曹鵬宇, 楊承志, 石禮盟, 吳宏超

(1. 空軍航空大學(xué)航空作戰(zhàn)勤務(wù)學(xué)院, 吉林 長(zhǎng)春 130022; 2. 中國(guó)人民解放軍93671部隊(duì), 河南 南陽(yáng) 474350)

0 引 言

作為感知電磁態(tài)勢(shì)的重要方法,雷達(dá)偵察技術(shù)在電子戰(zhàn)中發(fā)揮著舉足輕重的作用。隨著電磁環(huán)境日益復(fù)雜,傳統(tǒng)基于脈間參數(shù)的分選識(shí)別算法性能難以滿足現(xiàn)代軍事需求。雷達(dá)信號(hào)的單脈沖內(nèi)部參數(shù)又被稱為脈內(nèi)參數(shù),與脈間參數(shù)相比包含了更為豐富的特征,對(duì)單脈沖進(jìn)行識(shí)別是當(dāng)前雷達(dá)偵察領(lǐng)域研究的重點(diǎn)。

隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域的廣泛應(yīng)用,不少專家學(xué)者將深度學(xué)習(xí)應(yīng)用于雷達(dá)信號(hào)分類識(shí)別領(lǐng)域。文獻(xiàn)[21]提出一種基于數(shù)據(jù)場(chǎng)理論聯(lián)合脈沖重復(fù)間隔與聚類的雷達(dá)信號(hào)分選方法。文獻(xiàn)[22]提出一種基于時(shí)序相關(guān)和聚類的重點(diǎn)雷達(dá)信號(hào)實(shí)時(shí)識(shí)別方法。文獻(xiàn)[23]提出一種在小樣本條件下對(duì)雷達(dá)目標(biāo)的識(shí)別方法。文獻(xiàn)[24]提出一種基于時(shí)頻分析和擴(kuò)張殘差網(wǎng)絡(luò)的雷達(dá)輻射源信號(hào)自動(dòng)識(shí)別方法。上述方法都是基于已知信號(hào)或者未知信號(hào)的識(shí)別問(wèn)題,未考慮到實(shí)際戰(zhàn)場(chǎng)環(huán)境下,雷達(dá)偵收到的信號(hào)是樣本庫(kù)中已知信號(hào)和大量未知信號(hào)的混合信號(hào)。上述方法難以解決此種情形。

本課題組成員在文獻(xiàn)[25]中提出了基于一維殘差和三元組損失函數(shù)的雷達(dá)信號(hào)的識(shí)別方法。使用一維殘差網(wǎng)絡(luò)提取特征,三元組損失函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練完成后,通過(guò)度量輸入信號(hào)與數(shù)據(jù)庫(kù)中已知類別的信號(hào)的相似性,以最近鄰的方式實(shí)現(xiàn)了已知雷達(dá)信號(hào)的型號(hào)識(shí)別。當(dāng)輸入為未知信號(hào)時(shí)該方法判斷其并非為樣本庫(kù)中的型號(hào),將信號(hào)標(biāo)簽設(shè)置為-1后存儲(chǔ)在未知雷達(dá)庫(kù)中,但并沒(méi)有對(duì)未知信號(hào)進(jìn)行后續(xù)處理。

因此,本文結(jié)合文獻(xiàn)[25]中已知信號(hào)分類識(shí)別算法的原理,分析了未知雷達(dá)信號(hào)處理過(guò)程中需要解決的問(wèn)題如下:

(1) 未知信號(hào)中包含的雷達(dá)型號(hào)數(shù)量未知,劃分聚類方法需預(yù)先設(shè)置簇的數(shù)量,并不適合解決此問(wèn)題。層次聚類和密度聚類方法雖然不需要預(yù)先設(shè)置簇的數(shù)量,但層次聚類計(jì)算復(fù)雜度非常大且易受奇異值影響,密度聚類在計(jì)算量上要求不如層次聚類,但對(duì)輸入?yún)?shù)設(shè)置敏感;

(2) 聚類算法準(zhǔn)確率相對(duì)較低,聚類后得到的各個(gè)簇中包含部分不屬于該簇的錯(cuò)誤個(gè)體。全部擴(kuò)充到雷達(dá)庫(kù)中會(huì)造成分類可信度下降;

(3) 當(dāng)加入的未知雷達(dá)信號(hào)的種類過(guò)多時(shí),需對(duì)特征提取網(wǎng)絡(luò)進(jìn)行擴(kuò)展訓(xùn)練,而雷達(dá)偵察設(shè)備中僅存儲(chǔ)了樣本庫(kù)中的數(shù)據(jù),數(shù)據(jù)量較小難以支持特征提取網(wǎng)絡(luò)進(jìn)行有效擴(kuò)展訓(xùn)練。

為了解決以上問(wèn)題,本文在文獻(xiàn)[25]的基礎(chǔ)上設(shè)計(jì)了一種基于粒子群優(yōu)化的具有噪聲的密度聚類(density-based spatial clustering of applications with noise based on particle swarm optimization, PSO-DBSCAN)算法和半監(jiān)督式條件生成對(duì)抗網(wǎng)絡(luò)(semi-supervised conditional generation adversarial network, SCGAN)的未知信號(hào)處理算法。主要工作如下:

(1) 利用粒子群優(yōu)化(particle swarm optimization, PSO)算法提取出具有噪聲的密度聚類(density-based spatial clustering of applications with noise, DBSCAN)算法的最優(yōu)輸入?yún)?shù),之后DBSCAN算法使用此參數(shù)對(duì)未知雷達(dá)信號(hào)進(jìn)行聚類;

(2) 設(shè)計(jì)了一種距離篩選算法在聚類算法輸出的簇中選擇出更為可信的樣本,并將其擴(kuò)充到雷達(dá)樣本庫(kù)中;

(3) 設(shè)計(jì)了一種基于SCGAN網(wǎng)絡(luò)的小樣本訓(xùn)練方法,在樣本數(shù)量較少的情況下實(shí)現(xiàn)了網(wǎng)絡(luò)對(duì)未知信號(hào)的擴(kuò)展訓(xùn)練,從而提升模型對(duì)未知信號(hào)的識(shí)別準(zhǔn)確率。

1 基礎(chǔ)理論

1.1 PSO算法

PSO算法屬于群體智能優(yōu)化算法,是Kennedy和Eberhart基于鳥(niǎo)群社會(huì)系統(tǒng)Boid設(shè)計(jì)的。核心思想是通過(guò)粒子來(lái)模擬鳥(niǎo)群中的個(gè)體,這種粒子不具備質(zhì)量屬性,僅有位置和速度兩個(gè)屬性。每個(gè)粒子在粒子群中獨(dú)立尋求自己的最優(yōu)解,互不干擾,找到的最優(yōu)解被稱作當(dāng)前個(gè)體極值,并共享到粒子群中。尋找到粒子群中最優(yōu)的個(gè)體極值將其作為當(dāng)前全局最優(yōu)解,所有粒子依據(jù)和調(diào)整自己的位置及速度。反復(fù)迭代這個(gè)過(guò)程,直至滿足終止條件。

1.2 具有噪聲的密度聚類算法

DBSCAN算法的核心思想是假定樣本類別由其分布的緊密程度所決定,同類別的樣本緊密相連。依據(jù)此假設(shè)將緊密相連的樣本歸到一類,所有樣本歸到各自緊密程度最高的類別就得到最終的聚類結(jié)果。

1.3 條件生成對(duì)抗網(wǎng)絡(luò)

條件生成對(duì)抗網(wǎng)絡(luò)(conditional generative adversarial networks,CGAN)在生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks,GAN)的基礎(chǔ)上增加了額外的條件信息,可以指導(dǎo)性地生成數(shù)據(jù)。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 CGAN結(jié)構(gòu)Fig.1 CGAN structure

不同的條件信息有不同的損失函數(shù),可將CGAN看作是不同條件下所有GAN的集合。CGAN可以訓(xùn)練生成器生成指定類別的圖像,但其判別器只可判別“真”“假”。

1.4 半監(jiān)督GAN

與傳統(tǒng)GAN網(wǎng)絡(luò)不同,半監(jiān)督GAN(semi-supervised learning with GAN,SGAN)的判別器采用Softmax分類器作為輸出層,以解決多分類的問(wèn)題。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。假設(shè)數(shù)據(jù)集類別數(shù)目為,那么判別器(discriminators,D)的輸出層的維數(shù)被設(shè)置為+1,第+1類表示生成器(generators,G)輸出的偽造數(shù)據(jù)。這樣判別網(wǎng)絡(luò)既可以判定輸入數(shù)據(jù)的真假也可以對(duì)真實(shí)的樣本進(jìn)行分類,在這種情況下,判別器D也是一個(gè)分類器(classifiers,C),故可稱其為D/C網(wǎng)絡(luò)結(jié)構(gòu)。SGAN網(wǎng)絡(luò)同時(shí)訓(xùn)練生成器和半監(jiān)督式分類器,訓(xùn)練出來(lái)的生成模型成像效果更好、半監(jiān)督式分類器性能更優(yōu)。判別網(wǎng)絡(luò)通過(guò)學(xué)習(xí)標(biāo)簽樣本的類別分布信息以及無(wú)標(biāo)簽樣本的數(shù)據(jù)分布信息來(lái)指導(dǎo)生成網(wǎng)絡(luò)提高生成樣本的質(zhì)量,減少其訓(xùn)練時(shí)間。

圖2 SGAN結(jié)構(gòu)Fig.2 SGAN structure

2 基于PSO優(yōu)化聚類的未知信號(hào)樣本提取

2.1 PSO-DBSCAN聚類算法

本文通過(guò)PSO優(yōu)化算法尋求DBSCAN算法中的最優(yōu)參數(shù)后,利用最優(yōu)參數(shù)構(gòu)建最優(yōu)DBSCAN聚類模型后對(duì)未知雷達(dá)信號(hào)進(jìn)行聚類,得到聚類結(jié)果。

2.1.1 適應(yīng)度函數(shù)的選擇

適應(yīng)度函數(shù)也稱為目標(biāo)函數(shù),是需要被優(yōu)化的目標(biāo)。在本問(wèn)題中,為評(píng)估聚類算法聚類效果的優(yōu)異,可以使用一些聚類度量函數(shù)進(jìn)行評(píng)價(jià)。在類別數(shù)未知的情況下,主要有輪廓系數(shù)、CH(Calinski Harabasz)分?jǐn)?shù)和戴維森堡丁指數(shù)(Davies Bouldin index,DBI) 3種。在PSO算法中,粒子位置信息的調(diào)整過(guò)程是在尋求適應(yīng)度函數(shù)最小值的過(guò)程,最優(yōu)解與適應(yīng)度是負(fù)相關(guān)關(guān)系。3種評(píng)價(jià)指標(biāo)中僅有DBI的大小和聚類效果呈負(fù)相關(guān)。因此,本算法選擇DBI指數(shù)作為PSO算法中的適應(yīng)度函數(shù),數(shù)學(xué)表達(dá)式為

(1)

212 算法設(shè)計(jì)

本算法的維度搜索空間設(shè)置為2,適應(yīng)度函數(shù)為聚類效果評(píng)價(jià)函數(shù)DBI,算法的流程如下:

將未知雷達(dá)庫(kù)中的信號(hào)輸入文獻(xiàn)[25]構(gòu)建的網(wǎng)絡(luò),得到各個(gè)信號(hào)的特征向量。

將DBSCAN算法的兩個(gè)輸入?yún)?shù)(eps和MinPts)作為優(yōu)化對(duì)象,初始化PSO算法。

根據(jù)式(1)計(jì)算每個(gè)粒子的適應(yīng)度值,以各粒子對(duì)應(yīng)的參數(shù)構(gòu)建聚類模型,對(duì)未知信號(hào)的特征向量進(jìn)行聚類,根據(jù)各個(gè)模型的聚類結(jié)果計(jì)算DBI指數(shù),將計(jì)算結(jié)果作為各粒子的適應(yīng)度值。

根據(jù)PSO算法分別對(duì)粒子的位置和速度進(jìn)行更新。

根據(jù)PSO算法分別對(duì)個(gè)體極值和全局極值進(jìn)行更新。

判斷是否達(dá)到迭代次數(shù)。若達(dá)到次數(shù),返回最優(yōu)極值的取值;否則,返回步驟3。

利用最優(yōu)參數(shù)構(gòu)建最優(yōu)聚類模型。

使用最優(yōu)聚類模型對(duì)未知信號(hào)的特征向量進(jìn)行聚類得到聚類后的標(biāo)簽。

2.2 基于距離篩選的樣本選擇算法

受到無(wú)監(jiān)督學(xué)習(xí)本身性能的限制,PSO-DBSCAN算法的聚簇準(zhǔn)確率較高,但是總體準(zhǔn)確率欠佳,即一個(gè)簇中包含著許多本屬于其他簇的數(shù)據(jù)。為保證擴(kuò)充到樣本庫(kù)中數(shù)據(jù)的準(zhǔn)確度及可信性,提出了一種基于距離篩選的樣本選擇算法,算法的流程為

設(shè)置數(shù)量閾值和需要選取的樣本數(shù)量。

判斷一個(gè)類別中的個(gè)體總數(shù)是否小于,若小于將該類別記作噪聲點(diǎn)舍去,否則計(jì)算該類別各個(gè)元素間的距離,得到距離矩陣,其數(shù)學(xué)表達(dá)式為

(2)

求出中除了主對(duì)角線上的元素外最小的2個(gè)值,將其行和列的索引存入索引數(shù)組。

求出中出現(xiàn)次數(shù)最多的兩個(gè)元素,存入樣本數(shù)組,分別記作、。

找到中的最小元素,索引記作并將()的值設(shè)置為中的最大值。

判斷是否屬于,屬于則返回執(zhí)行步驟5,否則執(zhí)行步驟7。

判斷()是否大于的中位數(shù),若大于返回執(zhí)行步驟5,否則執(zhí)行步驟8。

將存入樣本數(shù)組,判斷中元素的數(shù)量是否小于,若是執(zhí)行步驟9,否則輸出直接退出算法。

判斷中所有元素是否相同,相同則執(zhí)行步驟10,否則返回步驟5。

將中的樣本隨機(jī)進(jìn)行復(fù)制,使其數(shù)量為,結(jié)束算法并輸出。

核心思想是從一個(gè)簇所含有的所有個(gè)體中,選取出個(gè)相互之間的距離都比較小的個(gè)體作為樣本,以對(duì)樣本庫(kù)進(jìn)行擴(kuò)充。

3 基于SCGAN網(wǎng)絡(luò)的小樣本訓(xùn)練

3.1 模型概述

通過(guò)PSO優(yōu)化聚類和基于距離的樣本選擇算法后,可以得到可信度較高的正確樣本,以此對(duì)樣本庫(kù)進(jìn)行擴(kuò)充。但從文獻(xiàn)[25]相關(guān)實(shí)驗(yàn)可知,當(dāng)加入的未知信號(hào)的種類過(guò)多時(shí),在不經(jīng)擴(kuò)展訓(xùn)練的情況下單純擴(kuò)充樣本庫(kù)會(huì)降低識(shí)別算法的準(zhǔn)確率,需要使用未知信號(hào)和已知信號(hào)一起進(jìn)行擴(kuò)展訓(xùn)練。由于篩選出的未知樣本以及樣本庫(kù)中已知樣本的數(shù)量較少,難以構(gòu)成足夠多的一般三元組,不足以支持ResNet網(wǎng)絡(luò)進(jìn)行有效訓(xùn)練。因此,結(jié)合文獻(xiàn)[25]中的ResNet網(wǎng)絡(luò),借鑒CGAN、SGAN,設(shè)計(jì)了一種基于SCGAN的小樣本訓(xùn)練方法,解決了三元組數(shù)量不足的問(wèn)題。

本模型的生成器G借鑒了CGAN的思想,將標(biāo)簽信息和噪聲合成在一起作為輸入,以產(chǎn)生多類別的輸出,但是如果要求其像CGAN一樣生成和真實(shí)數(shù)據(jù)極其相似的偽造數(shù)據(jù),對(duì)于網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練時(shí)間上的要求比較嚴(yán)格。因此本模型在判別器方面則借鑒了SGAN的思想,其輸入是樣本庫(kù)中的真實(shí)數(shù)據(jù)和偽造數(shù)據(jù)的集合,通過(guò)盡可能地調(diào)節(jié)生成器,使得其輸出的偽造數(shù)據(jù)和真實(shí)樣本之間可以構(gòu)成一般三元組的條件,以解決少樣本訓(xùn)練的問(wèn)題。SCGAN的系統(tǒng)框圖如圖3所示。

圖3 SCGAN結(jié)構(gòu)Fig.3 SCGAN structure

由圖3可以看出,生成器借鑒了CGAN的思想,其輸入為一個(gè)隨機(jī)噪聲和真實(shí)數(shù)據(jù)庫(kù)中的標(biāo)簽的疊加,目的是使模型可以生成多種類別的“偽造數(shù)據(jù)”,同時(shí)要求生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)相似,并將其標(biāo)簽設(shè)置為-1(與所有類別的標(biāo)簽均不同);另一方面,判別器的設(shè)計(jì)與SGAN相似,但由于本模型的目的是解決ResNet網(wǎng)絡(luò)在小樣本下的訓(xùn)練問(wèn)題,因此本模型的判別網(wǎng)絡(luò)直接選用文獻(xiàn)[25]的ResNet網(wǎng)絡(luò),同時(shí)通過(guò)文獻(xiàn)[25]中識(shí)別算法實(shí)現(xiàn)對(duì)未知雷達(dá)信號(hào)以及生成器G輸出的“偽造數(shù)據(jù)”的分類。

3.2 模型結(jié)構(gòu)與參數(shù)

生成網(wǎng)絡(luò)使用了一維卷積和維度恢復(fù)模塊搭配的方式對(duì)網(wǎng)絡(luò)進(jìn)行構(gòu)建,其系統(tǒng)框圖如圖4所示。判別網(wǎng)絡(luò)與文獻(xiàn)[25]的ResNet網(wǎng)絡(luò)一致,網(wǎng)絡(luò)結(jié)構(gòu)及輸出維度如圖5所示。

圖4 生成網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Generative network structure

圖5 判別網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Discriminator network structure

生成網(wǎng)絡(luò)并未使用上采樣層進(jìn)行維度恢復(fù),因?yàn)樯喜蓸訉舆m合處理圖像數(shù)據(jù),但對(duì)一維雷達(dá)信號(hào)會(huì)造成不可恢復(fù)的損傷。因此本文設(shè)計(jì)了一種基于全連接層的維度恢復(fù)模塊,如圖6所示。

圖6 維度恢復(fù)模塊Fig.6 Dimension recovery module

3.3 損失函數(shù)設(shè)計(jì)

首先考慮生成網(wǎng)絡(luò),生成網(wǎng)絡(luò)的作用是根據(jù)輸入數(shù)據(jù)的類別產(chǎn)生與其相近的信號(hào),從而使其輸出的“偽造數(shù)據(jù)”可以和樣本庫(kù)中的真實(shí)數(shù)據(jù)組成足夠多的一般三元組。一個(gè)三元組由錨元素(anchor,A)、正元素(positive,P)和負(fù)元素(negative,N) 3個(gè)元素組成。其中A、P屬于同一類別下不同樣本,N是與A、P不同類的樣本。對(duì)于一個(gè)三元組來(lái)說(shuō),將A、P、N 3個(gè)元素輸入某個(gè)神經(jīng)網(wǎng)絡(luò),可得到其各自在特征空間的映射,分別記作()、()和()。生成網(wǎng)絡(luò)損失函數(shù)設(shè)計(jì)如下：

(3)

由式(3)可知,生成網(wǎng)絡(luò)損失函數(shù)是使(())到()與()到()間的距離趨近于閾值。因此,只要合理地設(shè)置,使其位于0～(三元組距離閾值)之間,就可以使生成器的輸出與樣本庫(kù)中真實(shí)數(shù)據(jù)之間滿足一般三元組的條件,從而形成足夠多的一般三元組以達(dá)到判別網(wǎng)絡(luò)的訓(xùn)練要求。

判別網(wǎng)絡(luò)的損失函數(shù)設(shè)計(jì)如下：

(4)

由式(4)可知,判別網(wǎng)絡(luò)的損失函數(shù)本質(zhì)上依舊是三元組損失函數(shù),只是對(duì)三元組的選擇方式進(jìn)行了調(diào)整。在中,三元組元素和元素的選擇僅來(lái)自于樣本庫(kù)中的真實(shí)數(shù)據(jù),而元素的選擇來(lái)自于真實(shí)數(shù)據(jù)和“偽造數(shù)據(jù)”的混合,而且“偽造數(shù)據(jù)”中包含了大量的一般三元組,因此解決了樣本過(guò)少時(shí)三元組數(shù)量不足造成網(wǎng)絡(luò)難以訓(xùn)練的問(wèn)題。

4 仿真實(shí)驗(yàn)與算法驗(yàn)證

4.1 驗(yàn)證PSO-DBSCAN算法

本文通過(guò)Matlab生成數(shù)據(jù)對(duì)PSO-DBSCAN算法的可行性和有效性進(jìn)行測(cè)試。其中,未知信號(hào)標(biāo)簽設(shè)置為-1,信噪比在-20～10 dB之間,共生成8部雷達(dá)信號(hào),每種信號(hào)每隔2 dB生成100個(gè)樣本,樣本長(zhǎng)度設(shè)為1 024,樣本總計(jì)12 800個(gè)。其余參數(shù)設(shè)置如表1所示。

表1 數(shù)據(jù)集組成Table 1 Data set composition

PSO算法粒子數(shù)量為30,粒子維數(shù)為2,最大迭代次數(shù)為100,慣性因子為08,學(xué)習(xí)因子1、2均為2,隨機(jī)數(shù)1、2在[0,1]區(qū)間內(nèi)均勻配置。主要測(cè)試兩項(xiàng)指標(biāo):一是聚類數(shù)量的準(zhǔn)確率,測(cè)試算法聚出的類別數(shù)目是否準(zhǔn)確,稱之為聚簇準(zhǔn)確率;二是總體聚類效果的準(zhǔn)確率,是測(cè)試算法把屬于同一類別的個(gè)體聚類在一起的能力,稱之為總體準(zhǔn)確率。對(duì)每種類別情況進(jìn)行100次蒙特卡羅實(shí)驗(yàn),取平均值作為測(cè)試結(jié)果,結(jié)果如圖7所示。實(shí)驗(yàn)發(fā)現(xiàn),兩種準(zhǔn)確率在輸入數(shù)據(jù)的類別數(shù)量處于2～5時(shí)比較準(zhǔn)確,且聚簇準(zhǔn)確率要遠(yuǎn)高于總體準(zhǔn)確率,原因是聚類算法屬于無(wú)監(jiān)督訓(xùn)練,其總體準(zhǔn)確率自然不會(huì)太理想,而聚簇準(zhǔn)確率只是反映算法能否分出正確的簇?cái)?shù),其難度相對(duì)較小,聚簇準(zhǔn)確率也相對(duì)較高。

圖7 算法的識(shí)別準(zhǔn)確率Fig.7 Algorithm recognition accuracy

而在輸入的類別只有1類時(shí),兩種準(zhǔn)確率都不高,聚簇準(zhǔn)確率直接變?yōu)榱?。該現(xiàn)象出現(xiàn)的原因是當(dāng)類別只有1類時(shí)PSO算法的適應(yīng)度函數(shù)(DBI分?jǐn)?shù))不能計(jì)算(會(huì)輸出一個(gè)較大值),從而使得PSO-DBSCAN算法不能聚出1類。針對(duì)此問(wèn)題,本文給出的解決方法是向未知信號(hào)集合中加入一種人為設(shè)置的“區(qū)別數(shù)據(jù)”(設(shè)置為零向量),以保證未知雷達(dá)庫(kù)中至少包含兩類信號(hào)。區(qū)別數(shù)據(jù)由于每個(gè)個(gè)體的特點(diǎn)較突出(是零向量),因此很容易和其他類別區(qū)分開(kāi)來(lái),在聚類結(jié)束后,將區(qū)別數(shù)據(jù)剔除即可。

算法改進(jìn)的示意圖如圖8所示。改進(jìn)后的準(zhǔn)確率情況如圖9所示。

圖8 改進(jìn)算法示意圖Fig.8 Schematic diagram of the improved algorithm

圖9 改進(jìn)算法的識(shí)別準(zhǔn)確率Fig.9 Recognition accuracy of the improved algorithm

由圖9可知,當(dāng)未知雷達(dá)庫(kù)中只包含一種信號(hào)時(shí),改進(jìn)方法的聚簇準(zhǔn)確率有了明顯的提升,同時(shí)在類別大于1時(shí),算法的性能沒(méi)有受到影響。因此,本算法的聚簇準(zhǔn)確率相對(duì)理想,但總體準(zhǔn)確率的精度依然不佳,因此需要用樣本選擇算法從各個(gè)簇中選擇出更為可信的樣本。

4.2 驗(yàn)證樣本選擇算法

實(shí)驗(yàn)1:在第41節(jié)的基礎(chǔ)上對(duì)樣本選擇算法的有效性進(jìn)行相關(guān)驗(yàn)證。實(shí)驗(yàn)條件與第41節(jié)中基本一致,樣本選擇算法的數(shù)量閾值和需要選取的樣本數(shù)量分別設(shè)置為100和32,在進(jìn)行了100次蒙特卡羅實(shí)驗(yàn)后,得到的不同種類下本選擇算法與隨機(jī)選擇的準(zhǔn)確率對(duì)比情況如圖10所示。

圖10 本文算法與隨機(jī)選擇的準(zhǔn)確率對(duì)比Fig.10 Comparison of accuracy between the proposed algorithm and random selection

由圖10可知,基于距離篩選的樣本選擇算法可以有效篩選出相對(duì)純凈的樣本,準(zhǔn)確率能達(dá)到93%以上。即便只使用一種未知雷達(dá)信號(hào)測(cè)試時(shí),由于加入了“區(qū)別數(shù)據(jù)”,使得PSO-DBSCAN得到的聚類結(jié)果或多或少會(huì)包含一些“區(qū)別數(shù)據(jù)”,此時(shí)隨機(jī)選擇方法也會(huì)選到“區(qū)別數(shù)據(jù)”,而本方法的正確率則可以達(dá)到100%。當(dāng)未知信號(hào)的種類數(shù)較多時(shí),本算法的性能要遠(yuǎn)高于隨機(jī)選擇方法。

實(shí)驗(yàn)2:參數(shù)和對(duì)算法的性能有一定程度影響,由于是為了排除數(shù)量達(dá)不到要求的簇,一般是確定值,因此對(duì)不加考慮。而的選擇則對(duì)算法的影響較大。本實(shí)驗(yàn)主要目的是驗(yàn)證簇的規(guī)模(用每個(gè)簇所包含的個(gè)體數(shù)量衡量)與的取值對(duì)樣本選擇算法準(zhǔn)確率的影響。實(shí)驗(yàn)結(jié)果如表2所示,最優(yōu)識(shí)別率加粗顯示。

表2 簇規(guī)模Ncluster與參數(shù)N對(duì)算法準(zhǔn)確率的影響Table 2 Impact of cluster size Ncluster and the parameter N on algorithm accuracy

由表2可知,簇的規(guī)模越大、樣本選擇數(shù)量越小時(shí)算法的準(zhǔn)確率越高,即算法可以有效地從大規(guī)模的簇中選擇出少量的正確樣本。當(dāng)簇的規(guī)模一定時(shí),增大會(huì)使得算法的準(zhǔn)確率下降,符合實(shí)驗(yàn)猜想。

4.3 驗(yàn)證SCGAN小樣本訓(xùn)練樣本

實(shí)驗(yàn)3:本實(shí)驗(yàn)使用擴(kuò)展后的樣本庫(kù)對(duì)SCGAN進(jìn)行訓(xùn)練以驗(yàn)證本算法的可行性,訓(xùn)練過(guò)程中損失函數(shù)值變化情況如圖11所示。

圖11 SCGAN訓(xùn)練情況Fig.11 SCGAN training situation

由圖12可知,模型的擬合情況良好,并未出現(xiàn)過(guò)擬合情況。

實(shí)驗(yàn)4:為了體現(xiàn)本方法在小樣本訓(xùn)練方面的優(yōu)勢(shì),使用不同數(shù)量的樣本庫(kù)對(duì)SCGAN網(wǎng)絡(luò)和ResNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練,信號(hào)識(shí)別準(zhǔn)確率對(duì)比情況如表3所示。

表3 信號(hào)識(shí)別準(zhǔn)確率對(duì)比Table 3 Signal recognition accuracy rate comparison

由表3可知,當(dāng)樣本庫(kù)中的樣本數(shù)量足夠多時(shí),二者性能相近,ResNet網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率甚至略高于本模型,但隨著樣本數(shù)量的減少,SCGAN的優(yōu)勢(shì)逐漸體現(xiàn)出來(lái)。當(dāng)每種信號(hào)的樣本數(shù)為32時(shí),ResNet網(wǎng)絡(luò)已經(jīng)不能實(shí)現(xiàn)有效訓(xùn)練,但本算法仍可以保持70%的準(zhǔn)確率。由此可知,SCGAN網(wǎng)絡(luò)可以解決小樣本下訓(xùn)練問(wèn)題。

5 結(jié) 論

在實(shí)際工作中雷達(dá)信號(hào)偵察設(shè)備會(huì)接收到大量的未知信號(hào),本文基于課題組在已知雷達(dá)信號(hào)識(shí)別的基礎(chǔ)上圍繞未知信號(hào)識(shí)別問(wèn)題進(jìn)行了一系列研究:首先使用PSO-DBSCAN算法對(duì)未知雷達(dá)庫(kù)中的信號(hào)進(jìn)行初步聚類;之后采用基于距離篩選的樣本選擇算法在聚類算法輸出的簇中選擇出更為可信的樣本對(duì)雷達(dá)樣本庫(kù)進(jìn)行擴(kuò)充;最后針對(duì)樣本庫(kù)中數(shù)據(jù)不足以構(gòu)成一般三元組進(jìn)行訓(xùn)練的情況構(gòu)建SCGAN網(wǎng)絡(luò)實(shí)現(xiàn)了小樣本下ResNet的擴(kuò)展訓(xùn)練。仿真實(shí)驗(yàn)證明,本方法可以實(shí)現(xiàn)未知雷達(dá)信號(hào)的分類識(shí)別。