蔣留兵， 申杰琦， 車 俐

(1. 桂林電子科技大學(xué)信息與通信學(xué)院， 廣西桂林 541004; 2. 廣西無線寬帶通信與信號處理重點(diǎn)實(shí)驗室, 廣西桂林 541004； 3. 桂林電子科技大學(xué)計算機(jī)與信息安全學(xué)院, 廣西桂林 541004)

0 引 言

隨著無人駕駛技術(shù)的發(fā)展，智能傳感器成為自動駕駛中關(guān)鍵的一部分，如：相機(jī)、激光雷達(dá)、毫米波雷達(dá)等[1]。與其他傳感器相比，毫米波雷達(dá)具有全天時、全天候的工作特性，具有更強(qiáng)的環(huán)境適應(yīng)性。因此，毫米波雷達(dá)在汽車領(lǐng)域得到了廣泛推廣。但是如果兩個或三個雷達(dá)共用同一個頻帶，雷達(dá)相互間就會發(fā)生干擾，而且隨著越來越多的車輛裝配毫米波雷達(dá)，每輛車上部署六個甚至更多的毫米波雷達(dá)。因此毫米波雷達(dá)間相互干擾成為了該行業(yè)必須解決的重大工程問題，并引發(fā)了許多學(xué)者的關(guān)注[2-3]。

2010年，歐洲啟動的MOSARIM(More Safety for All by Radar Interference Mitigation)項目，從六個領(lǐng)域來抑制干擾：極化、時域、頻域、空域、編碼技術(shù)和策略方法[4]。文獻(xiàn)[5]提出了一種基于Chirp序列調(diào)制干擾抑制方法，通過估計干擾信號的參數(shù)，來移除干擾并進(jìn)行信號重構(gòu)。文獻(xiàn)[6]利用形態(tài)學(xué)分量分析方法將接收信號分解為干擾信號和目標(biāo)中頻信號，從而去除干擾信號達(dá)到干擾抑制的效果。文獻(xiàn)[7]通過峰值檢測來確定干擾發(fā)生的區(qū)域，然后利用卡爾曼濾波來重構(gòu)干擾區(qū)域內(nèi)的信號。文獻(xiàn)[8]利用自適應(yīng)噪聲消除器來消除干擾。上述文獻(xiàn)雖然在干擾抑制方面取得了很好的效果，但研究內(nèi)容都集中于如何抑制干擾，而不是對干擾信號的識別和分類。目前已經(jīng)有學(xué)者提出在進(jìn)行干擾抑制之前，首先要對干擾信號進(jìn)行分類[9]，并且在信號干擾分類方面已經(jīng)取得了一些成果[9-13]。文獻(xiàn)[10]對干擾信號分別進(jìn)行了快慢維度的傅里葉變換得到距離多普勒(Range-Doppler，RD)圖，并用支持向量機(jī)(Support Vector Machines，SVM)對RD圖進(jìn)行分類，由于沒有對RD圖進(jìn)行特征提取，因此可能需要大量的計算時間。在文獻(xiàn)[11]中，提出了一種基于信號特征空間和SVM的干擾分類方法。文獻(xiàn)[9]采用原始信號的均值、方差、偏度和峰度作為特征輸入，利用SVM進(jìn)行干擾分類。文獻(xiàn)[9-11]都是采用SVM來進(jìn)行干擾分類，雖然都能夠?qū)崿F(xiàn)分類，但是由于干擾信號類型有多種，而經(jīng)典的SVM算法為二分類算法，要做多分類問題時，需要多個二分類器組合在一起來實(shí)現(xiàn)，算法復(fù)雜度較高。文獻(xiàn)[12]使用功率譜密度和循環(huán)譜作為特征輸入，使用深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類，但是功率譜密度和循環(huán)譜特征信息相比于RD圖信息較少。文獻(xiàn)[13]使用卷積神經(jīng)網(wǎng)絡(luò)對干擾信號生成的RD圖進(jìn)行干擾分類，但是在訓(xùn)練和驗證過程中在反向傳播的時候梯度可能消失，神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果差，且收斂速度慢。

針對上述的問題，本文采用ResNet殘差神經(jīng)網(wǎng)絡(luò)對干擾信號進(jìn)行分類，不僅可以提高準(zhǔn)確率，而且可以使網(wǎng)絡(luò)盡快收斂，加快訓(xùn)練的速度。本文實(shí)驗步驟：首先仿真出不同類型干擾數(shù)據(jù)，然后對干擾數(shù)據(jù)分別在快慢維度進(jìn)行傅里葉變換得到RD圖，最后采用殘差神經(jīng)網(wǎng)絡(luò)對干擾信號進(jìn)行分類。

1 信號模型

在這一小節(jié)中，對調(diào)頻連續(xù)波(Frequency Modulated Continuous Wave，F(xiàn)MCW)基本原理、不同干擾信號數(shù)學(xué)模型進(jìn)行詳細(xì)描述。1.1節(jié)主要是對調(diào)頻連續(xù)波的測距測速原理簡要描述。1.2節(jié)主要是對不同干擾信號數(shù)學(xué)模型進(jìn)行描述。

1.1 FMCW基本原理

圖1為FMCW雷達(dá)基本結(jié)構(gòu)，時序器和本地振蕩器產(chǎn)生線性調(diào)頻信號，調(diào)相器進(jìn)行相位調(diào)制，功率放大器增強(qiáng)信號功率，最后由發(fā)射天線向外界傳播。當(dāng)信號在外界傳輸過程中遇到目標(biāo)后會被反射，反射信號會被接收天線接收，通過低噪聲放大器，與發(fā)射信號進(jìn)行混頻得到中頻信號。中頻信號包含目標(biāo)的距離和速度信息。中頻信號通過低通濾波器，經(jīng)過模數(shù)轉(zhuǎn)換后數(shù)據(jù)就可以用于提取目標(biāo)信息。

圖1 FMCW雷達(dá)基本結(jié)構(gòu)

線性調(diào)頻信號又稱為Chirp，其頻率隨著時間呈線性變化。則Chirp的瞬時頻率為

f=fc+St

(1)

式中，fc表示信號載波頻率，S=B/T表示信號掃頻斜率，B表示信號帶寬，T表示信號持續(xù)時間。

單個Chirp發(fā)射信號表達(dá)式為

(2)

式中，AT表示發(fā)射信號功率。

當(dāng)發(fā)射信號遇到目標(biāo)后，會被反射，形成回波信號，回波信號表達(dá)式為

(3)

式中，AR表示接收信號功率，td表示回波延遲，fd表示多普勒頻移。圖2為Chirp發(fā)射信號和接收信號序列。

圖2 Chirp發(fā)射信號和接收信號序列

接收到的目標(biāo)的回波信號與發(fā)射信號進(jìn)行混頻得到中頻信號，其表達(dá)式為

(4)

式中，AIF為中頻信號功率。

當(dāng)連續(xù)發(fā)送M個Chirp，在每個Chirp中采樣N個點(diǎn)，就會形成一個M×N的二維矩陣，然后分別在兩個維度上執(zhí)行快速傅里葉變換以及CFAR檢測算法，提取出目標(biāo)所在的距離和速度單元，就可以實(shí)現(xiàn)對目標(biāo)的距離和速度的測量。

1.2 不同類型的干擾信號

本小節(jié)主要對不同類型的干擾模型進(jìn)行詳細(xì)描述，干擾類型的信號有：長單頻信號、慢調(diào)頻信號、快調(diào)頻信號、短單頻信號、步進(jìn)頻率信號。

1.2.1 長單頻信號

長單頻信號：持續(xù)時間較長且頻率恒定的信號，如圖3所示。

圖3 長單頻信號

頻率表達(dá)式為

(5)

時域信號表達(dá)式為

S=AIej2πft

(6)

式中，AI為干擾信號的功率。

1.2.2 慢調(diào)頻信號

慢調(diào)頻信號：頻率隨著時間緩慢變化的信號，如圖4所示。

圖4 慢調(diào)頻信號

頻率表達(dá)式為

f(t)=fc+St,0≤t

(7)

時域信號表達(dá)式和式(6)相同。

慢調(diào)頻信號產(chǎn)生干擾是與回波信號發(fā)生交叉，則干擾持續(xù)時間為

(8)

式中，ST回波信號斜率，SI為干擾信號斜率，fL為低通濾波器帶寬。

1.2.3 快調(diào)頻信號

快調(diào)頻信號：頻率隨時間快速變化的信號，如圖5所示。

圖5 快調(diào)頻信號

其頻率公式和時域公式與慢調(diào)頻信號相同，只是頻率隨時間變化較快。

1.2.4 短單頻信號

短單頻信號：持續(xù)時間較短且頻率恒定的信號，如圖6所示。

圖6 短單頻信號

頻率表達(dá)式為

(9)

時域信號表達(dá)式和式(6)相同。

1.2.5 步進(jìn)頻率信號

步進(jìn)頻率信號就是頻率每間隔Tp時間呈線性變化的信號，如圖7所示。

頻率表達(dá)式為

i=floor(t/Tp),0≤t

(10)

式中，Tp表示一個脈沖要持續(xù)的時間，floor表示向下取整，i表示第幾個脈沖。

f(t)=fc+iΔf

(11)

式中，Δf表示頻率步進(jìn)量。

時域信號表達(dá)式和式(6)相同。

2 干擾機(jī)理

在這一小節(jié)中，對雷達(dá)間互相干擾原理以及干擾功率與目標(biāo)回波功率進(jìn)行詳細(xì)描述。2.1節(jié)主要是對雷達(dá)間互相干擾原理進(jìn)行介紹。2.2節(jié)主要是對干擾功率與目標(biāo)回波功率進(jìn)行比較。

2.1 干擾原理

圖8為道路上的干擾場景圖。車輛1為受害車輛，裝配有發(fā)射信號為快調(diào)頻信號的雷達(dá)。車輛2為目標(biāo)車輛，當(dāng)車輛1發(fā)射信號時，車輛2會產(chǎn)生回波信號。車輛3為干擾車輛，裝配有各種各樣發(fā)射信號的雷達(dá)。

圖8 道路干擾場景

當(dāng)車輛3和車輛1的工作頻率在相同頻帶內(nèi)時，車輛3發(fā)射的干擾信號就會被車輛1裝配的雷達(dá)所接收，則車輛1接收到的信號如下：

SR(t)=STarget(t)+SInterference(t)

(12)

式中，SR(t)為車輛1接收到總的信號，STarget(t)為車輛2的回波信號，SInterference(t)為車輛3發(fā)射的干擾信號。

2.2 功率比較

假定圖8中的車輛1和車輛2的距離為R1，車輛1和車輛3的距離為R2，且車輛1和車輛3裝配相同的雷達(dá)型號，則車輛1接收到車輛2的目標(biāo)信號的功率為

(13)

式中，Pt為發(fā)射功率，Gt為發(fā)射天線增益，Gr為接收天線增益，λ為波長，σ為車輛2的散射截面積。

車輛1接收到車輛3的干擾信號的功率為

(14)

干擾信號功率與接收信號功率之比為

(15)

通過仿真實(shí)驗，觀察干擾信號功率與接收信號功率之比，假定R1為10 m，σ為5 m2，R2的范圍為[5,30] m，間隔為5 m，仿真結(jié)果如圖9所示，隨著R2的增加，干擾信號功率與接收信號功率之比下降，但是比值仍然大于1，對目標(biāo)檢測仍然有很大的干擾，目標(biāo)完全被淹沒。

圖9 干擾信號功率與接收信號功率之比

3 仿真實(shí)驗

在這小節(jié)中，對仿真實(shí)驗進(jìn)行詳細(xì)描述。3.1節(jié)中生成不同類型的干擾數(shù)據(jù)。3.2節(jié)中利用ResNet殘差神經(jīng)網(wǎng)絡(luò)對干擾信號分類。3.3節(jié)中，在不同信號干擾噪聲比的情況下來檢測分類算法的性能。3.4節(jié)通過對比實(shí)驗，驗證ResNet殘差神經(jīng)網(wǎng)絡(luò)對干擾分類的有效性。

3.1 干擾信號仿真

根據(jù)圖8場景生成干擾數(shù)據(jù)。車輛1為受害車輛。車輛2為目標(biāo)車輛，假定車輛2距車輛1的距離范圍為5 m到50 m， 速度相對于車輛1為-30 km/h到30 km/h。車輛3為干擾車輛，假定車輛3距車輛1的距離范圍為15 m到60 m，速度相對于車輛1為-40 km/h到40 km/h。

生成6種不同類型的數(shù)據(jù)，其中一種是沒有干擾的數(shù)據(jù)，其余是1.2節(jié)提出的5種類型干擾數(shù)據(jù)。具體參數(shù)如下：表1為受害雷達(dá)所發(fā)射的參數(shù)，表2至表6為干擾雷達(dá)所發(fā)射的干擾信號。其中，表2為長單頻干擾信號參數(shù)，表3為慢調(diào)頻干擾信號參數(shù)，表4為快調(diào)頻干擾信號參數(shù)，表5為短單頻干擾信號參數(shù)，表6為發(fā)射步進(jìn)頻率干擾信號參數(shù)。在汽車?yán)走_(dá)系統(tǒng)中，N表示接收信號的采樣點(diǎn)數(shù)，M表示信號的數(shù)目，即Chirp數(shù)。

表1 受害雷達(dá)參數(shù)

表2 長單頻信號參數(shù)

表3 慢調(diào)頻信號參數(shù)

表4 快調(diào)頻信號參數(shù)

表5 短單頻信號參數(shù)

表6 步進(jìn)頻率信號參數(shù)

根據(jù)上述不同干擾類型的參數(shù)對干擾數(shù)據(jù)進(jìn)行仿真，其中SINR(信號干擾噪聲比)的范圍為-30 dB至30 dB，對生成的數(shù)據(jù)分別在快慢維度執(zhí)行傅里葉變換，得到RD圖，如圖10所示。每種類型的數(shù)據(jù)為500張圖片，總共為3 000張圖片。 在圖10(b)中，干擾信號為長單頻信號，其頻率在整個慢時間內(nèi)都是恒定的，因此長單頻信號僅與快時間頻率有關(guān)，導(dǎo)致在RD圖中沿距離維度為橫線。圖10(c)為慢調(diào)頻干擾信號，其頻率隨著時間增加，因此，在沿多普勒軸具有偏移，導(dǎo)致在RD圖中具有傾斜線條。

圖10 6種干擾數(shù)據(jù)

3.2 分類實(shí)驗

在分類過程中，采用的分類方法是何凱明提出的ResNet殘差神經(jīng)網(wǎng)絡(luò)。ResNet block如圖11所示。ResNet block在傳統(tǒng)的CNN網(wǎng)絡(luò)上增加了一個恒等映射，通過X的恒等映射來解決反向傳播時梯度消失的問題，并且實(shí)驗證明在訓(xùn)練集和驗證集上loss值都非常小，可以保證得到很好的精度[14]。

圖11 殘差網(wǎng)絡(luò)塊

圖12 ResNet網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率和損失值

將生成的3 000張干擾數(shù)據(jù)作為ResNet殘差網(wǎng)絡(luò)的輸入，其中80%作為訓(xùn)練集，20%作為驗證集。損失函數(shù)采用交叉熵?fù)p失函數(shù)，學(xué)習(xí)率為0.01，優(yōu)化函數(shù)為隨機(jī)梯度下降。經(jīng)過25批次迭代，訓(xùn)練準(zhǔn)確率和損失值曲線如圖12所示，從圖中可以看到，訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率隨著迭代次數(shù)增加，并且驗證準(zhǔn)確率甚至和訓(xùn)練準(zhǔn)確率一樣，與此同時，訓(xùn)練損失和驗證損失隨著迭代次數(shù)減小，從而驗證了ResNet殘差網(wǎng)絡(luò)在干擾分類方面的有效性。

3.3 算法性能

為了進(jìn)一步測試該分類算法的性能，在不同的SINR的情況下，檢驗該干擾信號分類算法的性能，分類的準(zhǔn)確率與SINR的關(guān)系如圖13所示。

圖13 準(zhǔn)確率與信號干擾噪聲比的關(guān)系

3.4 對比試驗

為了驗證ResNet殘差網(wǎng)絡(luò)在雷達(dá)干擾分類方面的有效性。在使用相同數(shù)據(jù)集的情況下，分別采用SVM和CNN作為對比實(shí)驗。

3.4.1 SVM分類算法

在使用SVM對數(shù)據(jù)分類之前，采用PCA特征提取技術(shù)，提取數(shù)據(jù)的主要特征，減少計算開銷，實(shí)驗結(jié)果如表7所示。從實(shí)驗結(jié)果看出，步進(jìn)頻移信號和慢調(diào)頻信號的識別準(zhǔn)確率達(dá)到了100%，但是其他類的干擾信號準(zhǔn)確率較低，導(dǎo)致總體識別率下降。

表7 PCA+SVM分類準(zhǔn)確率

3.4.2 CNN分類算法

圖14為 CNN網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率和損失值，雖然在一定的程度上取得了不錯的效果，但是在驗證集的準(zhǔn)確率仍然低于訓(xùn)練集的準(zhǔn)確率。同時，損失值一直維持在0.5左右，而ResNet網(wǎng)絡(luò)恰好解決了這個問題。

圖14 CNN網(wǎng)絡(luò)訓(xùn)練的準(zhǔn)確率和損失值

通過對比實(shí)驗可知，本文采用的ResNet網(wǎng)絡(luò)對雷達(dá)干擾分類相比于SVM、CNN等已經(jīng)采用的算法在準(zhǔn)確率以及網(wǎng)絡(luò)收斂速度上有很好的提升。

4 結(jié)束語

針對雷達(dá)間相互干擾信號分類的問題，提出了ResNet殘差神經(jīng)網(wǎng)絡(luò)對雷達(dá)干擾信號進(jìn)行分類。首先對雷達(dá)的不同干擾信號進(jìn)行仿真，對其干擾信號分別在快慢維度做傅里葉變換，得到待分類的數(shù)據(jù)集，然后進(jìn)行多種分類算法進(jìn)行實(shí)驗對比，分別采用了SVM、CNN分類算法作為對比，來驗證本文采用的ResNet殘差網(wǎng)絡(luò)在雷達(dá)干擾分類方面有很好的效果。結(jié)果證明ResNet殘差網(wǎng)絡(luò)相比于其他分類算法準(zhǔn)確率有很大提升，而且網(wǎng)絡(luò)能夠很好地收斂。