徐洪志 姚家馳 劉 超 李彩霞 蔣東翔 孫騰龍 趙新青

(1.中國人民解放軍32142部隊 河北保定 071000;2.清華大學 北京 100084;3.河北大學 河北保定 071000)

0 引言

電磁目標識別在軍事領域中具有非常重要的作用，通過識別電磁目標的類型和數(shù)量能夠有助于判斷敵方所使用的設備狀態(tài)及人員規(guī)模，進而提前有針對性地部署相應的作戰(zhàn)方案。目前國內(nèi)外學者對電磁目標識別進行了許多研究，主要有基于卷積神經(jīng)網(wǎng)絡的方法，基于輕量化卷積神經(jīng)網(wǎng)絡的方法，基于深度學習的方法，基于深度神經(jīng)網(wǎng)絡與多任務學習的方法，基于輕量級深度神經(jīng)網(wǎng)絡的方法，基于遷移學習的方法，基于壓縮感知的識別方法，基于模型的識別方法，基于指紋機制的識別方法等。基于神經(jīng)網(wǎng)絡和深度學習的方法雖然識別準確率高，但是復雜的網(wǎng)絡結構會導致計算時間較長，且需要較高的計算硬件條件；基于模型和指紋機制的識別方法需要根據(jù)電磁目標的特點建立相應的數(shù)學模型，雖然能夠準確識別電磁目標，但是存在模型通用性有限等限制。

本項工作針對實際現(xiàn)場環(huán)境中要求快速準確識別出電磁目標的需求，提出一種基于特征提取和機器學習的電磁目標識別方法，同時針對現(xiàn)有電磁目標數(shù)據(jù)庫數(shù)據(jù)有限的情況，提出通過重采樣、改變幅值和信號疊加三種方法擴充現(xiàn)有數(shù)據(jù)庫，通過本項工作既能擴充現(xiàn)有電磁目標數(shù)據(jù)庫，又能實時準確地識別出各電磁目標。

1 電磁目標數(shù)據(jù)庫及其擴充方法

對于電磁目標識別，Anu Jagannath和Jithin Jagannath學者通過研究得到了電磁目標數(shù)據(jù)庫。該數(shù)據(jù)庫主要包含8種信號類型和6種調(diào)制類型，8種信號類型分別為Airborne detection radar、Airborne range radar、Air-Ground MTI radar、Ground mapping radar、Radar Altimeter、SATCOM、AM Radio、Short-range wireless；6種調(diào)制類型分別為Pulsed Continuous wave、Frequency modulated Continuous wave、BPSK、AM-DSB、AM-SSB、ASK。雖然該數(shù)據(jù)庫中已有許多數(shù)據(jù)，但是在實際應用中可能還不夠，為了擴充數(shù)據(jù)庫，提出通過重采樣、改變幅值和信號疊加三種方法對現(xiàn)有數(shù)據(jù)庫進行擴充：重采樣指改變電磁信號的采樣頻率；改變幅值指增加或降低電磁信號的幅值；信號疊加指將兩個或兩個以上的電磁信號混合生成新的電磁信號。通過重采樣、改變幅值和信號疊加三種數(shù)據(jù)擴充方法能夠有效擴充現(xiàn)有的電磁目標數(shù)據(jù)庫，有助于開展電磁目標識別研究。

對于擴充的電磁目標數(shù)據(jù)庫，選取8種電磁目標進行研究，如表1所示。

表1中電磁目標類型6采用了重采樣處理，電磁目標類型7采用了改變幅值處理，電磁目標類型8由電磁目標類型1和2疊加生成。對于選取的8種電磁目標，研究能在不同信噪比(18dB、16dB、14dB、12dB、10dB、8dB)下準確識別各電磁目標的方法，每種電磁目標類型有600個樣本，表1中8種電磁目標類型的波形圖如圖1所示。

表1 8種電磁目標

圖1中展示的是在信噪比18 dB下第78個樣本數(shù)據(jù)的電磁目標波形圖。對于8種電磁目標類型，每種類型共有600個樣本數(shù)據(jù)，將其中的70%當作訓練集用于訓練，剩下的30%當作測試集驗證所提出電磁目標識別方法的識別效果。

圖1 8種電磁目標波形圖

2 電磁目標識別方法計算過程

電磁目標識別方法主要包括三個步驟：特征提取、特征降維和分類識別，下面分別對這三個步驟的計算過程進行分析。

2.1 特征提取

在特征提取部分，對于電磁目標信號，提取其時域和頻域統(tǒng)計特征，時域和頻域統(tǒng)計特征參數(shù)的計算公式分別如表2和表3所示。

表2 時域統(tǒng)計特征

表3 頻域統(tǒng)計特征

表2中的表示電磁目標時間序列信號，表3中的和分別表示經(jīng)過傅里葉變換后的頻率成分和頻譜幅值。通過計算時域統(tǒng)計特征可以得到16個特征參數(shù)，通過計算頻域統(tǒng)計特征可以得到12個特征參數(shù)，為了提高計算效率，采用特征降維方法保留主成分。

2.2 特征降維

經(jīng)過特征提取后可得到16個時域統(tǒng)計特征和12個頻域統(tǒng)計特征，采用主成分分析(Principal Component Analysis，PCA)方法對其進行特征降維。

對于個特征參數(shù)對應的個值，構造的特征矩陣為

(1)

將特征矩陣進行線性變換使其滿足式(2)。

(2)

且有

(3)

式中var()表示方差，cor(,)表示主成分間的相關性。

通過PCA方法能夠將特征參數(shù)變換成多個主成分，為了提高計算效率，這里選取前三個主成分進行計算和分析。

2.3 分類識別

對于8種電磁目標，每種電磁目標有600個樣本，總共4800個樣本，對每個樣本提取16個時域統(tǒng)計特征和12個頻域統(tǒng)計特征，然后經(jīng)過PCA處理選取前三個主成分，最后得到4800×3維的特征空間，將其中的70%當作訓練集用于訓練，剩余的30%當作測試集驗證識別的準確率。為了進行對比分析研究，選取SVM、KNN、Random forest和AdaBoost四種基于機器學習的分類識別算法進行識別，同時考慮在現(xiàn)場環(huán)境應用中的實際需求，還研究了在不同信噪比下的識別結果以及進行識別所需耗費的時間，在進行計算時所使用的計算機為Windows 10系統(tǒng)，CPU為英特爾i7-9700，內(nèi)存為64 GB，程序代碼用python語言編寫，并基于Spyder編譯器運行。

3 電磁目標識別結果

通過計算得到的電磁目標識別結果如表4所示。

表4 電磁目標識別結果

由表4可知，隨著信噪比(18dB、16dB、14dB、12dB、10dB、8dB)降低，電磁目標識別的準確率也逐漸降低。在采用時域統(tǒng)計特征時，8dB信噪比下SVM、KNN、Random forest和AdaBoost算法識別的準確率分別為92.92%、93.75%、94.72%和94.86%；在采用頻域統(tǒng)計特征時，其識別準確率分別為96.88%、97.29%、97.78%和98.06%；在同時采用時域和頻域統(tǒng)計特征時，其識別準確率分別為89.86%、93.26%、93.75%和92.85%。當同時采用時域和頻域統(tǒng)計特征時，電磁目標的識別準確率沒有只采用頻域統(tǒng)計特征時高，這可能是因為電磁目標對頻域特征參數(shù)更加敏感，因此只需采用頻域統(tǒng)計特征即可準確識別各電磁目標，此外通過比較平均耗費時間可知，Random forest算法雖然識別準確率略高于AdaBoost算法，但是其所需的時間比AdaBoost算法約長1.3s。為了快速準確識別電磁目標，研究結果表明基于AdaBoost算法采用頻域統(tǒng)計特征能夠準確快速識別出電磁目標，識別的平均準確率高達99.20%，所需時間為0.19s。

4 結束語

本項工作提出了重采樣、改變幅值和信號疊加三種電磁目標數(shù)據(jù)庫擴充方法，通過這三種方法能夠有效擴充現(xiàn)有數(shù)據(jù)庫。基于擴充的電磁目標數(shù)據(jù)庫，提出了一種基于特征提取和機器學習的電磁目標識別方法，研究結果表明，基于頻域統(tǒng)計特征采用AdaBoost算法能夠準確識別出不同信噪比下的電磁目標，平均識別準確率高達99.20%，在8dB低信噪比下的識別準確率仍有98.06%，且平均耗時僅為0.19s。