1 引言
随着用频设备和台站数量日益增多,种类日益复杂,特别在低空监测时,目标信号往往被淹没于包括高斯噪声、多路径反射信号、基站通信信号、其他干扰信号的杂波中。传统的能量检测法[1]在非高斯背景噪声下性能损失严重,并且现有的检测方法大多针对固定背景环境,难以应对动态的背景环境[2]。此时,传统检测方法受到低信噪比的限制,寻找更为有效的检测方法迫在眉睫。基于深度学习的信号特征类检测方法[3- 4]是解决该问题的有效选择之一。
近年来,随着深度学习算法的快速发展,基于信号特征并结合深层网络的检测方法成为雷达领域的重要研究方向。文献[5]提出了基于频谱特征的异常信号检测方法,通过自动编码器来进行重构特征,根据重构误差实现检测。文献[6]提出基于卷积神经网络的海杂波环境下的目标检测,验证了神经网络能在一定程度上提升了目标信号强度,可以提高检测性能。但以上方法都只利用了信号的一维信息,对信号信息利用不足,难以应对更为复杂的电磁环境。
针对多径干扰、通信噪声等低信噪比因素导致检测性能降低的问题,本文反其道而行之,基于信噪一体化思想下,对所有接收信号进行一体化分析,为了进一步拓展信号的可利用维度并结合卷积神经网络的特点,则采用提取电磁空间中背景信号的二维时频特征的方法。在此基础上提出利用异常目标引起的环境特征变化作为检测背景,建立动态的电磁环境模型,并采用加高斯窗傅里叶变换提取信号时频域的能量分布信息,最后利用卷积神经网络对此二维时频特征进行学习检测。
2 电磁环境仿真
2.1 电磁环境模型
本文的电磁环境模型设定为复杂电磁环境,即指在一定的时空和频段范围内,多种电磁信号密集交叠且动态变化的电磁环境。假设某一空间内电磁信号源分布模型如图1所示,空间坐标系下包含电子侦察设备一台,电子干扰设备一台,监测雷达两台,通信基站两处,及多处障碍物。为了更进一步模拟动态电磁环境,假设二台监测雷达和电子干扰设备仅在部分时段工作(其他时段无线电静默),而通信基站则是持续工作。
图1 电磁信号源分布模型
Fig.1 Electromagnetic signal source distribution model
由电磁信号源的分布模型,建立了电磁信号仿真环境模型,如图2所示,通过仿真雷达、通信、干扰等射频信号建立环境模型。当接收通道中存在信号的直达波和目标回波,有源干扰以及障碍物引起的多径回波和杂波噪声,则复杂电磁环境下接收机所接收的信号模型可描述为:
x(t)=sr(t)+s(t)+n(t)+c(t)
(1)
式(1)中,s(t)是辐射源信号,sr(t)为回波信号,n(t)为高斯白噪声,c(t)为电磁空间中的杂波干扰。
图2 电磁信号环境仿真模型
Fig.2 Electromagnetic signal environment simulation model
2.2 信号类型
根据仿真模型建立信号模型,仿真模型中包含了雷达信号、通信信号、多径反射信号和干扰信号等多种电磁信号源。压制式干扰是常用的干扰手段,通过掩盖目标回波,降低雷达检测性能,达到干扰的目的。假设压制性干扰的信号类型采用噪声调幅干扰信号,则其时域表达式为:
s(t)=[1+m·u]cos(2πfct)
(2)
式(2)中,m为幅度调制度,u为调制噪声, fc为中心频率。
因线性调频信号(LFM)的频率随时间呈线性变化,具有良好的距离和速度分辨率,往往被常规雷达所使用,其发射信号可表示为:
s(t)=exp(jπ(fct+ut2))
(3)
式(3)中, fc为载波频率,u=B/Tp为调频斜率,B为信号带宽,Tp为信号脉宽。雷达信号的传播距离r,则t时刻接收到雷达目标反射信号为:
sr(t)=σrs(t-τ)
(4)
式(4)中,σr为反射目标的散射截面积,时间延迟τ=r/c,c为光速。
针对通信基站的信号,本文考虑使用二相位编码(BPSK)及二频率编码(BFSK)两种调制信号[7],如下所示:
(5)
(6)
在式(5)和式(6)中, fc为载波频率,φi∈{2π(m-1)/2,m=1,2}, fi∈{f1, f2},φ为初相,N为码元数,T为码元宽度。
在低空监测中,地杂波通常是检测器的背景信号,即当存在大量地物散射体时,它们合成回波的包络振幅服从瑞利分布,可表示如下:
(7)
式(7)中,y为服从单位均匀分布的信号,σ为方差。
3 信噪一体化处理及图像预处理
本节基于信号与噪声的一体化思路,对监测空间内所有信号进行综合分析。由信息熵原理,当异常目标出现时,在区域内的电磁信号的能量分布将因此被扰乱,而导致失去“熵”平衡。依据上述分析,空间区域的能量分布可由时频变换图所表征,由此还可增加信号的可利用维度。
加窗傅里叶变换是常用的时频分析工具[8],文中采用具有最小的时间带宽积且较为常用的高斯窗函数,可得到加高斯窗傅里叶变换如下式:
GWFT(t, f)=
G*(u-t)x(t)e-j 2πfudu
(8)
式(8)中,G(t)为高斯窗,x(t)为接收信号。
图3描述了时频图像的预处理过程。首先考虑使用长宽224×224的时频图,并使用双三次插值法可以对图像边缘进行平滑,同时为了最大限度保留图像细节特征并对图像噪声进行抑制,使用中值滤波对其进行滤波处理。
图3 时频图预处理
Fig.3 The preprocessing of time-frequency image
4 基于卷积神经网络的电磁信号检测方法
4.1 网络结构
卷积神经网络是目前深度学习的代表算法之一,其强大的学习表征能力使其成为当前图像理解领域的常用方法,但很难应用于信号处理领域[9-10],这是因为电磁信号具有标签难于获得的特点。借助于其学习表征能力,可将大量的时频图作为训练的样本,并完成检测与识别,卷积神经网络的结构可描述如下:
图4 卷积神经网络结构
Fig.4 Convolutional neural network structure
由图4可知,卷积神经网络主要特点就是隐藏层中包含大量的卷积层和池化层。其中,卷积层主要是完成卷积运算,实现图像转换;池化层则主要是将临近的像素合成单个像素,因此它能降低图像的维度[11]。两者之间的有序重复组合就可提取图像的高维特征映射,再结合分类神经网络就可以实现分类。
VGG16是2014年由Simonyan等人提出的卷积神经网络模型[12],图5为VGG16的网络结构,结构中包含13个卷积层(conv)、5个池化层(Pool)、3个全连接层(fc),若干个卷积层和一个池化层组成一个“特征映射块”(Block)。该模型在每个Block中用多个3×3的卷积代替之前大尺寸的卷积核,在减少参数量的同时,还能拥有更多的非线性变换,这样既能够提取更抽象的高阶特征,又使处理的运算量减少。
图5 VGG16的结构图
Fig.5 Structure of VGG16 model
模型的工作流程为:
(1)首先根据VGG16模型对输入图像的尺寸要求,获取224×224尺寸的时频图,并对图像RGB三个通道分别进行中值滤波,完成数据预处理,构建数据集。
(2)其次将数据集输入Block 1中,由卷积层提取图像特征,并通过非线性激活函数ReLU和最大池化MaxPooling降低特征维度,映射得出上层特征。
(3)然后将上层特征再依次通过Block 2～Block 5,生成深层的特征映射,并将特征图输入到全连接层,再通过softmax分类器进行分类识别。
(4)最后依据分类结果进行网络权重更新,返回第(2)步,模型进行下一轮的训练,直到分类误差小于期望值时,模型结束训练。
4.2 检测方法流程
图6表示了本文所提出方法的流程图,首先根据仿真模型,提取信号的二维时频信息,构建时频图并对其预处理,创建数据集;然后将时频图输入VGG16卷积网络模型中训练,通过交叉验证得到最优检测模型;最后用测试集对模型性能进行检测评估。
图6 检测流程
Fig.6 Detection process
5 仿真与测试
5.1 网络参数设置
网络参数由表1所示,遍历次数和批处理大小,决定训练的迭代次数(Iterations),影响模型权重参数的优化程度。一定范围内,当迭代次数越多,参数优化程度越高,模型就越完善。
神经网络模型的训练以极小化损失函数为目标,进行权重参数调整,损失函数表示如下:
(9)
式(9)中,e(i)为模型分类误差,e(i)=(hθ(x(i))-y(i)),hθ(x(i))为权重参数θ调整的模型输出。
梯度下降法是常用的权重参数优化方式,本文将使用带动量的随机梯度下降法(SGDM)。与传统的梯度下降法和Adam算法相比,它的训练速度更快,加入动量项使其在参数更新时减少下降震荡[13]。学习率是梯度下降的步长,决定着参数优化的精确度,步长越小,精确越高,但会相应的增加训练时长。综合以上,本仿真实例根据经验选择初始学习率为1e- 4,这样确保了参数优化的精确度,同时减少训练时间。
表1 网络参数表
Tab.1 Network parameters table
参数参数值遍历次数40批处理大小50求解器SGDM初始学习率1e-4
5.2 仿真条件
仿真模型是在MATLAB 2019a软件所运行,并使用其深度学习工具包中的VGG16神经网络模型、RTX-2080Ti GPU加速训练模型。表2为信号仿真参数,持续时间为10e- 6 s。
表2 信号仿真参数
Tab.2 Simulation of signal parameters
电磁信号类型载频脉宽/s重复率雷达信号LFM8～8.5 GHz6e-60.9e3雷达信号LFM9～9.7 GHz2e-61.2e3干扰信号JAM8.6 GHz4e-61e3通信信号BFSK2、3 GHz4e-6-通信信号BPSK2.6 GHz5e-6-
5.3 数据集构建
由仿真模型,本仿真构建了2个数据集。第一个数据集是320张像素为224×224的图片,其中含目标的电磁环境和正常电磁环境时频图各160张,分别用T和N标注;第二个数据集是80张像素为224×224的图片。以上的数据集包含了两种动态场景,即异常目标介入的场景和正常电磁环境的场景,各有40张时频图,分别使用T和N标注。
5.4 VGG16网络的训练
根据网络参数表设置模型网络参数,用训练数据集对模型进行训练,设置参与训练的图片80%用于训练,20%用于测试,模型累积迭代240次。图7是模型训练测试结果图,其中训练(Acy)表示训练集的识别准确率曲线,在第200次迭代时就达到了100%,训练(Loss)是训练集的损失函数值曲线,损失函数值收敛至0.0013,说明模型已经训练完成,此时测试图像的识别准确率高达97.5%。
图7 训练结果图
Fig.7 Training result chart
5.5 5折交叉验证
为得到更为可靠稳定的模型,本仿真采用K折交叉验证进行模型选择。首先将原始数据分成K组,依次选取一组作为测试样本,剩下作为训练样本,则可依据其测试结果选取最优检测模型。
本仿真实例采用5折交叉验证方法,得到5个模型的检测结果,如表3所示,最优检测模型测试准确率为97.5%,平均误差值为0.0375。
表3 5折交叉验证结果
Tab.3 5-Fold cross validation result
次数准确率/%误差1950.05296.250.0375396.250.0375497.50.025596.250.0375最高准确率/%97.5平均误差0.0375
5.6 方法仿真对比
由以上网络参数设置和仿真条件,本节对所提出的方法进行仿真实现,并与传统能量检测方法和基于SVM的检测方法进行性能对比。图8是传统能量检测方法的1000次蒙特卡洛仿真结果,其检测概率和虚警率分别为27.2%和17.2%。由此可见,此时目标淹没于杂波中,因受限于信噪比无法被常规的检测器所检测到。基于二维时频图的SVM分类检测方法使用方向梯度直方图以及灰度共生矩阵特征提取,并结合SVM分类器进行分类检测[14],其检测结果的混淆矩阵如图9(左)所示,经式(10)计算可得到检测概率为77.5%,虚警概率为15%。在同样的仿真条件下,本仿真实例使用VGGNet模型自动生成特征提取器并进行检测,其检测结果如图9(右)所示,经式(10)计算其检测概率和虚警率分别是97.5%和2.5%。
以上结果可表明:当目标信号被淹没于杂波情况下,传统的能量检测方法无法完成正常信号检测,基于二维特征的SVM分类检测方法虽然有一定的检测精度,但其检测概率较低,虚警概率明显比较高。本文所采用的基于时频图和卷积神经网络的信号检测方法极大地改善了虚警和检测概率,提约20%的检测性能。
(10)
式(10)中,P为检测概率,表示所有预测正确的样本数(TP+TN)占样本总数的比例;F为虚警概率,表示预测负类但真实为正类的样本数FP占所有预测为负类的样本数(FP+TN)的比例,且定义标签T为负类、标签N为正类。
图8 能量检测方法仿真图
Fig.8 Simulation diagram of energy detection method
图9 混淆矩阵图
Fig.9 Confusion matrix chart
6 结论
本文基于信号与噪声一体化的思路,提出了一种基于一体化特征和卷积神经网络的电磁信号智能检测方法。该方法首先通过研究电磁空间中所有信号的能量分布特征,以其作为信号检测的依据,并使用深层网络学习特征的变化细节以实现识别,突破了传统能量检测方法通过抑制噪声而却受限于信噪比门限的传统途径。仿真分析表明,该方法由建立时频特征提升电磁信号表征的“立体性”,并结合深度网络优秀的特征学习表达能力,极大程度地改善了低信噪比下信号检测的性能。在后续研究中,电磁环境中的信号突变异常检测将是一个潜在的方向,由此实现广域信号的可用特征挖掘,适应异常多变的电磁环境挑战。
[1] Kyungtae Kim, Yan Xin, Sampath Rangarajan. Energy Detection Based Spectrum Sensing for Cognitive Radio: An Experimental Study[C]∥Proceedings 2010 IEEE Global Communications Conference. USA: IEEE, 2010: 1-5.
[2] 高锐. 复杂电磁环境下的信号检测技术研究[D]. 西安: 西安电子科技大学, 2015.
Gao Rui. Signal Detection Techniques under Complex Electromagnetic Environment[D]. Xi’an: Xidian University, 2015.(in Chinese)
[3] 黄健航, 雷迎科. 基于深度学习的通信辐射源指纹特征提取算法[J]. 信号处理, 2018, 34(1): 31-38.
Huang Jianhang, Lei Yingke. An Individual Communication Transmitter Fingerprint Feature Extraction Algorithm Based on Deep Learning[J]. Journal of Signal Processing, 2018, 34(1): 31-38.(in Chinese)
[4] 鲁华超, 赵知劲, 尚俊娜, 等. 利用卷积神经网络和协方差的协作频谱感知算法[J]. 信号处理, 2019, 35(10): 1700-1707.
Lu Huachao, Zhao Zhijin, Shang Junna, et al. Cooperative Spectrum Sensing Using Convolutional Neural Networks and Covariance[J]. Journal of Signal Processing, 2019, 35(10): 1700-1707.(in Chinese)
[5] Feng Q, Zhang Y, Li C, et al. Anomaly detection of spectrum in wireless communication via deep auto-encoders[J]. The Journal of Supercomputing, 2017, 73(7): 3161-3178.
[6] 楼奇哲, 刘乐, 姚元. 采用卷积神经网络的海面多目标检测研究[J]. 信号处理, 2018, 34(9): 1053-1059.
Lou Qizhe, Liu Le, Yao Yuan. Multi-Target Detection in Sea Clutter with Convolutional Neural Network[J]. Journal of Signal Processing, 2018, 34(9): 1053-1059.(in Chinese)
[7] 井博军. 基于深度学习的雷达辐射源识别技术研究[D]. 西安: 西安电子科技大学, 2017.
Jing Bojun. Research on radar radiation source recognition technology based on deep learning [D]. Xi’an: Xidian University, 2017.(in Chinese)
[8] 卫俊平. 时频分析技术及应用[D]. 西安: 西安电子科技大学, 2005.
Wei Junping. Time frequency analysis technology and application[D]. Xi’an: Xidian University, 2005.(in Chinese)
[9] Goodfellow I, Bengio Y, Courville A. Deep learning [M]. Cambridge: MIT Press, 2016: 326-366.
[10] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网络[J]. 自动化学报, 2016, 42(9): 1300-1312.
Chang Liang, Deng Xiaoming, Zhou Mingquan, et al. Convolutional Neural Networks in Image Understanding[J]. Acta Automatica Sinica, 2016, 42(9): 1300-1312.(in Chinese)
[11] Phil Kim. 深度学习: 基于MATLAB的设计实例[M]. 邹伟, 王振波, 王燕妮, 译. 北京: 北京航空航天大学出版社, 2016: 148-157.
Phil Kim. Deep Learning for Beginners: with MATLAB Examples[M]. Translated by Zou Wei, Wang Zhenbo, Wang Yanni. Beijing: Beihang University Press, 2016: 148-157.(in Chinese)
[12] Simonyan K, Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer Science, 2014, 9(1): 1409-1556.
[13] Polyak B T. Some methods of speeding up the convergence of iteration methods[J]. Ussr Computational Mathematics & Mathematical Physics, 1964, 4(5): 1-17.
[14] 汤井田, 胡丹, 龚智敏, 等. 基于SVM的SAR图像分类研究[J]. 遥感技术与应用, 2008, 23(3): 341-345.
Tang Jingtian, Hu Dan, Gong Zhimin, et al. Study of Classification by Support Vector Machine on Synthetic Aperture Radar Image[J]. Remote Sensing Technology and Application, 2008, 23(3): 341-345.(in Chinese)
