鄭 渝，沈永健，周云生

Faster r-cnn實現(xiàn)交疊雷達信號的調(diào)制識別與參數(shù)提取

鄭 渝，沈永健，周云生

（北京遙測技術(shù)研究所 北京 100094）

當電子偵察系統(tǒng)接收到“時域交疊脈沖”時，傳統(tǒng)方法選擇對其丟棄，然而隨著電磁環(huán)境的日益復雜，脈沖時域交疊情況加劇，丟失的信息也越來越多。提出一種基于甚快區(qū)域卷積網(wǎng)絡(luò)（faster r-cnn）實現(xiàn)時頻交疊雷達信號的檢測識別與參數(shù)提取方法。對雷達信號進行時頻變換得到時頻圖，采用faster r-cnn網(wǎng)絡(luò)對時頻圖進行學習，訓練好的網(wǎng)絡(luò)可對時頻圖上的信號進行調(diào)制方式識別和位置確定，從而實現(xiàn)多信號交疊情況下信號的檢測、識別與時頻參數(shù)提取。

Faster R-CNN；調(diào)制識別；信號交疊；深度學習；CNN

引 言

隨著電磁環(huán)境日趨復雜密集，雷達偵察信號中出現(xiàn)時頻交疊脈沖的情況日益增多，然而傳統(tǒng)和現(xiàn)有的雷達信號的識別與參數(shù)提取算法是針對單脈沖信號，在對雷達偵察信號進行處理時，如果出現(xiàn)“時域交疊脈沖”情況，由于它的特征不再屬于某一部雷達信號，算法會選擇脈沖丟棄，因此丟失了時域交疊脈沖所含的信息[1]。同時，隨著雷達調(diào)制技術(shù)的發(fā)展，雷達信號的調(diào)制類型復雜多樣，對復雜雷達信號脈內(nèi)調(diào)制的識別成為偵察識別的關(guān)鍵。為此，本文針時域交疊的多脈沖復雜雷達信號，提出了一種基于深度學習的信號調(diào)制方式識別與參數(shù)提取算法。

深度學習是近年來研究火熱的領(lǐng)域，多隱層非線性的網(wǎng)絡(luò)結(jié)構(gòu)使其有強大的擬合能力。深度學習在處理圖像數(shù)據(jù)時有較多成熟的算法，同時不同調(diào)制類型的雷達信號在時頻域有較為明顯的區(qū)分，因此本文對時域交疊的雷達信號進行時頻變換，將得到的時頻圖作為深度學習的學習對象。基于深度學習目標檢測框架faster r-cnn可實現(xiàn)圖像數(shù)據(jù)中多目標的識別和檢測。圖像處理中檢測的含義是指對圖像中目標有無的判斷和目標位置的估計，對應(yīng)到對雷達信號時頻圖處理時，其含義是信號的檢測和時頻參數(shù)的提取。綜上所述，本文將時域交疊的多種雷達信號進行時頻變換，通過大量時頻圖對faster r-cnn進行訓練，訓練好的深度神經(jīng)網(wǎng)絡(luò)可以確定交疊脈沖中信號的個數(shù)、調(diào)制類別和時頻參數(shù)，實現(xiàn)了信號的檢測、識別和參數(shù)提取。

1 雷達脈內(nèi)調(diào)制方式

雷達信號的脈內(nèi)調(diào)制主要包括脈內(nèi)相位調(diào)制、頻率調(diào)制以及相位、頻率的混合調(diào)制。本文的識別對象是雷達信號常用的相位和頻率調(diào)制類型。

1.1 頻率調(diào)制信號

①線性調(diào)頻（LFM）信號，又稱Chirp信號，是一種較為成熟、廣泛使用的脈沖壓縮信號，其表示式為

其中為信號幅度，0為信號起始頻率，為信號調(diào)頻率，0為初始相位。

②頻率編碼（FSK）信號，是一種大時寬帶寬信號，具有良好的距離分辨性；有較窄的瞬時帶寬，降低了對發(fā)射機、接收機的帶寬要求。

式中復包絡(luò)為

式中，f為頻率碼組，常用COSTAS序列使信號具有較好的模糊函數(shù)；c為碼長，D為子碼寬。

③非線性調(diào)頻信號，即瞬時頻率隨時間非線性變化的頻率調(diào)制信號，如V型調(diào)頻、sin調(diào)頻、拋物線調(diào)頻等。其中V型調(diào)頻表達式如下：

1.2 相位調(diào)制信號

相位編碼信號是一種常用的低截獲概率（LPI）信號，具有較強的抗干擾性能。

①二相編碼（BPSK）信號

②四相編碼（QPSK）信號

上述信號的時域波形如圖1所示。

2 雷達信號預(yù)處理

2.1 喬伊-威廉斯分布（CWD）

時頻分析作為非平穩(wěn)信號處理的有力工具，將1維時間信號映射到2維時頻平面，不但能反映信號能量隨時間和頻率的分布，而且能揭示頻率隨時間的變化關(guān)系，在雷達信號脈內(nèi)特征分析中有著重要應(yīng)用[2]。由于CWD在所有未經(jīng)處理的Cohen類分布中，具有交叉項干擾最小的特點，對不同時間或頻率的信號具有較高的分辨能力和識別精度[3]，故本文采用CWD時頻分析對LPI雷達信號進行時頻變換操作。

圖1 雷達脈內(nèi)調(diào)制信號時域波形

圖2 交疊雷達信號時頻圖

2.2 時頻圖的預(yù)處理

圖3 預(yù)處理后雷達信號時頻圖

3 Faster R-CNN原理

Faster R-CNN算法的框架如圖4所示，通過多層卷積神經(jīng)網(wǎng)絡(luò)（CNN）特征提取得到特征圖（Feature Maps），然后通過區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network，RPN）生成候選區(qū)域框（Proposals），隨后再使用感興趣區(qū)域池化（Region of Interest Pooling，ROI Pooling）從經(jīng)過CNN提取到的特征圖中獲得各個候選區(qū)域的特征表達，最后用Softmax分類器[4]進行分類，并且使用包圍盒回歸[5]（B-Box Regression）及非極大值抑制[6]（Non-maximum Suppression，NMS）進行最后的處理完成位置回歸，得到最終的目標框。

圖4 Faster R-CNN算法結(jié)構(gòu)

3.1 區(qū)域建議網(wǎng)絡(luò)（RPN）

傳統(tǒng)的深度學習算法采用選擇性搜索（Selective Search，SS）提取候選區(qū)域，這樣產(chǎn)生候選區(qū)域較慢并且較多且相互重疊的候選框，為了減少一些不必要的計算，F(xiàn)aster R-CNN算法創(chuàng)新性的提出了一種區(qū)域建議網(wǎng)絡(luò)（Region Proposal Network，RPN）代替原本的選擇性搜索網(wǎng)絡(luò)[7,8]。如圖4中的RPN部分，首先，將整張圖片輸入算法框架，得到經(jīng)過一系列卷積和池化操作后的特征圖，并作為RPN網(wǎng)絡(luò)的輸入，將特征圖的點與原圖片的位置進行對應(yīng)，每一個特征圖上的元素對應(yīng)9個不同尺寸和大小的包圍盒。RPN本身具有兩個卷積網(wǎng)絡(luò)，其中一個卷積結(jié)構(gòu)通過1×1的卷積核進行18維的卷積運算，判定該包圍盒（anchor box）是否為前景圖像；另一個卷積結(jié)構(gòu)通過1×1的卷積核進行36維的卷積運算，得到該包圍盒對于真實位置的相對位置坐標（d，d，d，d）[9,10]。

圖5 包圍盒

其中每個特征圖元素對應(yīng)的9個包圍盒的設(shè)定方法為：將卷積后的特征圖的點與原圖片的位置進行對應(yīng)，將特征圖上的每一個點都映射到原圖上（每一個像素點設(shè)定為一個“錨點”），每一個錨點上放若干個大小不同的“錨”（即包圍盒），一般使用的尺度為1282、2562和5122并分別采用1:1,1:2和2:1三種不同的寬高比，一共9種。如圖5所示，右圖為映射在輸入圖像上的候選框。

在RPN中的Proposal層，是對生成包圍盒采用回歸、非極大值抑制等手段的篩選，輸出含有目標的包圍盒的相對位置坐標。

3.2 感興趣區(qū)域池化（ROI Pooling）

Faster R-CNN算法通過進一步改進SPP-Net算法，提出了感興趣區(qū)域池化（Region of Interest Pooling，即ROI Pooling），感興趣區(qū)域池化是空間金字塔池化的一個簡化版本，即只有一層金字塔，也就是感興趣區(qū)域池化只包含一種尺度。經(jīng)過多個實驗證明，通過ROI進行圖像處理，比原有的R-CNN算法運行速度加快數(shù)十倍。

將候選區(qū)域映射到特征圖上的位置，然后將每一塊的水平方向和垂直方向都分成7份，然后對每一個分出來的塊都進行最大值 pooling，在這樣的處理之后，輸出結(jié)果都是7×7的大小，就可以實現(xiàn)固定大小的輸出。

3.3 分類

分類器通過全連接層實現(xiàn)最終的目標分類，計算公式見式（11），由于權(quán)重W和偏置b是固定的，因而使用了圖3所示的RoI pooling層將所有區(qū)域建議框映射到同樣大小。

3.4 faster r-cnn的訓練

圖6 Faster RCNN訓練流程

表1 特征提取網(wǎng)絡(luò)參數(shù)設(shè)置

圖7 候選區(qū)域生成網(wǎng)絡(luò)結(jié)構(gòu)

圖6為網(wǎng)絡(luò)的訓練流程圖，具體分為以下幾個步驟：

②訓練特征提取網(wǎng)絡(luò)：由于雷達信號的時頻圖特征并不復雜，因此構(gòu)建3層CNN網(wǎng)絡(luò)作為不同種信號時頻圖的特征提取網(wǎng)絡(luò)，其結(jié)構(gòu)如表1所示，其中conv1到conv3為卷積層，filters、kernel size、stride分別為卷積核個數(shù)，卷積核尺寸和卷積步長。用單脈沖雷達信號數(shù)據(jù)集對網(wǎng)絡(luò)進行訓練，保存訓練模型。

③正向傳播，將數(shù)據(jù)通過上述訓練好的CNN網(wǎng)絡(luò)進行特征提取。將得到的特征圖通過候選區(qū)域生成網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)，其局部結(jié)構(gòu)如圖7所示，conv4到conv6為卷積層。候選區(qū)域生成網(wǎng)絡(luò)參數(shù)設(shè)置如表2所示。最終輸出為信號的類別編號和時頻參數(shù)。

④反向傳播，由數(shù)據(jù)標簽與正向傳播得到的輸出值求得損失值，設(shè)置網(wǎng)絡(luò)迭代次數(shù)和學習率，通過反向傳播算法調(diào)整權(quán)值優(yōu)化損失。

4 算法驗證

4.1 環(huán)境配置

算法驗證的配置環(huán)境見表3。

4.2 雷達信號數(shù)據(jù)集

本次實驗設(shè)置8種調(diào)制類型的信號：單頻信號、LFM、三角調(diào)頻、正弦調(diào)頻、拋物線調(diào)頻、FSK信號的載頻個數(shù)為7~13之間隨機選取、BPSK信號的相位編碼隨機采用7、11、13位bark碼、QPSK相位編碼為16位Frank碼和15位泰勒碼。采樣率為f，初始相位隨機選取，信號參數(shù)設(shè)置如表3所示。

表2 選區(qū)域生成網(wǎng)絡(luò)參數(shù)設(shè)置

表3 實驗環(huán)境

網(wǎng)絡(luò)需要進行兩次訓練，首先對特征提取網(wǎng)絡(luò)進行訓練，信號的采樣點數(shù)為600，進行 Choi-Williams分析得到600×600的時頻圖。樣本集中各個信號的個數(shù)分配情況如表4所示。

表4 信號參數(shù)設(shè)置

表5 樣本集信號分配

對faster R-CNN進一步訓練，設(shè)信號的采樣點數(shù)為600，在1200個采樣點的時間內(nèi)，隨機混疊1~3個信號作為一個樣本，并疊加–5dB~5dB的噪聲。將得到的1200個采樣點的信號進行Choi-Williams分析得到1200×1200的時頻圖。訓練樣本數(shù)為60000。

為檢驗網(wǎng)絡(luò)的分類和檢測能力，設(shè)置數(shù)據(jù)對訓練好的網(wǎng)絡(luò)進行測試。設(shè)置–5dB~5dB信噪比下的信號數(shù)據(jù)，其中每種信噪比下無交疊脈沖，兩信號交疊脈沖和三信號交疊脈沖的個數(shù)分別為500、400、300。

4.3 測試標準

訓練好的深度神經(jīng)網(wǎng)絡(luò)具有檢測、識別和參數(shù)提取的能力，用虛警率和漏檢率對其檢測性能進行評估；用識別準確率對其識別能力進行評估；以誤差率估計信號參數(shù)的估計能力。

①虛警率

②漏檢率

其中為虛警個數(shù)，為信號樣本總數(shù)。

③識別準確率

④誤差率

對時間估計誤差和頻率估計誤差進行歸一化，時頻圖中信號采樣點數(shù)N為600，頻率軸分辨率為1200，設(shè)正確識別信號的個數(shù)為M，則參數(shù)估計的誤差率（以起始時間和起始頻率為例）為

4.4 實驗結(jié)果

用測試數(shù)據(jù)測試訓練好的網(wǎng)絡(luò)，輸出效果如圖8所示，其中，圖a為無混疊信號的時頻圖信號檢測與識別，圖b、圖c為兩信號和三信號交疊情況的信號檢測識別。交疊情況下多個信號的檢測同時完成，本節(jié)為便于觀看檢測結(jié)果，圖b和圖c是一副時頻圖分開展示檢測結(jié)果。

對三種情況下識別檢測與參數(shù)估計性能進行統(tǒng)計評估如圖9所示。

經(jīng)上表分析可知，在無混疊情況下，網(wǎng)絡(luò)的識別性能較強，在檢測到信號的情況下，網(wǎng)絡(luò)可以對信號進行正確的分類。在識別的基礎(chǔ)上，網(wǎng)絡(luò)的參數(shù)估計能力較強，信噪比在–2dB以上時，有較小的誤差率。

在兩信號交疊情況下，由上圖數(shù)據(jù)分析可知，網(wǎng)絡(luò)在低信噪比情況下，虛警概率升高，相比于無交疊情況，識別能力略有下降，同時參數(shù)估計能力和無交疊相比略有下降，但在–3dB以上，誤差率保持在4%以內(nèi)。

可以發(fā)現(xiàn)，在3信號混疊時，網(wǎng)絡(luò)的檢測能力受信噪比影響略大，但漏檢率始終保持在10%以下，虛警率在信噪比–2dB以上時，保持在10%以下。信號識別能力在–2dB以上時，準確率在90%以上。參數(shù)估計誤差在–3dB以上時依舊保持在4%以內(nèi)。

綜上所述，信噪比在–2dB以上，信號混疊個數(shù)為1~3個時，算法可以保證較高的檢測識別正確率，并且有較小的參數(shù)估計誤差。

（a）無混疊信號檢測識別結(jié)果 （b）兩信號交疊情況下測試結(jié)果

（a）No overlapping signal test result graph （b）Two signal overlap test result graph

（c）三信號混疊情況下測試結(jié)果

（a）信號檢測識別結(jié)果

（a）Signal detection and recognition result

（b）信號參數(shù)估計結(jié)果

5 結(jié)束語

本文針對截獲到的雷達脈沖信號為時域交疊情況，通過對交疊信號的時頻變換，采用faster r-cnn網(wǎng)絡(luò)對時頻圖上的信號進行檢測和分類，實現(xiàn)了多信號調(diào)制識別和時頻參數(shù)提取。經(jīng)過測試，信噪比在–2dB以上時，三種信號交疊的情況下，深度網(wǎng)絡(luò)有良好的檢測識別和參數(shù)估計能力。

[1] 劉鋒, 黃宇, 王澤眾, 等. 復雜信號偵察理論及應(yīng)用[M]. 北京: 科學出版社, 2016.

[2] 孟凡杰, 唐宏, 王義哲, 等. 基于時頻圖像紋理特征的雷達輻射源信號識別[J]. 彈箭與制導學報, 2017, 37(3): 153–160.

[3] 白航. 基于時頻分析的雷達輻射源信號識別技術(shù)研究[D]. 鄭州: 解放軍信息工程大學, 2012.

[4] REDMON J, DIVVALS S, GIRSHICK R, et al. You only look once unified, real-time object detection [C]//IEEE Conference on Computer Vision and Pattern Recognition IEEE, Computer Society. 2016: 779–788.

[5] KAWANO Y, YANAI K. Foodcam: a real-time food recognition system on a smart phone[J]. Multimedia Tools and Applications, 2015, 74(14): 5263–5287.

[6] XU R, HERRANZ L, JIANG S, et al. Geolocalized modeling for dish recognition[J]. IEEE Trans. onMultimedia, 2015, 17(8): 1187–1199.

[7] UIJLINGS J R R, SANDE K E A, GEVERS T, et al. Se-lective search for object recognition[J]. International Journal of Computer Vision, 2013, 104(2): 154–171.

[8] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137–1149.

[9] GIRSHICK R. Fast R--CNN [J]. Computer Science, 2015: 1440–1448.

[10] ZITNICK C L, DOLLáR P. Edge boxes: locating object proposals from edges[C]// Computer Vi-sion-ECCV 2014: 13th European Conference, Zurich, Switzerland, Proceedings, Springer International Pub-lishing, 2014: 391–405.

[11] 袁博. 基于人工智能的雷達輻射源識別技術(shù)研究[D]. 西安: 西安電子科技大學, 2018.

[12] 劉魯濤, 戴亮軍. 基于頻譜復雜度的雷達信號調(diào)制方式識別[J]. 哈爾濱: 哈爾濱工程大學學報, 2018.

[13] KAILONG Zhou, LI Zhuo, ZHEN Geng, et al. Convolutional neural networks based pornographic image classification[J]. 2016 IEEE Second International Conference on Multimedia Big Data. Taipei, China, 2016: 206–209.

[14] 伍偉明. 基于Faster R-CNN的目標檢測算法研究[D]. 廣州: 華南理工大學, 2017.

[15] 高震宇. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用[D]. 合肥: 中國科學技術(shù)大學, 2018.

[16] 劉浩東. 基于自動編碼器與梯度提升模型的雷達工作模式識別研究[D]. 成都: 西南交通大學, 2018.

Radar signal modulation identification based on multilayer bidirectional LSTM

ZHENG Yu, SHEN Yongjian, ZHOU Yunsheng

（Beijing Research Institute of Telemetry, Beijing 100094, China）

When the electronic reconnaissance system receives the “time domain overlap pulse”, the traditional method chooses to discard it. However, with the increasingly complex electromagnetic environment, the pulse time domain overlap is intensified and the lost information is more and more. This paper proposes a detection and identification and parameter extraction method for time-frequency overlapping radar signals based on fast-regional convolutional network (faster r-cnn). Firstly, the time-frequency map is obtained by time-frequency transform of the radar signal, and the time-frequency diagram is learned by the fast r-cnn network. The trained network can perform modulation mode identification and position determination on the signal on the time-frequency diagram, thus achieving more In the case of signal overlap, signal detection, identification and time-frequency parameter extraction.

Faster R-CNN; Modulation recognition; Signal overlap; Deep Learning; CNN

TN974

A

CN11-1780(2019)03-0032-09

鄭 渝 1994年生，碩士，主要研究人工智能算法在電子偵察方向的應(yīng)用。

沈永健 1985年生，碩士，高級工程師，主要研究信息對抗系統(tǒng)及偵察信號處理。

周云生 1963年生，博士，研究員，長期從事航天與航天電子信息對抗系統(tǒng)裝備研制。

2019-01-23

2019-04-28

Email:ycyk704@163.com

TEL:010-68382327 010-68382557