基于迁移深度学习的雷达信号分选识别

基于迁移深度学习的雷达信号分选识别

人工智能技术与咨询

来源：《软件学报》 ，作者王功明等

摘要: 针对当前雷达信号分选识别算法普遍存在的低信噪比下识别能力差、特征参数提取困难、分类器模型参数复杂等问题，提出了一种基于时频分析、深度学习和迁移学习融合模型的雷达信号自动分选识别算法。首先通过引入的多重同步压缩变换得到雷达信号的时频图像，然后利用灰度化、维纳滤波、双三次插值法和归一化等手段对时频图像进行预处理，最后基于迁移学习的方法，以GoogLeNet和ResNet模型为基础完成了对雷达信号的离线训练和在线识别。仿真结果表明，在信噪比为−6 dB时，该算法对9种雷达信号(CW, LFM, NLFM, BPSK, MPSK, Costas, LFM/BPSK, LFM/FSK, BPSK/FSK)的整体平均识别率可达93.4%，较常规人工提取算法具有更好的抗噪性和泛化能力。

1. 引言

近年来，随着雷达技术的快速发展，以低截获概率(Low Probability Interception, LPI)雷达为代表的各种新体制雷达在战场上得到了广泛的应用。战场电磁环境变得日益复杂、信号类型变化多样，使得传统依靠五大常规参数：载频(Carrier Frequency, CF)、脉冲宽度(Pulse Width, PW)、脉冲幅度(Pulse Amplitude, PA)、到达时间(Time of Arrival, TOA)和到达角(Direction of Arrival, DOA)组成的脉冲描述字(Pulse Description Word, PDW)已经难以满足雷达信号分选识别的实际需要 [1] [2] 。考虑到新体制雷达信号往往包含丰富的脉内信息，基于脉内信息的雷达信号分选识别算法逐步成为了研究热点。

基于脉内信息的雷达信号分选识别的关键在于特征提取和分类器设计。经过多年的不断研究，学者们陆续提出了时频分析、模糊函数、高阶统计量及变换域分析等方法。文献 [3] 通过Choi-Williams分布得到信号的时频图像，进一步提取出时频图像的奇异值熵和信号频谱的分形维数特征，最后使用基于支持向量机(Support Vector Machine, SVM)的分类器完成了对8种雷达信号的识别，在信噪比大于等于1 dB时，整体平均识别率达到95%；文献 [4] 提出一种基于模糊函数主脊切面特征的方法，构建出由主脊方向、切面重心和惯性半径组成的特征向量，所提取特征较好地反映了不同信号波形的差异，同时具备较好的抗噪性；文献 [5] 采用直接法得到雷达信号的双谱估计，基于广义维数(Generalized Dimension, GD)方法从双谱对角切片(Bispectra Diagonal Slice, BDS)中提取出3个区分度大的特征q值作为特征参数用于信号的识别，在信噪比为0 dB时对4种雷达信号的整体识别率为92.2%。这些都可以归纳为人工特征提取结合机器学习的方法，人工特征虽然具有计算简单、设计灵活、意义明确等优点，但也存在以下几个问题：一是表述能力有限。人工设计的特征往往比较简单固定，只能描述某一部分的信息，在处理复杂问题时容易遇到精度上的瓶颈；二是特征通用性不足。针对不同问题往往需要设计不同的特征，在处理新问题时某些特征的效果会大打折扣，需要反复验证其有效性；三是维数灾难。为了提升算法的精度，会提取各种各样的特征，当维数增加到一定程度后，增加特征维度反而会引起精度的下降。

随着深度学习理论的不断发展，鉴于它在计算机视觉中优异的模型泛化能力，学者们将深度学习引入到了雷达信号分选识别领域，利用各种成熟的深度学习网络模型自动提取信号的潜在特征，并取得了良好的应用效果 [6] - [11] 。文献 [12] 引入一种新的核函数构建Cohen类时频分布得到雷达信号的时频图，经过维纳滤波、双线性插值、灰度化等处理后送入CNN网络实现了对12种雷达信号(LFM, SFM, 2FSK, 4FSK, DLFM, EQFM, MLFM, BPSK, Frank, MP, LFM-BPSK, 2FSK-BPSK)的自动识别，在信噪比为−6 dB时，整体平均识别率达到96.1%；文献 [13] 提出了一种包含两个独立的卷积神经网络(Convolutional Neural Network, CNN)和赫尔曼网络(Herman Neural Network, ENN)的混合分类器模型，该算法信噪比大于等于−2 dB时对12种雷达信号(BPSK, LFM, Costas, Frank, P1-P4, T1-T4)的整体识别率达到94.5%。但与传统机器学习相比，深度学习对数据有非常严重的依赖，需要大量的样本数据学习潜在的特征，而且不能有效地应用于新的任务。在雷达信号分选识别等特殊领域，往往难以获得大量、高质量的训练样本。迁移学习通过使用现有的知识或模型来解决不同但相关领域的问题，为机器学习和深度学习提供了一个新的思路 [14] 。基于迁移学习的深度神经网络模型不用从零开始训练，而只需要在预训练网络模型的基础上对新的样本进行训练，然后进行网络参数微调，就可以方便快捷地达到满意的识别效果。文献 [15] 基于改进核函数的Cohen类分布得到雷达信号的时频图像，使用预训练自编码器(Stacked Auto Encoder, SAE)和AlexNet结构的卷积神经网络(Convolutional Neural Network, CNN)混合模型，通过迁移学习的方法完成了对12种雷达信号(Costas, LFM, NLFM, BPSK, P1-P4和T1-T4)的识别，在信噪比大于等于−6 dB时，平均识别率达到95.5%，尽管这些算法取得了良好的识别效果，但仍然存在一些问题：1) 模型复杂、训练时间长；2) 低信噪比下识别效果不佳；3) 对复合调制类型雷达信号关注较少等。

因此，本文结合时频分析、深度学习和迁移学习理论，提出了一种基于迁移深度学习的雷达信号分选识别算法。该算法先通过引入多重同步压缩变换(Multi-synchrosqueezing Transform, MSST)得到雷达信号的时频图像，然后对时频图像进行灰度化、维纳滤波、双三次插值法和归一化预处理，运用迁移学习的思想，分别基于GoogLeNet和ResNet两种预训练神经网络模型对时频图像进行离线训练，最后实现了对9种雷达信号的在线识别。

2. 基于时频分析的信号预处理

2.1. 雷达脉内调制信号模型

雷达信号的脉内特征包括脉内有意调制特征和脉内无意调制特征。无意调制特征又称为指纹特征，一般是人为误差产生或者雷达发射机硬件固有的非理想特性产生的固有特征，可用于辐射源个体识别(Specific Emitter Identification, SEI)。有意调制特征雷达波形设计者为了实现某种特定的功能，人为地加入了一些调制特征，包括幅度调制、频率调制、相位调制以及两种或两种以上的混合调制特征等 [16] [17] 。本文主要针对脉内有意调制特征展开研究，对指纹特征暂不做分析。

宽带接收机侦收到的雷达信号一般由信号和高斯白噪声两部分组成，其信号模型可描述为

y(t)=s(t)+n(t)=Aejϕ(t)+n(t)y(t)=s(t)+n(t)=Aejϕ(t)+n(t)(1)

式中， s(t)s(t) 表示雷达信号， n(t)n(t) 表示高斯白噪声。A表示信号的幅值，假设为1。 ϕ(t)ϕ(t) 表示信号的瞬时相位。9种雷达信号的调制类型分别为：常规信号(Conventional Wareform, CW)、线性调频信号(Linear Frequency Modulation, LFM)、非线性调频信号(Nonlinear Frequency Modulation, NLFM)、二相编码信号(Binary Phase Shift Keying, BPSK)、多相编码信号(Multi-Phase Shift Keying, MPSK)、Costas编码信号以及LFM/BPSK、LFM/FSK和BPSK/FSK复合调制信号。

2.2. 多重同步压缩变换(MSST)

雷达信号作为一种非平稳信号，包含丰富的时频域信息。典型的时频分析方法有：短时傅里叶变换(Short-time Fourier Transform, STFT)、小波变换(Wavelet Transform, WT)、魏格纳-威利分布(Wigner-Vill Distribution, WVD)以及Cohen类时频分布等。其中STFT属于线性变换，在实际应用中存在窗函数选择困难的缺陷；WVD属于二次型变换，