賀 俊,張雅聲,尹燦斌,方宇強

(航天工程大學,北京 101416)

星載合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種主動式微波成像傳感器,通過發(fā)射寬帶調(diào)頻信號和脈沖壓縮技術(shù)實現(xiàn)距離向高分辨率,通過方位合成孔徑技術(shù)獲得方位向高分辨率。相較于光學和高光譜成像,SAR主動發(fā)射微波信號,可穿透云、霧、塵等,同時不受光照條件影響,在惡劣條件下也可正常成像,因而具備全天時、全天候成像觀測能力,在軍事領(lǐng)域得到了較為廣泛的應(yīng)用。為有效應(yīng)對非合作星載SAR衛(wèi)星可能對我方產(chǎn)生的威脅,需要掌握其包括工作模式、發(fā)射功率和脈沖重復頻率在內(nèi)的參數(shù),其中,快速準確鑒別星載SAR的工作模式是關(guān)鍵環(huán)節(jié),因而,具有十分重要的研究意義。

當前,針對星載SAR工作模式的識別問題,主要采用傳統(tǒng)信號分析方法,首先需提取SAR信號的距離參數(shù)、多普勒參數(shù)和接收功率圖等特征,再結(jié)合星載SAR衛(wèi)星的軌道參數(shù),進而判別星載SAR的工作模式,但上述方法存在識別準確率低、時效性差和可識別工作模式種類較少的問題。近年來,隨著深度學習技術(shù)的高速發(fā)展,其在目標識別領(lǐng)域表現(xiàn)優(yōu)異,因而將深度學習技術(shù)應(yīng)用到星載SAR工作模式識別中,對于提高星載SAR工作模式的識別準確率和時效性具有十分重要的理論意義和實踐意義。

本文針對星載SAR工作模式識別精度低和時效性差的問題,提出了基于CGRU-SVM的星載SAR工作模式識別方法。該方法以星載SAR信號脈沖峰值I/Q數(shù)據(jù)作為輸入,結(jié)合深度學習網(wǎng)絡(luò)模型和支持向量機(Support Vector Machine, SVM)實現(xiàn)了星載SAR工作模式的快速準確識別,避免了人工提取分類特征的局限性。最后,通過對比實驗驗證了本文方法的優(yōu)越性。

1 星載SAR信號數(shù)據(jù)仿真

1.1 星載SAR信號數(shù)據(jù)仿真流程

星載SAR衛(wèi)星通常在空間近地軌道運行速度較快,同時星載SAR天線主瓣波束較窄,因而,采用地面天線對星載SAR主瓣信號偵收時,會受跟蹤時間的限制。然而,星載SAR多采用高增益、強方向性天線,除主瓣外,還存在具有全方位輻射的功率較強的旁瓣,因而,對星載SAR天線旁瓣的偵收具有可行性。綜上,為減弱跟蹤時間限制的不利影響,在多數(shù)情況下,可通過偵收星載SAR的旁瓣信號以增加跟蹤時間和提高截獲信號的質(zhì)量。星載SAR信號的仿真流程如圖1所示,具體步驟如下。

圖1 星載SAR信號的仿真流程

1)以真實SAR衛(wèi)星軌道參數(shù)為基礎(chǔ),依據(jù)地球橢球模型求解出不同方位時刻星載SAR在地心赤道坐標系中的具體位置坐標。

2)結(jié)合被觀測目標經(jīng)緯度,計算出可能對被觀測目標產(chǎn)生不利影響的軌道弧段;再結(jié)合星載SAR偵察模型,計算出地面接收機可偵收到星載SAR信號的區(qū)域范圍。

3)在可偵收區(qū)域內(nèi)隨機位置部署信號接收機,根據(jù)接收機位置,計算各個時刻衛(wèi)星與接收機間的距離和相對于接收機的徑向速度;星載SAR天線統(tǒng)一采用平面相控陣天線,可選擇的成像工作模式總共有五種,分別是常規(guī)條帶模式、常規(guī)聚束模式、滑動聚束模式、斜視掃描模式和側(cè)式掃描模式。星載SAR處于不同成像模式時,其天線波束中心指向也是不同的,因此，需求出不同方位時刻SAR天線的波束指向。

4)求解星載SAR天線增益時，需區(qū)分方位向和距離向,首先計算地心赤道坐標系到天線坐標系的轉(zhuǎn)換矩陣,再利用轉(zhuǎn)換矩陣將接收機的位置映射至天線坐標系中,結(jié)合俯仰角和方位角求解天線的方位向增益，之后采用線性插值求解天線的距離向增益。

5)依據(jù)星載SAR信號模型求解得到地面接收機截獲的星載SAR信號,星載SAR常采用線性調(diào)頻信號,其發(fā)射信號數(shù)學模型如下:

(1)

其中,()為理想的線性調(diào)頻信號,為時間變量,為初始頻率,為調(diào)頻斜率。

星載SAR發(fā)射脈沖如下:

()=()cos[-()]

(2)

(3)

其中,()為單個脈沖,為時間變量,為載波角頻率,()為矩形窗函數(shù),()為線性調(diào)頻函數(shù),()為脈沖串,為脈沖個數(shù),為脈沖重復周期。

地面接收機截獲的星載SAR信號模型如下:

()=[-()]·exp{2π{[-()]+

exp{[-()]}

(4)

其中,()為時刻接收的信號,為時間變量,()為多普勒頻率,()為接收信號延遲,(-())為降調(diào)頻時保留的載波相位。

1.2 星載SAR信號數(shù)據(jù)仿真結(jié)果

偵察星載SAR衛(wèi)星時,具有實際意義的是SAR天線增益的最大值及其變化趨勢,可通過截獲的星載SAR信號的脈沖峰值變化表征。為盡可能保留處于不同工作模式下的星載SAR信號天然無損的分類特征,本節(jié)考慮以星載SAR信號脈沖峰值I/Q數(shù)據(jù)作為輸入。受星載SAR開機工作時間和地面接收機位置不確定的影響,往往難以截獲完整的星載SAR信號脈沖串。為更加符合真實場景,在仿真生成星載SAR信號時,設(shè)定星載SAR發(fā)射的完整脈沖串中脈沖個數(shù)為1 200 個,提取各個脈沖峰值的I路同向分量和Q路正交分量,組成1個尺寸為1 200×2的矩陣,再將該矩陣拆分成10個120×2小矩陣,每個小矩陣作為星載SAR信號的1個樣本,每個樣本表示處于不同工作模式星載SAR發(fā)射的不完整脈沖串的脈沖峰值I/Q數(shù)據(jù)。最終生成的星載SAR信號數(shù)據(jù)集共包含五種工作模式,分別為常規(guī)聚束模式、常規(guī)條帶模式、滑動聚束模式、斜視掃描模式和側(cè)式掃描模式,每種工作模式包含有 6 202 個樣本,共計31 010個樣本,不同工作模式樣本的脈沖峰值I/Q數(shù)據(jù)如圖2所示。

圖2 不同工作模式樣本的脈沖峰值I/Q數(shù)據(jù)示意圖

2 CGRU-SVM網(wǎng)絡(luò)模型設(shè)計

2.1 卷積神經(jīng)網(wǎng)絡(luò)

信號的I/Q數(shù)據(jù)是具有固定長度的矩陣,因此，可將其視為單通道的圖像,采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)提取其空間特征。卷積神經(jīng)網(wǎng)絡(luò)憑借其獨有的局部權(quán)值共享結(jié)構(gòu),可有效降低網(wǎng)絡(luò)模型的復雜度,同時可有效學習網(wǎng)絡(luò)輸入與輸出間的映射關(guān)系,在不需要求解出兩者間數(shù)學表達式的情況下,即可使網(wǎng)絡(luò)具備映射能力。

2.2 門控循環(huán)神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)處理時序信息時,由于網(wǎng)絡(luò)具有的單向無反饋連接方式,導致網(wǎng)絡(luò)中各層神經(jīng)元的反饋信息只能向上逐層傳遞,樣本信息的處理往往是相互獨立的,而時間序列信息大多與在同一時間段內(nèi)的背景信息聯(lián)系緊密。相比之下,循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)可更加高效地挖掘具有時間序列特性數(shù)據(jù)中的時序信息和語義信息。但是，由于常規(guī)RNN存在長期依賴性問題,在網(wǎng)絡(luò)訓練中會存在梯度消失等問題,使得RNN無法學習數(shù)據(jù)中的長期依賴信息。針對上述問題,長短時記憶(Long Short-Term Memory,LSTM)和門控循環(huán)單元(Gated Recurrent Unit,GRU)等RNN結(jié)構(gòu)的變種相繼被提出。

圖3 GRU單元結(jié)構(gòu)示意圖

GRU網(wǎng)絡(luò)具體計算流程如下:

=(+-1)

(5)

=(+-1)

(6)

(7)

(8)

其中,和分別為輸入層到重置門和更新門的權(quán)重矩陣,和分別為隱藏狀態(tài)到重置門和更新門的權(quán)重矩陣,為輸入層到隱藏狀態(tài)的權(quán)重矩陣,為隱藏狀態(tài)間的權(quán)重矩陣,*為元素級乘運算,(·)和tanh(·)分別為sigmoid激活函數(shù)和tanh激活函數(shù)。

2.3 CGRU-SVM網(wǎng)絡(luò)模型搭建

為充分提取星載SAR信號的空間特征和時序特征,本節(jié)基于CNN和GRU設(shè)計了CGRU-SVM識別網(wǎng)絡(luò)模型,該網(wǎng)絡(luò)模型由編碼器和分類器構(gòu)成,其結(jié)構(gòu)如圖4所示。

圖4 CGRU-SVM網(wǎng)絡(luò)模型示意圖

編碼器為CGRU神經(jīng)網(wǎng)絡(luò),其作用是將處于不同工作模式下的星載SAR信號脈沖峰值I/Q數(shù)據(jù)作為輸入,并輸出由CGRU神經(jīng)網(wǎng)絡(luò)提取的具有固定長度的特征向量,該特征向量包含可有效區(qū)分時間序列數(shù)據(jù)的分類信息。為學習更加精準的分類特征,在GRU隱含層中采用雙向結(jié)構(gòu),正向傳播的GRU可計算當前時刻的順序信息,反向傳播的GRU可引入同一序列的逆序信息,故其可在輸出層中提供順序與逆序兩類信息。編碼器由輸入層、2個卷積層+池化層、1個壓平層、1個CNN特征輸出層、2個單元數(shù)為256的BiGRU隱含層、線性激活函數(shù)和1個單元數(shù)為128的全連接層共同構(gòu)成。

分類器為線性SVM分類器,其作用是以編碼器輸出的特征向量作為輸入,進而完成識別分類任務(wù),SVM算法通過適當改造可處理多分類問題。線性SVM分類器具有兩大優(yōu)點：一是經(jīng)過訓練后具有較好的泛化性能；二是不需要做任何的特征提取及變換。因此，本節(jié)選取采用線性核函數(shù)的多分類SVM分類器。

3 實驗驗證與結(jié)果分析

3.1 CGRU-SVM模型訓練

為訓練CGRU-SVM網(wǎng)絡(luò)模型并評估其性能,將星載SAR信號數(shù)據(jù)集按照3∶1∶1的比例劃分為訓練集、驗證集和測試集。利用訓練集和驗證集數(shù)據(jù)開展CGRU-SVM網(wǎng)絡(luò)模型的訓練,采用一些訓練技巧以應(yīng)對可能出現(xiàn)的問題,在每個最大池化層和BiGRU隱含層后應(yīng)用dropout機制以避免網(wǎng)絡(luò)過擬合,在每層后添加批歸一化以加速網(wǎng)絡(luò)訓練。采用SVM處理多分類問題時,常采用識別準確率和合頁損失(hinge loss)來評價網(wǎng)絡(luò)訓練效果,上述兩項定義如下:

=

(9)

(10)

為有效降低損失函數(shù)值以提高訓練準確率,使用Adam優(yōu)化器并設(shè)定初始學習率為1×10,dropout率為0.3,訓練迭代次數(shù)為200。經(jīng)過200次訓練迭代后,訓練準確率和損失值變化如圖5和圖6所示。從圖中可以看出,CGRU-SVM對訓練集和驗證集的目標識別準確率均收斂到較高精度,損失值持續(xù)下降并收斂到穩(wěn)定值,結(jié)果表明CGRU-SVM訓練效果較好。

圖5 訓練過程中識別準確率隨迭代次數(shù)變化情況

圖6 訓練過程中損失值隨迭代次數(shù)變化情況

3.2 CGRU-SVM模型對比驗證

為評估CGRU-SVM模型的識別性能并驗證本文提出方法的優(yōu)越性,本節(jié)開展了不同識別方法性能的對比實驗。對于傳統(tǒng)星載SAR工作模式反演方法,本節(jié)按照文獻[4]中方法提取SAR信號的接收功率形態(tài)與多普勒歷程作為特征向量,結(jié)合SVM分類器實現(xiàn)星載SAR工作模式的識別。對于其他深度學習模型,在本文闡述了不同循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點,包括常規(guī)RNN、LSTM以及GRU,因此,選取上述模型作為對比模型。為保證對比試驗的有效性,在實驗中采用同樣的訓練數(shù)據(jù)、網(wǎng)絡(luò)超參數(shù)以及計算配置。

將劃分好的測試集數(shù)據(jù)輸入訓練好的不同分類模型中,并輸出星載SAR工作模式的識別結(jié)果,不同識別方法的識別準確率對比結(jié)果如表1所示,不同網(wǎng)絡(luò)模型的訓練對比結(jié)果如表2所示,不同識別方法的分類混淆矩陣如圖7所示。實驗結(jié)果表明,本文提出的CGRU-SVM模型的識別性能優(yōu)于其他所列方法,特別是相較于傳統(tǒng)反演方法,識別準確率有較大提升,平均識別準確率最高可達91.30%,相較于CLSTM-SVM,CGRU-SVM模型結(jié)構(gòu)更加簡單,雖然兩者識別準確率相差不大但CGRU-SVM模型的訓練時間大幅度縮短,CRNN-SVM模型由于其網(wǎng)絡(luò)結(jié)構(gòu)限制和梯度爆炸等問題的影響,識別準確率低于上述兩種網(wǎng)絡(luò)模型。綜上所述,本文設(shè)計的CGRU-SVM模型在鑒別星載SAR工作模式時更具有優(yōu)勢。

表1 不同識別方法性能對比結(jié)果

表2 不同深度學習模型的訓練對比結(jié)果

圖7 不同識別方法的分類混淆矩陣

4 結(jié)束語

針對星載SAR工作模式識別問題,本文提出了一種基于CGRU-SVM的星載SAR工作模式識別模型。該模型將直接下采樣得到的星載SAR信號脈沖峰值I/Q數(shù)據(jù)作為輸入,通過CGRU深度學習網(wǎng)絡(luò)模型提取了脈沖峰值I/Q數(shù)據(jù)的深層次本質(zhì)特征向量,最后利用SVM分類器實現(xiàn)了星載SAR工作模式的有效識別。

與傳統(tǒng)的星載SAR工作模式反演方法相比,本文提出的方法省去了人工提取信號特征和綜合比對判決步驟,優(yōu)化了識別過程,顯著提升了星載SAR工作模式的識別準確率,平均識別準確率可達91%以上。同時,綜合考慮識別性能和訓練效率,本文提出的方法相較于其他循環(huán)神經(jīng)網(wǎng)絡(luò)模型更具有優(yōu)勢。