張文君，張正位

(1.中國(guó)船舶集團(tuán)有限公司第八研究院，江蘇 揚(yáng)州 225101；2.蘇州中材建設(shè)有限公司,江蘇 蘇州 215300)

0 引 言

隨著科學(xué)技術(shù)的飛速發(fā)展，現(xiàn)代戰(zhàn)爭(zhēng)已經(jīng)從冷熱兵器時(shí)代跨入了信息化時(shí)代，戰(zhàn)爭(zhēng)的形態(tài)也就由現(xiàn)實(shí)可見的自然空間拓展到了不可被直接感知的電磁網(wǎng)絡(luò)空間。因此，在電磁網(wǎng)絡(luò)空間的戰(zhàn)爭(zhēng)中，電子偵察一直是研究的重點(diǎn)，它一方面是為了獲取更多更全面的信息，另一方面是為了能從獲得的信息中分析出敵方的威脅程度。而這其中涉及到的輻射源的個(gè)體識(shí)別問題，成為了研究者們的重點(diǎn)研究對(duì)象[1-3]。所以，如何從復(fù)雜的數(shù)據(jù)中獲取并識(shí)別出準(zhǔn)確的信息是最終目標(biāo)，也是目前該領(lǐng)域亟待解決的難題。

輻射源個(gè)體識(shí)別在電子對(duì)抗領(lǐng)域起著非常重要的作用，也是雷達(dá)偵察系統(tǒng)的重要組成部分。其數(shù)據(jù)的獲取主要是針對(duì)特定頻段的某一段特定信號(hào)進(jìn)行采集，而采集到的數(shù)據(jù)也只是目標(biāo)的一部分，并不能完全反映目標(biāo)的特性，所以采用單一技術(shù)手段對(duì)其進(jìn)行分析是不全面的。

傳統(tǒng)的輻射源個(gè)體識(shí)別是將采集到的信息與己方已有的輻射源個(gè)體進(jìn)行匹配的技術(shù)。即首先必須有一個(gè)特征庫(kù)，當(dāng)采集到信息之后，經(jīng)過處理，與已有的特征庫(kù)進(jìn)行比較、匹配，判斷其屬于哪一個(gè)輻射源個(gè)體，并盡可能判斷其屬于哪一類設(shè)備，分析該設(shè)備所具有的特點(diǎn)、功能、威脅程度等參數(shù)。但隨著雷達(dá)技術(shù)的迅猛發(fā)展，電磁空間環(huán)境越來越復(fù)雜，新功能的雷達(dá)以及多類型的雷達(dá)信號(hào)樣式也越來越豐富，各雷達(dá)設(shè)備的信號(hào)源個(gè)體調(diào)制方式也更加靈活，參數(shù)變化多樣，其發(fā)射的信號(hào)各有特點(diǎn)，對(duì)于某一類同種設(shè)備其本身之間所發(fā)出的信號(hào)也有差異，同時(shí)這些多樣的信號(hào)充斥在周圍空間中，形成了數(shù)量巨大的混合信號(hào)，也就增加了信號(hào)采集和個(gè)體識(shí)別的難度。所以，構(gòu)建一種可以從復(fù)雜環(huán)境中準(zhǔn)確識(shí)別輻射源個(gè)體的模型是現(xiàn)階段非常重要的任務(wù)。本文將從雷達(dá)輻射源個(gè)體識(shí)別的特征參數(shù)提取和雷達(dá)輻射源的個(gè)體識(shí)別分類進(jìn)行分析討論，并針對(duì)目前所擁有的技術(shù)缺點(diǎn)進(jìn)行補(bǔ)充改進(jìn)，提高雷達(dá)輻射源個(gè)體識(shí)別效率。

1 輻射源特征參數(shù)提取

傳統(tǒng)的輻射源識(shí)別是提前對(duì)不同信號(hào)進(jìn)行收集分類，形成一個(gè)完整的標(biāo)準(zhǔn)庫(kù)。在實(shí)際應(yīng)用中，對(duì)于采集的信息先進(jìn)行預(yù)處理，將其通過時(shí)頻變化，提取人為設(shè)定的一些特征與標(biāo)準(zhǔn)庫(kù)進(jìn)行對(duì)比匹配，則可以判斷其屬于哪一類型的輻射源，流程如圖1所示。其中一個(gè)主要的環(huán)節(jié)是特征提取，與生物學(xué)中的指紋相似，因此也可稱為指紋特征。而一般輻射源特征提取的都是信號(hào)物理層特征，又稱為物理層識(shí)別[4]。在提取過程中，選擇哪種特征來區(qū)分不同個(gè)體是非常重要的，傳統(tǒng)上主要是通過提取暫態(tài)特征和穩(wěn)態(tài)特征進(jìn)行工作。

圖1 傳統(tǒng)輻射源識(shí)別流程

1.1 輻射源指紋特征分類

穩(wěn)態(tài)特征一般容易獲取并且穩(wěn)定，實(shí)用性較強(qiáng)。它是指系統(tǒng)在穩(wěn)定的工作狀態(tài)下，信號(hào)自身所攜帶的特征。通常這類特征提取方法有：基于頻率源的特征提取[5]；基于噪聲的特征提取[6]；基于調(diào)制參數(shù)的特征提取[7]；基于雜散特性的提取[8]等。在這些已成熟的方法中，基于雜散特征提取的方法性能較其他方法的性能更好，更具有普適性。針對(duì)雜散識(shí)別一般會(huì)用到高階統(tǒng)計(jì)量、譜相關(guān)和小波變換等方法，但是在具體應(yīng)用中，一般都是盡可能多地提取特征，目的是更好、更精準(zhǔn)地識(shí)別出個(gè)體類別?？偟膩碚f，一般提取的指紋特征可以總結(jié)為以下3類[9]：信號(hào)統(tǒng)計(jì)參數(shù)、信號(hào)變換域、輻射源非線性的特征，其具體特征如圖2所示。

圖2 輻射源特征提取分類

暫態(tài)特征是指系統(tǒng)在工作中非穩(wěn)定狀態(tài)下的非線性特征，因其出現(xiàn)的條件不穩(wěn)定，持續(xù)時(shí)間短，因此，對(duì)于完整信號(hào)的獲取比較困難，外部噪聲干擾、環(huán)境等因素也會(huì)導(dǎo)致提取特征出錯(cuò)，所以在工程領(lǐng)域利用暫態(tài)特征來進(jìn)行個(gè)體識(shí)別的要求較高，很多研究者會(huì)放棄對(duì)該方向的研究。

1.2 輻射源特征提取方法

在上述輻射源特征提取分類中采用的特征提取方法，其大概可以總結(jié)為兩大類：一類是傳統(tǒng)的基于確定特性的統(tǒng)計(jì)特性的特征提取方法；一類是基于目前機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)為主的自動(dòng)特征提取方法。

基于統(tǒng)計(jì)特性的提取方法主要是人為標(biāo)注所需要的具體特征，然后采用不同算法對(duì)其進(jìn)行處理來獲得。常用的性能較好的算法有基于信號(hào)的高階譜、雙譜、小波包分解等變換域方法。比如高階統(tǒng)計(jì)量中的雙譜，其能夠在信號(hào)處理中消除高斯白噪聲對(duì)源信號(hào)的影響，同時(shí)能夠?qū)椛湓磦€(gè)體的細(xì)微特征進(jìn)行有效表征，但它也會(huì)造成數(shù)據(jù)的“維數(shù)災(zāi)難”，因此需要對(duì)其進(jìn)行降維處理。常用的降維方法有：軸向積分雙譜法[10-11](AIB)、主成份分析[11](PCA)、矩形積分雙譜[12](SIB)和選擇雙譜[13]等，每種降維方法都有著各自的優(yōu)缺點(diǎn)，在實(shí)際應(yīng)用中，一般會(huì)根據(jù)實(shí)際需求來選擇最適合的降維方法。

基于統(tǒng)計(jì)特性提取特征方法的缺點(diǎn)是部分算法需要提前知道信號(hào)的先驗(yàn)概率，單一特征的使用不能反應(yīng)整個(gè)輻射源個(gè)體的信息，某些特征在實(shí)際應(yīng)用中會(huì)受到外界環(huán)境或者其他噪聲的影響，對(duì)于相似度非常高的輻射源個(gè)體可能會(huì)提取不到其異常特征，或某些算法只是針對(duì)某一個(gè)或者部分特征，不具有普適性，也不適用于如今復(fù)雜環(huán)境中的多輻射源個(gè)體識(shí)別，也就導(dǎo)致不能準(zhǔn)確地識(shí)別出輻射源個(gè)體。所以為了解決這些問題，研究者們逐漸采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)來解決輻射源個(gè)體識(shí)別問題，并取得了一定的成績(jī)。

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，很多研究者將其應(yīng)用在輻射源個(gè)體識(shí)別中[14]，可以提高工作效率，并在處理非線性數(shù)據(jù)上有一定的優(yōu)勢(shì)。傳統(tǒng)的機(jī)器學(xué)習(xí)有決策樹、k近鄰法(KNN)、支持向量機(jī)(SVM)等等。如對(duì)于線性問題，采用SVM算法可以構(gòu)建1個(gè)超平面對(duì)數(shù)據(jù)進(jìn)行劃分，若遇到非線性問題，則可以采用核函數(shù)將數(shù)據(jù)映射到高維空間再進(jìn)行分類識(shí)別。在此基礎(chǔ)上，將傳統(tǒng)的特征提取與機(jī)器學(xué)習(xí)相結(jié)合，如通過小波變換提取特征與SVM相結(jié)合來實(shí)現(xiàn)輻射源的個(gè)體識(shí)別[15]，其結(jié)果表明在有噪聲的環(huán)境中模型間差異較小的情況下，通過SVM計(jì)算類間分離度，選出最優(yōu)的小波組構(gòu)成特征向量，獲得了較優(yōu)的效果。

機(jī)器學(xué)習(xí)一般也是配合常用的特征提取技術(shù)使用，未曾真正做到自動(dòng)特征的提?。欢疃葘W(xué)習(xí)則是完全可以根據(jù)其源數(shù)據(jù)自動(dòng)提取特征，不需要人為的標(biāo)注特征，正是因?yàn)槠浞奖阈院吞幚斫Y(jié)果的高識(shí)別率，所以在各領(lǐng)域倍受歡迎，如圖像識(shí)別[16]、語(yǔ)音識(shí)別[17]和機(jī)器翻譯[18]等領(lǐng)域均有重大突破?，F(xiàn)如今也有研究者將深度學(xué)習(xí)應(yīng)用于輻射源個(gè)體識(shí)別，通過其自動(dòng)提取輻射源的特征來構(gòu)建相應(yīng)的模型進(jìn)行個(gè)體識(shí)別。如文獻(xiàn)[19]采用了深度置信網(wǎng)絡(luò)(DBN)訓(xùn)練個(gè)體識(shí)別模型，然后對(duì)載頻特征、調(diào)制參數(shù)以及互調(diào)干擾特征進(jìn)行了分類識(shí)別，驗(yàn)證了模型的可行性；如采用卷積神經(jīng)網(wǎng)絡(luò)[20](CNN)自動(dòng)提取特征，通過反向傳播修正網(wǎng)絡(luò)模型的參數(shù)，實(shí)現(xiàn)對(duì)信號(hào)特征的智能化提取。

所以，基于機(jī)器學(xué)習(xí)的輻射源個(gè)體識(shí)別方法又可以總結(jié)為以下幾類[21]：基于傳統(tǒng)機(jī)器學(xué)習(xí)的輻射源識(shí)別方法，包括決策樹、SVM等；基于神經(jīng)網(wǎng)絡(luò)的輻射源識(shí)別方法，主要包括有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和向量神經(jīng)網(wǎng)絡(luò)等；基于集成學(xué)習(xí)的輻射源識(shí)別方法，包括基于并行方式的Bagging方法和基于串行方式的Boosting方法；基于深度學(xué)習(xí)的輻射源識(shí)別方法,主要有CNN、DBN、稀疏自動(dòng)編碼(SAE)[22]和長(zhǎng)短時(shí)記憶(LSTM)等[23]方法。應(yīng)用深度學(xué)習(xí)技術(shù)來進(jìn)行輻射源個(gè)體識(shí)別是一種趨勢(shì)，可以解放勞動(dòng)力，并能實(shí)現(xiàn)個(gè)體細(xì)微特征的提取，容易在個(gè)體識(shí)別上獲得比傳統(tǒng)方法更優(yōu)的結(jié)果，同時(shí)其訓(xùn)練好的識(shí)別模型可以適用于其他設(shè)備，具有良好的普適性。

2 基于LSTM的輻射源個(gè)體識(shí)別

基于傳統(tǒng)的輻射源個(gè)體識(shí)別技術(shù)主要分為2個(gè)步驟:一個(gè)是特征提取;一個(gè)是針對(duì)提取的特征進(jìn)行識(shí)別分類。但是這種方法未能考慮到輻射源數(shù)據(jù)的時(shí)序性，其數(shù)據(jù)在產(chǎn)生過程中具有時(shí)序性，因此在被采集的過程中也具有時(shí)序性。正是考慮到數(shù)據(jù)的時(shí)序特性，所以當(dāng)其被分段研究時(shí)，數(shù)據(jù)間的時(shí)序特性就會(huì)被破壞，導(dǎo)致個(gè)體識(shí)別時(shí)缺少了部分特征，丟失了數(shù)據(jù)之間的關(guān)聯(lián)特性，降低了個(gè)體識(shí)別的準(zhǔn)確率。因此分階段討論的方法已經(jīng)很難準(zhǔn)確解決現(xiàn)階段復(fù)雜環(huán)境中的輻射源個(gè)體識(shí)別問題，需要找尋一種可以從整體上解決該問題并具有普適性和高準(zhǔn)確率的方法。

在近些年的研究中，深度學(xué)習(xí)技術(shù)逐漸應(yīng)用到該領(lǐng)域，如最基本的深度置信網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)都在該領(lǐng)域有所應(yīng)用，并取得了不錯(cuò)的成績(jī)。這些深度學(xué)習(xí)模型的使用采取了自動(dòng)提取特征并進(jìn)行識(shí)別分類的方法，同時(shí)考慮到數(shù)據(jù)的時(shí)序性，決定采用處理時(shí)序性問題較好的模型循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和長(zhǎng)短時(shí)記憶(LSTM)神經(jīng)網(wǎng)絡(luò)[24-26]，在序列預(yù)測(cè)和標(biāo)記任務(wù)中已經(jīng)證實(shí)了該方法的優(yōu)勢(shì)。RNN是一種輸入為序列數(shù)據(jù)的結(jié)構(gòu)模型，并且其所有的節(jié)點(diǎn)單元都是按照鏈?zhǔn)竭B接的一種遞歸神經(jīng)網(wǎng)絡(luò)，該模型具有記憶功能，并可以共享參數(shù)，能非常高效地對(duì)非線性時(shí)序特征進(jìn)行學(xué)習(xí)，這可以很好地處理具有時(shí)序關(guān)系的問題。但因?yàn)镽NN是基于BP神經(jīng)網(wǎng)絡(luò)的，所以在每次反饋時(shí)都有信息損失，當(dāng)反饋時(shí)間過長(zhǎng)，損失信息達(dá)到一定量時(shí)，初始狀態(tài)的信息就會(huì)退化，出現(xiàn)梯度消失[27]，因此有了LSTM模型，其可以解決RNN出現(xiàn)的梯度消失問題。

2.1 LSTM算法

LSTM使用了特殊的神經(jīng)元來保存并傳遞長(zhǎng)時(shí)間的信息，主要是在RNN的基礎(chǔ)上加入了“門單元(gate)”，來控制特征信息的流通或阻隔。比如在t時(shí)刻需要判斷1條雷達(dá)信息的所屬類型，這時(shí)剛好t-n時(shí)刻有1個(gè)與之對(duì)應(yīng)的特性，此時(shí)就可以將該t-n時(shí)刻的符號(hào)特征傳遞過來，做出有效判斷。整個(gè)LSTM由一系列的LSTM單元構(gòu)成，有4個(gè)神經(jīng)網(wǎng)絡(luò)層，其以一種非常特殊的方式進(jìn)行交互，鏈?zhǔn)浇Y(jié)構(gòu)如圖3所示。

圖3 LSTM結(jié)構(gòu)圖

圖3中，ft叫做遺忘門，表示1條雷達(dá)目標(biāo)信號(hào)序列中上一個(gè)狀態(tài)Ct-1的哪些特征被用來計(jì)算當(dāng)前的狀態(tài)Ct。其中ft是一個(gè)向量，向量的每一個(gè)元素都位于[0,1]之間：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

(3)

該候選值向量會(huì)被加入到當(dāng)前狀態(tài)中，it決定候選值向量的更新，ft確定需要保留或丟棄的信息，得到最終信息：

(4)

最后，輸出門決定了最終輸出的是哪些信息：

Ot=σ(W0·[ht-1,xt]+b0)

(5)

將通過的數(shù)據(jù)輸入到tanh層中進(jìn)行處理，輸出一個(gè)[-1,1]的數(shù)值，并將其與輸出門進(jìn)行點(diǎn)乘，得到隱節(jié)點(diǎn)的輸出ht：

ht=Ot·tanh(Ct)

(6)

當(dāng)訓(xùn)練好LSTM時(shí)，發(fā)現(xiàn)門的值絕大多數(shù)都非常接近于0和1，其中?是LSTM重要的門機(jī)制，表示ft和Ct-1之間的單位乘的關(guān)系。通常會(huì)采用sigmoid函數(shù)作為激活函數(shù)，它的輸出是一個(gè)介于[0,1]之間的值，但是也可以采用其他的激活函數(shù)如relu，softmax等，不同的激活函數(shù)輸出范圍不同。

信號(hào)處理和特征提取可分為時(shí)域、頻域、聯(lián)合時(shí)頻域等其他脈內(nèi)信息。因此,從以上這些維度或其他維度中盡可能獲取信號(hào)本身的特征，可以更深地挖掘到信號(hào)之間的內(nèi)在信息，使得輻射源的個(gè)體識(shí)別更加精準(zhǔn)。

由于輻射源數(shù)據(jù)的采集過程和數(shù)據(jù)本身之間都是具有時(shí)序關(guān)系的，所以在對(duì)部分?jǐn)?shù)據(jù)進(jìn)行分析時(shí)需要考慮其數(shù)據(jù)前后的關(guān)聯(lián)關(guān)系。因此，采集數(shù)據(jù)必須要盡量完整，其次對(duì)采集完的數(shù)據(jù)進(jìn)行預(yù)處理，包括清洗、補(bǔ)充、歸一化等等，基于LSTM的輻射源個(gè)體識(shí)別的算法流程如圖4所示。

圖4 基于LSTM的輻射源個(gè)體識(shí)別算法流圖

2.2 基于LSTM的輻射源個(gè)體識(shí)別模型

該網(wǎng)絡(luò)模型由輸入層、隱藏層和輸出層三部分組成。首先是將采集到并預(yù)處理好的雷達(dá)目標(biāo)數(shù)據(jù)進(jìn)行特征提取構(gòu)建行為鏈，用N元組(X，T，A，W，F(xiàn)，…，C，O)來描述和分析不同屬性特征之間的關(guān)系，元組中的每個(gè)屬性元素就是1個(gè)行為，所有的行為構(gòu)成1條行為鏈。其中X表示某一條特定的信號(hào)，T表示脈沖到達(dá)的時(shí)間集合，A表示目標(biāo)信號(hào)到達(dá)角度的集合，W表示脈沖寬度的集合，F(xiàn)表示目標(biāo)載頻信息的集合，C設(shè)定為該目標(biāo)信號(hào)可能產(chǎn)生的結(jié)果集合，O是與該信號(hào)相關(guān)的屬性的集合，等?？梢垣@得但不限于如下的特征：脈沖到達(dá)時(shí)間(TOA)、脈沖幅度(PA)、脈沖寬度(PW)、載頻(RF)、到達(dá)角(DOA)、脈沖重復(fù)周期(PRI)、天線掃描周期(ASP)、最大強(qiáng)度值數(shù)量(NI)、3 dB峰值數(shù)量(NP)、角度對(duì)應(yīng)最大幅度(AMM)、中值濾波瞬時(shí)頻率分布的標(biāo)準(zhǔn)偏差(WMF)、最大譜變化(MSV)等。將構(gòu)建好的每一條行為鏈按時(shí)間順序輸入到LSTM網(wǎng)絡(luò)中的輸入層，然后到隱藏層經(jīng)過多個(gè)單元LSTM結(jié)構(gòu)對(duì)其進(jìn)行特征提取，提取到的信息不斷向后流動(dòng)，經(jīng)過多個(gè)隱藏層的特征提取最后到達(dá)輸出層，輸出層根據(jù)內(nèi)部關(guān)聯(lián)將其分類得到最后的識(shí)別個(gè)體。在整個(gè)訓(xùn)練過程中，不斷通過學(xué)習(xí)更新每個(gè)單元的參數(shù)，使其在下一個(gè)階段得到的數(shù)據(jù)更為準(zhǔn)確，最后當(dāng)?shù)竭_(dá)輸出層時(shí)可以得到最好的分類結(jié)果。

這種LSTM深度學(xué)習(xí)結(jié)構(gòu)模型具有很強(qiáng)的學(xué)習(xí)泛化能力和預(yù)測(cè)能力，所以在實(shí)際應(yīng)用中檢測(cè)輻射源個(gè)體時(shí)，可以根據(jù)部分?jǐn)?shù)據(jù)推斷出所屬類型，即使遇到未在訓(xùn)練過程中出現(xiàn)的數(shù)據(jù)，也能根據(jù)訓(xùn)練好的模型給出較為合理的結(jié)果，所以也具有良好的普適性。

3 試驗(yàn)及分析

實(shí)驗(yàn)數(shù)據(jù)集采用仿真數(shù)據(jù)，總共8組，仿真總時(shí)間為1 s，其具體參數(shù)如表1所示，包含頻率、脈沖重復(fù)間隔、幅度、脈寬、方位和俯仰等特征的具體參數(shù)值以及每一類別數(shù)據(jù)仿真得到的數(shù)據(jù)量，仿真得到共31 331條數(shù)據(jù)，其中每組數(shù)據(jù)的數(shù)量分布如圖5所示。同時(shí)選取了前350條數(shù)據(jù)對(duì)7個(gè)類型參數(shù)分別可視化，如圖6所示。

表1 仿真參數(shù)設(shè)置

圖5 8組數(shù)據(jù)的數(shù)量分布圖

將31 331條數(shù)據(jù)按照6∶4的比例進(jìn)行劃分，將其中18 798條數(shù)據(jù)作為訓(xùn)練集進(jìn)行模型訓(xùn)練，12 533條數(shù)據(jù)作為測(cè)試集來測(cè)試模型的準(zhǔn)確度。

圖6 仿真參數(shù)可視化

圖7 損失函數(shù)變化趨勢(shì)圖

仿真采用了3層神經(jīng)網(wǎng)絡(luò)模型，第1層為輸入層，輸入維度為7，第2層為隱藏層，包含100個(gè)神經(jīng)單元，輸出層為包含8個(gè)分類的全連接層，由于是8批目標(biāo)，所以采用了softmax作為激活函數(shù)，損失函數(shù)采用了分類交叉熵categorical_crossentropy，訓(xùn)練次數(shù)設(shè)置為15次。

模型在訓(xùn)練過程中，從損失函數(shù)的變化趨勢(shì)來看，如圖7所示。隨著訓(xùn)練次數(shù)的增加，模型在訓(xùn)練集中的損失越來越小，而在測(cè)試集中，損失從一開始較大逐漸減小后又逐漸增大并趨于平穩(wěn)，這說明了模型的過擬合。同樣在準(zhǔn)確率的變化圖中可以看出，如圖8所示，隨著模型訓(xùn)練次數(shù)的增加，訓(xùn)練集中的準(zhǔn)確率隨之增大，并逐漸趨于平穩(wěn)，而測(cè)試集的準(zhǔn)確率隨著訓(xùn)練周期的增加，從最開始的較小逐漸變大后又變小并趨于平穩(wěn)，也反映了模型過擬合。

圖8 準(zhǔn)確率變化趨勢(shì)圖

由于訓(xùn)練數(shù)據(jù)的不平衡，某些類別數(shù)據(jù)量多，如第1類數(shù)據(jù)有10 000條，而有的數(shù)據(jù)量太少，如第7類和第8類數(shù)據(jù)只有不到2 000，這種數(shù)據(jù)量之間的差別會(huì)造成模型準(zhǔn)確率的不同，同時(shí)訓(xùn)練數(shù)據(jù)只有1萬多條，數(shù)據(jù)量太少會(huì)造成模型的過擬合現(xiàn)象。但也從該實(shí)驗(yàn)中驗(yàn)證了該方法的可行性，后續(xù)可以增加數(shù)據(jù)量和平衡各類別的數(shù)據(jù)來進(jìn)一步驗(yàn)證。

4 結(jié)束語(yǔ)

本文討論了輻射源個(gè)體識(shí)別技術(shù)的發(fā)展情況，從傳統(tǒng)的輻射源個(gè)體識(shí)別方法到現(xiàn)階段復(fù)雜環(huán)境中對(duì)復(fù)雜輻射源個(gè)體識(shí)別的方法，了解了從傳統(tǒng)的特征提取和分類器設(shè)計(jì)兩步驟到機(jī)器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)應(yīng)用中的一體化個(gè)體識(shí)別，最后討論了對(duì)具有時(shí)序特性的輻射源數(shù)據(jù)采用LSTM模型來處理的可行性，介紹了數(shù)據(jù)輸入到輸出的算法流程，并通過仿真驗(yàn)證了該方法的可行性。接下來會(huì)繼續(xù)討論時(shí)序模型的應(yīng)用，同時(shí)考慮采用多個(gè)深度學(xué)習(xí)模型組合的方式(如CNN+LSTM)進(jìn)行分析實(shí)驗(yàn)，通過CNN的卷積進(jìn)行特征提取，并將這些特征輸入到LSTM序列模型中，挖掘其之間的關(guān)聯(lián)關(guān)系，可以得到較高的準(zhǔn)確率；或通過采用CNN+BLSTM+CTC的架構(gòu)進(jìn)行建模，CNN用來提取特征，BLSTM進(jìn)行不定長(zhǎng)數(shù)據(jù)的處理，然后用CTC進(jìn)行去重定向，該類模型在處理序列問題上有很好的效果。