基于LSTM的雷達輻射源識別技術?

劉括然

（海軍參謀部 北京 100841）

1 引言

雷達輻射源識別是電子對抗偵察系統中的主要功能之一，是我方偵察設備（雷達偵察）截獲敵方雷達信號特征參數，然后進行信號分選，與模板庫中的參數數據進行相似度計算，獲取該雷達的類型、搭載平臺、威脅等級以及用途等信息。雷達輻射源識別為戰略戰役指揮決策、預警自衛和戰術打擊提供了重要的判斷依據［1～2］。但近年來，隨著新體制雷達和作戰樣式的不斷增多，使得電磁環境異常復雜，導致識別雷達信號變得困難，如何在如此復雜的電磁環境中高效快速地識別成為重要問題。目前研究雷達輻射源識別的方法主要是基于傳統的機器學習方法，如貝葉斯算法［3］、近鄰算法［4］、決策樹算法［5］、人工神經網絡［6］等方法以及最近幾年興起的深度學習的方法。傳統的機器學習，雖原理簡單、理論成熟但識別率低、泛化能力弱、有限制使用條件。

近年來，隨著在深度學習領域不斷的探索和研究，已經在語音識別［7］、圖像識別［8］、自然語言［9］領域取得比較大的成功，相對于傳統的機器學習方法，深度學習方法性能優異、識別高等，但具有不可解釋性以及需要大量的計算能力。本文研究的輻射源雷達識別問題具有時序特征的特點，構建基于LSTM（Long Short-Term Memory）［10］的雷達輻射源信號識別的方法。LSTM是用于處理時序數據的神經網絡模型，利用該模型進行提取輻射源信號特征，實現雷達輻射源分類識別。

2 雷達輻射源信號識別

2.1 問題描述

雷達輻射源信號識別是首先通過雷達被動收集、采集一段時間內敵方輻射源信號特征，然后使用數字信號處理技術進行預處理，獲取細微特征參數等，最后把特征參數輸入到分類器中，識別輻射源類別。對于雷達輻射源識別，本文使用一段時間內的雷達輻射源信號特征數據源，先進行歸一化處理，之后輸入到構建的LSTM模型中，識別輻射源的類型。圖1為整個雷達輻射源識別的過程和流程圖。

1）雷達收集輻射源時序信號特征進行標注，構建數據集，然后按照一定的比例進行抽取作為訓練集、測試集。

2）對雷達輻射源信號訓練集和測試集進行預處理，向量化、歸一化、編碼等基本預處理操作。

3）使用TensorFlow［11］構建深度LSTM神經網絡模型，確定網絡層次、節點數量、學習率，網絡層次和節點數量等超參數。

4）把預處理后的訓練集輸入到構建的模型中進行訓練，輸出輻射源識別結果與已有的標簽進行對比，使用訓練集準確率進行評估，若達到設定的閾值，則轉為下面的步驟，否則轉為步驟3）。

5）把預處理后的訓練集輸入到訓練好的LSTM網絡模型中識別雷達輻射源類型，比較訓練集和測試集的準確率，評估是否泛化的結果很好，判斷模型識別的效果。若泛化效果差，則轉為步驟3）。

圖1 雷達輻射源識別過程

2.2 LSTM基本理論

LSTM網絡是一種具有記憶的神經網絡模型，使得處理時序的屬性數據具有很好的效果。標準LSTM網絡架構中的核心單元［12］。主要通過輸入門，遺忘門以及輸出門這3個門達到了對網絡具有記憶效果?；镜腖STM網絡模型以及核心單元如圖2。

圖2 LSTM網絡模型核心單元

其中，*表示矩陣的點乘；+表示矩陣相加；ct-1表示細胞狀態，即此結構前面的信息；ht-1表示隱藏狀態；xt表示輸入信息；zf表示遺忘門；zi表示輸入門；zo表示輸出門；yt表示輸出值。

標準LSTM網絡架構中的核心單元A，它的精心設計使得模型具有添加和刪除信息的狀態，主要是使用3個門控制狀態，輸入門（input gate），遺忘門（forget gate）以及輸出門（output gate），每個門都有不同的作用，通過這3個門的設計來控制各個時刻的狀態，進而對每個時刻狀態特征更好的控制。ct-1表示細胞狀態，是經過一些線性操作得到ct。而這三個門就是用于保護和控制細胞狀態。Sigmod函數是LSTM的門結構的實現，它輸出在0到1之間，反映了信息被保留的程度。

整個細胞狀態信息更新過程為模型的前向傳播，先通過遺忘門zf對細胞狀態信息ct-1進行一定的篩選，輸入門zi對當前時刻的輸入信息z進行篩選，把這2個篩選的結果進行相加得到更新的細胞狀態ct，最后根據輸出門確定當前的輸出ht。再根據當前的ht確定最終的結果yt。

若是預測的最終結果是分類問題。則ht是通過SoftMax函數確定最終的結果yt，即式（8）。

3 仿真實驗

3.1 樣本數據

實驗采用雷達輻射源信號特征數據集是通過python仿真的。特征參數主要包含雷達脈沖描述字（脈沖到達時間、脈沖載頻、脈沖寬度、脈沖幅度、脈沖到達角）、脈沖重復參數、天線掃描特征、脈沖調制特征，型號為6種雷達型號，作為數據特征的標簽。為了使得仿真數據更加符合戰場上的信號數據，添加高斯白噪聲。數據集規模大小為60000，取80%作為訓練集，20%作為測試集，訓練模型。各個輻射源信號的數據分布圖如表1所示。

表1 雷達輻射源數據比例

3.2 實驗結果和分析

在對比實驗的過程中，首先把仿真的60000的樣本數據隨機打亂，按照表1的方式劃分為訓練集和測試集，整體的比例為4：1。圖4和圖5是LSTM網絡模型在不同參數下的損失值和正確率的變化的實驗結果。圖中表明隨著迭代次數的增加，損失值在不斷地減小，正確率在增加。圖3表明隱藏層的節點數量也對損失值和正確率的變化也有影響，實驗中表明，隨著節點數的增加，LSTM網絡收斂的速度較快，之后在增加收斂速度變慢。最終的網絡參數確定如表2。

表2 LSTM網絡參數

圖3顯示了在不同參數下的LSTM網絡模型的表現。從圖中可以得知，LSTM網絡中隱藏層不同的節點個數影響網絡的收斂速度以及準確率的大小，文本比較了節點數位為64、128、192、256時的情況，網絡收斂速度隨著節點數量增加而增加，之后隨著節點的數量增加而減少，當節點數為128時效果最好。

圖3 不同的隱藏層節點數對網絡的影響

圖4 和圖5顯示了訓練集和測試集的正確率以及損失值的變化曲線，隨著LSTM網絡的迭代次數的增加，識別率不斷提高，最后穩定在94.3%左右，而損失值穩定在0.32%左右。通過網絡的曲線的變化，得知LSTM網絡模型在測試集上的泛化程度較好，可以運用到雷達輻射源識別問題上。

圖4 訓練集和測試集的正確率變化曲線

圖5 訓練集和測試集的損失值變化曲線

表3 LSTM網絡訓練集和測試集的識別率

對仿真的數據集采用K-fold（K=5）交叉驗證［13］進行訓練網絡并且得到上述表3中的識別率，從實驗結果可以看出，LSTM網絡模型對于解決輻射源信號識別有很好的效果，識別率達到了93.2%。

4 結語

雷達輻射源識別是電子對抗系統中的核心內容，LSTM與傳統的機器學習識別方法不同，不需要人工設計特征和手動特征提取，而是使用深度學習模型自動篩選特征。本文基于LSTM神經網絡模型設計、構造深層次和合適的節點個數的模型。通過雷達輻射源收集的連續信號，然后進行預處理，輸入到設計深層次的LSTM模型中進行訓練。通過對比不同組合的參數，選擇其中較好的結果。實驗結果表明，基于LSTM神經網絡模型對雷達輻射源分類可以取得很好的效果。