中国指挥与控制学会会刊 
电磁空间作为现代科技与信息传输的重要载体,其意义深远且广泛。在当代社会,电磁空间不仅是信息传递的媒介,更是支撑现代通信、广播、雷达、导航等系统运行的基础。电磁空间与电磁信号之间存在着密切的关系,电磁信号是电磁空间中信息传递的主要形式,它们通过电磁波的形式在空间中传播,它们共同构成了电磁频谱[1]。在复杂电磁环境中,电磁信号识别技术能够自动分析并识别未知的通信联络信号,为情报收集和通信保障提供有力支持。但随着电磁环境日趋复杂,战场上各类用频信号不断涌现,使得传统的电磁信号识别已经无法满足日益增长的现代军事需求。鉴于此,本文对国内外现有面向电磁信号识别的深度学习网络经典方案进行对比,通过结合不同的数据特征提取方式和深度学习模型,提出了一种基于多通道特征提取和扩张卷积神经网络的电磁信号分类方法,通过运用深度学习的相关技术,以提高对电磁信号分类的识别精度。
1 国内外研究现状及分析
利用深度学习网络对电磁信号进行识别,是国内外研究者的热点课题,其指将复杂的底层信号特征,通过神经网络传递,实现非线性的函数逼近,从而完成对电磁信号的分类识别[2]。根据深度学习网络的不同信号特征输入,它主要分为以下两类,即基于一维信号输入和基于二维时频图像输入。
1.1 基于一维信号参数的电磁信号识别研究
在电磁信号的分类识别研究中,最典型的基于有监督学习的特征提取方法是通过建立CNN网络模型进行学习。GAO J等提出了通过对辐射源的相位和正交不平衡等特征参数的提取,并以该特征作为训练数据输入深度学习模型从而实现SEI[3]。HU M 等通过有效分离多个信号分量,达到识别多种调制信号的效果,并基于此建立了一种雷达辐射源信号精确识别系统[4]。冷鹏飞等人对CNN、RNN、LSTM三种深度学习架构进行了对比分析,以雷达发射源信号的包络前沿作为识别的关键特征,成功地实现了对不同的雷达发射源的区分[5]。Q. Liu等人将卷积神经网络与强化学习技术相融合,利用CNN自动提取雷达发射源信号的包络前沿特征,并在此基础上估算当前状态下的Q值,通过应用三种不同的强化学习算法,实现了对辐射源个体的有效识别[6]。
1.2 基于二维时频特征的电磁信号识别研究
通过发挥卷积神经网络(CNN)在处理计算机视觉问题时的卓越能力,本研究对电磁信号进行了特定的转换,以提取其二维图像特征。这些特征随后被用作训练数据,以训练CNN模型,最终实现对信号的分类和识别。WANG X等人对雷达辐射源信号进行短时傅里叶变换获取调制信号的时频特性分布图,针对在低信噪比环境下,模型在区分二进制相移键控(BPSK)信号与一般信号时表现不佳的问题,进行了深入探讨和优化,采用了卷积神经网络(CNN)进行信号的分类与识别,并设置STFT最大时间累积量阈值,实现对上述两类信号的有效识别[7]。GUO Q等针对低截获概率雷达波形识别问题,提出利用深度卷积网络迁移学习的识别方法,将雷达信号转换为二维时频图像,并对其进行预处理以增强信号特征,再将预处理数据通过CNN模型提取关键特征。最后利用支持向量机(SVM)分类器进行分类识别[8]。DING L等人通过提取辐射源信号的双谱特征并进行特征降维,将压缩后的数据特征输入CNN模型中进行辐射源个体识别[9]。
1.3 研究综述
表1总结了几种经典的深度学习网络的电磁信号识别,主要从输入方式、网络结构和主要特点进行对比和分析。
表1 面向信号识别的深度学习网络Tab.1 Deep learning network for signal recognition |
| 输入方式 | 网络结构 | 对比分析 |
|---|---|---|
| 一维包络信号 | CNN | 输入缺少细节和时频信息,小脉冲将被“覆盖” |
| 相位+正交 双通道信号 | 多层CNN | 精度和效率较高,但缺少时频信息 |
| 一维时域信号 | CPC识别网络 | 提取信号之间的时序信息,需要训练2个网络 |
| Wigner-Ville 变换时频图像 | ResNet152 | 干扰因素多,缺少时域特征信息 |
| 二维时频图像 | 多层CNN | 时间和频率不能得到同时优化 |
通过表1我们可以看出,已有的深度学习网络主要从一维时域信号和二维时频信息输入的方式进行研究。主要存在以下几点不足:(1)一维时域信号由于深度学习网络的要求,需要通过滑窗技术处理为二维矩阵,此操作将造成一维信号的波形破坏;(2)二维时频信息容易出现伪影现象,另外有些信号的识别特征在频域当中并不明显,对于特征的提取未能较好地实现优化,这可能会影响最终的识别精度。因此,如何综合利用时域和频域以及其他特征,汇聚一个多信息融合的信号特征用于深度学习网络的输入,使得深度学习能够从不同维度的信号图像化输入数据中学习到真实、内在的数学特征,以准确表述不同信号个体的差异,是提高网络个体识别精度的关键,这也是基于有监督学习的电磁信号识别亟须解决的问题。
2 基于多通道联合输入和扩张密集卷积网络的电磁信号识别
本文所设计的电磁信号识别网络输入了融合的信号图像特征,形成了多通道卷积学习的识别网络,可以同时提取时域、时频域、深层卷积特征并与目标识别有效结合在一起,实现“端到端”的学习方式,从而取得了较高的准确率。
2.1 研究思路
主要以已知电磁信号为训练数据,通过构建深度学习识别模型,开展有监督的模型训练,从而实现对新截获电磁信号的分类属性的预测,其原理如图1所示。
针对复杂环境下电磁信号特征提取难、分类识别率低等问题,本文提出了一种基于图像转换的扩张卷积网络的电磁信号识别方法,首先将电磁信号特征转换为图像化模块,从多维空间挖掘信号并转换为图像化信号,以获得多空间多维度的特征数据;其次,保留通道中的时频图像作为二维数据特征;最后构建扩张密集卷积网络以自动提取多通道的数据特征,以实现电磁信号分类识别。
2.2 多通道的图像化联合输入预处理
2.2.1 信号图像化
通道1:对于“信号作为图像”模块,我们将信号X的幅度归一化为范围[1,h],其中h是设置的图像长度,再将结果沿y轴反转,四舍五入到最接近的整数,然后将它们用作零初始化的h×h图像上幅度为255的像素的y轴索引。上述信号波形图像化处理后,使得后续的分类器能更准确地关注波形的结构部分而不是波形在每个点对应的值。
2.2.2 时频图特征
通道2:时频图特征采用Choi-Williams变换得到信号的时频分布,我们使用了形状参数为0∶25,段长为8个样本,重叠的Tukey窗口在4个样本的片段之间进行快速采样,然后对64个样本进行Choi-Williams变换,将xi转换为时频域,再使用双线性像素插值将其上采样到h×h。考虑在低信噪比环境下,时频分布的值更容易受影响,对时频图像进行二值化等预处理是必要的,具体预处理如图3所示。
2.2.3 双层CNN学习特征
通道3:对于具有两层的CNN模块,我们使用可学习的参数以代替直接将X转换为图像。一层模块由一个一维卷积层组成(内核大小为3,带8个通道)。两层模块由两个一维卷积组成层(内核大小为3,具有8个通道和16个通道),第一层是ReLU激活功能和一维最大池化操作(内核大小为2)。然后我们将两个模块的最后卷积层的特征图沿y轴连接,再使用双线性插值将其大小调整为h×h。
2.3 基于扩张卷积网络的电磁信号识别
2.3.1 识别分类器构建
不同种类的信号在经过预处理之后,处理成为多通道信息联合的二维图像数据,在图像中相应地包含了信号多域信息,分类器依靠这些信息对输入信号进行识别。构建的识别分类器由特征提取模块、多尺度密集模块群和重建模块三部分组成。首先是特征提取模块,我们采用一个3×3的卷积层从原始输入图像中提取粗糙特征,再通过使用多个密连接模块识别出电磁信号源的不同个体。在此基础上,建立多通道扩张密集卷积网络用于电磁信号识别,具体结构框架如图4所示。
各层网络的作用如表2所示。
表2 识别网络基础模块作用Tab.2 Functions of the modules in the recognition network |
| 网络层名称 | 网络层作用 |
|---|---|
| 卷积层* 3层 (valid型) | 通过valid型卷积以便于更好地进行数据采样和压缩 |
| 精尺度层* 1 | 进一步提取和压缩,使得数据特征更加明显 |
| 粗尺度层* 1 | 压缩数据 |
| 卷积层* 2层 (full型) | 在保证维度的基础上,进一步进行数据提取 |
| 全连接层 | 将每个特征向量进行拉伸处理后变成一维向量 |
| 编码器-解码器 | 继续进行数据压缩 |
| 权重标准化层 | 对整个网络的学习结果进行权重标准化 |
2.3.2 扩张卷积神经网络构建
该网络由粗回归和精细化预测两部分组成。粗回归是指不需要先验信息的特征区域浅层提取特征信息,精细化深度预测是直接从深层区域中提取深度特征。关键的问题是如何在细化网络中有效地从感兴趣的区域中挖掘准确的特征信息,为此本文研究了一种将从不同层次提取特征的特征提取网络。
定义一个3*3的卷积层从原始输入图像中提取粗糙特征:
$F_{0}=f_{s}\left(I_{L R}\right)$
其中,fs 代表浅层特征提取函数,而F0 表示粗糙特征并作为下一阶段的输入。
定义密连接网络生成精细特征,即:$ F_{1}=R_{1}\left(F_{0}\right)$,多个密连接网络表示为$F_{k}=R_{k}\left(\left[F_{k-1}, F_{0}\right], k=2,3, \cdots,\right.n$。其中,Rk 表示第k个密连接网络函数,Fk 表示第k个密连接网络的输出,n是总的密连接网络的个数,Fk-1 和F0 拼接后的特征作为第k个函数的输入。
$\begin{array}{l}H=f_{1}\left(F_{k-1}\right) \\U_{i}=f_{3}\left(\left[H, U_{1}, \cdots, U_{i-1}, D_{i-1}\right]\right), i=1, \cdots, m \\D_{i}=f_{5}\left(\left[H, D_{1}, \cdots, D_{i-1}, U_{i-1}\right]\right), i=1, \cdots, m\end{array}$
其中,Fk-1 表示第k个MSDB的输入,f1, f3, f5 分别为具有1×1,3×3和5×5内核大小的卷积函数,Ui 和Di 分别表示上下旁路中第i个卷积层的输出,$ \hat{H}$表示该子网的输出。
图6展示了基于密连接模块的目标检测网络,首先,我们将识别数据输入识别网络进行RoiAlign操作,从而定位特征区域,并从该区域提取浅层特征,然后再通过另一个密连接通道提取深层特征,最后,通过全连接层回归为全局特征,最后所提特征为 是精细化阶段挖掘的特征信息。
模型分别采用了中心深度损失和尺度损失两种损失函数,先通过尺度损失函数对深层特征参数进行优化, 计算预测的尺度与真实尺度之间的差异;再通过中心深度损失函数对2组特征参数进行优化,计算模型预测的中心深度与实际中心深度之间的差异,并通过训练过程最小化这个差异。
2.4 模型构建流程
在网络的初始阶段,我们使用不同扩张率的卷积层来捕获信号的多尺度特征。这些层的扩张率可以根据信号的特性进行调整,以优化特征提取。
在网络的中间阶段,我们引入密连接模块来增强特征的传递和融合。1×1卷积层用于调整通道数,而3×3卷积层则用于提取特征,提高网络的表达能力和训练效率。
在网络的后期阶段,我们使用RoiAlign操作和密连接通道来精确提取信号的关键特征区域。这一层确保了即使在特征图尺寸变化的情况下,也能保持特征图的精确对齐。
在网络的最后阶段,我们通过全连接层将提取的特征映射到分类结果。同时,引入中心深度和尺度损失来优化模型的训练,确保模型能够准确识别信号的中心位置和尺度。
3 实验结果及分析
3.1 数据集内容及特点
为了验证上述的方法和模型,我们使用了公开的雷达数据集RADAR dataset进行识别实验(https://www.kaggle.com/datasets/thethien2208/radardataset),具体内容如下:
RADAR dataset:
数据类型: 包含多种类型的雷达信号,如目标检测、跟踪和分类等。
样本数量: 约10 000个样本,每个样本包含多个通道的雷达信号数据。
特征维度: 每个样本有256个时间步长,每个时间步长有32个频率通道。
3.2 实验步骤
通过对数据集进行多通道的特征提取,我们通过构建扩张卷积神经网络,对数据集进行分类识别训练并验证正确率,同时与传统方法(SVM和随机森林)进行比较,最后通过消融实验证实扩张卷积神经网络各组件的重要性和有效性。具体实验步骤如下:
#特征提取
进行信号图像化、时频图、双层CNN学习特征提取
#模型构建
初始化扩张卷积神经网络模型
引入密连接模块
通过RoiAlign提取关键区域浅层特征
通过密连接模块提取深层特征
定义损失函数(中心深度和尺度损失)
通过损失函数优化特征参数
通过全连接层回归为全局特征
#模型评估
引入随机森林等传统算法
分别计算模型准确率、召回率和F1分数
#消融实验
分别移除扩张卷积层、池化层、全连接层,逐次评估模型性能。
3.3 实验结果
在数据集分类识别率上,扩张卷积网络与传统方法的结果对比如表3所示。
表3 实验结果对比Tab.3 Comparison of experimental results |
| 模型名称 | 准确率 | 召回率 | F1分数 |
|---|---|---|---|
| DCNN | 95% | 94% | 94.5% |
| SVM | 85% | 83% | 84% |
| 随机森林 | 88% | 86% | 87% |
由表3可知,扩张卷积神经网络在RADAR dataset上的分类准确率达到了95%,显著高于传统方法(SVM准确率为85%,随机森林准确率为88%)。
此外,我们还进行了消融实验,以进一步验证扩张卷积神经网络各组件的作用,我们分别移除了扩张卷积层、池化层和全连接层,观察模型性能的变化,如表4所示。
表4 消融实验结果对比Tab.4 Comparison of ablation study results |
| 模型变异 | 准确率 | 召回率 | F1分数 |
|---|---|---|---|
| 完整DCNN | 95% | 94% | 94.5% |
| 移除扩张卷积层 | 90% | 88% | 89% |
| 移除池化层 | 92% | 90% | 91% |
| 移除全连接层 | 93% | 92% | 92.5% |
结果表明,扩张卷积层对于捕捉信号中的细微特征至关重要,而池化层则有助于降低特征维度并提高计算效率。全连接层则将特征映射到最终的分类结果上。这些消融实验的结果进一步证实了扩张卷积神经网络结构的合理性和有效性。
3.4 存在的局限性和改进方向
3.4.1 模型局限性
一是数据预处理的局限性。该方法虽然能够自动提取特征,但在训练阶段需要海量电磁信号数据支撑,如果遇到未知信号或者小样本信号等情况,样本数量不足可能导致网络性能急剧下降甚至失效。二是特征提取的局限性。在复杂电磁环境背景下真实电磁信号数据的预处理步骤中,标准化和去噪处理可能无法完全消除所有类型的噪声,这可能导致模型性能下降。三是消融实验的局限性。消融实验可能无法完全反映真实世界的情况,消除某些组件或功能可能会导致模型在特定任务上的性能下降,但在实际应用中,这些组件或功能可能是必要的。
3.4.2 下一步改进方向
考虑实际应用中电磁信号样本的稀缺性,我们下一步将主要探索小样本学习策略和迁移学习方法,以提高模型在样本不足情况下的泛化能力和鲁棒性。此外,模型压缩和加速也是研究重点,其旨在减少计算资源消耗,提升模型的实用性。开展基于跨场景迁移学习与小样本信号增广的目标检测技术研究,将进一步增强模型在新任务和新环境下的适应性,为电磁信号智能识别技术的发展提供新的动力。
4 结束语
本文围绕如何提高电磁信号的识别精度展开研究,重点研究了基于多通道特征提取和扩张卷积神经网络的电磁信号分类方法在复杂电磁环境下的优越性能。该方法搭建图像转化输入模块,将时域信号/时频域图像以及双层卷积学习特征联合输入到深度学习网络中,以实现多通道的特征输入,再构建扩张密集卷积网络以自动提取信号时频图像特征,最终实现电磁信号分类识别。实验结果表明,该方法的分类准确率优于传统方法,为电磁信号识别提供了新的思路和技术手段,且通过消融实验,验证了该网络各组件的重要性和有效性。最后,本文对该网络模型在数据预处理、特征提取、消融实验等3个方面存在的局限性进行了探讨,基于上述问题,提出了基于场景迁移学习与小样本信号增广的目标检测技术的下一步研究方向,以进一步增强模型分类识别能力。