付雨欣,黃 潔,王建濤,黨同心,李一鳴,孫震宇

(1.信息工程大學(xué) 數(shù)據(jù)與目標工程學(xué)院,鄭州 450001;2.中國人民解放軍63896部隊,河南 洛陽 471000)

0 引 言

雷達電子偵察能夠以非合作方式截獲目標雷達輻射信號,并通過電子信號分析與處理獲得雷達型號、信號樣式、工作模式、威脅等級等信息,受到了各國的高度重視[1]。常規(guī)體制雷達主要采用機械掃描方式工作,輻射信號時序確定,旁瓣電平較高,雷達功能單一,信號樣式簡單,因此傳統(tǒng)偵察接收機能夠以較高概率截獲信號,提取信號脈沖描述字(Pulse Describe Word,PDW)并進行后續(xù)的分選與識別[2]。然而多功能相控陣雷達(Multi-function Phased Array Radar,MPAR)采用電掃描方式工作,具有高速靈活的波束調(diào)度和切換能力,具備多種工作模式且其信號樣式復(fù)雜多變[3],不僅使得傳統(tǒng)偵察接收機截獲MPAR信號的概率大大降低,也給后續(xù)信號的分選和識別帶來挑戰(zhàn)。由于本文研究對象是經(jīng)過脈沖分選、型號識別后的單部雷達,因此僅關(guān)注最新的雷達輻射源識別方法而非分選技術(shù)。

雷達行為辨識是雷達輻射源識別的重要技術(shù)之一,能從信號層級表征和識別多功能相控陣雷達行為,挖掘隱藏在截獲信號背后的目標雷達行為規(guī)律,從而提高偵察系統(tǒng)的智能決策能力[4]。根據(jù)文獻[5]對電磁輻射行為學(xué)的定義,本文將MPAR在一段時間內(nèi)執(zhí)行某種任務(wù)的工作模式及轉(zhuǎn)換規(guī)律的總和稱為雷達行為。實際上,MPAR不僅能實現(xiàn)對目標的探測跟蹤,還具有通信數(shù)據(jù)鏈和高功能干擾等功能[6],但考慮到目前大部分偵察接收機在對進行通信和高功能干擾的MPAR信號前期截獲和分選效果較差,因此本文主要針對雷達對抗中經(jīng)過分選之后與雷達探測跟蹤功能相關(guān)的工作模式進行分析與識別。

目前,國內(nèi)外學(xué)者開展了大量MPAR行為辨識的相關(guān)研究。文獻[7]分析了非合作條件下的雷達輻射源數(shù)據(jù)特點,但對數(shù)據(jù)集調(diào)研不夠全面,沒有總結(jié)對應(yīng)的信號模型。文獻[8]對國內(nèi)外的雷達工作模式識別方法進行了綜述,缺乏對深度學(xué)習(xí)算法的對比分析,且沒有歸納不同算法的適用場景。文獻[9]總結(jié)了雷達工作狀態(tài)識別的研究現(xiàn)狀,但分類較為粗糙,且缺乏算法性能對比。文獻[10]梳理了基于機器學(xué)習(xí)的輻射源識別方法,但并未區(qū)分雷達型號識別和工作模式識別。國外的綜述[11-12]多集中于對雷達系統(tǒng)的正向機理性分析,上述文獻的局限性在于沒有對MPAR脈沖列模型、行為辨識關(guān)鍵技術(shù)、仿真數(shù)據(jù)集進行系統(tǒng)的歸納總結(jié)。

本文根據(jù)MPAR偵察脈沖列在復(fù)雜電磁環(huán)境下呈現(xiàn)出的信號特點,從數(shù)據(jù)壓縮和數(shù)據(jù)修復(fù)兩方面總結(jié)已有的信號建模方法。梳理了目前國內(nèi)外進行MPAR行為辨識的一般工作流程,并對比分析了PDW序列單元提取和工作模式識別的典型算法性能和適用場景;歸納了目前常用的仿真數(shù)據(jù)集和評估標準;最后針對性提出了當(dāng)前行為辨識技術(shù)在信號建模、PDW序列單元提取、工作模式識別以及仿真數(shù)據(jù)集構(gòu)建方面存在的問題,并展望了未來研究方向。

1 MPAR信號建模

MPAR信號建模是指通過數(shù)學(xué)語言抽象出最具代表性的信號特征。目前,國內(nèi)外進行MPAR行為辨識的一般工作流程是偵察方首先從接收機截獲的中頻信號提取出脈內(nèi)和脈間參數(shù),進行信號分選與型號識別,然后通過信號建模方法,構(gòu)建MPAR截獲脈沖列特征空間和行為的解空間相對應(yīng)的映射關(guān)系,最后進行PDW序列單元提取和工作模式識別,如圖1所示。

圖1 偵察系統(tǒng)行為辨識工作流程Fig.1 Workflow of behavior identification of reconnaissance system

已有的信號建模方法多以多功能雷達(Multi-function Radar,MFR)為建模對象,但MPAR作為MFR的主要體制,兩者具有相似的工作原理,因此本節(jié)合理擴大MPAR信號模型的適用范圍,認為對MFR信號的建模方法也適用于MPAR,不對其進行區(qū)分。從21世紀起,陸續(xù)有學(xué)者對MPAR信號建模方法進行研究,但目前尚缺乏對不同建模方法的系統(tǒng)總結(jié)。由于MPAR具有高數(shù)據(jù)率、波束捷變、低截獲等特點,刻畫其輻射信號規(guī)律需要大量的長時間片段的數(shù)據(jù),因此每段MPAR脈沖列的采集時長一般大于1 s,包含大量脈沖且信噪比較低。本節(jié)根據(jù)MPAR截獲脈沖列的數(shù)據(jù)特點,將已有MPAR信號模型分為兩類：一類是針對長周期信號片段的數(shù)據(jù)壓縮模型;另一類是針對低信噪比脈沖列的數(shù)據(jù)修復(fù)模型。在實際工程應(yīng)用中,兩者可相互借鑒。

1.1 針對長周期信號片段的數(shù)據(jù)壓縮模型

現(xiàn)代電子戰(zhàn)中,隨著接收機靈敏度的提升,經(jīng)過分選后的單部雷達脈沖列可高達每秒2萬個,給信號的實時處理和長期存儲帶來了極大的挑戰(zhàn)?？紤]到偵察脈沖列本質(zhì)上屬于非平穩(wěn)時間序列,可以借鑒時間序列分析領(lǐng)域的實數(shù)序列“符號化”的處理思想,有利于降低后續(xù)PDW序列單元提取的計算量[13]。典型的符號序列模型有后綴樹[14]、決策樹[15]、Hash表[16]、Markov模型[17]等。Lavoie等[18]于2002年最早將Markov模型引入對MPAR信號的建模領(lǐng)域,將MPAR脈沖列視為隱馬爾可夫模型(Hidden Markov Model,HMM),對采樣后的脈沖列進行量化編碼,將其轉(zhuǎn)換為“01”符號序列。作為HMM模型的觀測值,該符號序列不僅能反應(yīng)出信號的動態(tài)特性,并且大大降低了數(shù)據(jù)量。在此基礎(chǔ)上,Visnevski等[19-21]通過分析MPAR信號產(chǎn)生機理從而提出句法模型,將信號解構(gòu)為雷達字、雷達短語和雷達從句3個層級,采用對應(yīng)的隨機上下文無關(guān)語法(Stochastic Context-Free Grammars,SCFG)來描述信號的產(chǎn)生和變化規(guī)律。該模型能從雷達信號發(fā)射的視角,通過有限語法規(guī)則集來分層描述從信號到行為的映射,與HMM模型相比,以較小的模型復(fù)雜度實現(xiàn)了對MPAR信號規(guī)律的表征能力的優(yōu)化,進一步實現(xiàn)了數(shù)據(jù)壓縮。進一步地,Visnevski等[22]提出了非自嵌入式上下文無關(guān)文法(Non-self Embedding Context-free Grammar,NSECFG)來分析MPAR系統(tǒng)中不容易被SCFG捕獲到的復(fù)雜雷達行為。Apfeld等[23]將雷達字拆分為雷達音節(jié)和字母,分別表示調(diào)制類型和調(diào)制參數(shù),這種兩級參數(shù)擴展使該模型具備更細粒度的表征能力。在句法模型的基礎(chǔ)上,國內(nèi)學(xué)者也開展了一系列建模研究。劉章孟等[24]根據(jù)復(fù)雜度最小化準則提出了偵察環(huán)境中MPAR脈沖列的字符串表達形式與語義編碼模型,降低了MPAR偵察脈沖的層次化結(jié)構(gòu)列復(fù)雜度,得到了更簡潔的語義信息。馬爽[25]建立了針對MPAR信號的層級結(jié)構(gòu)模型,將信號按結(jié)構(gòu)要素和功能要素進行形式化表示,創(chuàng)新性地提出了將信號產(chǎn)生系統(tǒng)與生物體細胞類比的思想。

1.2 針對低信噪比脈沖列的數(shù)據(jù)修復(fù)模型

雷達偵察方面臨的另一主要挑戰(zhàn)是如何減小測量噪聲對截獲信號造成的巨大影響。測量噪聲帶來的影響主要包括以高斯白噪聲為典型代表的環(huán)境噪聲造成的信號參數(shù)值抖動、接收機和雷達發(fā)射機的異步性以及前期分選算法無法準確分離不同雷達輻射源信號從而造成的漏脈沖和偽脈沖等情況[26]。因此,一些學(xué)者從偵察的角度出發(fā),將建模對象從MPAR系統(tǒng)本身轉(zhuǎn)移到MPAR截獲脈沖列,希望通過逆向建模重構(gòu)反映MPAR脈沖列層次化結(jié)構(gòu)和變化規(guī)律的數(shù)據(jù)修復(fù)模型。

Haykin等[27]指出,MPAR信號的觀測序列被視為來自句法模型的字符串,被測量噪聲破壞,因此提出利用局部可觀測馬爾可夫決策過程(Partially Observable Markov Decision Processes,POMDP)理論,建立一個能被動感應(yīng)和操作非合作MPAR信號的電子戰(zhàn)支援系統(tǒng)。相對于HMM模型,POMDP對信號的表征能力更強。歐健[13]引入了線性預(yù)測狀態(tài)表示模型(Predictive State Representation,PSR),考慮到偽脈沖可能被建模為僅出現(xiàn)一次的錯誤雷達字串,其轉(zhuǎn)移到下一事件的概率均為1,但這些概率沒有實際意義,因此通過噪聲閾值實現(xiàn)對狀態(tài)轉(zhuǎn)移頻數(shù)矩陣的降噪處理。相對于HMM和POMDP模型,改進的PSR完全根據(jù)可觀測的量來表現(xiàn)系統(tǒng)的狀態(tài),且加入了抗噪處理,魯棒性更強。

1.3 典型模型對比

本節(jié)總結(jié)了典型的MPAR信號模型特點,如表1所示。從表中可以看出,無論是針對長周期信號片段的數(shù)據(jù)壓縮模型還是針對低信噪比脈沖列的數(shù)據(jù)修復(fù)模型,其實質(zhì)都是動態(tài)系統(tǒng)模型,各自有對應(yīng)的適用場景,并且隨著建模方法的不斷發(fā)展,MPAR信號模型對復(fù)雜電磁環(huán)境中的信號的表征能力也在逐漸增強。

表1 典型MPAR信號模型對比Tab.1 Comparison among typical MPAR signal models

2 PDW序列單元提取

傳統(tǒng)的信號分析方法是基于統(tǒng)計參數(shù)模型,以單脈沖為基本信息單元,而對MPAR這種具有復(fù)雜結(jié)構(gòu)的信號而言,其基本信息單元不再指單個脈沖,而是上一節(jié)所述的MPAR信號模型提出的波形單元(即PDW序列單元,是指有限個脈沖的一個優(yōu)化排列[25]),與句法模型提出的雷達字、語義編碼模型提出的脈組的表述相似。因此,本節(jié)將雷達字和脈組統(tǒng)一歸為PDW序列單元的范疇,MPAR信號規(guī)律可以用這些基本信息單元進行簡潔地表示。對于偵察方而言,行為辨識的首要工作就是提取截獲脈沖列中的PDW序列單元,從而實現(xiàn)對信號的初步分割。PDW序列單元提取作為一種時間序列切割技術(shù),其一般流程如圖2所示?？蓮氖欠裾莆漳繕讼闰炛R的角度將其分為兩類：一類是針對已知目標的匹配分類技術(shù);一類是針對未知目標的變換點檢測技術(shù)。

圖2 PDW序列單元提取一般流程Fig.2 General process of PDW sequence unit extraction

2.1 針對已知目標的匹配分類技術(shù)

在早期研究PDW序列單元提取技術(shù)時,多假設(shè)MPAR為已知目標,即偵察方已經(jīng)掌握一定的信號調(diào)制類型、信號參數(shù)范圍、工作模式轉(zhuǎn)換規(guī)律等先驗信息,因此可采用有監(jiān)督學(xué)習(xí)框架下的匹配分類技術(shù)。該方法原理簡單,工程實踐性強,最先得到發(fā)展并趨于成熟。Visnevski等[19,28]最早提出了兩種有監(jiān)督的雷達字提取方法：一種是將脈沖前沿量化編碼后構(gòu)建各雷達字的HMM模板,再利用維特比算法將其與待提取的編碼序列匹配,求解最優(yōu)的雷達字序列[19];另一種稱為事件驅(qū)動的雷達字提取算法[28],通過計算編碼序列與模板的匹配概率實現(xiàn)雷達字提取,其精度與量化時鐘周期無關(guān),復(fù)雜度較低。

沿用HMM模板匹配的思路,劉海軍等[29]考慮到虛假脈沖和漏脈沖的影響,針對模板匹配方法依賴于時鐘周期所描述的量化精度并且對模型參數(shù)敏感不易工程實現(xiàn)的缺點,提出一種基于三級匹配的雷達字提取方法,將匹配過程分為數(shù)據(jù)庫級的濾波、脈沖級的基于脈沖到達時間(Time of Arrival,TOA)的粗匹配,和編碼序列級的基于序列相關(guān)技術(shù)的精細匹配。Li等[30]對該方法進行改進和擴展,將由TOA生成的脈沖重復(fù)間隔(Pulse Repetition Interval,PRI)信息與PDW中的其他參數(shù)相結(jié)合,得到雷達字聯(lián)合識別多維圖,從而提取編碼到脈沖列中的雷達字。該方法稱為改進的TTP(TOA to PRI)變換。歐健[13]引入了脈寬(Pulse Width,PW)信息改善編碼過程,并根據(jù)雷達字模板構(gòu)造匹配濾波器,匹配濾波后的峰值所對應(yīng)的一段脈沖即為待提取的雷達字。

沿用事件驅(qū)動的思路,林令民[31]針對傳統(tǒng)方法只利用了TOA這一個特征參數(shù)的局限性,引入了相參處理間隔(Coherent Processing Interval,CPI)信息。根據(jù)CPI先對全脈沖數(shù)據(jù)進行分割,將具有相同PRI的CPI視為一類雷達字,利用訓(xùn)練好的HMM模型對分割后的脈沖列進行雷達字提取,并且建立觀測狀態(tài)的哈希索引表以提高算法時效性。但當(dāng)PRI調(diào)制類型為參差時,該算法會將同一類雷達字錯分為多類。針對上述問題,王勇軍等[13,32]通過引入PW改進脈沖前沿量化編碼方式,再計算事件驅(qū)動概率,最后利用決策準則提取概率最高所對應(yīng)的雷達字,帶來的好處是隨著碼元長度的增加,降低了脈沖前沿量化誤差的影響。

除此之外,陳維高等[33]引入深度學(xué)習(xí)技術(shù),摒棄傳統(tǒng)依賴脈沖列分析技術(shù)對MPAR信號進行處理的方法,將棧式降噪自編碼器(Stacked Denoising Auto Encoders,SDAE)與常用的支持向量機(Support Vector Machine,SVM)分類算法結(jié)合,借助參數(shù)間的聯(lián)合變化特征,提高了PDW序列單元識別的魯棒性和泛化能力,但算法準確率對樣本波形庫參數(shù)設(shè)置敏感,且存在網(wǎng)絡(luò)過擬合、運算復(fù)雜度高等問題。

2.2 針對未知目標的切換點檢測技術(shù)

隨著低截獲概率雷達技術(shù)發(fā)展,偵察方對非合作MPAR先驗知識的獲取難度陡增,促使研究重點轉(zhuǎn)為在無監(jiān)督學(xué)習(xí)框架下利用參數(shù)變化特點進行PDW序列單元提取的切換點檢測技術(shù)。需要說明的是,有的學(xué)者將PDW序列單元視為參數(shù)值不同、調(diào)制類型相同的子工作模式[34-35],但其實質(zhì)仍然是對切換點進行檢測。因此,本文認為該類方法實質(zhì)是對PDW序列單元的提取,而非更具一般意義的工作模式的識別。目前,切換點檢測技術(shù)大致分為兩類：一類是聚類分析;一類是統(tǒng)計分析。

聚類分析希望對MPAR脈沖列中具有相同參數(shù)特征的脈沖點進行聚類,從而獲取類間切換點。張雙圖[36]、陽榴等[37]、高天昊等[38-39]均利用MPAR脈沖列包含的載頻(Radio Frequency,RF)、PRI、PW多維參數(shù),采用不同聚類算法提取PDW序列單元。其中,陽榴等將多個變化點檢測問題轉(zhuǎn)化為二分類問題,利用參數(shù)自適應(yīng)的密度聚類算法(Density Adaptive Density-Based Spatial Clustering of Applications with Noise,DA-DBSCAN)進行PDW序列單元的提取;高天昊等引入一種改進的基于網(wǎng)格的聚類(Clustering in QUEst,CLIQUE)算法,利用基于密度調(diào)整的邊界擴展提高聚類準確性,但該算法僅適用于接收雷達信號工作模式種類較為均勻的場景,因此針對偵察設(shè)備在只能采集到某些工作模式下的少量數(shù)據(jù)的特殊場景下,獲得雷達樣本數(shù)據(jù)非均衡這一問題,通過構(gòu)建虛擬聚類中心和簇合并,引入改進的基于層次密度的聚類算法(K-means-Ordering Points To Identify The Clustering structure,K-OPTICS),很好地解決了非均衡樣本下的雷達字提取問題。Zhu等[40]則根據(jù)目標MPAR工作模式數(shù)量、調(diào)制參數(shù)模型、標簽序列3類先驗知識是否已知,提出了在全先驗、半先驗、和無先驗知識3種漸進假設(shè)下的子算法,其中,在半先驗下和無先驗知識的情況下分別采用基于動態(tài)規(guī)劃的自頂向下的分割聚類和基于滑動窗口的脈沖列聚類算法。以上聚類算法雖然原理易懂,工程實現(xiàn)難度低,但存在的共性問題是需要遍歷全部數(shù)據(jù),運算量較大,且對聚類參數(shù)依賴性強。

統(tǒng)計分析希望對MPAR脈沖列不同片段服從的特定分布進行似然比檢驗,從而獲取分布模型切換點。馬爽等[41]建立了幅度序列的統(tǒng)計變化點模型,引入生物染色體分析中的循環(huán)二分算法來檢測幅度變化點。鮑加迪等[34]則建立自回歸模型進行數(shù)據(jù)預(yù)處理,并根據(jù)PRI調(diào)制特征提出了參數(shù)未知的定長取樣(Unknown-Fixed-Size-Sample,U-FSS)算法和參數(shù)未知的累積和(Unknown-CUmulative SUM,U-CUSUM)算法,不僅可以實現(xiàn)調(diào)制參數(shù)級的雷達字在線切換點檢測,還可以給出切換點前后調(diào)制參數(shù)值的準確估計。方旖等[42]用定長的滑窗遍歷PDW序列,根據(jù)貝葉斯準則逐步計算條件概率,通過滑窗數(shù)據(jù)的概率變化來劃分脈沖列,但對于如何選取滑窗長度及步長缺乏參考依據(jù)。以上統(tǒng)計分析方法以概率計算為基礎(chǔ),對時間序列的完整性和可靠性要求較高,在數(shù)據(jù)分布未知時具有較大局限性。

2.3 典型算法對比

本節(jié)總結(jié)了典型的PDW序列單元提取算法特點,如表2所示。從表中可以看出,匹配分類技術(shù)需要大量先驗知識做支撐,但識別準確率較高,即使存在測量噪聲,平均準確率仍然能夠達到95%以上;而切換點檢測技術(shù)無需先驗知識,對于雷達偵察方而言,能解決對非協(xié)作目標偵察的問題,但識別準確率較低,一般保持在90%左右。

表2 典型PDW序列單元提取算法對比Tab.2 Comparison among typical PDW sequence unit extraction algorithms

3 MPAR工作模式識別

MPAR工作模式是指MPAR為完成搜索、跟蹤、識別、導(dǎo)航等多種功能所處的不同工作狀態(tài),常見的工作模式有速度搜索(Velocity Search,VS)、邊跟蹤邊搜索(Tracking While Scan,TWS)、邊測距邊速度搜索(Velocity Search Range,VSR)、跟蹤加搜索(Track and Search,TAS)、邊測距邊跟蹤(Range While Search,RWS)、單目標跟蹤(Single Target Track,STT)等[43]。面向行為辨識的MPAR工作模式識別就是根據(jù)不同工作模式下信號的參數(shù)特征和變換規(guī)律,可對經(jīng)過分割后的脈沖列中所屬同一工作模式的PDW序列單元進行重組,也可直接從原始脈沖列中提取工作模式,流程如圖3所示。此外,根據(jù)句法模式的概念,本節(jié)認為雷達短語與工作模式內(nèi)涵相同,不作區(qū)分。在此之前,已有文獻[8-9]對MPAR工作模式識別方法進行歸納總結(jié),然而隨著研究不斷深入,上述文章已無法涵蓋該領(lǐng)域的新技術(shù)。尤其是近年來,深度學(xué)習(xí)在MPAR工作模式識別領(lǐng)域得到了廣泛應(yīng)用[44]?；谏疃葘W(xué)習(xí)的智能算法能準確描述高維信號參數(shù)特征空間內(nèi)各參數(shù)間的相互關(guān)系,具備較強的特征挖掘能力,可以有效改進傳統(tǒng)工作模式識別存在的問題：一是利用小樣本學(xué)習(xí)的典型算法改善傳統(tǒng)網(wǎng)絡(luò)由于缺乏標簽樣本而造成的識別性能嚴重下降;二是通過優(yōu)化網(wǎng)絡(luò)架構(gòu)等削弱測量噪聲給信號數(shù)據(jù)的結(jié)構(gòu)特征帶來的影響。本節(jié)按照上述兩類改進思路對已有文獻進行梳理并對典型算法性能進行對比分析。

圖3 基于深度學(xué)習(xí)的MPAR工作模式識別一般流程Fig.3 General process of MPAR work mode recognition based on deep learning

3.1 針對缺少標簽樣本的深度學(xué)習(xí)算法

由于雷達偵察在軍事應(yīng)用上的特殊性,實際研究中,對MPAR進行工作模式識別時往往缺乏帶標簽的樣本數(shù)據(jù),此時利用傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)容易出現(xiàn)過擬合、欠擬合等問題。因此,引入小樣本學(xué)習(xí)的思路應(yīng)運而生,即通過數(shù)據(jù)增強和擴充等手段使得在樣本有限的情況下,網(wǎng)絡(luò)也能快速理解新模式并將其泛化,獲得準確且穩(wěn)定的識別性能[45]。小樣本學(xué)習(xí)目前主要包括3類：一類基于模型微調(diào);一類基于數(shù)據(jù)增強;一類基于遷移學(xué)習(xí)[46]。目前,根據(jù)對已有雷達情報的分析,能夠獲知一些通用的不同工作模式下的MPAR信號變化規(guī)律,因此引入基于數(shù)據(jù)增強和遷移學(xué)習(xí)的小樣本學(xué)習(xí)方法是行為辨識領(lǐng)域的前沿研究方向。

Zhang等[47]借鑒數(shù)據(jù)增強的思想,提出了一種包含局部對齊、交叉對齊和分布對齊的復(fù)合對齊特征(Compound Alignments,Containing Local,Cross,and Distribution Alignments,LACADA)算法,將MPAR在不同工作模式下生成的長脈沖列、短脈沖列和輔助語義信息映射到一個共享的潛在變量空間,利用變分自編碼器學(xué)習(xí)樣本增強后的真實分布,最終實現(xiàn)在僅檢測到少量脈沖列時即可完成工作模式的快速識別。雖然目前沒有學(xué)者在行為辨識領(lǐng)域引入數(shù)據(jù)增強中的經(jīng)典生成式對抗網(wǎng)絡(luò)(Generative Adversarial Net,GAN),但Liu等[48]運用邊際化堆棧降噪自動編碼器(Marginalizing Stacked Denoising Auto-encoder,MSDA)模型提取信號幅度特征,從而實現(xiàn)無監(jiān)督條件下的快速識別。利強等[49]借鑒遷移學(xué)習(xí)的思想,提出了一種在原型網(wǎng)絡(luò)(Prototypical Network,PN)中融合先驗知識的模式識別方法,通過訓(xùn)練原型網(wǎng)絡(luò),中心網(wǎng)絡(luò)映射知識向量,重新訓(xùn)練融合先驗知識的原型網(wǎng)絡(luò),實現(xiàn)先驗知識與MPAR信號脈沖數(shù)據(jù)的深層融合。Zhai等[50]考慮到噪聲影響,引入自動機器學(xué)習(xí)框架進一步優(yōu)化關(guān)系網(wǎng)絡(luò),引入了高效神經(jīng)結(jié)構(gòu)搜索(Efficient Neural Architecture Search,ENAS),通過ENAS自適應(yīng)生成最優(yōu)特征提取網(wǎng)絡(luò),將提取到的信號調(diào)制特征送入連接的相似度網(wǎng)絡(luò)實現(xiàn)最終分類。Zhai等[51]同時還提出一種編碼細化原型隨機游走網(wǎng)絡(luò)(Coding Refined Prototype Random walk Network,C-RPRWN),通過增加TOA量化編碼和正則化預(yù)處理模塊,提升了算法的準確性。

3.2 針對非理想觀測的深度學(xué)習(xí)算法

非理想觀測指存在測量噪聲的信號環(huán)境。非理想觀測下,信號數(shù)據(jù)會呈現(xiàn)出長度不固定、數(shù)值缺失、數(shù)值抖動、數(shù)值異常等特點,給識別算法帶來巨大挑戰(zhàn)。為了克服這類問題,學(xué)者們針對損壞數(shù)據(jù)特點,引入相應(yīng)網(wǎng)絡(luò)并進行結(jié)構(gòu)優(yōu)化,有效提高了識別性能。Li等[35]將長短時網(wǎng)絡(luò)引入工作模式識別領(lǐng)域,提出了一種層次化序列到序列的長短時網(wǎng)絡(luò)(Hierarchical Seq2Seq Long Short Term Network,HSSLSTM),利用固定閾值歸一化后帶標簽的MPAR脈沖列構(gòu)建數(shù)據(jù)集,輸入雙向長短期記憶網(wǎng)絡(luò),最終確定工作模式轉(zhuǎn)換的邊界,對復(fù)雜長序列擁有較強識別能力。Tian等[52]利用基于形狀下降正則化雙路徑注意力時間卷積網(wǎng)絡(luò)(ShakeDrop-regularized Dual-path Attention Temporal Convolution Network,DP-ATCN)延長PDW特征保存時間,進一步改善對短時序列識別效果差的問題。Du等[53]將概率圖模型引入工作模式識別領(lǐng)域,提出了貝葉斯注意信念網(wǎng)絡(luò)(Bayes Attention Belief Networks,BABN),將原始卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Networks,CNN)模塊權(quán)重建模為概率分布,在所提出的BABN中結(jié)合填充操作和注意模塊,使得該網(wǎng)絡(luò)能處理可變長度的序列數(shù)據(jù)。Pan等[54]提出了一種基于深度殘差網(wǎng)絡(luò)和SVM級聯(lián)的框架,從參數(shù)范圍、功能指標、數(shù)據(jù)規(guī)律等3個維度中提取特征,對同時存在漏脈沖、偽脈沖、測量誤差的信號也能達到高識別精度。Chen等[55]提出了一種編碼器-解碼器架構(gòu)下的基于門控循環(huán)單元(Gated Recurrent Unit,GRU)的識別方法,利用編碼器提取脈沖列時間特征和工作模式轉(zhuǎn)換規(guī)則,利用解碼器來解碼特征和轉(zhuǎn)換規(guī)則,并采用標簽替代解碼器結(jié)構(gòu)提高了在非理想情況下對工作模式的識別能力。Xu等[56]最早構(gòu)建了基于GRU的工作模式識別方法,與預(yù)測模型[57]相比具有更好的識別性能。進一步地,為了能直接處理原始MPAR脈沖列損壞數(shù)據(jù)并自動進行特征提取,Xu等[58]提出了一種由兩個GRU級聯(lián)的網(wǎng)絡(luò),第一個GRU從輸入MPAR脈沖列中提取雷達字的向量表示,第二個GRU作為狀態(tài)識別器。此外,惠曉龍[59]將多層感知器引入了工作模式識別領(lǐng)域,贠潔[60]利用CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)分別提取數(shù)據(jù)空間特征和時序信息。上述方法在仿真時均能實現(xiàn)低信噪比下的工作模式識別。方旖等[61]則利用誤差反傳(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò),在構(gòu)造樣本時對原始脈沖列進行數(shù)據(jù)分割、數(shù)據(jù)補齊、數(shù)據(jù)推理以消除噪聲影響,但是網(wǎng)絡(luò)結(jié)構(gòu)過于簡單,識別準確率不高。

3.3 典型算法對比

本節(jié)總結(jié)了典型的工作模式識別的深度學(xué)習(xí)算法特點,如表3所示。從表中可以看出,針對缺少標簽樣本的深度學(xué)習(xí)算法希望在訓(xùn)練中利用有限標簽樣本數(shù)據(jù)挖掘到更多的信息,因此數(shù)據(jù)預(yù)處理手段更為豐富,往往是對信號參數(shù)進行拓展,而針對非理想觀測的深度學(xué)習(xí)算法希望實現(xiàn)對損壞脈沖數(shù)據(jù)的自動特征提取與高精度識別,數(shù)據(jù)預(yù)處理手段更有針對性,往往是對信號參數(shù)進行壓縮,兩者準確率均能達到90%以上,在MPAR工作模式識別領(lǐng)域的應(yīng)用情況良好。

4 MPAR仿真數(shù)據(jù)集現(xiàn)狀

由于MPAR行為辨識技術(shù)的保密性,目前大多數(shù)文獻中使用的均為自行構(gòu)建的仿真數(shù)據(jù)集,存在3類問題：一是多數(shù)文獻未結(jié)合MPAR工作機理,生成的仿真數(shù)據(jù)往往與實際應(yīng)用不符合;二是缺乏描述參數(shù)變化規(guī)律的數(shù)學(xué)公式,數(shù)據(jù)選取隨機性過大;三是缺乏從偵察方的視角出發(fā),統(tǒng)一提出的數(shù)據(jù)集和識別魯棒性與準確率的評估標準,導(dǎo)致不同算法性能對比存在困難。因此,為了減小因仿真數(shù)據(jù)集的不規(guī)范給行為辨識技術(shù)發(fā)展帶來的影響[63],本節(jié)對已構(gòu)建的典型數(shù)據(jù)集和評估標準進行歸納總結(jié),為后續(xù)學(xué)者在行為辨識領(lǐng)域構(gòu)建統(tǒng)一、公開、合理的MPAR數(shù)據(jù)集和評估標準提供參考。

4.1 數(shù)據(jù)集簡介

目前已建立的仿真數(shù)據(jù)集主要可分為3類。

第一類是真實雷達數(shù)據(jù)集,以防空多功能雷達“水星”為代表,明確給出了不同工作模式下的PDW序列單元排列組合方式,以符號化的形式描述PDW序列單元,但并未給出對應(yīng)的脈沖級參數(shù)。在實際應(yīng)用中,該類數(shù)據(jù)集一般用于需要仿真“符號化”信號的仿真環(huán)境。

第二類是波形庫,有不同工作模式和PDW序列單元對應(yīng)的PRI、RF、PW的脈間調(diào)制類型、參數(shù)值和脈沖數(shù)。在實際應(yīng)用中,該類數(shù)據(jù)集涵蓋信息較為完備,應(yīng)用范圍最廣。

第三類是調(diào)制參數(shù)表,有明確的PRI、RF、PW的調(diào)制類型、參數(shù)范圍。在實際應(yīng)用中,該類數(shù)據(jù)集缺少調(diào)制參數(shù)具體值和PDW序列單元、工作模式的對應(yīng)關(guān)系,因此一般用于產(chǎn)生少量樣本或信號樣式變化較為簡單的仿真環(huán)境。

上述3類仿真數(shù)據(jù)集的典型示例可微信掃描本文OSID碼查看。

4.2 評估標準

在測量噪聲量化指標方面,Visnevski等[19]最早提出脈沖雜散率的概念,將其定義為出現(xiàn)的偽脈沖總數(shù)與總觀測時間的比值：

(1)

劉海軍[27]提出了RDP和RFP的概念,定義如下：

(2)

(3)

式中：Ni為無噪聲模板脈沖列中的脈沖數(shù);ni為在無噪聲序列中隨機丟棄的脈沖數(shù);ξi為在無噪聲序列中隨機添加的脈沖數(shù)。

由于MPAR仿真信號的數(shù)據(jù)形式不同,因此目前的噪聲也可分為直接對原始脈沖信號添加的不同方差和均值的高斯白噪聲,和添加在脈沖參數(shù)值上的EDL[26],定義如下：

(4)

式中：xpi為無誤差數(shù)據(jù);ξpi為隨機測量誤差。

在算法性能評價方面,根據(jù)算法的不同特點,可以利用多分類任務(wù)常用的混淆矩陣來評價算法對不同類型的PDW序列單元和工作模式的檢測能力,典型的參數(shù)有準確率、PR曲線、F值等[63]。

5 問題與展望

5.1 存在問題

MPAR系統(tǒng)的不斷發(fā)展創(chuàng)新,給MPAR行為辨識領(lǐng)域(與探測跟蹤功能相關(guān)的部分)帶來的問題主要體現(xiàn)在以下方面：

1)在行為建模方面,一是數(shù)據(jù)壓縮模型在對雷達行為層的信號特征進行細粒度劃分時缺乏統(tǒng)一的數(shù)學(xué)定義,難以對雷達行為到發(fā)射信號參數(shù)的映射關(guān)系進行直接、簡潔的表示,因此無法同時滿足模型低復(fù)雜度和高精度求解;二是數(shù)據(jù)修復(fù)模型缺乏對測量噪聲的定量分析,因此求解時無法根據(jù)噪聲特性自適應(yīng)地尋優(yōu)去噪。

2)在PDW序列單元提取方面,一是匹配分類技術(shù)在缺乏先驗知識的情況下挖掘高維信號特征的能力大幅度下降,難以分析時敏性非協(xié)作目標;二是變換點檢測技術(shù)缺乏對算法性能下限、運算復(fù)雜度以及實時性的討論,難以平衡信號分析時效和識別準確性的關(guān)系,而這是雷達偵察方關(guān)注的重要指標。

3)在工作模式識別方面,一是小樣本學(xué)習(xí)和無監(jiān)督學(xué)習(xí)在多功能雷達工作模式識別領(lǐng)域應(yīng)用才剛起步,模型的泛化能力還無法保證,且對超參數(shù)的確定存在依賴人工和計算量龐大等問題;二是在非理想觀測條件下未能充分利用MPAR脈沖列中前后脈沖的強相關(guān)性,缺乏對受噪聲影響的殘缺數(shù)據(jù)的有效處理。

4)在數(shù)據(jù)集構(gòu)建方面,數(shù)據(jù)構(gòu)造主觀性較強,缺乏統(tǒng)一的構(gòu)造標準,導(dǎo)致數(shù)據(jù)格式和評價指標多樣,給后續(xù)研究中算法性能對比、算法優(yōu)化造成了阻礙。

5.2 未來展望

基于以上分析,梳理出以下未來多功能雷達行為辨識(與探測跟蹤功能相關(guān)的部分)技術(shù)的發(fā)展方向：

1)在行為建模方面,需要結(jié)合數(shù)據(jù)壓縮模型和數(shù)據(jù)修復(fù)模型的優(yōu)缺點,進一步改進已有典型模型,提出適應(yīng)日益復(fù)雜脈沖列形式的新模型。

2)在PDW序列單元提取方面,可以引入時間序列異常點檢測領(lǐng)域的最新技術(shù),如深度學(xué)習(xí)中的多模態(tài)特征融合[64]、注意力機制[65]等,以實現(xiàn)在復(fù)雜電磁環(huán)境中能快速提取隱藏在MPAR脈沖列時序結(jié)構(gòu)中的PDW序列單元。

3)在工作模式識別方面,需要充分考慮不同神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點與適用場景：一是可以引入經(jīng)典的無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)如生成對抗網(wǎng)絡(luò)[66],以進一步降低智能算法對數(shù)據(jù)集的依賴性;二是可以在數(shù)據(jù)預(yù)處理時引入時序數(shù)據(jù)異常檢測和修復(fù)的典型算法,以消除非理想觀測給信號序列帶來的影響,并可通過輕量化設(shè)計[67]、硬件加速提升智能算法的收斂速度。

4)在數(shù)據(jù)集構(gòu)建方面,亟需構(gòu)建一個具有統(tǒng)一數(shù)據(jù)結(jié)構(gòu)的、符合雷達正向工作原理的仿真行為辨識數(shù)據(jù)集,以方便后續(xù)模型構(gòu)建與算法研究。

6 結(jié)束語

本文對目前國內(nèi)外的多功能相控陣雷達行為辨識技術(shù)進行了總結(jié),并對比分析了典型算法的性能與適用場景,梳理出該領(lǐng)域目前存在的問題以及可能的發(fā)展方向。

此外,具有認知能力的MPAR的出現(xiàn)是目前雷達技術(shù)發(fā)展的大勢所趨,該類新型雷達能在人工智能的輔助下具有行為演化與環(huán)境自適應(yīng)能力[5],對該類雷達行為的準確辨識與預(yù)測是未來雷達領(lǐng)域亟需重點研究的內(nèi)容,需要結(jié)合不斷積累的雷達行為知識庫與人工智能手段進行更深入的研究。