幸濤 郭博雷 張鵬

摘? 要：文章將機器學習引入雷達識別領域，提出基于信號特征深度重構的雷達輻射源識別方法。利用深度置信網絡對輸入層特征逐層提取和特征重構的非監(jiān)督特征提取特性，將不同輻射源信號特征的差異逐層放大，利用輸入層與重構層的矢量夾角作為識別的模糊一致性評判標準，得到雷達輻射源識別結果，通過對模擬輻射源特征參數的識別測試，驗證了算法的有效性。

關鍵詞：機器學習;深度置信網絡;雷達輻射源識別;矢量夾角

中圖分類號：TN957.5? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）18-0080-04

Abstract：Machine-learning is introduced into the radar recognition in this paper. A method of radar emitter recognition based on deep feature reconstruction is proposed in this paper. We use the DBNs unsupervising characteristics of feature extraction and reconstruction of in-layer features layer by layer，to amplify the difference of signal features of different emitter layer by layer. Vector angle between the input layer and the reconstructed layer is used as the fuzzy consistency of criterion to get result of recognition of radar emitter. The effectiveness of the algorithm is verified by the recognition test of the characteristic parameters of the simulated radiation source.

Keywords：machine learning;DBN;radar emitter recognition;vector angle

0? 引? 言

隨著電子信息技術的不斷發(fā)展，現(xiàn)代戰(zhàn)場中的電子對抗愈發(fā)激烈，進而涌現(xiàn)了更多新型復雜體制的雷達輻射源，這些雷達信號的特征參數變幻莫測，雷達輻射源的識別變得更加艱難，加之現(xiàn)代戰(zhàn)爭中電磁環(huán)境復雜，頻率覆蓋范圍幾乎接近全頻段，使得戰(zhàn)場上的電磁環(huán)境高度密集，給雷達輻射源的識別帶來了更高的難度。如何快速準確地對雷達輻射源型號進行識別是現(xiàn)代戰(zhàn)爭中的重要因素之一，也是當前亟待解決的問題。

雷達輻射源識別是電子戰(zhàn)中的重要一環(huán)，傳統(tǒng)的雷達輻射源識別方法已經逐漸跟不上雷達體制的變化。傳統(tǒng)的雷達輻射源識別方法主要是利用射頻（RF）、重復間隔（PRI）以及脈沖寬度（PW）等參數與雷達知識庫中的輻射源參數模板進行匹配來實現(xiàn)對輻射源的識別，在海量復雜雷達信號的沖擊下，這種識別方式的能力往往有限，而且每次識別都需要與雷達知識庫遍歷匹配，效率上也逐漸無法滿足當下的作戰(zhàn)需求，因此，發(fā)展針對現(xiàn)代戰(zhàn)場的雷達輻射源識別技術具有重要的意義。

空軍裝備部駐鄭州軍事代表室及27所長期以來致力于電子對抗相關的裝備研制及算法研發(fā)，為解決雷達輻射源識別準確率低的問題，以及相應智能化作戰(zhàn)的需求，本文以偵獲的雷達信號為切入點，將深度學習的方法引入雷達輻射源識別領域，利用深度置信網絡對雷達信號細微特征的提取能力，將網絡輸入層與重構層的模糊一致性作為識別的評判標準，從而提取到更加復雜完整的雷達信號特征，提升雷達輻射源識別準確率，為戰(zhàn)勤人員的決策提供有力支撐。

1? 本文主要研究內容

深度置信網絡是由多個限制性玻爾茲曼機（Restricted Bolzman Machine，RBM）堆棧，形成一個非監(jiān)督的數據深層次特征提取結構，后接上一個有監(jiān)督的邏輯回歸神經網絡結構組合而成，由于在對雷達輻射源的識別過程中，包含對未知輻射源型號的雷達信號作識別操作，監(jiān)督分類對新信號的海量數據依賴性會使網絡訓練收斂速度慢，進而導致識別精度低等問題，本文的雷達輻射源識別方法將摒棄DBN的有監(jiān)督訓練部分，而只保留非監(jiān)督提取數據特征的部分，利用每一種輻射源的已有數據，訓練出該類型雷達輻射源獨有的非監(jiān)督深度置信網絡（Unsupervised Deep Belief Network，UDBN），提取雷達信號的深度重構特征，建立對同輻射源極為敏感的UDBN模型，并將訓練參數保存用于該類型雷達輻射源的識別。UDBN包含一個可見層，即網絡頂端的RBM輸入層，多個用于特征提取的隱含層、與特征提取隱含層相同層數的特征重構隱含層，最末端是最后一個RBM輸出層，UDBN最大的特點就是當同種輻射源的雷達信號通過UDBN時，每一個隱含層產生的識別偏差比較小，最終輸出的結果與輸入的結果相似度較高;而當不同輻射源的雷達信號通過UDBN時，每一個隱含層都將產生一定的識別偏差，經過多層的偏差累積，最終輸出的結果與輸入的數據相似度非常低，利用這個原理，將通過UDBN前后的數據模糊置信度作為識別置信度量標準，就形成了一個完整的雷達輻射源識別過程。

每一種雷達輻射源都有其特定的信號特征，利用不同雷達輻射源特征參數的差異性，來對雷達輻射源做識別。主要選取的特征有射頻類型（RFType）、射頻下限（RFMin）、射頻上限（RFMax）、重復間隔類型（PRIType）、重復間隔下限（PRIMin）、重復間隔上限（PRIMax）、脈沖寬度類型（PWType）、脈沖寬度上限（PWMax）、脈沖寬度下限（PWMin）九個參數參與到神經網絡的訓練和識別過程。

2? 算法內容

深度置信網絡是一種由多個限制性玻爾茲曼機組成的深度學習模型，與傳統(tǒng)機器學習算法相比，它的精度比較高，計算效率快，是一種綜合性能很高的識別算法，比較適合應用于雷達輻射源識別工作中。

2.1? 限制性玻爾茲曼機原理

RBM是一種基于信息熵能量的無反饋的兩層神經網絡結構，其主要作提取數據的隱含特征，RBM的輸入層即可見層，輸出層即隱含層，如圖1所示。

它是由一個有n個神經元的可見層v和一個有m個神經元的隱含層h組成，整個RBM系統(tǒng)（v，h）的能量為：

其中，θ=（ωij，ai，bj）為RBM的網絡參數，ωij為輸入層的第i個神經元與輸出層的第j個神經元之間的網絡連接權值，ai為輸入層的第i個神經元的連接權值偏置量，bj為輸出層的第j個神經元的連接權值偏置量，基于該能量函數，得到（v，h）的聯(lián)合概率分布：

其中，Z（θ）=為概率歸一化項，輸入層的分布P（v|θ）和輸出層的分布P（h|θ）可以通過聯(lián)合概率分布的似然函數來確定：

由于輸入層v與隱含層h內部無連接，層內各神經元之間保持相互獨立的狀態(tài)，因此，當給定輸入層與隱含層的狀態(tài)時，對應的輸入層與輸出層的神經元節(jié)點為激活狀態(tài)的概率分別為：

其中，σ（x）=1/（1+e-x）為用于將神經元的激活值作非線性轉換的函數，利用數據樣本調整RBM網絡結構的參數集θ的值，使RBM在訓練集上的對數似然函數L（θ）取最大值，以此獲取參數的最優(yōu)解θ*，具體過程為：

其中，[]P為關于分布P的數學期望，P（h|vt，θ）為在輸入層的訓練樣本為vt的情況下，隱含層節(jié)點的概率分布，在計算P（v，h|θ）的過程中，概率歸一化項Z（θ）無法直接計算，利用對比散度算法中的Gibbs采樣方式估算其近似值，最終，得到各參數的更新規(guī)則：

其中，ε為學習率，[]data為訓練集的數學期望，[]recon為對比散度算法結果得出的數學期望。

2.2? 矢量夾角計算

對于兩個具有相同長度N的矢量曲線x和y，二者的相似度可以用矢量夾角γ來表示，矢量夾角的計算方式為：

矢量夾角越小，二者的相似度越高，反之相似度越低。

2.3? 非監(jiān)督深度置信網絡原理

UDBN由多個RBM組成，結構如圖2所示。

網絡的前半部分是多個RBM的堆棧組成，它具有提取原始數據深層次隱含特征的功能，后半部分（圖中虛線框部分）是對輸入數據的重構還原過程，最后，以輸入層v與最終的重構層v的矢量夾角余弦作為識別置信度p，算法描述為：

其中，hk，j為第k個RBM的輸出層，即第k+1個RBM的輸入層，當k=1時，hk，j=v。ωk，ak，bk分別為第k-1個輸入層到第k個隱含層之間的連接權值及重構權值偏置、特征提取偏置。hk為第k個重構層，當k=0時，輸出結果是對第一個輸入層v的重構，計算輸入層v與最終的重構層v的矢量夾角余弦作為識別置信度p，當p高于設定閾值，識別成功，否則識別失敗。

利用RBM能對原始數據進行還原的特性，UDBN由k個隱含數據特征提取層及k個數據特征還原層組成，利用原始數據作為輸入層訓練第一個RBM，并將第一個RBM的輸出結果作為第二個RBM的輸入層訓練第二個RBM，依此類推，直到第n個RBM訓練完畢，再利用第k個RBM的輸出層作為輸入層，對k-1層的數據重構還原，再利用第k-1層的重構還原數據對k-2層的數據重構還原，依此類推，最終還原出第一個輸出層即原始數據的重構還原結果，從而完成整個網絡的訓練。整個網絡的作用就是利用訓練數據訓練出該訓練集獨有的網絡參數，即這些參數只能完成與訓練集相似數據的重構還原。

2.4? 雷達信號特征參數識別

本文的雷達輻射源識別算法是一個人機互動、逐漸積累的過程。首先，需要人工輔助判別未知雷達輻射源的類型，利用人工判別的多組同源雷達信號作為訓練集，分別訓練其對應的非監(jiān)督深度置信網絡，當未知雷達信號到來時，依次通過每個輻射源對應的UDBN模型，并將未知信號特征值與UDBN輸出結果的矢量夾角余弦值作為未知雷達信號屬于各類輻射源的置信度，算法流程為：

步驟1，創(chuàng)建雷達輻射源識別庫，主要用于存儲各已知輻射源的UDBN參數;

步驟2，未知輻射源雷達信號輸入;

步驟3，未知輻射源雷達信號通過識別庫中的每一個UDBN，得到兩種情況：

（1）如識別庫中無現(xiàn)有UDBN或置信度列表中的最大值低于設定閾值時，需要行人工輔助判別確定輻射源類型，為其訓練UDBN并入識別庫，識別過程結束;

（2）置信度列表中的最大值達到或高于設定閾值時識別成功，找到置信度列表中最大值所對應的輻射源類型，作為未知雷達信號的輻射源類型，識別過程結束。

3? 實驗與結果分析

本次實驗采用1個輸入層+2個特征提取層+2個特征重構層共5層的UDBN對訓練樣本進行訓練，由于訓練樣本總量較大（3種輻射源，每個輻射源10個訓練樣本），本文選取部分訓練樣本展示，樣本如表1所示，其中，射頻類型、重復間隔類型、脈沖寬度類型對應的代碼如表2所示。

測試樣本每種輻射源20個，3種輻射源共60個，將測試樣本輸入到訓練好的UDBN中，得出識別結果及每個樣本的識別置信度，本文選取部分測試樣本及實驗結果如表3所示：

整體識別結果中，60個測試樣本，60個識別正確，識別率60/60×100%=100%。從對測試數據的識別效果來看，識別方法具有一定成效。

4? 結? 論

將機器學習引入雷達輻射源識別過程是大勢所趨，本文利用雷達輻射源的信號特征設計了UDBN，利用UDBN對不同類別輻射源特征參數差異逐層放大的特性構建雷達信號特征的深度重構模型，來完成對輻射源的識別，通過對測試數據的識別試驗也印證了算法的有效性，對雷達輻射源識別的問題上具有一定的參考價值，同時也需要真實的雷達輻射源特征參數數據來對算法做進一步驗證。

參考文獻：

[1] 孫曉磊.一種基于模糊推理和模糊判決的雷達目標識別算法 [J].造船技術，2006（4）：44-46.

[2] 戴征堅，郁文賢，胡衛(wèi)東，等.空間目標的雷達識別技術 [J].系統(tǒng)工程與電子技術，2000（3）：19-22.

[3] 邵命山，陳運濤.不確定推理在雷達識別中的應用 [J].火力與指揮控制，2008（S1）：29-31.

[4] 尚士毅.雷達識別的現(xiàn)況及發(fā)展趨向 [J].艦船電子對抗，1994（2）：7-12.

[5] 王維，周希辰，沈凡.目標特征與雷達識別需求關系原理 [J].信息技術，2012，36（8）：108-111+115.

[6] 周旭，姜雙章，周治偉.雷達輻射源屬性識別算法研究 [J].航天電子對抗，2007（4）：28-31.

[7] 佚名.雷達信號及其處理 [J].電子科技文摘，2001（5）：76.

[8] 王歡，何明浩，劉銳，等.雷達信號識別效果的模糊綜合評價研究 [J].雷達科學與技術，2012，10（4）：372-375+379.

作者簡介：幸濤（1988.10—），男，漢族，河南新鄭人，工程師，學士學位，主要研究方向：信息處理;郭博雷（1982.03—），女，漢族，河南鄭州人，高級工程師，學士學位，主要研究方向：信息處理;張鵬（1993.09—），男，漢族，河南信陽人，工程師，碩士，主要研究方向：雷達信號分析處理。