一种雷达辐射源智能个体识别的方法

陆剑雄, 陈 旗, 满 欣

(海军工程大学电子工程学院,武汉 430000)

0 引言

雷达辐射源个体识别(Specific Emitter Identification,SEI),主要是通过提取侦收到的雷达信号中的细微特征,从而唯一识别个体雷达[1]。传统雷达辐射源个体识别主要是通过分析载频(CF)、脉宽(PW)、到达时间(TOA)、到达方位(DOA)等常规脉冲参数进行个体识别[2]。但是,当截获到信噪比较低的雷达信号时,传统方法对雷达辐射源个体识别概率较低,且性能不稳定[3]。深度学习源于人工神经网络的研究,它可以利用低层特征得到更加抽象的高层特征,以发现数据的分布式特征表示,进而达到自适应地提取雷达辐射源个体特征的目的。因此,本文引入深度学习技术开展雷达辐射源个体识别。

针对雷达辐射源个体识别,通常采用FFT、时频变换[4-6]、高阶累积量[7]等信号处理手段,结合参数分类识别、模式识别和机器学习等方法,对侦收到的各种雷达辐射源信号参数提取分类,实现不同雷达辐射源个体识别。文献[4-6]使用传统的时频分析方法,如Wigner-Ville分布、Choi-Williams分布以及小波变换等,这些方法是通过基函数对信号进行处理,结合深度学习神经网络实现辐射源的识别;文献[7]提出巴氏距离选择双谱和改进的矩形积分双谱两种方法,对辐射源进行个体识别,验证了所提方法在计算复杂度和准确率方面的优势;文献[8]针对小样本条件下的一维雷达辐射源信号序列,基于Transformer模型构建了雷达辐射源个体识别模型,采用多种数据增强与数据扩充的方法,一定程度上解决了训练样本有限的问题。

EfficientNet是2019年由“谷歌大脑”的工程师谭明星和首席科学家LE在有关卷积缩放模型的论文中提出的一种深度学习网络模型。深度学习网络模型的性能,主要受网络宽度(卷积核的个数)、网络深度和输入网络的图像分辨率影响,往常的一些深度学习网络模型,例如VGG、ResNet、MobileNet等,仅仅是通过改变上述3个参数中的一个,来提升网络模型的性能。其缺点主要有3个方面:首先,虽然增加网络深度能够提取更深层次的细微特征,但是,网络深度太深容易导致梯度消失、梯度爆炸、训练变慢的问题;其次,虽然增加网络宽度能够使网络更加容易训练,但是,宽度较大而深度较小的网络往往在挖掘深层次特征方面有所欠缺;最后,虽然增加输入图像分辨率能够使网络获取更高细粒度的特征,但是,也会增加网络的计算量,拖慢训练进度。而EfficientNet深度学习网络[9],可以同时探索3个参数的合理配置,使EfficientNet达到效率和准确率的高效结合,通过输入经过短时傅里叶变换(STFT)的雷达信号时频图谱,开展基于STFT和EfficientNet的雷达辐射源个体识别研究。

1 基于STFT和EfficientNet的雷达辐射源个体识别方法

SEI研究在本质上是对接收到的雷达信号进行识别分类的过程。接收端获取信号,再对所采集的信号数据进行预处理后,通过特定的变换得到信号特征,提取这些特征的细微差异,分别对信号打标签,从而实现信号的分类。基于STFT和EfficientNet的方法实现雷达辐射源个体识别的过程主要包括:数据切割截取、时频特征提取、细微特征提取和识别分类4个部分,整体流程如图1所示。

图1 算法流程图

首先,对采集的雷达信号根据脉冲段进行切割,截取信号有效部分;然后,进行预处理,对截取的每段信号进行STFT提取信号时频特征,结合神经网络对图像识别性能的优越性,绘制二维特征图;最后,将二维图谱输入EfficientNet进行细微特征提取。由于EfficientNet具有更深层次的网络结构,能够挖掘并提取图像更细微的特征,同时,解决了梯度消失、梯度爆炸、训练速度减缓等问题,因此,采用EfficientNet对信号STFT生成的图谱提取细微特征并识别分类。

1.1 信号预处理

STFT作为一种经典的、使用时间最早、实际应用最广泛的时频分析方法[10],具有原理简单、适用性好、能够充分体现通信信号时频特性的优点。STFT可以反映信号的局部特征,并且算法计算量相对较小,在信号分析上具有一定的优势[11]。STFT通过窗口滑动截取窗内的一段信号来表示某一时刻的信号特征,不仅能够反映信号在瞬时的频率特性,还能反映频率随时间变化而变化的特性。这些频率特性包括信号谐波成分、信号带内频率抖动情况、信号的载波频率偏移、信号相位抖动等,根据其特点可以实现信号调制样式的识别[12]。

假设原始信号为x(t),STFT的处理步骤如下。

1) 设置一个在时域上近乎有限的窗函数g(τ),τ为窗函数中心,它的能量主要集中在-Δt/2≤τ≤Δt/2范围内,通过将窗函数g(τ-t)平移到时间点t附近,实现对信号在时间点t附近的“切片”。

2) 以t作为参数,取x(τ)g(τ-t)的傅里叶变换,即STFT的定义为

(1)

式中:ω为角频率;*表示共轭。

3) 将窗函数在时间轴上进行滑动,对信号逐段进行傅里叶变换,并绘制STFT处理后的特征谱图作为后续网络输入的训练、测试数据。

1.2 EfficientNet分析

EfficientNet作为一种轻量化的高效网络,其基本结构仍然和普通的CNN类似,拥有卷积层、池化层、全连接层等主要部分,并且采用BN层、Dropout层来提高网络训练速度。同时,EfficientNet采用了不同的网络搭建模式,是在深入分析了深度学习网络的网络深度d、网络宽度w、输入图像分辨率r和运算资源复合系数φ之间关系的基础上,使用自动搜索的方法进行的,其关系为

(2)

式中,α≥1,β≥1,γ≥1。在网络构建过程中,考虑到计算机配置能够达到的最大参数存储数量和最多浮点运算的次数,结合式(2),首先固定φ=1,使用小型模型搜索的方式,确定EfficientNet-B0最佳参数为α=1.2,β=1.1,γ=1.15。本文使用的EfficientNet-B0结构如图2所示。

图2 EfficientNet-B0基本结构

通过图2可以看出,EfficientNet-B0网络主要是由移动翻转瓶颈卷积层(Mobile Inverted Bottleneck Convolution,MBConv)模块组成的,通过多个MBConv模块的叠加,即可提取出有效图像的更复杂抽象的深层特征。随后将图像特征展开成一维向量,经过全连接层得到输出向量,即可得到输入图片属于每个类别的置信度。并且,在其中使用压缩与激励(Squeeze-and-Excitation,SE)通道注意力模块[13]进行优化,网络使用的激励函数也由常用的ReLU函数换成了Swish函数。

2 仿真分析

2.1 数据采集与处理

实验仿真了3种型号的共13个模拟信号源发送的雷达信号,3种型号信号源的雷达数据分别为数据集1、数据集2、数据集3,分别对应信号1类、2类、3类。为体现网络对不同样本大小的识别性能,从1类、2类、3类中分别取少量、中量、大量的训练和测试样本做对比实验。其中,8个模拟信号源为1类,编号为辐射源A、B、C、D、E、F、G、H;信号载频为9800 MHz,采样频率为500 MHz,每个辐射源取250个训练样本,60个测试样本,共取样训练集样本2000个,测试集样本480个;3个模拟信号源为2类,编号为辐射源J、K、L,信号载频8500 MHz,采样频率500 MHz,每个辐射源取1350个训练样本,400个测试样本,共取样训练集样本4050个,测试集样本1200个;2个模拟信号源为3类,编号为辐射源M、N;信号载频为5400 MHz,采样频率为500 MHz,每个辐射源取7500个训练样本,1000个测试样本,共取样训练集样本15 000个,测试集样本2000个。实验采集信号数据默认为理想情况下无噪声信号,为了对比算法在不同信噪比情况下的识别性能,后期通过采集不同信噪比环境下雷达的信号加入实验。

实验仿真环境运行在高性能计算机Windows10系统上,信号切割、信号预处理采用软件仿真,深度学习环境为Python3.6,神经网络的搭建采用Pytorch框架。

2.2 实验结果与对比分析

2.2.1 理想情况下测试

实验采用EfficientNet-B0,首先对该网络模型进行训练,训练的参数设置为:优化器(Optimizer)选择使用“SGD”优化器,权重衰减因子(Decay)设置为0.000 1,动量(Momentum)设置为0.9,初始学习率(Learning rate)为0.01,批量处理大小(Batchsize)设置为32,训练迭代次数(Epoch)为50。为了方便观察训练过程中每个Epoch的准确率(Accuracy)和损失值(Loss)的变化,网络模型训练过程不采用冻结训练的方法。EfficientNet-B0对采集的13个模拟信号源的训练集的训练准确率与损失值如图3所示。

图3 训练集训练结果示意图

由图3可以看出,随着训练迭代次数的增加,网络的识别准确率逐渐上升,损失值迅速下降,并在15轮之后逐步趋于收敛。网络训练结束后,保存网络训练后得到的权重,调用保存好的网络权重对测试集进行测试,得到测试混淆矩阵如图4所示。本文取训练过程中收敛后的10次准确率的平均值为训练准确率,测试准确率为个体识别准确率,如表1所示。

表1 辐射源个体识别准确率

通过图4可以看出,EfficientNet-B0对于时频变换后的13个模拟信号源个体具有较好的识别效果。每个信号源能够完全区分开,对于数据集1中信号源C有一小部分被错误分类为信号源B,信号源A和E有一小部分被错误分类为信号源G。分析原因可能是相互误判的信号源存在一定的相似程度,且该类别选取的训练集较少,网络没有足够样本得到充分训练,导致网络对个别信号源存在误识别的情况。在采用中样本和大样本训练集后,由数据集2和数据集3的测试结果显示,个体识别效果明显优于数据集1,但是信号源J有个别数据被错误识别成信号源L,分析原因可能是偶然事件导致误识别。总之,基于STFT和EfficientNet的雷达辐射源个体识别方法在不加噪声的理想情况下对3种型号的共13个模拟辐射源具有较好的识别能力。

2.2.2 对比实验结果及分析

1) 对信号采用不同的变换方式的对比实验。

文献[4-5]通过提取时频特征,如Wigner-Ville分布(WVD)等对辐射源个体进行识别。本文选择Wigner-Ville分布、FFT和双谱变换特征进行对比实验。采用上述13个模拟信号源分别进行WVD、FFT和双谱变换,与本文提出的STFT方法进行对比实验。得到的识别结果如表2和图5～6所示。

表2 识别准确率

图5 不同特征训练准确率

图6 不同特征训练损失值

通过对比实验可以看出,在训练相同轮数的情况下,对于不同网络和不同时频变换方式,基于STFT和EfficientNet的雷达辐射源个体识别方法对于13个模拟信号源个体识别的准确率最高且最稳定。通过表2和图5～6可以看出:双谱变换生成的图谱在网络中训练准确率较低且损失值较大;FFT表现出测试结果与STFT相近,但是在训练过程中训练准确率幅度较大,较STFT收敛需更多轮数训练;WVD在训练过程中准确率和损失值均与STFT相近,但是,个体识别准确率不如STFT。因此,实验结果表明,基于STFT和EfficientNet的雷达辐射源个体识别方法具有更好的识别效果。

2) 采用不同网络模型对辐射源个体识别的对比实验。

实验同时对原始信号进行SFTF时频变换,选取ResNet-50[14]和VGG16[15]2种网络模型分别进行实验,训练结果与EfficientNet-B0对比,如图7所示。

图7 3种网络训练结果

通过图7可以看出,对于ResNet-50和VGG16网络,随着训练迭代次数的增加,网络的识别准确率迅速上升,损失值迅速下降,在迭代15轮之后,准确率和损失值仍有所波动,在30轮之后逐渐趋于收敛。同时,训练过程中ResNet-50和VGG16相较于EfficientNet-B0来说识别准确率较低、训练速度较慢,并且,ResNet-50和VGG16占用的硬件资源也更多。因此,EfficientNet-B0具有轻量化和高效性的特点。

使用训练好的ResNet-50网络和VGG16网络做测试,与EfficientNet-B0进行对比实验。保存最优参数的ResNet-50和VGG16网络模型,调用保存好的网络模型对原始信号数据的测试集进行测试,训练准确率和个体识别准确率如表3所示。

表3 使用3种网络训练及识别准确率

通过表3可以看出,在原始信号条件下,ResNet-50和VGG16对13个雷达辐射源的个体识别训练准确率低于EfficientNet-B0,小样本数据中,ResNet-50和VGG16相比于使用EfficientNet-B0,识别准确率分别低了1.76个百分点和1.55个百分点,中样本数据中,ResNet-50和VGG16相比于使用EfficientNet-B0,识别准确率分别低了1.81个百分点和2.93个百分点,大样本数据中,采用3个网络模型的个体识别准确率相似。因此,EfficientNet-B0对于提取时频特征中存在的细微差异方面有着更好的性能。

3) 不同信噪比的信号环境下的对比实验。

在实际中,信号不可避免会受到噪声影响,因此,开展在不同网络、不同信噪比[16]下的对比实验。实验网络采用ResNet-50,VGG16与EfficientNet-B0对比,数据采用大样本训练数据,设置信噪比区间为[-15 dB,15 dB],步长为5 dB的数据集。利用上述EfficientNet-B0模型进行训练,测试该算法在不同信噪比下的个体识别性能,个体识别结果如表4所示。

表4 不同信噪比下的识别结果

通过表4可以看出,随着信噪比的增加,基于STFT和EfficientNet的雷达辐射源个体识别准确率也在不断提高。在15 dB的信噪比下,个体识别准确率达到97.37%,仅比理想情况下的个体识别准确率低2.63个百分点。在0 dB的信噪比下,识别准确率仍达到82.44%,说明该方法在低信噪比的情况下仍有较好的识别性能。并且,通过与其他网络相对比,在相同信噪比的情况下,使用EfficientNet对雷达辐射源进行个体识别的准确率均优于使用其他网络。

3 结束语

本文提出了一种基于STFT和EfficientNet的雷达辐射源个体识别方法,通过对所采集的雷达信号进行短时傅里叶变换,提取辐射源的时频特征,然后输入EfficientNet进行训练,得到最终的个体识别结果。实验结果表明,相比使用ResNet等其他网络及WVD等其他变换方法,本文提出的对雷达辐射源智能个体识别的方法具有更高的个体识别准确率,STFT与EfficientNet能够更充分地体现和捕捉到雷达辐射源个体细微差异,同时,该方法在低信噪比的情况下仍有较好的识别性能。