畢明雪，王 旭，白 帆，于承澤，魯旭東

(沈陽理工大學(xué) 裝備工程學(xué)院，遼寧 沈陽 110159)

0 引言

目前引信工作的電磁環(huán)境愈發(fā)復(fù)雜，干擾信號面臨多樣性、復(fù)雜性等問題，如何準(zhǔn)確快速地識(shí)別干擾信號變得至關(guān)重要。隨著計(jì)算機(jī)智能技術(shù)、精確制導(dǎo)技術(shù)以及衛(wèi)星定位技術(shù)的發(fā)展，國內(nèi)外引信技術(shù)開始向著“引制一體化”和智能化方向發(fā)展，從整體上融合導(dǎo)彈態(tài)勢感知，實(shí)現(xiàn)多數(shù)據(jù)融合分析，智能化起爆控制，實(shí)現(xiàn)智能化引信[1，2]。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中對數(shù)據(jù)進(jìn)行特征提取學(xué)習(xí)的新方法。從網(wǎng)絡(luò)模型來看，并不太關(guān)注輸入的數(shù)據(jù)是什么，主要作用在網(wǎng)絡(luò)特征提取層。傳統(tǒng)方法如匹配濾波等方法受限于硬件識(shí)別范圍有限，而對于深度學(xué)習(xí)來說，理論上不受硬件識(shí)別范圍的限制，只受限于發(fā)射機(jī)的功率限制。因此，深度學(xué)習(xí)目前廣泛應(yīng)用于計(jì)算機(jī)視覺、目標(biāo)檢測、跟蹤、語義識(shí)別等領(lǐng)域[3]，研究人員也嘗試將深度學(xué)習(xí)應(yīng)用到軍事目標(biāo)識(shí)別、導(dǎo)彈自主導(dǎo)航等方面。如文獻(xiàn)[4]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)對海上艦船SAR圖像進(jìn)行快速識(shí)別的方法，通過對網(wǎng)絡(luò)模型的優(yōu)化提高了艦船SAR圖像的識(shí)別速度和準(zhǔn)確度。目前已有的做法是基于傳統(tǒng)的數(shù)學(xué)方法，如時(shí)頻分析方法將時(shí)域信號向時(shí)頻域轉(zhuǎn)換，多用于信號處理方面，如文獻(xiàn)[5]基于加窗Wigner-Ville分布的時(shí)頻峰值濾波對實(shí)數(shù)域信號進(jìn)行估計(jì)，能夠在信噪比-8 dB時(shí)恢復(fù)信號且估計(jì)的信號頻率與原始信號接近。目前鮮少有研究人員將深度學(xué)習(xí)應(yīng)用到引信干擾信號的識(shí)別和抗干擾上來，主要因?yàn)樯疃葘W(xué)習(xí)的部署需要一定計(jì)算力的硬件平臺(tái)支撐，而對于引信和彈體結(jié)構(gòu)來說，其結(jié)構(gòu)空間有限，且彈目交會(huì)速度極快，需要極高的實(shí)時(shí)性和準(zhǔn)確度。而引信干擾信號作為一維時(shí)序信號，各片段具有連續(xù)性，相鄰信號之間具有相關(guān)聯(lián)系，直接輸入到識(shí)別網(wǎng)絡(luò)中可能會(huì)損失細(xì)節(jié)信息，從而導(dǎo)致識(shí)別錯(cuò)誤。針對以上問題，本文引入條件變分自動(dòng)編碼器網(wǎng)絡(luò)，考慮將獲取的引信回波信號向時(shí)頻域投影，將一維時(shí)序信號識(shí)別問題轉(zhuǎn)化為圖像特征識(shí)別問題。

1 引信回波信號獲取及處理

1.1 引信回波模型建立

基于卷積神經(jīng)網(wǎng)絡(luò)生成網(wǎng)絡(luò)模型需要真實(shí)且足夠數(shù)量級的數(shù)據(jù)集，才能保證網(wǎng)絡(luò)模型訓(xùn)練的泛化性足夠強(qiáng)。由于真實(shí)場景下的引信工作環(huán)境和數(shù)據(jù)獲取成本較高且較為復(fù)雜，因此需要搭建引信回波模型來獲取回波信號。由于調(diào)頻連續(xù)波在硬件實(shí)現(xiàn)上比較簡單，故本文使用調(diào)頻連續(xù)波FMCW(Frequency Modulated Continuous Wave)來獲取引信和目標(biāo)之間的距離等參數(shù)，同時(shí)采集回波信號獲得原始數(shù)據(jù)集。如圖1所示，F(xiàn)MCW的原理[6]是通過計(jì)算回波信號和發(fā)射信號的差頻信號來計(jì)算彈目距離和速度。

圖1 FMCW示意圖

圖1中，fb為發(fā)射信號ft和接收信號fr之間的差頻信號，fd為調(diào)頻掃頻波帶寬，td為發(fā)射信號和接收信號的時(shí)間差，ts為掃頻周期；設(shè)c為光速，彈目距離為D，則有：

fb=fr-ft.

(1)

td=2D/c.

(2)

(3)

在已知其他變量的條件下，則探測距離D可表示為與fb相關(guān)：

(4)

搭建引信回波模型可以仿真獲取盡可能接近真實(shí)工作條件下的回波信號，為后續(xù)網(wǎng)絡(luò)模型訓(xùn)練提供足夠多且真實(shí)的數(shù)據(jù)集。

1.2 基于Wigner-Ville分布的時(shí)頻分析譜圖生成

由于獲取的引信回波信號是一維時(shí)序信號，為了得到回波信號更多的細(xì)節(jié)信息，本文引入時(shí)頻分析的方法從而能夠同時(shí)從時(shí)域和頻域角度分析信號，其基本思想是：構(gòu)造時(shí)間和頻率的聯(lián)合函數(shù)，用它同時(shí)描述信號在不同時(shí)間和頻率的能量密度或強(qiáng)度，簡稱為時(shí)頻分布。利用時(shí)頻分布來分析信號，能給出各個(gè)時(shí)刻的瞬時(shí)頻率及其幅值，并且能夠進(jìn)行時(shí)頻濾波和時(shí)變信號研究。常見的時(shí)頻分析包括短時(shí)傅里葉變換、連續(xù)小波變換、Wigner-Ville分布和Cohen類分布等[7，8]。

Wigner-Ville分布在時(shí)頻聚焦性方面表現(xiàn)很好,但易受到交叉項(xiàng)干擾的影響,雖然它的各種平滑改進(jìn)方法能一定程度上消除交叉項(xiàng)干擾影響,但又會(huì)降低時(shí)頻聚焦性[9]。圖2為加噪信號的WVD(Wigner-Ville Distribution)變換得到的時(shí)頻譜圖。

圖2 加噪信號的WVD譜圖

Wigner-Ville分布可以看成信號s(t)的瞬時(shí)自相關(guān)函數(shù)的傅里葉變換，表示為式(5)：

(5)

(6)

整理后可得：

.

(7)

可以看出WVD在某一頻率段內(nèi)對f進(jìn)行積分，結(jié)果為該信號在t時(shí)刻的瞬時(shí)能量。同樣信號s(t)的傅里葉變換S(Ω)的WVD可表示為式(8),結(jié)果為信號在Ω時(shí)刻的瞬時(shí)能量：

.

(8)

不足之處是WVD面臨交叉項(xiàng)干擾的問題，本文引入條件變分自動(dòng)編碼器CVAE(Conditional Variation Automatic Encoder Network)生成網(wǎng)絡(luò)代替譜圖計(jì)算過程，采用Wigner-Ville分布對回波信號進(jìn)行時(shí)頻變換，經(jīng)過變換后可以得到回波信號的數(shù)學(xué)計(jì)算真實(shí)譜圖，為后面的生成網(wǎng)絡(luò)提供真實(shí)的學(xué)習(xí)方向，采用卷積神經(jīng)網(wǎng)絡(luò)代替數(shù)學(xué)方法的譜圖變換可以調(diào)用計(jì)算機(jī)GPU(Graphics Processing Unit)多線程加速計(jì)算，以滿足干擾信號識(shí)別的實(shí)時(shí)性要求。

1.3 基于條件變分自動(dòng)編碼器的譜圖生成網(wǎng)絡(luò)

CVAE是由變分自動(dòng)編碼器VAE(Variation Automatic Encoder Network)演變而來，而VAE是一種基于概率模型的深度生成網(wǎng)絡(luò)模型[10，11]。通過編碼器將原始數(shù)據(jù)X轉(zhuǎn)化為隱藏量Z，給定Z的均值和方差且滿足正態(tài)分布，再通過解碼器可以得到近似原數(shù)據(jù)X的輸出X′。

設(shè)輸入數(shù)據(jù)X的分布為P(X),其分布未知，而隱含量Z的分布P(Z)是可以給定的，用式(9)來表示P(X)的分布：

(9)

(10)

考慮通過式(9)、式(10)逆向求解P(X),由于P(Z|X)的概率密度函數(shù)p(x|z)無法直接確定，故引入q(z)來逼近p(z|x)，通過KL散度(Kullback-Leibler Divergence)來評價(jià)q(z)和p(z|x)之間的相似度，即：

(11)

整理后可得式(12)：

(12)

對于CVAE網(wǎng)絡(luò)來說，就是引入額外條件約束VAE的生成，如圖3所示，在編碼器和解碼器加入標(biāo)簽y，通過簡單卷積層對y進(jìn)行編碼后和x再次輸入編碼器；為了結(jié)果朝著目標(biāo)生成，同時(shí)將編碼后的y作為標(biāo)簽輸入到解碼網(wǎng)絡(luò)，作為條件約束生成網(wǎng)絡(luò)的方向，可推導(dǎo)出：

圖3 CVAE網(wǎng)絡(luò)結(jié)構(gòu)示意圖

lgp(x|y)=KL(q(z|x,y)||p(z|x,y)+L(x,y)).

(13)

其中：L(x，y)為x、y之間的對應(yīng)關(guān)系函數(shù)。

2 模型架構(gòu)

考慮到目標(biāo)回波信號的時(shí)頻特性具有時(shí)間上的連續(xù)性、特征上的因果性、頻譜上的復(fù)雜性，單純對一段時(shí)間的時(shí)頻圖像進(jìn)行特征識(shí)別，缺乏對目標(biāo)/干擾因果特性、目標(biāo)特征遠(yuǎn)近關(guān)系的識(shí)別信息。本文考慮使用CVAE網(wǎng)絡(luò)生成原始信號的譜圖，之后使用卷積神經(jīng)網(wǎng)絡(luò)對譜圖進(jìn)行特征提取，最后輸入長短期記憶網(wǎng)絡(luò)(Long Short Term Memory, LSTM)[12,13]，從整體上對干擾類型進(jìn)行判斷。

2.1 整體網(wǎng)絡(luò)架構(gòu)

基于深度學(xué)習(xí)的引信干擾信號識(shí)別網(wǎng)絡(luò)架構(gòu)如圖4所示，以一段處理后的引信回波信號作為原始信號，以一定時(shí)間間隔Δt切分原始信號，經(jīng)過WVD變換得到時(shí)頻譜圖，同時(shí)將該段信號輸入CVAE網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使原始信號在經(jīng)過CVAE生成網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)后，能夠提取出原始信號的譜圖，最后將譜圖進(jìn)行特征提取后輸入LSTM網(wǎng)絡(luò)識(shí)別。

圖4 基于深度學(xué)習(xí)的引信干擾信號識(shí)別網(wǎng)絡(luò)架構(gòu)

為了網(wǎng)絡(luò)模型訓(xùn)練具有更好的真實(shí)性，設(shè)計(jì)了如下兩個(gè)損失函數(shù)約束訓(xùn)練過程，生成譜圖后再基于卷積神經(jīng)網(wǎng)絡(luò)對譜圖中的特征參量進(jìn)行提取。

2.2 訓(xùn)練過程

在CVAE網(wǎng)絡(luò)訓(xùn)練過程中，通過KL散度來評價(jià)生成數(shù)據(jù)和真實(shí)數(shù)據(jù)之間的相似度：

KL(q(z|x,y)||p(z|x,y))=lgp(x|y)-L(x,y).

(14)

由圖4網(wǎng)絡(luò)結(jié)構(gòu)中可以看出，經(jīng)過CVAE訓(xùn)練生成的譜圖需要和WVD變換的譜圖做均方誤差( Mean Square Error， MSE)比較，其中真實(shí)值為yi′，訓(xùn)練目標(biāo)值為yi，則均方誤差損失函數(shù)可表示為：

(15)

為了防止訓(xùn)練過程陷入局部最優(yōu)點(diǎn)，引入結(jié)構(gòu)相似性損失函數(shù)( Structural Similarity Index， SSIM),類比人的視覺感知，同時(shí)考慮了亮度、對比度和結(jié)構(gòu)性指標(biāo)。假設(shè)真實(shí)譜圖為X，生成的譜圖為Y，SSIM計(jì)算過程如下：

(1) 首先計(jì)算X、Y的均值μX、μY；

(2) 計(jì)算圖像X、Y的方差和協(xié)方差σX、σY和σXY；

(3) 計(jì)算中間方程組L(X,Y)、S(X,Y)和C(X,Y)分別表示亮度因子、結(jié)構(gòu)對比因子和對比度因子：

(16)

(17)

(18)

其中：C1、C2、C3為常數(shù)。

式(19)即為結(jié)構(gòu)相似性損失函數(shù)：

SSIM(X,Y)=L(X,Y)×C(X,Y)×S(X,Y).

(19)

3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析

實(shí)驗(yàn)分為三部分：第一部分是根據(jù)引信回波模型生成原始數(shù)據(jù);第二部分是基于CVAE訓(xùn)練生成譜圖的過程;第三部分是對生成的譜圖進(jìn)行特征提取，然后經(jīng)過LSTM識(shí)別的結(jié)果。

3.1 實(shí)驗(yàn)環(huán)境

本文訓(xùn)練平臺(tái)電腦系統(tǒng)為Ubuntu 16.04，顯卡為NVIDIA GeForce2070,使用python語言基于Tensorflow架構(gòu)進(jìn)行開發(fā)調(diào)試。

3.2 仿真數(shù)據(jù)

通過改變干擾數(shù)據(jù)參數(shù)，得到不同回波信號，再經(jīng)過WVD變換后得到譜圖如圖5所示，生成的譜圖分辨率為128×128。

3.3 基于CVAE生成的譜圖

通過CVAE生成的譜圖如圖6所示，與圖5中經(jīng)過WVD變換的譜圖對比，生成效果良好，具備原始數(shù)據(jù)中的細(xì)節(jié)信息。

圖5 WVD變換后的譜圖

圖6 基于CVAE生成的譜圖

3.4 基于LSTM的干擾信號識(shí)別過程

LSTM是一種時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測時(shí)間序列中延遲相對較長的重要事件。雖然LSTM網(wǎng)絡(luò)適合對序列數(shù)據(jù)進(jìn)行處理，但很難針對序列中的細(xì)節(jié)進(jìn)行精確定位及區(qū)分，對于單一時(shí)間步長內(nèi)發(fā)生的頻譜特征缺乏準(zhǔn)確定位及細(xì)分。因此，擬在LSTM網(wǎng)絡(luò)的基礎(chǔ)上，同時(shí)對固定時(shí)間步長下的時(shí)頻譜圖進(jìn)行端到端深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別，并將圖像的識(shí)別特征信息補(bǔ)償進(jìn)入LSTM網(wǎng)絡(luò)，進(jìn)一步修正網(wǎng)絡(luò)參數(shù)，降低訓(xùn)練過程中梯度消失的風(fēng)險(xiǎn)。

經(jīng)過CVAE生成的譜圖再經(jīng)過卷積層的特征提取后輸入到LSTM進(jìn)行識(shí)別。為了測試網(wǎng)絡(luò)模型的魯棒性，設(shè)計(jì)了消融實(shí)驗(yàn)，通過改變卷積層數(shù)測試其對識(shí)別準(zhǔn)確率的影響，經(jīng)過均值化處理后識(shí)別結(jié)果如表1所示,其中conv表示卷積層數(shù)，dconv表示反卷積層數(shù)，F(xiàn)C表示全連接層數(shù)，BN表示歸一化層數(shù)，如2conv+2FC+1BN表示編碼器由2層卷積層、2層全連接層、1層歸一化層組成。

表1 識(shí)別結(jié)果

4 結(jié)論

本文基于引信回波模型仿真獲取目標(biāo)回波信號，設(shè)計(jì)了一種基于CVAE的引信干擾信號識(shí)別網(wǎng)絡(luò)，在實(shí)驗(yàn)基礎(chǔ)上，得到以下結(jié)論：

(1) 基于CVAE網(wǎng)絡(luò)對干擾信號識(shí)別可減少由于硬件設(shè)備造成的范圍受限，能夠識(shí)別更多干擾類型。

(2) 利用深度學(xué)習(xí)對回波時(shí)序信號進(jìn)行訓(xùn)練學(xué)習(xí)可移植到GPU平臺(tái)進(jìn)行計(jì)算，相比傳統(tǒng)時(shí)頻變換可減少計(jì)算量，提高識(shí)別速度，為引信工作提供有利條件。

(3) 通過對回波信號測試集進(jìn)行識(shí)別，結(jié)果表明該網(wǎng)絡(luò)對干擾信號具備一定的辨別能力。

同時(shí)本文的方法也出現(xiàn)了一些問題，需要對生成網(wǎng)絡(luò)進(jìn)一步優(yōu)化，嘗試在簡化網(wǎng)絡(luò)模型的同時(shí)對訓(xùn)練數(shù)據(jù)集中干擾信號的復(fù)雜度進(jìn)行完善，從而更好地模擬真實(shí)場景下的干擾信號數(shù)據(jù)。