基于多维特征神经网络集成的有源干扰识别方法

技术领域

本发明涉及雷达信号处理技术领域，尤其涉及一种基于多维特征神经网络集成的有源干扰识别方法。

背景技术

现代战争中，雷达成为夺取制电磁权的重要手段，要完成诸多作战任务。随着数字射频存储(Digital Radio Frequency Memory,DRFM)技术不断发展成熟，使得雷达有源干扰具有很强的目的性、灵活性和针对性，严重威胁着雷达的生存及其效能的正常发挥。因此，迫切需要研究高效、稳定的干扰识别算法，为雷达选择最优抗干扰策略奠定基础。

近年来，科研人员在雷达干扰信号识别方面取得了一定进展。其中的现有技术1通过小波分解将干扰划分为不同频段，提取频域特征参数完成分类识别。其中的现有技术2经过分数阶傅里叶变换(Fractional Fourier Transform,FRFT)和Choi-Williams分布(Choi-Williams Distribution,CWD)得到干扰时频信息，实现对干扰信号的分类识别。现有技术3通过分析干扰信号特征之间的差异，利用决策树(Decision Tree,DT)分类器进行识别，方法简单实时性好，但阈值设定的合理性对识别结果影响较大。现有技术4使用长短时记忆网络(long short time memory network,LSTM)进行序列预测，再将预测结果与实测信号作比较，通过误差比较实现检测。现有技术5通过卷积神经网络(ConvolutionalNeural Networks,CNN)及其优化算法对各类干扰的识别准确率较高，具有很好地鲁棒性。但以上方法存在运用特征与分类器单一，在强噪声环境下干扰识别率不高的问题。

发明内容

本发明所要解决的技术问题是如何提供一种对有源干扰识别准确率高的方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于多维特征神经网络集成的有源干扰识别方法，其特征在于包括如下步骤：

对干扰信号进行数据预处理，分别得到幅值子网络、功率谱密度子网络、频谱瞬时包络子网络以及时频图子网络；

利用分类器将时频图子网络分别与幅值子网络、功率谱密度子网络以及频谱瞬时包络子网络进行组合集成；

通过机器学习得到检测结果，比较分类识别效果，确定最优集成模式，完成有源干扰识别。

优选的，对干扰信号的幅值序列、功率谱密度序列、频谱瞬时包络序列以及时频图进行预处理，分别获得幅值子网络、功率谱密度子网络、频谱瞬时包络子网络以及时频图子网络。

进一步的技术方案在于：通过将每个干扰信号样本在时域等间隔选取N点对应的幅度进行归一化处理，构建1×N的幅度特征矩阵，获得幅值序列；

利用基于Hanning窗的Welch'平均功率图法得到干扰信号的功率谱密度，获得功率谱密度序列，每段长度为N，相邻窗重叠50％用于进一步平滑噪声；

对每个样本x(n)进行FFT变换，得到其频谱，再对频谱进行希尔伯特变换，得到频谱瞬时包络，等间隔选取N点对应的值进行归一化处理即构成1×N的频谱瞬时包络特征矩阵，构成频谱瞬时包络特征序列；

使用STFT算法来提取干扰信号的时频分布谱图，得到干扰信号的时频图。

采用上述技术方案所产生的有益效果在于：所述方法首先对干扰信号进行预处理，使用5折交叉验证得到幅度、功率谱密度、频谱瞬时包络、时频图四个子网络模型；然后利用简单的softmax分类器将时频图子网络分别与幅度子网络、功率谱密度子网络、频谱瞬时包络子网络及其组合进行集成，最后通过机器学习得到检测结果，比较7种集成方式的分类识别效果，确定最优集成模式。经试验验证，本申请所述方法对6种有源干扰识别准确概率达到99％以上，具有很好的检测性能。另外，本申请提出的方法可以通过优化子网络来降低算法的复杂度，更有利于实现工程应用。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例中DAE典型结构图；

图2是本发明实施例中CNN典型结构图；

图3是本发明实施例中经典Stacking学习框架图；

图4是本发明实施例中5种时频分析方法检测结果图；

图5是本发明实施例中所述方法的处理流程图；

图6是本发明实施例中不同维度时频图检测结果图；

图7a是本发明实施例中幅度子网络的训练结果图；

图7b是本发明实施例中频谱瞬时包络子网络的训练结果图；

图7c是本发明实施例中功率谱密度子网络的训练结果图；

图7d是本发明实施例中时频图子网络的训练结果图；

图8是本发明实施例中7种集成网络训练结果图；

图9a是本发明实施例中幅度子网络将测试样本集输入到训练好的网络模型图；

图9b是本发明实施例中频谱瞬时包络子网络的将测试样本集输入到训练好的网络模型图；

图9c是本发明实施例中功率谱密度子网络的将测试样本集输入到训练好的网络模型图；

图9d是本发明实施例中时频图子网络的将测试样本集输入到训练好的网络模型图；

图9e是本发明实施例中7种集成网络的将测试样本集输入到训练好的网络模型图；

图10是本发明实施例中各种检测器的检测结果图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

总体的，如图5所示，本发明实施例公开了一种基于多维特征神经网络集成的有源干扰识别方法，所述方法包括如下步骤：

首先对干扰信号进行预处理，使用5折交叉验证得到幅度、功率谱密度、频谱瞬时包络、时频图四个子网络模型；

然后利用简单的softmax分类器将时频图子网络分别与幅度子网络、功率谱密度子网络、频谱瞬时包络子网络及其组合进行集成；

最后通过机器学习得到检测结果，比较7种集成方式的分类识别效果，确定最优集成模式。

下面结合具体理论对上述步骤进行详细说明：

干扰信号模型：

1)间歇采样转发干扰；

ISR干扰的数学表达式为：

其中，τ是间歇采样的脉冲宽度，T是信号的时宽，K是调频斜率，T

2)频谱弥散干扰；

DRFM干扰机利用n倍于雷达信号时钟频率进行采样得到干扰子脉冲，再将干扰子脉冲连续复制n次，即形成了SMSP干扰。该种干扰的数学表达式为：

其中，A是干扰信号幅度，n是脉冲重复次数，T是信号的时宽，K是调频斜率。

3)切片重构干扰；

切片重构干扰(C&I)是一种截取干扰，其产生过程包括切片(Chopping)和组合(Interleaving)两个步骤。

Chopping阶段表示为：

Interleaving阶段表示为:

其中，S(t)为LFM信号，a(t)为采样信号，m表示信号截取的段数，n是每个子脉冲复制次数，最终雷达信号被分成了m×n段，每一段的时宽为τ

4)梳状谱干扰；

COMB干扰由一系列频域间断的子干扰信号叠加构成，其总的带宽可完全覆盖雷达所处的频带范围，达到压制目标信号的目的，且频率点设置更加精确，可有效对抗捷变频率体制雷达。

梳状谱干扰表达式为：

其中，f

5)灵巧噪声干扰；

SN干扰是一种兼备压制式干扰和欺骗式干扰优点的新型干扰，常见的调制方法为噪声乘积调制和噪声卷积调制。将窄带高斯噪声与延时信号相乘即可得到噪声乘积(NoiseProduct,NP)干扰，其数学表达式为：

J(t)＝s(t-τ)·n(t) (6)

将高斯噪声与延时信号卷积即可得到噪声卷积(NoiseConvolution,NC)干扰，可以对真实目标信号形成压制效果，其数学表达式为：

其中，S(t)为LFM信号，n(t)为窄带高斯噪声信号，τ为回波时延。

网络模型

1)深度自编码器

深度自编码器(deep auto encoder,DAE)使用逐层编码再有监督微调的训练过程，能有效解决误差弥散问题，成功应用于语音信号处理中，适合于一维数据分类问题。

DAE结构如图1所示，其组成元件包括：编码器与解码器。编码器通过逐层特征提取，实现对输入信息的分级表达，如公式(8)所示，最终得到输入数据的抽象编码特征。解码器将编码特征逐级还原到初始维度，对输入进行重构，如公式(9)所示，最好的状态是解码器的输出能够完美地或者近似恢复出原来的输入。

h＝s(ω

x'＝s(ω'

其中，x表示输入向量，s表示非线性激活函数，ω是权值列向量，b是偏置量，h是编码向量。

当解码器的输出更接近输入数据时，学习到的编码特征更有效。其网络训练过程分两步，一是对DAE进行参数初始化，通常运用误差反向传播算法(back-propagation,BP)算法，通过最小化输出向量和输入向量之间的重构误差E来训练这一网络，重构误差E通常使用均方误差形式，如公式(10)所示；二是对DAE进行有监督微调，先在编码输出位置加入softmax层，如公式(11)所示，并将输入映射到对应的类别信息上，再利用BP算法以最小化交叉熵损失为目标对全局参数进行有监督精调，如公式(12)所示，最终实现分类。

E(x,x')＝||x-x'||

其中，E(x,x’)表示重构误差，x表示输入向量，x'表示输出向量,h

CNN具有局部区域连接、权值共享及池化降采样的结构特征，能够自动提取图像特征，适合二维图像分类问题，其结构如图2所示，由卷积、池化和全连接堆叠而成。

卷积层是网络的核心，用于输入特征提取，如公式(13)所示，其计算过程是先对上一层输入进行卷积运算，再加入一个偏置b，最后通过激活函数f(·)输出。

其中，

池化层的作用是对卷积层的输出进行降维，如公式(14)所示，将图像某一特定区域内的相邻像素合并成单个代表值。

其中，f

全连接层将提取的特征进行压平，降低其维度，再对其进行典型神经网络连接，如公式(15)所示，全连接层的输出可以看成前一层的结点乘权重系数ω，最后加上偏置b得到。

最后再接softmax分类层实现分类。CNN的训练过程分为两个阶段，第一个阶段是网络初始化后数据进行前向传播，并计算误差；第二阶段是误差反向传播，并依次更新各层的权值。在分类问题中多使用交叉熵误差函数，如公式(12)所示。

算法原理

1)理论推导；

神经网络集成是用有限个神经网络对同一个问题进行学习，集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定。神经网络集成方法操作简单、方便实现，可以有效提高网络系统的泛化性能。

假设集成神经网络由n个子网络f

设第i个网络f

集成神经网络的泛化误差和第i个子网络f

泛化误差能够反应模型的泛化能力，本质是所学习到的模型的期望风险，泛化误差值越小，表明方法越有效。

各子网络泛化误差的加权平均值

子网络的差异度A

集成神经网络的差异度/>

集成神经网络的泛化误差E为：

可知，E小于等于各子网络泛化误差的加权平均

2)方法实现

在神经网络集成的实现上，分两个环节，一是生成集成中的子网络，二是组合多个子网络的输出结果。

针对生成集成的子网络，最经典的技术手段是Boosting、Bagging和Stacking，其基本思路是改变各子网络训练集的样本组成。如Boosting根据子网络上训练数据的情况，设置较大的概率，将已有网络错判的样本按概率参与新网络的训练。其优势在于有利于处理现有网络无法准确判别的样本，但劣势是结果可能完全只偏向于某些特殊样本。Bagging方法是一种从给定训练集中有放回的均匀抽样，各样本完全随机地参与子网络的训练，以增加集成中子网络的差异度。Stacking通过构建多级学习器进行预测，通常为两级，其中一级学习器的预测结果作为二级学习器的输入，来得到最终的结果。Boosting和Bagging都是使用同一种基学习器，Stacking可以基于多种不同的基学习器进行集成。本申请选择DAE和CNN作为一级学习器，因而使用Stacking方法进行集成。

针对组合多个神经网络的输出结果，主要方法是按比例结合各子网络输出。其中，最常见的是按等比例结合、取最高比例输出的相对多数投票法，直观的将得票数最多的子网络输出作为最终结果，在大量实验中表现优越。Bagging在融合各个基础分类器时权重相同，而Stacking则不同，Stacking的二级学习器是根据一级分类器输出的确定性强弱，进行动态权值组合。

Stacking学习框架如图3所示，它由两级分类器构成，一级分类器是本申请所提的子网络，二级分类器是集成网络，用于对子网络的输出进行集成。Stacking模型集成的实现分为两个阶段，一是训练过程，二是测试过程。

在训练过程，首先对测试数据使用k折交叉验证的方法得到各子网络模型，可以避免固定划分数据集带来的模型的局限性和特殊性，然后将每个子网络模型的k次验证结果并列连接，构成集成网络的输入，最终实现分类判别。具体地，若原始的一组训练数据集为D＝{(x

在测试过程，使用测试数据集对各子网络进行测试，对每个子网络的k次测试结果合并用于集成网络的分类结果。具体的，若原始的一组测试数据集D'＝{(x′

3)特征获取；

3-1)一维特征获取

幅度作为经典的时域参数可以清晰表示出信号在不同时刻取值。本申请通过将每个干扰信号样本在时域等间隔选取N点对应的幅度进行归一化处理构建1×N的幅度特征矩阵。

频域特征描述了信号的频率结构及频率与该频率信号幅度的关系。本申请选取功率谱密度和频谱瞬时包络为频域特征。利用基于Hanning窗的Welch'平均功率图法得到干扰信号的功率谱密度，每段长度为N,相邻窗重叠50％以便进一步平滑噪声。对每个样本x(n)进行FFT变换，得到其频谱，再对频谱进行希尔伯特变换，得到频谱瞬时包络，等间隔选取N点对应的值进行归一化处理即构成1×N的频谱瞬时包络特征矩阵。

3-2)二维特征获取

时频图作为二维特征能够更加直观精确反应信号的综合特征。时频分析方法可以分为两类：一类是核函数分解，也称为线性时频描述，如短时傅里叶变换、小波变换(Wavelet Transform，WT)等；另一类是时频能量密度型，如维格纳-威尔分布(Wigner-Ville Distribution，WVD)等。

本申请对比了STFT、WVD、伪WVD、伪平滑WVD和CWD等5种时频分析方法在相同参数和网络结构下的检测结果，如图4所示。为达到更好地识别效果，选择了识别准确率最高的STFT来提取干扰信号的时频分布谱图。

仿真分析

1)干扰数据集构建

干扰信号以雷达信号为基础，通过对雷达信号的整个脉宽进行调制得到6种干扰信号。雷达基本参数和干扰变化参数分别如表1和表2所示。在强噪声环境下，干扰信号会被噪声淹没，为了验证识别算法在强噪声环境下的稳健性，本申请设定干噪比(JammingNoise Ratio，JNR)变化范围为-10dB～10dB。

表1雷达信号基本参数

表2干扰变化参数

数据集规模为每种干扰共产生800个样本，选取80％(即640)作为训练样本，剩余20％(即160)为测试样本，且确保同一样本的幅度、功率谱密度、频谱瞬时包络、时频图和标签一一对应，构建6×640的训练样本集和6×160的测试样本集。

前期实验仿真对比了在噪声环境下时频图单边维度为64/128/256时的检测结果和单次训练所用时间，结果如图6和表3所示。

综合分析检测概率与训练时间，时频图单边维度为128时，能够兼具较高检测概率和实时性，故选择时频图尺寸大小为128×128。为了保证数据维度的一致性，一维特征序列长度N也选择128。

表3不同维度时频图单次训练时间

2)训练过程

幅度、功率谱密度、频谱瞬时包络等特征为一维序列，本申请使用含50个隐藏层且完全连接的DAE网络结构进行训练；针对时频图二维图像，考虑数据集质量和规模，选用经典的7层LeNet网络，学习率为0.01，训练准则是最小化交叉熵损失，训练算法是带动量的随机梯度下降法。

利用训练样本集，采用5折交叉验证(cross-validation,CV)的方法得到各子网络模型，训练结果如图7a-7d所示，可以看出幅度子网络收敛性较差，分类识别效果最弱，且受噪声影响较大；频谱瞬时包络子网络比幅度特征具有更好地分类效果同样受噪声影响较大；功率谱密度子网络受噪声影响较小，比幅度特征分类效果好，在JNR小于0dB时分类性好于频谱瞬时包络特征，在JNR大于0dB时分类性略弱于频谱瞬时包络特征；时频图子网络对目标的分类性能最好，平均识别率能达到90％以上。

集成网络使用简单的softmax分类器，其训练结果如图8所示。可以看出，集成网络训练效果优于一维特征子网络且与一维特征子网络分类效果相关。其中，幅度子网络收敛性差，与时频图子网络集成后训练效果也最弱，有幅度特征的集成网络训练效果都弱于没有幅度特征的集成网络，进一步说明幅度特征对干扰分类的作用效果不好；功率谱密度与时频图集成网络的训练效果和频谱瞬时包络与时频图集成网络训练效果相近；功率谱密度、频谱瞬时包络与时频图集成网络训练效果整体最好。

3)测试过程

将测试样本集输入到训练好的网络模型得到各网络的测试结果，如图9a-9e所示。与图7a-7d以及图8对比可知，无论JNR如何变化，各类型网络测试结果普遍优于训练效果，测试结果与训练效果趋势保持一致，说明网络已训练完全。7种集成网络中，功率谱密度、频谱瞬时包络与时频图集成网络测试效果最优，好于所有的子网络和集成网络，具体而言：在JNR为-10dB时，功率谱密度、频谱瞬时包络与时频图集成网络识别准确概率达到94.8％，高于幅度、功率谱密度、频谱瞬时包络与时频图集成网络1.2％，高于功率谱密度与时频图集成网络1.2％，高于频谱瞬时包络与时频图集成网络6％，高于幅度、功率谱密度与时频图集成网络1.8％，高于幅度、频谱瞬时包络与时频图集成网络3.4％，高于时频图子网络检测概率2.2％。

4)与其他检测方法比较

将分类识别效果最好的功率谱密度、频谱瞬时包络与时频图集成网络与其他经典检测算法进行比较。用于进行比较的深度网络检测器有：基于时频图的AlexNet检测器、基于功率谱密度序列的LSTM检测器、基于特征融合的双通道检测器。其中，基于时频图的AlexNet检测器以二维时频图为输入，使用深度神经网络进行特征提取与分类识别。基于功率谱密度序列的LSTM检测器以干扰信号功率谱密度序列为输入，使用LSTM网络进行特征提取与分类识别。基于特征融合的网络检测器以功率谱密度序列与时频图为输入，设计特征融合层对两通道提取到的融合特征进行分类识别。

由图10可知，在JNR大于-8dB时四种深度网络检测器的干扰识别准确概率都达到90％以上，具有良好的检测性能，并且本申请所提的基于多维特征神经网络集成方法性能更优，在JNR大于-6dB时，对6种有源干扰识别准确概率达到99％以上。这是因为，集成网络输入数据形式有功率谱密度、频谱瞬时包络和时频图，包含时域、频域、时频域的丰富信息，且神经网络集成的方法能有效提高网络系统的泛化能力，减少了训练样本对检测结果的影响，进而提高了识别概率。基于特征融合的网络检测器数据输入形式为功率谱密度序列和时频图，也是联合特征域的表现，比单一数据输入网络性能更优。而单一时频图输入与单一功率谱密度序列输入相比，时频图包含时频域更多的信息，故基于时频图的AlexNet检测器优于基于功率谱密度序列的LSTM检测器。

综上，针对在强噪声环境下雷达有源干扰识别准确率不高的问题，本申请提出了一种基于多维特征神经网络集成的干扰识别方法。所述方法首先从理论推导和方法实现两个角度论述了神经网络集成的基本原理，然后介绍了特征获取方法、网络结构和采用Stacking策略进行网络生成与集成的过程，并分析了神经网络集成的训练过程、测试过程，最后将该方法与基于时频图的AlexNet检测器、基于功率谱密度序列的LSTM检测器、基于特征融合的双通道检测器进行比较，仿真结果表明，在JNR大于-6dB时，本申请方法对6种有源干扰识别准确概率达到99％以上，具有很好的检测性能。另外，本申请提出的方法可以通过优化子网络来降低算法的复杂度，更有利于实现工程应用。