張春雨

（華北理工大學(xué)人工智能學(xué)院 河北 唐山 063210）

1 引言

電子對(duì)抗技術(shù)（electronic counter measures，ECM）是指采用的一些電子措施和行為動(dòng)作達(dá)到與對(duì)方在電子戰(zhàn)中相抗衡的目的。電磁波作為傳遞信息的重要載體之一，也是獲取對(duì)方情報(bào)的重要手段，通過(guò)分析能夠把握對(duì)方的關(guān)鍵技術(shù)和作戰(zhàn)信息等，更有利于在對(duì)抗中占據(jù)優(yōu)勢(shì)地位[1]。

輻射源識(shí)別（emitter identification，EI）是現(xiàn)代電子對(duì)抗中的一個(gè)關(guān)鍵環(huán)節(jié)，如何有效提取輻射源信號(hào)的深層特征，構(gòu)建可以廣泛使用的識(shí)別分類(lèi)模型成為當(dāng)下研究的關(guān)鍵問(wèn)題。鑒于深度學(xué)習(xí)（deep learning，DL）在其他領(lǐng)域的良好表現(xiàn)，將其引用到信號(hào)識(shí)別領(lǐng)域是十分必要的。一方面，實(shí)現(xiàn)特征的自動(dòng)提取和分析；另一方面，可以再通過(guò)訓(xùn)練、學(xué)習(xí)保持識(shí)別能力。即使在趨于復(fù)雜的電磁環(huán)境下，對(duì)未知輻射源識(shí)別也能保持很好的泛化性能[2]。

本文重點(diǎn)研究基于小波分解和深度學(xué)習(xí)的輻射源信號(hào)識(shí)別算法，針對(duì)人工提取特征模型泛化能力低、提取二維時(shí)頻圖特征時(shí)效性差的問(wèn)題，提出了新的解決思路。

2 理論基礎(chǔ)

2.1 小波分解

輻射源信號(hào)是一個(gè)一維時(shí)間序列，信息維度低，且原始數(shù)據(jù)中包含了不必要的高頻噪聲信息，為了增加數(shù)據(jù)維度和去噪，本文采用多尺度一維小波分解對(duì)數(shù)據(jù)進(jìn)行處理，既能得到各頻帶的子信號(hào)又增加了信號(hào)的維度，使后文提出的模型達(dá)到更好的識(shí)別效果[3]。

小波分解關(guān)鍵在于使用尺度函數(shù)和小波基函數(shù)將原始信號(hào)分解為不同頻帶的子信號(hào)[4]。通過(guò)小波分解可以實(shí)現(xiàn)數(shù)據(jù)增維和去噪，使用小波分解信號(hào)時(shí)，不同的小波基函數(shù)會(huì)產(chǎn)生不同的分解效果，因此需要根據(jù)實(shí)驗(yàn)確定具體的小波基函數(shù)。

2.2 1DLeNet-5

LeNet-5模型在1998年被提出，是第一個(gè)在結(jié)構(gòu)上比較完備的卷積神經(jīng)網(wǎng)絡(luò)模型，在手寫(xiě)數(shù)字的實(shí)際應(yīng)用識(shí)別上取得了很大的成功[5]。

LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)主要包括兩個(gè)卷積層和三個(gè)全連接層，卷積層可以通過(guò)共享卷積核減少網(wǎng)絡(luò)參數(shù)，降低模型復(fù)雜度。在每個(gè)神經(jīng)元中，使用Sigmoid作為激活函數(shù)。卷積層后采用最大池化來(lái)降低數(shù)據(jù)維度。全連接層用來(lái)實(shí)現(xiàn)特征的映射。輸出層實(shí)現(xiàn)分類(lèi)的效果，神經(jīng)元的個(gè)數(shù)即是分類(lèi)個(gè)數(shù)，多采用Softmax分類(lèi)器實(shí)現(xiàn)。

CNN有卷積核參數(shù)共享和層間連接的稀疏性等特點(diǎn)，使得CNN能夠通過(guò)較小的計(jì)算量對(duì)格點(diǎn)化特征，例如像素和音頻進(jìn)行學(xué)習(xí)，有穩(wěn)定的效果且對(duì)數(shù)據(jù)沒(méi)有額外的特征工程要求。一維卷積神經(jīng)網(wǎng)絡(luò)（1-dimensional convolutional neural network，1DCNN）的特點(diǎn)是特征維度是一維，相比于二維卷積，可以提高算法的時(shí)效性[6]。模型中參數(shù)有很多，比如卷積核大小等，這些不是憑經(jīng)驗(yàn)得到的，而是經(jīng)過(guò)了大量實(shí)驗(yàn)對(duì)比識(shí)別結(jié)果得出來(lái)的，因此模型的反復(fù)訓(xùn)練需要很長(zhǎng)的時(shí)間來(lái)進(jìn)行。LeNet-5是比較簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)模型，為了解決更復(fù)雜的問(wèn)題，其后提出的模型無(wú)論是在深度上還是在參數(shù)個(gè)數(shù)上都有不同程度的增加。

3 基于小波分解和1DLeNet-5的輻射源信號(hào)識(shí)別算法

通過(guò)理論分析，小波分解對(duì)輻射源信號(hào)能夠?qū)崿F(xiàn)比較好的處理效果，提出了基于小波分解和1DLeNet-5的輻射源信號(hào)調(diào)制識(shí)別算法[7]，以L(fǎng)FM信號(hào)和1DLeNet-5模型結(jié)構(gòu)為基礎(chǔ)，算法流程說(shuō)明如下。

（1）基于小波分解的信號(hào)處理。首先，對(duì)LFM信號(hào)進(jìn)行3級(jí)小波分解，然后通過(guò)FFT將信號(hào)轉(zhuǎn)換到頻域。小波分解的作用是把信號(hào)分解為不同頻帶的子信號(hào)，能夠更加全面地反映信號(hào)特征和去噪。FFT使選擇的特征不受載頻變化影響，使信號(hào)特征更明顯，同時(shí)數(shù)據(jù)量也減少。

（2）基于1DLeNet-5的特征提取。將預(yù)處理后的信號(hào)頻譜合并為一維向量作為模型的輸入，首先通過(guò)兩個(gè)一維卷積層提取輻射源信號(hào)的特征，使用一維池化進(jìn)行特征篩選。然后將特征拉直成一維向量，使用兩個(gè)全連接層進(jìn)行特征映射。

（3）輻射源信號(hào)分類(lèi)識(shí)別。本文對(duì)6種不同類(lèi)型的輻射源信號(hào)進(jìn)行分類(lèi)，且各種類(lèi)型是互斥的，因此選擇使用Softmax分類(lèi)器實(shí)現(xiàn)。

4 仿真實(shí)驗(yàn)與結(jié)果分析

本文使用6種不同調(diào)制類(lèi)型的輻射源信號(hào)進(jìn)行了仿真分析，其中包括線(xiàn)性調(diào)頻信號(hào)、方波信號(hào)以及相位編碼信號(hào)3種不同調(diào)制類(lèi)型的雷達(dá)信號(hào)，采樣點(diǎn)數(shù)均為1024，波形的頻率在[100 MHz/6，100 MHz/5]之間隨機(jī)，采樣頻率100 MHz。線(xiàn)性調(diào)頻帶寬在[100 MHz/20，100 MHz/16]之間隨機(jī)產(chǎn)生。相位編碼碼片數(shù)量在[3，4，5，7，11]中取值，周期取[1，5]之間隨機(jī)數(shù)。以及高斯頻移鍵控、連續(xù)相位頻移鍵控和雙邊帶幅度調(diào)制3種類(lèi)型通信信號(hào)，通過(guò)使用多徑衰落、中心頻率和采樣時(shí)間漂移以及高斯白噪聲生成信道受損樣本，采樣點(diǎn)數(shù)均為1024，采樣頻率為200 KHz。6種信號(hào)在-8:2:10信噪比下，產(chǎn)生每組100個(gè)樣本，按照7:3比例劃分訓(xùn)練集和測(cè)試集。1DLeNet-5模型的詳細(xì)參數(shù)如下：輸入信號(hào)為1×448，兩個(gè)卷積層均是6個(gè)大小為4的卷積核，Relu激活函數(shù)，后接BN，兩個(gè)池化層均為2×2最大池化，第2個(gè)全連接層有120個(gè)神經(jīng)元，第2個(gè)全連接層有84個(gè)神經(jīng)元，Dropout大小均為0.5，輸出層為Softmax，神經(jīng)元個(gè)數(shù)為分類(lèi)數(shù)。模型訓(xùn)練200次，測(cè)試集信噪比為-6 dB，通過(guò)比較不同小波基下模型的損失和識(shí)別率，為了使損失更小、識(shí)別率更高，本文選擇使用bior2.6小波基函數(shù)。在不同信噪比下對(duì)每種信號(hào)的識(shí)別率見(jiàn)表1。

表1 不同類(lèi)型信號(hào)在不同信噪比下的識(shí)別率

通過(guò)分析表1，對(duì)于3種雷達(dá)信號(hào)，在不同信噪比下都可以準(zhǔn)確識(shí)別；對(duì)于GFSK信號(hào)，模型無(wú)法識(shí)別，并且通過(guò)混淆矩陣，GFSK信號(hào)大部分被識(shí)別為CPFSK信號(hào)，還有小部分被識(shí)別為DSB-AM信號(hào)；CPFSK和DSB-AM兩種通信信號(hào)的識(shí)別率上下波動(dòng)，通過(guò)混淆矩陣，原因是互相識(shí)別錯(cuò)誤。除去GFSK信號(hào)，另外5種信號(hào)在-8 dB時(shí)的整體識(shí)別效率能夠達(dá)到75%。

5 結(jié)論

本文提出了一種使用小波分解和1DLeNet-5卷積神經(jīng)網(wǎng)絡(luò)的輻射源信號(hào)識(shí)別方法。通過(guò)6種類(lèi)型的雷達(dá)和通信輻射源信號(hào)進(jìn)行了仿真驗(yàn)證。在該方法中，首先使用小波分解對(duì)輻射源的時(shí)域信號(hào)進(jìn)行3級(jí)分解，然后轉(zhuǎn)換到頻域，組合成一維信號(hào)樣本，作為1DLeNet-5模型的輸入，最后自動(dòng)識(shí)別信號(hào)類(lèi)型。實(shí)驗(yàn)結(jié)果表明：不同小波基，檢測(cè)結(jié)果有差異，當(dāng)采用bior2.6小波基函數(shù)識(shí)別效果更好一些，尤其對(duì)雷達(dá)信號(hào)均可以準(zhǔn)確識(shí)別，通信信號(hào)之間會(huì)相互識(shí)別錯(cuò)誤；一維卷積和二維卷積相對(duì)比，結(jié)構(gòu)更簡(jiǎn)單、參數(shù)更少。以上結(jié)論最終驗(yàn)證了本文所提出的，基于小波分解和1DLeNet-5模型的輻射源信號(hào)識(shí)別算法的可行性和有效性。