一种稀缺样本条件下的雷达信号识别方法

于 濛，杜天有

一种稀缺样本条件下的雷达信号识别方法

于 濛，杜天有

（中国电子科技集团公司第二十研究所，西安 710068）

针对复杂电磁环境下的辐射源精确识别问题，基于战场环境下雷达信号采集困难、样本稀少的特点，以及相控阵雷达信号的特征，提出一种稀缺样本条件下基于迁移学习的雷达信号识别算法及其优化方法。该方法在识别稀缺样本目标时，训练时常短、识别准确度高，在-10 dB条件下，对四种雷达信号进行识别，识别准确率可达85.3%。

深度学习；雷达信号；稀缺样本；迁移学习

0 引言

随着雷达对抗技术与雷达反对抗技术的不断发展，现代电子战的电磁环境日益复杂。雷达侦察面临严峻挑战，除波形复杂、调制类型增多外，战争环境下雷达信号采集困难，因此样本量十分稀少。传统的雷达信号识别方法过于依赖稳定的信号特征，基于脉冲描述字（Pulse Descriptor Word，PDW）的识别方式早已不适用于现代电子战场[1]。

深度学习网络能够通过网络模型的自适应特征提取与分析，进而实现对研究目标的高精度识别。但深度学习网络需要通过对大量数据进行训练与学习得到，面对复杂电磁环境下，雷达信号采集困难的问题，传统的深度学习方法对于真实的战场中的雷达信号识别略显吃力。

本文使用以ResNet18为主体的迁移学习网络通过大量非雷达数据对网络进行训练，再使用少量真实雷达数据对网络进行迁移训练，进而实现稀缺样本条件下的雷达信号识别。

1 基于迁移学习的雷达信号识别

迁移学习（Transfer Learning）是通过既有经验，对相似的新事物进行快速学习的过程，可用于解决样本量稀少的分类问题。因此对于雷达信号识别问题，本文采用仿真雷达信号作为源数据集，随后使用稀缺的真实雷达数据对深度学习网络进行迁移训练，进而解决稀缺样本条件下的雷达信号识别问题。

1.1 迁移学习网络模型

迁移学习是机器学习领域中用来解决稀缺样本问题的重要工具之一。迁移学习通过放松数据需要保持独立同分布的假设进而将源域中的知识迁移到目标域中。通过放松独立同分布假设往往给由于缺乏训练数据而导致模型准确度不高的稀缺样本问题带来很大提升。

首先，需要定义领域（Domain）和任务（Task）。

定义领域如式（1）所示：

定义任务如式（2）所示：

1.2 ResNet18网络模型

2015年，Kaiming He 所写的获得了CVPR（Conference on Computer Vision and Patten Recognition）的最佳论文奖[2]。传统的深层次神经网络通常面临梯度消失和网络退化两大问题。该论文基于跳层连接的思想，在层与层之间使用残差连接的方法，有效解决了深层次网络的梯度弥散、梯度爆炸以及网络退化等问题。

ResNet18网络结构如图1所示。

由图1可知，深度残差网络在层与层之间加入捷径连接（Shortcut Connections），可以实现梯度不再经过卷积层而是直接进行传递，使得深层信息可以有效传递至浅层，其中ReLU（Rectified Linear Unit）为线性整流函数。

图1 ResNet18网络结构图

残差连接示意图如图2所示。

图2 残差连接示意图

此时ResNet18的学习目标从学习一个完整的输出，变化为目标值()和的差值。

残差的计算公式如式（3）所示：

因此，网络的拟合目标为()，即是指将后续的残差结果无限逼近于0，进而实现随着网络加深，网络的准确率得以保障。

1.3 基于网络模型的迁移学习原理型

基于网络模型的深度迁移学习是指通过重复利用在源域中经过预训练的网络来进行目标领域网络的训练。重复利用的部分包括源域中的网络结构和网络中的参数。这种方法基于神经网络的处理过程和人的大脑类似，是一个迭代且连续的过程[3]。神经网络的靠前层可被视为某种特征的提取器，且这些特征具有泛化表达能力，具体方法如图3所示。

图3 基于网络模型的迁移学习示意图

图3通过将网络模型划分成两个部分，前半部分为与源域有关的迁移层，后半部分为与目标域有关的分类层。网络先在源域利用数据与对应的标签进行训练，待模型收敛后保留迁移层，移除源域的分类层替换为目标领域的分类层。再利用少量的目标域的数据与标签进行训练直到模型收敛。源域的部分不变知识将被迁移到目标领域。

2 雷达信号建模仿真与信号预处理

2.1 常见雷达信号仿真

雷达信号常见的脉内调制方式有频率调制、相位调制、幅度调制和混合调制。常见的雷达信号调制种类有：线性调频信号（Linear Frequency Modulation，LFM）、非线性调频信号（Non-Linear Frequency Modulation，NLFM）、二频率编码信号（Binary Frequency Shift Keying，BFSK）和二相编码信号（Binary Phase Shift Keying，BPSK）等[4]。以下将这四类常见的雷达信号进行详细的仿真分析：

1）LFM的时域与频域的仿真结果图如图4所示。由图4可知，LFM信号的频率与时间之间存在线性关系，且LFM信号随频率变化，信号密集程度也随之发生线性变化。

2）NLFM的时域与频域的仿真结果图如图5所示。从图5可以看出，NLFM的时域密集程度是非线性变化的。频率在一定范围内发生非线性变化。

图4 线性调频信号时域和频域图

图5 非线性调频信号的时域与频域

3）BFSK的时域与频域的仿真结果图如图6所示。由图6可知，BFSK在不同的时间段内具有不同的密集程度且有2个频点。

图6 二频编码信号时域与频域图

图7 二相编码信号时域与频域图

2.2 基于时频分析的雷达信号预处理

时频分析方法能够联合时域与频域的分布信息清晰地描述信号频率随时间变化的关系，同时该方法具有信号滤波功能。考虑复杂雷达信号的非平稳特性，时频分析有助于显化信号的时频特征[5]，从而加速后续网络的收敛过程。因此，本文采用基于短时傅里叶变换（Short-Time Fourier Transform，STFT）的时频分析作为雷达的数据预处理方法。

式中，、、分别对应于连续变量、、的离散变量。

由于STFT是线性时频变换，变换时对于多分量信号不存在交叉项的影响。-10 dB时，经短时傅里叶变换后的雷达信号时频图如图8所示。

由图8可知，当=-10 dB时，其通过STFT分析过后，虽然时频图背景噪声非常多，有些甚至背景噪声已经淹没信号，但从图中高亮部分可以看出时频特征大部分还是保留下来，可为后面的实验部分提供仿真数据。

3 实验结果分析

3.1 基于ResNet18的识别实验

3.1.1损失函数及网络训练

1）损失函数：

ResNet18网络的损失函数同样选用交叉熵损失函数，如式（7）所示：

2）网络训练：

网络训练步骤简写如：

（2）依次将数据输入到ResNet18网络中得到网络的输出如式（8）所示：

（3）假定总共数据中有个不同类，分别计算每一类的softmax值如式（9）所示：

（4）计算网络的损失函数：

（5）利用随机梯度下降的方法更新参数：

（6）重复以上步骤直到模型收敛。

3.1.2 实验参数及实验结果与分析

设置ResNet18的学习率为0.0001、训练集样本量为20 000和500、迭代轮数为1000，在不同信噪比下识别率分别如表1和表2所示。

从表1～表2中可以看出：在样本量为20000的情况下，随着迭代次数的增加，各个信噪比下的识别率都在上升。信噪比为-10 dB时，雷达信号的识别率可以达到90%；而训练样本为500的情况下，即当样本稀缺时，由于深度学习网络训练不充分，-10 dB下的识别正确率也仅在60%左右，无法准确识别雷达信号调制类型。

表1 20 000样本量下的ResNet18网络对不同信噪比的识别结果

表2 500样本量下的ResNet18网络对不同信噪比的识别结果

3.2 基于ResNet18的迁移学习网络模型识别实验

以ResNet18网络为深度学习网络主体，应用迁移学习原理，解决稀缺样本条件下的雷达信号识别问题。

其具体流程如图9所示。

图9 迁移学习网络识别流程图

采用基于网络的迁移学习来进行知识迁移的迁移，过程如下：

5）重复上述步奏直到模型收敛；

同样的设置迁移学习网络的学习率为0.0001、训练集样本量为500、迭代轮数为1 000，在不同信噪比下四种雷达信号的识别率如表3所示：

表3 500样本量下基于ResNet18网络的迁移学习模型对不同信噪比的识别结果

基于上述实验，绘制-10 dB条件下，样本量500时，ResNet18网络、迁移学习网络的识别率折线图如图10所示。

由表3和图10分析可知：在稀缺样本情况下，基于迁移学习的深度残差网络对于雷达信号的识别率较为稳定，与传统深度学习算法相比识别率更高。

4 结论

本文应用深度学习中的迁移学习技术，对常见的四种雷达信号进行了识别研究。实验表明迁移学习网络可以有效地提高稀缺样本条件下的雷达信号识别准确度，有效解决了稀缺样本下的雷达信号识别问题。

[1] 崔晓明. 复杂调制雷达信号识别方法的研究[D]. 哈尔滨：哈尔滨工程大学，2018.

[2] K. He, X. Zhang, S. Ren, J. Sun. Deep Residual Learning for Image Recognition[C]. In CVPR, 2016.

[3] Ding C, Tao D. Robust face recognition via multimodal deep face representation[C]. 2015 IEEE International Conference on, 2015.

[4] 赵国庆. 雷达对抗原理[M]. 西安：西安电子科技大学出版社，1999.

[5] 徐景明，朱灿灿. 两种雷达脉冲压缩信号的性能分析[J].兵工自动化，2010，29（8）：60-63.

Towards Identifying Radar Signals with Sparse Data Samples

YU Meng, DU Tianyou

Aiming at the problem of accurate identification of radiation sources in complex electromagnetic environments, a radar signal identification algorithm and its optimization method based on transfer learning are proposed under the condition of lacking samples. This method has the characteristics of short training time and high recognition rate when recognizing scare sample targets. Under the condition of -10 dB, four kinds of radar signals are recognized, reaching the recognition accuracy 85.3%.

Deep Learning; Radar Signal; Lacking Samples; Transfer Learning

TN957

A

1674-7976-(2022)-04-303-07

2022-03-22。

于濛（1994.07—），陕西西安人，硕士研究生，主要研究方向为雷达总体和信号处理。