基于多特征的雷达辐射源个体识别方法研究

刘艺林, 李胜勇, 白 良, 蒙智蔚, 成 凯

(1.海军工程大学,武汉 430000; 2.中国人民解放军91715部队,广州 510000;3.中国人民解放军92192部队,浙江 宁波 315000)

0 引言

雷达辐射源个体识别(SEI)是指通过分析雷达脉冲信号中所包含的“指纹”特征唯一地识别出雷达发射机个体[1]。在当今日益复杂的电磁环境下,SEI可以准确判定雷达的搭载平台,更加精准、全面地掌握战场电磁目标的分布情况。当前关于SEI的研究主要是基于某个单一特征进行识别,诸如单个脉冲信号的包络特征[2-4]、频谱特性[5-6]、时频特性[7-9]以及天线特性[10]等,但在面对低信噪比、高信号密度的复杂电磁环境时,仅依赖于单一某个特征对信号片面地度量犹如管中窥豹,识别效果往往不够理想。因此,将多个特征进行有效的融合,利用更加完备的信息对辐射源进行识别,是解决该问题的途径之一。

一维卷积神经网络(1D-CNN)是传统卷积神经网络(CNN)的变种[11],运算复杂度相对较低,更适用于一维数据的特征提取与分类识别,通过合理设计网络结构,可以实现多种特征的融合识别。为了解决上述问题,本文提出了基于一维卷积神经网络的雷达辐射源多特征融合个体识别算法。该算法首先提取了雷达脉冲信号的前沿包络、载波频率偏差以及谐波衰减系数作为识别特征,然后,通过设计并训练一维卷积神经网络,得到SEI分类器,最后,通过实验对多个1D-CNN分类器的识别率和时效性进行了对比。实验表明,本文算法能够解决单一特征识别效果不佳的问题,在信噪比为10 dB的条件下对仿真数据的识别率可达78%以上。

1 一维卷积神经网络(1D-CNN)原理概述

在网络结构方面,1D-CNN与CNN相同,包含了一维卷积层、一维池化层与全连接层等,其主要部分通常由多个一维卷积层与一维池化层交替级联组成,通过多次的卷积与池化操作对输入的一维数据进行特征提取,而后通过全连接层进行分类,如图1所示。

图1 网络的基本结构

在网络训练方面,1D-CNN主要包含了正向传播与反向传播两个过程,如图2所示。

图2 网络的训练过程

具体步骤如下所述。

1) 采用随机值对权值进行初始化。

4) 反向传播。根据平均误差损失值e依次计算反向传播时每一层神经元偏置与权重的偏导,并根据设置好的学习率ε以及神经元偏置与权重的偏导,更新该层网络的权重和偏置值。

5) 判断迭代次数是否达到上限。若达到上限,则结束训练,若未达到上限,则输入新数据继续训练。

2 基于多特征的雷达辐射源个体识别

相较于传统机器学习算法,1D-CNN具有良好的适应性,可以根据输入数据的类型设置多个通道,同时对多种类型的数据进行特征提取,实现多特征辐射源识别。基于1D-CNN的雷达辐射源个体识别主要可以分为指纹特征提取、归一化处理和分类识别3个阶段,具体过程如图3所示。

图3 基于多特征的雷达辐射源个体识别流程

2.1 指纹特征提取

在雷达辐射源个体特征中,脉冲前沿包络、载波频率偏差以及谐波衰减系数分别反映了雷达发射机中脉冲调制器、频率合成器以及射频功率放大链路3个主要部件对脉冲信号无意调制影响[12],因此本文主要针对以上3种特征进行提取。

2.1.1 脉冲前沿包络提取

提取脉冲包络的方法较多,包括小波变换、全波整流、检波滤波、希尔伯特 (Hilbert) 变换等。由于Hilbert变换具有较好的适用性与抗噪性,因此本文采用该方法提取脉冲前沿包络。

Hilbert变换的原理是将原始信号S(t)与1/πt卷积进行90°移相,可写为

(1)

式中:t为时间;*表示卷积运算;τ为信号持续的时间间隔。

(2)

通常,由Hilbert变换法提取出的包络曲线并不平滑,因此,需要采用滑窗平均等方法对包络中的噪声进行抑制。通过滑窗平均处理后得到脉冲前沿包络曲线,见图4。

图4 不同辐射源的脉冲前沿包络曲线

2.1.2 载波频率偏差提取

在数字信号处理技术中,快速傅里叶变换(FFT)经常被用于估计信号的中心频率,然而对于持续时间短暂的脉冲信号采用FFT估计频率的精度不足,无法区分不同的辐射源个体,因此,需要采用频率分辨力更高的分段FFT相位差法来估计脉冲信号的载波频率。

分段FFT相位差频率估计算法是通过对同一脉冲信号进行连续两段的离散傅里叶变换(DFT)估计得到最大谱线处的离散频率值,而后通过对比两段最大谱线处的相位对离散频率值进行矫正的一种频率估计方法。若S1,S2分别表示脉冲信号的前L/2个点和后L/2个点,分别对S1,S2进行L/2个点DFT,得到S1,S2对应的离散频谱分别为F1(k),F2(k)。那么F1(k)和F2(k)的最大谱线处为

k0=[fLΔt/2]

(3)

Δφ=φ1-φ2=πfLΔt-2k0π

(4)

当f在(k0±0.5)Δf范围变化时,Δφ在-π到π之间变化,那么f的估计值可以表示为

(5)

那么载波频率偏差可以表示为

(6)

通过分段FFT相位差频率估计算法提取得到的2个辐射源的载波频率偏差如图5所示。

图5 不同辐射源的载波频率偏差

2.1.3 谐波衰减系数提取

由于射频功率放大器具有非线性特性,因此,当信号经过射频功率放大链路放大后会有谐波产生,通常射频功率放大器带来的谐波次数越高,其能量就越小,越难与噪声区分。为避免噪声对测量结果的影响,本文仅对3次以内的谐波进行分析与特征提取。若将3次以上谐波忽略不计,脉冲信号可以由一个三阶泰勒级数模型表示为

S(t)=β1cos(2πft)+β2cos2(2πft)+β3cos3(2πft)

(7)

式中,β1,β2,β3分别为载波、二次谐波与三次谐波的系数。通过三角函数展开式(7)可以写为

(8)

那么,与激励信号强度无关的二次、三次谐波衰减系数可以分别表示为

(9)

(10)

根据式(9)与式(10),计算得到2个辐射源的二次、三次谐波衰减系数分布如图6所示。

图6 不同辐射源的谐波衰减系数分布

2.2 多特征归一化处理

通过指纹特征提取可获得3种不同类型的识别特征,但这3种特征的数值差异较大,会导致分类算法的梯度下降方向偏离最小值方向,使得分类算法的收敛速度和预测精度降低,因此,识别特征在输入分类器前需要进行归一化处理。采用最大最小值归一化算法可以有效提高数值之间的区分度,最大最小值归一化算法可以表示为

xi=(xi-xmin)/(xmax-xmin)

(11)

式中,xmin与xmax分别表示数据中的最小值与最大值。3种特征原始的数值分布与归一化后的数值分布对比如图7所示。

图7 原始数值分布与归一化后数值分布对比

图7(a)为不同辐射源3种特征参数的原始数值分布范围,数值包含了每个辐射源1000个脉冲信号的脉冲前沿包络、谐波衰减系数与载波频率偏差的全部特征参数,而图7(b)为3种特征参数归一化后的数值分布范围。由于谐波衰减系数的原始数值远大于其他2种特征的参数数值,使得分类器难以寻找不同辐射源参数的数值差异区分个体,而在归一化后,不同辐射源参数的数值分布差异相对明显,更有利于分类器对辐射源个体进行区分。

2.3 分类器的设计

在完成辐射源个体特征提取与归一化处理后,需要合理设计1D-CNN分类器实现多种特征的融合识别。由于载波频率偏差与谐波衰减系数的数据尺寸较小,而脉冲前沿包络的数据尺寸较大且同一组数据之间具有相关性,因此,可以将脉冲前沿包络通过卷积与池化操作,完成进一步的特征提取后再与其他两种特征分别在全连接层组合进行分类识别,如图8所示。

图8 多特征分类器基本结构

3 仿真实验分析

为了研究基于多种特征的雷达辐射源个体识别效果,采集了5部脉冲信号发生器产生的模拟雷达信号作为实验数据。脉冲信号发生器由1 MHz有源晶体振荡器产生载波信号,利用NE555定时器与CD4066键控器产生方波信号并实现振幅调制,产生脉宽为0.5 ms、重复周期为1 ms、载波频率为1 MHz的常规脉冲信号,该信号发生器模块产生的模拟雷达信号波形如图9所示。

图9 模拟雷达信号波形

实验共采集5000个脉冲信号,其中,每部信号发生器采集1000个脉冲信号,对采集到的脉冲信号添加不同程度的白噪声,获得了信噪比分别为10 dB,15 dB,20 dB,25 dB,30 dB,35 dB和40 dB的7组脉冲数据。实验所用的分类器在Pytorch1.7.0框架下构件完成,计算机配置为Intel®CoreTMi7-9700 CPU@3.00 GHz,内存32 GiB,显卡NVIDIA GeForce RTX3090,Windows10旗舰版64位操作系统。

3.1 多特征识别效果分析

为了对比多特征识别与单特征识别的效果,实验选用BP神经网络作为分类器,网络设置隐含层神经元个数为100、学习率ε为0.05、判别阈值γ为0.005、最大迭代次数为1000,并随机抽取80%的脉冲数据用于训练网络,剩余20%的脉冲数据用于测试,实验结果如图10所示。

图10 多特征识别与单特征识别效果对比

由图10可以看出,使用多种特征综合识别辐射源可以获得更加可靠的识别结果,但仅仅依靠BP神经网络这种较为简单的分类器难以获得较为理想的识别结果。

3.2 1D-CNN分类器性能分析

为研究1D-CNN分类器在多种特征条件下的识别效果,本文搭建了4种1D-CNN分类器进行对比,分别命名为CNN-1,CNN-2,CNN-3和CNN-4,其中,CNN-1和CNN-2的网络结构相同,CNN-3和CNN-4的网络结构相同,它们的结构与参数设置分别如表1和2所示。

表1 CNN-1与CNN-2的结构与参数设置

表2 CNN-3与CNN-4的结构与参数设置

设置4种分类器的学习率ε为0.001、迭代次数为1000,并随机抽取80%的脉冲数据用于训练网络,剩余20%的脉冲数据用于测试,实验结果如图11所示。

图11 4种不同类型的1D-CNN分类器的性能对比

图11(a)和11(b)分别为4种1D-CNN分类器和BP神经网络分类器在不同信噪比条件下的识别率和识别耗时情况。可以看出,1D-CNN分类器比BP神经网络分类器的识别效果更好,且具有较大卷积核和更深网络层级的1D-CNN分类器可以更加有效地提取脉冲前沿包络数据中的隐含特征,从而使网络的识别率、收敛速度也得到提高;网络层级更深的CNN-1与CNN-2分类器识别耗时更多,并且卷积核大小对分类器识别耗时的影响较小。

4 结束语

本文进行了基于多特征的雷达辐射源个体识别技术研究。该技术首先分别提取了雷达脉冲信号的脉冲前沿包络、载波频率偏差以及谐波衰减系数作为识别特征;然后通过归一化处理将3种特征的数据调整至同一数量级;最后通过合理设置1D-CNN分类器的结构与网络参数,在不同信噪比条件下对5部雷达信号发生器进行了识别验证。实验结果表明,本文算法可以解决单一特征识别效果不佳的问题,在信噪比较低的条件下对模拟雷达信号的识别率可达78%以上。