丁辰偉，孫閩紅，官友廉

(1 杭州電子科技大學(xué)通信工程學(xué)院，杭州 310000;2 75798部隊(duì)，北京 100089)

0 引言

特定輻射源識(shí)別(special emitter identification, SEI)是通過分析從輻射源發(fā)送的信號(hào)中提取與輻射源設(shè)備相關(guān)聯(lián)的特征參數(shù)(個(gè)體細(xì)微特征)來自動(dòng)識(shí)別輻射源的技術(shù)。近年來，人工智能技術(shù)迅速發(fā)展，深度學(xué)習(xí)算法被廣泛應(yīng)用于輻射源個(gè)體識(shí)別。文獻(xiàn)[1]提出了一種利用CNN識(shí)別7種脈沖重復(fù)間隔調(diào)制類型的全自動(dòng)方法，不僅提高了系統(tǒng)的性能，而且對(duì)具有丟失和偽脈沖的環(huán)境具有魯棒性；文獻(xiàn)[2]構(gòu)建了一個(gè)深度殘差網(wǎng)絡(luò)來學(xué)習(xí)信號(hào)的希爾伯特譜圖，有效解決了退化問題，提高了效率和通用性；文獻(xiàn)[3]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)特定輻射源信號(hào)進(jìn)行壓縮雙譜識(shí)別，提高了識(shí)別性能；文獻(xiàn)[4]提出了一種基于稀疏自編碼器(SAE)的電磁信號(hào)分類算法。但是，上述算法都忽略了特征間的內(nèi)在聯(lián)系。在圖像識(shí)別中往往會(huì)采用圖像增強(qiáng)技術(shù)[5-6]對(duì)圖像進(jìn)行處理提高識(shí)別性能。但是，不論是傳統(tǒng)方法還是深度學(xué)習(xí)方法，算法性能都受到樣本數(shù)目的約束，在小樣本的情況下算法很難達(dá)到較好的識(shí)別性能。文獻(xiàn)[7]提出了一種多模態(tài)Weibull虛擬樣本創(chuàng)建算法，使用一個(gè)數(shù)據(jù)集來檢查所提出的方法的性能，并且通過預(yù)測均方根誤差進(jìn)行比較，驗(yàn)證了算法的有效性；文獻(xiàn)[8]提出了一種分段隨機(jī)抽樣方法對(duì)加速測試數(shù)據(jù)進(jìn)行重采樣，有效擴(kuò)展測試樣本大小，并通過仿真驗(yàn)證了生成樣本的可靠性；文獻(xiàn)[9]提出了類似于原始圖像的多個(gè)虛擬樣本生成算法，提高了小樣本下的識(shí)別率；文獻(xiàn)[10]提出了一種基于增強(qiáng)條件對(duì)抗生成網(wǎng)絡(luò)(SCGAN)和CNN的低分辨雷達(dá)目標(biāo)識(shí)別算法，提高了小樣本條件下算法的識(shí)別性能。

文中采用圖像增強(qiáng)算法對(duì)SAE提取的特征進(jìn)行特征增強(qiáng)，使得特征間的差異更加明顯，然后利用SCGAN和CNN網(wǎng)絡(luò)對(duì)增強(qiáng)后的特征進(jìn)行訓(xùn)練識(shí)別，有效提高了小樣本條件下雷達(dá)輻射源個(gè)體識(shí)別的識(shí)別率。

1 基于小樣本條件的雷達(dá)輻射源個(gè)體識(shí)別算法

1.1 算法原理

如圖1所示，算法流程為：

圖1 算法運(yùn)行框圖

1)數(shù)據(jù)預(yù)處理。首先對(duì)接收到的雷達(dá)脈沖信號(hào)s(t)進(jìn)行短時(shí)傅里葉變換(STFT)得到它的時(shí)頻圖矩陣S(t,f)；然后將時(shí)頻圖矩陣S(t,f)進(jìn)行灰度處理得到灰度矩陣W；最后將灰度矩陣W進(jìn)行向量化操作，得到一個(gè)N維向量v作為輸入樣本。將采集到的多個(gè)雷達(dá)輻射源下M個(gè)脈沖信號(hào)進(jìn)行上述操作，得到一個(gè)大小為M×N的灰度矩陣V。

2)特征提取。將灰度矩陣V輸入到SAE中進(jìn)行特征提取，通過調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)輸出維度為M×n的特征矩陣HM×n，此處n<

3)特征增強(qiáng)。通過直方圖修正法、灰度變換法、圖像濾波法等圖像增強(qiáng)的方法將輸出的特征矩陣H進(jìn)行特征增強(qiáng)，最后輸出得到增強(qiáng)特征矩陣KM×n。

4)樣本擴(kuò)充。將增強(qiáng)特征向量KM×n輸入到SCGAN中進(jìn)行訓(xùn)練，訓(xùn)練完畢后提取SCGAN中的生成網(wǎng)絡(luò)模型Model_G，通過Model_G得到M1個(gè)生成特征樣本，將生成特征樣本與增強(qiáng)特征樣本混合，得到新的增強(qiáng)特征矩陣K(M+M1)×n。

5)分類識(shí)別。將增強(qiáng)特征矩陣K(M+M1)×n輸入到CNN中進(jìn)行訓(xùn)練，最后通過SoftMax分類器進(jìn)行識(shí)別，輸出識(shí)別概率。

1.2 圖像預(yù)處理

以線性調(diào)頻(LFM)信號(hào)s(t)為例，對(duì)其加漢明窗進(jìn)行STFT，得到S(t,f)，如圖2所示。然后對(duì)時(shí)頻圖中有信號(hào)的部分進(jìn)行截取，通過邊緣檢測技術(shù)提取時(shí)頻圖輪廓，然后找到時(shí)頻圖輪廓重心，以重心為中心點(diǎn)提取300×300的像素點(diǎn)，如圖3所示。

圖2 LFM信號(hào)時(shí)頻圖

圖3 LFM信號(hào)截取后時(shí)頻圖

最后將圖像轉(zhuǎn)化為灰度圖像，并進(jìn)行下采樣和向量化操作，得到長度為60×60的時(shí)頻圖灰度向量v。

1.3 SAE特征提取

對(duì)預(yù)處理后得到的時(shí)頻圖灰度向量v通過SAE進(jìn)行特征提取，SAE網(wǎng)絡(luò)的輸入大小設(shè)置為3 600，第一層輸出大小設(shè)置為196，第二層輸出大小設(shè)置為100。

圖4和圖5給出了在2臺(tái)輻射源各100個(gè)信號(hào)樣本經(jīng)過2層SAE特征提取后第一層和第二層的隱含層特征，發(fā)現(xiàn)100個(gè)信號(hào)樣本第一層的隱含層特征基本重疊，說明特征穩(wěn)定，而100個(gè)信號(hào)樣本第二層的隱含層特征在幅度上存在一定的差異，說明第二層的特征存在一定的不穩(wěn)定性，因此可以認(rèn)為，輻射源個(gè)體信號(hào)時(shí)頻圖經(jīng)過SAE特征提取后的第一層隱含層特征比第二層穩(wěn)定。

圖4 兩臺(tái)不同輻射源信號(hào)經(jīng)過SAE特征提取后第一層隱含層特征

圖5 兩臺(tái)不同輻射源信號(hào)經(jīng)過SAE特征提取后第二層隱含層特征

1.4 特征增強(qiáng)

常用的圖像增強(qiáng)算法主要有灰度變換增強(qiáng)[11](拉普拉斯算子銳化、Gamma校正等)和直方圖增強(qiáng)[12]算法。以直方圖增強(qiáng)算法為例：首先將信號(hào)SAE第一層的輸出轉(zhuǎn)化為圖像形式，然后將這幅特征圖像轉(zhuǎn)化為灰度圖，利用直方圖變換技術(shù)對(duì)特征信息進(jìn)行增強(qiáng)。

圖6(a)是特征圖的原始圖像，可以看出整個(gè)特征圖像素點(diǎn)之間的差異不是很明顯，無法輕松辨別其細(xì)節(jié)特征。圖6(b)給出了原始特征圖像的256級(jí)直方圖，可以看出，特征圖像的灰度級(jí)主要集中在[0,30]之間，為了更好的增強(qiáng)特征圖像信息，可以選取[0,30]的灰度級(jí)進(jìn)行處理并均衡化。

圖6 原始特征圖像及其256級(jí)直方圖

從圖7可知，調(diào)整后的直方圖在亮調(diào)細(xì)節(jié)方面比原始圖像有了顯著提高，動(dòng)態(tài)范圍明顯增加。經(jīng)過均衡化后圖像質(zhì)量得到進(jìn)一步改善，特征圖像亮度分布均勻，階調(diào)變得更加柔和，直方圖由原來的亮調(diào)集中變?yōu)榉植蓟揪?，達(dá)到了特征增強(qiáng)的目的。

圖7 均衡化30級(jí)灰度圖及其直方圖

1.5 SCGAN生成特征

SCGAN在條件生成對(duì)抗網(wǎng)絡(luò)(CGAN)的基礎(chǔ)上改變了條件信息y，并在判決網(wǎng)絡(luò)的損失函數(shù)中添加混疊懲戒項(xiàng)，將錯(cuò)誤標(biāo)簽與真實(shí)樣本相結(jié)合輸入到判決網(wǎng)絡(luò)。SCGAN的基本結(jié)構(gòu)如圖8所示，條件信息y定義為輻射源個(gè)體的標(biāo)簽值。

圖8 增強(qiáng)條件生成對(duì)抗網(wǎng)絡(luò)模型

GAN網(wǎng)絡(luò)中的生成網(wǎng)絡(luò)和判決網(wǎng)絡(luò)均采用3層全連接層，將100維噪聲與1維標(biāo)簽連接成101維數(shù)據(jù)輸入到生成網(wǎng)絡(luò)中，通過3層全連接層和3層BN層后將維度轉(zhuǎn)為784維生成樣本，再將784維生成樣本與真實(shí)標(biāo)簽結(jié)合成785維數(shù)據(jù)輸入到對(duì)抗網(wǎng)絡(luò)中，同時(shí)將真實(shí)樣本與真實(shí)標(biāo)簽結(jié)合成785維數(shù)據(jù)輸入到對(duì)抗網(wǎng)絡(luò)中，此外對(duì)抗網(wǎng)絡(luò)還將輸入錯(cuò)誤標(biāo)簽與真實(shí)樣本的結(jié)合數(shù)據(jù)。生成網(wǎng)絡(luò)與判決網(wǎng)絡(luò)中第一層和第二層的激活函數(shù)均為LeakyReLU函數(shù)，最后一層的激活函數(shù)采用Sigmoid函數(shù)，其中加入Dropout層和BN層防止模型過擬合。

實(shí)驗(yàn)中的生成網(wǎng)絡(luò)與判決網(wǎng)絡(luò)中的優(yōu)化器均采用Adam優(yōu)化器，其學(xué)習(xí)率設(shè)置為0.002，動(dòng)量為0.5，每個(gè)批次32個(gè)樣本，每一批樣本在生成網(wǎng)絡(luò)和對(duì)抗網(wǎng)絡(luò)中交替訓(xùn)練各一次，訓(xùn)練批次設(shè)置為2 000，損失函數(shù)均為交叉熵。

2 實(shí)驗(yàn)結(jié)果與分析

通過3臺(tái)同廠家同型號(hào)的軟件無線電外設(shè)(software defined radio,SDR)USRP N210進(jìn)行實(shí)測信號(hào)的采集和接收。將其中2臺(tái)N210作為發(fā)射機(jī)，先后發(fā)射相同的信號(hào)，另1臺(tái)作為接收機(jī)，發(fā)射位置和接收位置保持一致。在實(shí)驗(yàn)室環(huán)境下，發(fā)射機(jī)和接收機(jī)的距離為1 m，此時(shí)可以忽略信道噪聲帶來的影響。兩臺(tái)發(fā)射機(jī)均發(fā)射正弦脈沖信號(hào)，載波頻率設(shè)為0.8 MHz，采樣頻率設(shè)為10 MHz。將接收到一段時(shí)間內(nèi)的脈沖信號(hào)進(jìn)行截取，通過MATLAB程序?qū)γ}沖進(jìn)行檢測并截取，截取長度為250(其中脈沖部分長度為150，噪聲部分長度為100)。

2.1 特征增強(qiáng)性能分析

忽略小樣本條件，將特征增強(qiáng)前后的特征直接輸入到CNN中進(jìn)行識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輪次設(shè)置為10，批大小設(shè)置為64，損失函數(shù)選擇為交叉熵函數(shù)，學(xué)習(xí)率為0.01。CNN中輸入總樣本數(shù)為6 000，每臺(tái)輻射源各2 000組樣本，將其打亂后進(jìn)行訓(xùn)練和測試，其中訓(xùn)練集占總樣本的70%，測試集占30%。每個(gè)信噪比下各進(jìn)行500次蒙特卡洛實(shí)驗(yàn)。為了比較不同特征增強(qiáng)算法的性能，同時(shí)考慮了3種特征增強(qiáng)方法：直方圖均衡化、拉普拉斯算子銳化以及Gamma校正。最后得到識(shí)別率如圖9所示。

圖9 特征增強(qiáng)前和增強(qiáng)后的真實(shí)信號(hào)識(shí)別率

圖9給出了不同信噪比下的識(shí)別率曲線，其中采用特征增強(qiáng)方法的識(shí)別性能比未采用特征增強(qiáng)方法有明顯提高。如未采用特征增強(qiáng)時(shí)，CNN在-9 dB時(shí)已經(jīng)無法識(shí)別出輻射源個(gè)體，而經(jīng)過特征增強(qiáng)后，CNN的識(shí)別性能均有所提高。3種特征增強(qiáng)方法中，直方圖增強(qiáng)法的識(shí)別性能最優(yōu)，平均提高9 dB；其次是Gamma校正增強(qiáng)方法，平均提高7 dB；最后是拉普拉斯算子增強(qiáng)方法，識(shí)別性能平均提高3 dB。

2.2 小樣本下算法性能分析

針對(duì)不同算法，分別在不同信噪比下進(jìn)行實(shí)驗(yàn)。每臺(tái)輻射源的樣本個(gè)數(shù)設(shè)置為400，將2臺(tái)輻射源的各2 000個(gè)真實(shí)樣本作為測試數(shù)據(jù)。算法一將每臺(tái)輻射源信號(hào)樣本進(jìn)行數(shù)據(jù)預(yù)處理得到時(shí)頻灰度矩陣，對(duì)時(shí)頻灰度矩陣直接進(jìn)行SAE特征提取以及直方圖均衡化后輸入到CNN網(wǎng)絡(luò)中進(jìn)行識(shí)別。算法二將每臺(tái)輻射源信號(hào)樣本進(jìn)行數(shù)據(jù)預(yù)處理得到時(shí)頻灰度矩陣，通過SCGAN生成每臺(tái)輻射源各1 600個(gè)樣本，將生成樣本與原始樣本融合得到每臺(tái)輻射源各2 000數(shù)量的時(shí)頻灰度矩陣，對(duì)時(shí)頻灰度矩陣進(jìn)行SAE特征提取以及直方圖均衡化后輸入到CNN網(wǎng)絡(luò)中進(jìn)行識(shí)別。算法三將每臺(tái)輻射源信號(hào)樣本進(jìn)行數(shù)據(jù)預(yù)處理得到時(shí)頻灰度矩陣，對(duì)時(shí)頻灰度矩陣進(jìn)行SAE特征提取以及直方圖均衡化，然后通過SCGAN生成每臺(tái)輻射源各1 600個(gè)樣本，將生成樣本與原始樣本融合得到每臺(tái)輻射源各2 000數(shù)量的增強(qiáng)特征矩陣，輸入到CNN網(wǎng)絡(luò)中進(jìn)行識(shí)別。最后得到識(shí)別率如圖10所示。

圖10 不同信噪比下的識(shí)別率

圖10給出了3種算法在不同信噪比下的識(shí)別率曲線，可以看到，通過SCGAN擴(kuò)充特征樣本可以大大提高算法的識(shí)別性能，說明SCGAN可以很好地?cái)M合增強(qiáng)后的特征分布，從而有效擴(kuò)充樣本，提高識(shí)別性能。但是通過SCGAN擴(kuò)充時(shí)頻灰度向量卻對(duì)提高識(shí)別性能沒有幫助，說明SCGAN在擴(kuò)充時(shí)頻灰度向量時(shí)，很難對(duì)其進(jìn)行較好的擬合，原因是由于真實(shí)信號(hào)生成的時(shí)頻圖數(shù)據(jù)維度過高。此外，在相同識(shí)別率條件下，算法三識(shí)別性能較算法一和算法二均提高了15 dB，說明了文中算法的有效性。

針對(duì)小樣本實(shí)驗(yàn)中的算法一和三，分別在不同訓(xùn)練樣本數(shù)下進(jìn)行實(shí)驗(yàn)。樣本的信噪比設(shè)置為-3 dB，每臺(tái)輻射源的樣本數(shù)范圍設(shè)置為50～300，間隔設(shè)置為50，每臺(tái)輻射源的真實(shí)訓(xùn)練樣本數(shù)目設(shè)置為400，每臺(tái)輻射源的生成特征樣本個(gè)數(shù)為2 000個(gè)。采用不包含訓(xùn)練樣本的每臺(tái)輻射源各1 000個(gè)真實(shí)樣本進(jìn)行測試。

圖11給出了不同訓(xùn)練樣本數(shù)下，算法在加入SCGAN前后的識(shí)別率變化情況。當(dāng)識(shí)別率同時(shí)達(dá)到98%時(shí)，采用文中算法僅需每臺(tái)輻射源各100的訓(xùn)練樣本，而未加入GAN的算法需要每臺(tái)輻射源各400的訓(xùn)練樣本，在達(dá)到同樣識(shí)別率情況下，需要的樣本數(shù)量僅為改進(jìn)前算法的25%。

圖11 不同訓(xùn)練樣本數(shù)下的識(shí)別率

3 總結(jié)

提出了一種基于小樣本條件的雷達(dá)輻射源個(gè)體識(shí)別算法，算法首先提取雷達(dá)脈沖信號(hào)的時(shí)頻圖，然后將得到的灰度圖進(jìn)行SAE特征提取，利用圖像增強(qiáng)算法處理實(shí)現(xiàn)特征增強(qiáng)，然后輸入到GAN中進(jìn)行樣本擴(kuò)充，最后輸入到CNN網(wǎng)絡(luò)中進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明：采用特征增強(qiáng)方法的識(shí)別性能比未采用特征增強(qiáng)方法有明顯提高，識(shí)別性能的改進(jìn)程度高低依次為直方圖增強(qiáng)法、Gamma校正增強(qiáng)法和拉普拉斯算子增強(qiáng)法；加入SCGAN后大大提高了算法在小樣本條件下的識(shí)別性能，在相同識(shí)別率下，算法識(shí)別性能平均提高15 dB，所需訓(xùn)練樣本數(shù)量與改進(jìn)前相比減少了75%。