困难就是样本搜集问题。现在已搜集到以往采集的多种侦测数据。然而数据质量不高，样本中的噪声较多；有些采集数据包含多个目标并互相交叠；有些数据由于侦测任务设置为多个频点扫频或天线扇扫模式，目标未持续跟踪数据。需要结合可视化图谱显示，根据经验和已获取的资料进行判断，结合预处理算法对样本进行挑选和清洗。

深度学习通常会把样本数据分为3个集合：训练集、验证集和测试集。训练集用来学习的样本集，通过这些向量来确定网络中的各个待定系数。验证集用来调整分类器的参数的样本集，在训练的过程中网络模型会立刻在验证集进行验证。根据验证集数据的损失函数值、准确率等验证情况进行调整和修正。测试集是在训练后为测试模型的能力(主要是分类能力)而设置的一部分数据集合。

3.2 效果评估

评估深度学习模型的方法一般采用错误率、查全率、查准率等，对已明确标识的数据可通过该方法进行评估。但是，该类数据需要提前进行准备打上标识，实际侦测数据都为非配合信号，无法简单判断该数据是否分类或识别成功，同时无法完全反映出该方法在实际侦测时对未处理过的侦测数据的处理效果。因此，结合可视化图谱显示的方式标注分类结果进行直观显示和评价，结合经验和已获取的资料进行综合判断。具体实现方法如下：通过不同方法对全脉冲数据进行处理后通过可视化方式验证分类效果。验证方式如下：采用优化算法分为2类。如图2所示，横轴是时间，纵轴是幅度，不同墨色代表不同分类结果。

图2 分类效果图

3.3 验证过程

对试验侦测到的复杂信号数据进行特征提取和关联，对目标信号进行样本制作。每个目标的样本数据提取大约10 000组，对样本数据进行随机划分：80%训练，20%测试。根据测试结果选择循环神经网络模型读取原始文件进行进一步预测验证。验证结果表明，基本实现了对该几类目标的识别。

神经网络需要通过若干次学习来训练，根据数据集大小设置桶容量，即一次训练的样本个数。系统每次取一桶数据输入神经网络进行训练，确定神经网络中的权值，并通过下一桶数据的训练修正已经确定的网络权值。采用原始数据样本对其预测效果如表2。

表2 预测效果对比表

4 结束语

针对实际侦测数据目标信号交叠、参数灵活多变、波形不完整导致采用传统目标分类识别方法准确率不高的问题，本文提出了一种基于深度特征的信号分类方法。该方法通过数据积累对全脉冲数据进行补全、纠错，综合时域、频域、空域、能量域、调制域等多域参数提取隐藏特征，搭建深度学习网络对侦测数据进行持续训练，实现对复杂目标信号的分类。另一方面，该算法随着新体制新模式雷达信号层出不穷， 需要进一步提高算法模型的迁移学习能力，以提高对未知数据集的泛化能力。