Faster r-cnn实现交叠雷达信号的调制识别与参数提取

郑 渝，沈永健，周云生

Faster r-cnn实现交叠雷达信号的调制识别与参数提取

郑 渝，沈永健，周云生

（北京遥测技术研究所 北京 100094）

当电子侦察系统接收到“时域交叠脉冲”时，传统方法选择对其丢弃，然而随着电磁环境的日益复杂，脉冲时域交叠情况加剧，丢失的信息也越来越多。提出一种基于甚快区域卷积网络（faster r-cnn）实现时频交叠雷达信号的检测识别与参数提取方法。对雷达信号进行时频变换得到时频图，采用faster r-cnn网络对时频图进行学习，训练好的网络可对时频图上的信号进行调制方式识别和位置确定，从而实现多信号交叠情况下信号的检测、识别与时频参数提取。

Faster R-CNN；调制识别；信号交叠；深度学习；CNN

引 言

随着电磁环境日趋复杂密集，雷达侦察信号中出现时频交叠脉冲的情况日益增多，然而传统和现有的雷达信号的识别与参数提取算法是针对单脉冲信号，在对雷达侦察信号进行处理时，如果出现“时域交叠脉冲”情况，由于它的特征不再属于某一部雷达信号，算法会选择脉冲丢弃，因此丢失了时域交叠脉冲所含的信息[1]。同时，随着雷达调制技术的发展，雷达信号的调制类型复杂多样，对复杂雷达信号脉内调制的识别成为侦察识别的关键。为此，本文针时域交叠的多脉冲复杂雷达信号，提出了一种基于深度学习的信号调制方式识别与参数提取算法。

深度学习是近年来研究火热的领域，多隐层非线性的网络结构使其有强大的拟合能力。深度学习在处理图像数据时有较多成熟的算法，同时不同调制类型的雷达信号在时频域有较为明显的区分，因此本文对时域交叠的雷达信号进行时频变换，将得到的时频图作为深度学习的学习对象。基于深度学习目标检测框架faster r-cnn可实现图像数据中多目标的识别和检测。图像处理中检测的含义是指对图像中目标有无的判断和目标位置的估计，对应到对雷达信号时频图处理时，其含义是信号的检测和时频参数的提取。综上所述，本文将时域交叠的多种雷达信号进行时频变换，通过大量时频图对faster r-cnn进行训练，训练好的深度神经网络可以确定交叠脉冲中信号的个数、调制类别和时频参数，实现了信号的检测、识别和参数提取。

1 雷达脉内调制方式

雷达信号的脉内调制主要包括脉内相位调制、频率调制以及相位、频率的混合调制。本文的识别对象是雷达信号常用的相位和频率调制类型。

1.1 频率调制信号

①线性调频（LFM）信号，又称Chirp信号，是一种较为成熟、广泛使用的脉冲压缩信号，其表示式为

其中为信号幅度，0为信号起始频率，为信号调频率，0为初始相位。

②频率编码（FSK）信号，是一种大时宽带宽信号，具有良好的距离分辨性；有较窄的瞬时带宽，降低了对发射机、接收机的带宽要求。

式中复包络为

式中，f为频率码组，常用COSTAS序列使信号具有较好的模糊函数；c为码长，D为子码宽。

③非线性调频信号，即瞬时频率随时间非线性变化的频率调制信号，如V型调频、sin调频、抛物线调频等。其中V型调频表达式如下：

1.2 相位调制信号

相位编码信号是一种常用的低截获概率（LPI）信号，具有较强的抗干扰性能。

①二相编码（BPSK）信号

②四相编码（QPSK）信号

上述信号的时域波形如图1所示。

2 雷达信号预处理

2.1 乔伊-威廉斯分布（CWD）

时频分析作为非平稳信号处理的有力工具，将1维时间信号映射到2维时频平面，不但能反映信号能量随时间和频率的分布，而且能揭示频率随时间的变化关系，在雷达信号脉内特征分析中有着重要应用[2]。由于CWD在所有未经处理的Cohen类分布中，具有交叉项干扰最小的特点，对不同时间或频率的信号具有较高的分辨能力和识别精度[3]，故本文采用CWD时频分析对LPI雷达信号进行时频变换操作。

图1 雷达脉内调制信号时域波形

图2 交叠雷达信号时频图

2.2 时频图的预处理

图3 预处理后雷达信号时频图

3 Faster R-CNN原理

Faster R-CNN算法的框架如图4所示，通过多层卷积神经网络（CNN）特征提取得到特征图（Feature Maps），然后通过区域建议网络（Region Proposal Network，RPN）生成候选区域框（Proposals），随后再使用感兴趣区域池化（Region of Interest Pooling，ROI Pooling）从经过CNN提取到的特征图中获得各个候选区域的特征表达，最后用Softmax分类器[4]进行分类，并且使用包围盒回归[5]（B-Box Regression）及非极大值抑制[6]（Non-maximum Suppression，NMS）进行最后的处理完成位置回归，得到最终的目标框。

图4 Faster R-CNN算法结构

3.1 区域建议网络（RPN）

传统的深度学习算法采用选择性搜索（Selective Search，SS）提取候选区域，这样产生候选区域较慢并且较多且相互重叠的候选框，为了减少一些不必要的计算，Faster R-CNN算法创新性的提出了一种区域建议网络（Region Proposal Network，RPN）代替原本的选择性搜索网络[7,8]。如图4中的RPN部分，首先，将整张图片输入算法框架，得到经过一系列卷积和池化操作后的特征图，并作为RPN网络的输入，将特征图的点与原图片的位置进行对应，每一个特征图上的元素对应9个不同尺寸和大小的包围盒。RPN本身具有两个卷积网络，其中一个卷积结构通过1×1的卷积核进行18维的卷积运算，判定该包围盒（anchor box）是否为前景图像；另一个卷积结构通过1×1的卷积核进行36维的卷积运算，得到该包围盒对于真实位置的相对位置坐标（d，d，d，d）[9,10]。

图5 包围盒

其中每个特征图元素对应的9个包围盒的设定方法为：将卷积后的特征图的点与原图片的位置进行对应，将特征图上的每一个点都映射到原图上（每一个像素点设定为一个“锚点”），每一个锚点上放若干个大小不同的“锚”（即包围盒），一般使用的尺度为1282、2562和5122并分别采用1:1,1:2和2:1三种不同的宽高比，一共9种。如图5所示，右图为映射在输入图像上的候选框。

在RPN中的Proposal层，是对生成包围盒采用回归、非极大值抑制等手段的筛选，输出含有目标的包围盒的相对位置坐标。

3.2 感兴趣区域池化（ROI Pooling）

Faster R-CNN算法通过进一步改进SPP-Net算法，提出了感兴趣区域池化（Region of Interest Pooling，即ROI Pooling），感兴趣区域池化是空间金字塔池化的一个简化版本，即只有一层金字塔，也就是感兴趣区域池化只包含一种尺度。经过多个实验证明，通过ROI进行图像处理，比原有的R-CNN算法运行速度加快数十倍。

将候选区域映射到特征图上的位置，然后将每一块的水平方向和垂直方向都分成7份，然后对每一个分出来的块都进行最大值 pooling，在这样的处理之后，输出结果都是7×7的大小，就可以实现固定大小的输出。

3.3 分类

分类器通过全连接层实现最终的目标分类，计算公式见式（11），由于权重W和偏置b是固定的，因而使用了图3所示的RoI pooling层将所有区域建议框映射到同样大小。

3.4 faster r-cnn的训练

图6 Faster RCNN训练流程

表1 特征提取网络参数设置

图7 候选区域生成网络结构

图6为网络的训练流程图，具体分为以下几个步骤：

②训练特征提取网络：由于雷达信号的时频图特征并不复杂，因此构建3层CNN网络作为不同种信号时频图的特征提取网络，其结构如表1所示，其中conv1到conv3为卷积层，filters、kernel size、stride分别为卷积核个数，卷积核尺寸和卷积步长。用单脉冲雷达信号数据集对网络进行训练，保存训练模型。

③正向传播，将数据通过上述训练好的CNN网络进行特征提取。将得到的特征图通过候选区域生成网络和分类回归网络，其局部结构如图7所示，conv4到conv6为卷积层。候选区域生成网络参数设置如表2所示。最终输出为信号的类别编号和时频参数。

④反向传播，由数据标签与正向传播得到的输出值求得损失值，设置网络迭代次数和学习率，通过反向传播算法调整权值优化损失。

4 算法验证

4.1 环境配置

算法验证的配置环境见表3。

4.2 雷达信号数据集

本次实验设置8种调制类型的信号：单频信号、LFM、三角调频、正弦调频、抛物线调频、FSK信号的载频个数为7~13之间随机选取、BPSK信号的相位编码随机采用7、11、13位bark码、QPSK相位编码为16位Frank码和15位泰勒码。采样率为f，初始相位随机选取，信号参数设置如表3所示。

表2 选区域生成网络参数设置

表3 实验环境

网络需要进行两次训练，首先对特征提取网络进行训练，信号的采样点数为600，进行 Choi-Williams分析得到600×600的时频图。样本集中各个信号的个数分配情况如表4所示。

表4 信号参数设置

表5 样本集信号分配

对faster R-CNN进一步训练，设信号的采样点数为600，在1200个采样点的时间内，随机混叠1~3个信号作为一个样本，并叠加–5dB~5dB的噪声。将得到的1200个采样点的信号进行Choi-Williams分析得到1200×1200的时频图。训练样本数为60000。

为检验网络的分类和检测能力，设置数据对训练好的网络进行测试。设置–5dB~5dB信噪比下的信号数据，其中每种信噪比下无交叠脉冲，两信号交叠脉冲和三信号交叠脉冲的个数分别为500、400、300。

4.3 测试标准

训练好的深度神经网络具有检测、识别和参数提取的能力，用虚警率和漏检率对其检测性能进行评估；用识别准确率对其识别能力进行评估；以误差率估计信号参数的估计能力。

①虚警率

②漏检率

其中为虚警个数，为信号样本总数。

③识别准确率

④误差率

对时间估计误差和频率估计误差进行归一化，时频图中信号采样点数N为600，频率轴分辨率为1200，设正确识别信号的个数为M，则参数估计的误差率（以起始时间和起始频率为例）为

4.4 实验结果

用测试数据测试训练好的网络，输出效果如图8所示，其中，图a为无混叠信号的时频图信号检测与识别，图b、图c为两信号和三信号交叠情况的信号检测识别。交叠情况下多个信号的检测同时完成，本节为便于观看检测结果，图b和图c是一副时频图分开展示检测结果。

对三种情况下识别检测与参数估计性能进行统计评估如图9所示。

经上表分析可知，在无混叠情况下，网络的识别性能较强，在检测到信号的情况下，网络可以对信号进行正确的分类。在识别的基础上，网络的参数估计能力较强，信噪比在–2dB以上时，有较小的误差率。

在两信号交叠情况下，由上图数据分析可知，网络在低信噪比情况下，虚警概率升高，相比于无交叠情况，识别能力略有下降，同时参数估计能力和无交叠相比略有下降，但在–3dB以上，误差率保持在4%以内。

可以发现，在3信号混叠时，网络的检测能力受信噪比影响略大，但漏检率始终保持在10%以下，虚警率在信噪比–2dB以上时，保持在10%以下。信号识别能力在–2dB以上时，准确率在90%以上。参数估计误差在–3dB以上时依旧保持在4%以内。

综上所述，信噪比在–2dB以上，信号混叠个数为1~3个时，算法可以保证较高的检测识别正确率，并且有较小的参数估计误差。

（a）无混叠信号检测识别结果 （b）两信号交叠情况下测试结果

（a）No overlapping signal test result graph （b）Two signal overlap test result graph

（c）三信号混叠情况下测试结果

（a）信号检测识别结果

（a）Signal detection and recognition result

（b）信号参数估计结果

5 结束语

本文针对截获到的雷达脉冲信号为时域交叠情况，通过对交叠信号的时频变换，采用faster r-cnn网络对时频图上的信号进行检测和分类，实现了多信号调制识别和时频参数提取。经过测试，信噪比在–2dB以上时，三种信号交叠的情况下，深度网络有良好的检测识别和参数估计能力。

[1] 刘锋, 黄宇, 王泽众, 等. 复杂信号侦察理论及应用[M]. 北京: 科学出版社, 2016.

[2] 孟凡杰, 唐宏, 王义哲, 等. 基于时频图像纹理特征的雷达辐射源信号识别[J]. 弹箭与制导学报, 2017, 37(3): 153–160.

[3] 白航. 基于时频分析的雷达辐射源信号识别技术研究[D]. 郑州: 解放军信息工程大学, 2012.

[4] REDMON J, DIVVALS S, GIRSHICK R, et al. You only look once unified, real-time object detection [C]//IEEE Conference on Computer Vision and Pattern Recognition IEEE, Computer Society. 2016: 779–788.

[5] KAWANO Y, YANAI K. Foodcam: a real-time food recognition system on a smart phone[J]. Multimedia Tools and Applications, 2015, 74(14): 5263–5287.

[6] XU R, HERRANZ L, JIANG S, et al. Geolocalized modeling for dish recognition[J]. IEEE Trans. onMultimedia, 2015, 17(8): 1187–1199.

[7] UIJLINGS J R R, SANDE K E A, GEVERS T, et al. Se-lective search for object recognition[J]. International Journal of Computer Vision, 2013, 104(2): 154–171.

[8] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137–1149.

[9] GIRSHICK R. Fast R­-CNN [J]. Computer Science, 2015: 1440–1448.

[10] ZITNICK C L, DOLLÁR P. Edge boxes: locating object proposals from edges[C]// Computer Vi-sion-ECCV 2014: 13th European Conference, Zurich, Switzerland, Proceedings, Springer International Pub-lishing, 2014: 391–405.

[11] 袁博. 基于人工智能的雷达辐射源识别技术研究[D]. 西安: 西安电子科技大学, 2018.

[12] 刘鲁涛, 戴亮军. 基于频谱复杂度的雷达信号调制方式识别[J]. 哈尔滨: 哈尔滨工程大学学报, 2018.

[13] KAILONG Zhou, LI Zhuo, ZHEN Geng, et al. Convolutional neural networks based pornographic image classification[J]. 2016 IEEE Second International Conference on Multimedia Big Data. Taipei, China, 2016: 206–209.

[14] 伍伟明. 基于Faster R-CNN的目标检测算法研究[D]. 广州: 华南理工大学, 2017.

[15] 高震宇. 基于深度卷积神经网络的图像分类方法研究及应用[D]. 合肥: 中国科学技术大学, 2018.

[16] 刘浩东. 基于自动编码器与梯度提升模型的雷达工作模式识别研究[D]. 成都: 西南交通大学, 2018.

Radar signal modulation identification based on multilayer bidirectional LSTM

ZHENG Yu, SHEN Yongjian, ZHOU Yunsheng

（Beijing Research Institute of Telemetry, Beijing 100094, China）

When the electronic reconnaissance system receives the “time domain overlap pulse”, the traditional method chooses to discard it. However, with the increasingly complex electromagnetic environment, the pulse time domain overlap is intensified and the lost information is more and more. This paper proposes a detection and identification and parameter extraction method for time-frequency overlapping radar signals based on fast-regional convolutional network (faster r-cnn). Firstly, the time-frequency map is obtained by time-frequency transform of the radar signal, and the time-frequency diagram is learned by the fast r-cnn network. The trained network can perform modulation mode identification and position determination on the signal on the time-frequency diagram, thus achieving more In the case of signal overlap, signal detection, identification and time-frequency parameter extraction.

Faster R-CNN; Modulation recognition; Signal overlap; Deep Learning; CNN

TN974

A

CN11-1780(2019)03-0032-09

郑 渝 1994年生，硕士，主要研究人工智能算法在电子侦察方向的应用。

沈永健 1985年生，硕士，高级工程师，主要研究信息对抗系统及侦察信号处理。

周云生 1963年生，博士，研究员，长期从事航天与航天电子信息对抗系统装备研制。

2019-01-23

2019-04-28

Email:ycyk704@163.com

TEL:010-68382327 010-68382557