基于改进型AlexNet的LPI雷达信号识别

杨洁 张欢

摘  要： 为了识别低截获概率（LPI）雷达信号，给出一种基于Choi?Williams分布（CWD）和改进型AlexNet网络模型。首先，利用CWD时频分析方法获得LPI雷达信号的二维时频图像;然后，对获取的原始圖像进行预处理，建立改进型AlexNet网络模型对处理后的图像进行训练，获得训练模型;最后，利用训练模型对常见LPI雷达信号（FMCW，Costas，Frank，P1，P2，P3，P4）进行识别。仿真结果表明，与AlexNet网络模型相比，改进型AlexNet对LPI雷达信号识别率更高。

关键词： LPI雷达信号; Choi?Williams分布; 时频图像; 图像处理; 深度学习; AlexNet

中图分类号： TN957.52?34                        文献标识码： A                        文章编号： 1004?373X（2020）05?0057?04

LPI radar signal recognition based on improved AlexNet

YANG Jie， ZHANG Huan

（School of Communication and Information Engineering， Xian University of Posts and Telecommunications， Xian 710121， China）

Abstract： A Choi?Williams distribution （CWD） and an improved AlexNet network model are presented to identify the low probability of intercept （LPI） radar signals. Firstly， the two?dimensional time?frequency image of LPI radar signals is obtained by CWD time?frequency analysis method， and then the obtained original image is preprocessed. The improved AlexNet network model is created to train the processed image for the training model. Finally， the training model is used to identify common LPI radar signals （FMCW， Costas， Frank， P1， P2， P3， P4）. The simulation results show that the improved AlexNet has a higher recognition rate for LPI radar signals than that of the AlexNet network model.

Keywords： LPI radar signal; Choi?Williams distribution （CWD）; time?frequency image; image processing; deep learning; AlexNet

0  引  言

雷达信号识别是电子情报侦察和电子支援措施必须解决的问题[1]。低截获概率（Low Probability of Intercept，LPI）雷达具有低功率、高分辨、大带宽、抗干扰和低截获等属性，使得非合作截获接收机难以截获和检测到其发射的信号[2?3]。传统基于脉冲描述字（Pulse Description Word，PDW）的五大特征难以满足识别要求[4]。因此，如何正确识别LPI雷达信号成为非合作雷达信号处理研究的重点。

用于LPI雷达信号识别问题的方法有K邻近算法[5]、密度聚类算法[6]，这两种算法虽然操作简单，耗费的成本较少，但往往识别效果不太理想[7]。文献[8]利用径向基神经网络对LPI雷达信号进行识别，但对降噪处理研究不深且在较低信噪比下识别的效果不太理想。文献[9]采用基于时频图像二维的模式分解（Empirical Mode Decomposition，EMD）和重构算法完成LPI雷达信号识别，虽然改进了文献[8]中的图像降噪问题，但对较低信噪比下的识别正确率改进的不明显。这些算法采用的时频分析方法产生的图像存在交叉项，又需要将彩色图像转化为灰度图像，使得图像的前期处理任务复杂而繁琐，且在图像裁剪时会出现一定量的数据丢失现象，从而对分类正确率有一定的影响。

AlexNet网络模型结构简洁，采用了一些新方法以实现高效的训练和稳定的收敛速度。已经在图像分类识别[10]、通信信号识别[11]、遥感图像[12]以及个体动态识别[13]上都取得了非常优秀的效果。本文提出基于时频图像和改进型AlexNet的LPI雷达信号识别方法，先利用Choi?Williams方法生成时频图像，然后对时频图像预处理，最后将改进型AlexNet网络模型应用到LPI雷达信号识别中。通过仿真实验验证了改进型AlexNet网络模型对LPI雷达信号识别的有效性。

1  时频分析与AlexNet网络模型

1.1  LPI雷达信号与时频分析

改进型AlexNet模型对LPI雷达信号进行训练的迭代过程准确率和损失率曲线如图4所示。信噪比为0 dB时7种雷达信号的混合识别结果如表1所示，此时信号的整体平均识别率为97%。

由图4可见，训练开始时由于没有进行迭代使得训练正确率低、损失率高，随着迭代次数不断增加，获得的图像特征更加精细，从而正确率不断增加，同时损失率曲线逐步降低，在迭代2 000次时曲线已经趋于平稳。

在不同信噪比下，利用实验中训练好的改进型AlexNet网络模型测试对7种雷达信号的正确识别率，实验结果如图5所示。由其可见，在信噪比小于-2 dB时，P3码信号和P4码信号的识别正确率低，这是因为它们的信号编码是直接趋近LFM信号，这种相似性从图1所给出的时频图像中可以明显看出。但在越低的信噪比条件下，它们的瞬时频率差距就变得越模糊。在信噪比为2 dB的情况下，7种信号的正确识别率几乎达到100%。

在实验过程中，使用相同的时频分析和图像处理方法比较AlexNet和改进型AlexNet训练模型分别对7种雷达信号识别的准确率，对比结果如图6所示。

从图6可以看出：改进型AlexNet网络模型的识别率和传统的AlexNet模型识别率都随着信噪比的增大不断提高，当信噪比为2 dB时，改进型算法对信号整体识别率接近100%，而AlexNet在信噪比为6 dB时识别率才趋于稳定状态;改进型AlexNet模型在训练时获得更细致的图像特征，并减少了连接层节点数量，防止过拟合，与传统AlexNet模型的识别率相比，其识别正确率始终高于传统模型的正确识别率。

4  结  语

针对LPI雷达信号的识别问题，本文提出了一种改进型AlexNet网络模型的LPI雷达信号识别。采用CWD时频分析对LPI雷达信号进行处理，获取二维时频图像，然后利用双线性三次插值法对时频图像进行预处理操作，以满足改进型AlexNet网络模型的输入大小。分别利用AlexNet和改进型AlexNet对LPI雷达信号进行识别，仿真结果表明，利用这两种网络模型用来识别LPI雷达信号是有效的，且改进型算法识别正确率更高。

参考文献

[1] 符颖，王星，周东青，等.基于模糊函数SVD和改进S3VM的雷达信号识别[J].计算机工程与应用，2017，53（6）：264?270.

[2] 郭立民，寇韵涵，陈涛，等.基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别[J].电子与信息学报，2018，40（4）：876?881.

[3] 符颖，王星，周一鹏，等.基于改进半监督朴素贝叶斯的LPI雷达信号识别[J].系统工程与电子技术，2017，39（11）：2463?2469.

[4] ZHANG Ming， LIU Lutao， DIAO Ming， et al. LPI radar waveform recognition based on time?frequency distribution [J]. Sensors， 2016， 16（10）： 1682?1706.

[5] 沈家煌，黄建冲，朱永成.特征参数匹配法在雷达信号识别中的应用[J].航天电子对抗，2017，33（2）：9?13.

[6] YANG Tsunhua， FENG Lei， CHANG Lungyao. Improving radar estimates of rainfall using an input subset of artificial neural networks [J]. Journal of applied remote sensing， 2016， 10（2）： 026013

[7] TBARKI Khaoula， SAID Salma Ben， KSANTINI Riadh， et al. RBF kernel based SVM classification for landmine detection and discrimination [C]// 2016 International Image Processing， Applications and Systems （IPAS）. Hammamet， Tunisia： IEEE， 2016： 1?6.

[8] 熊坤来，罗景青，吴世龙.基于时频图像和神经网络的LPI雷达信号调制识别[J].弹箭与制导学报，2011，31（5）：230?233.

[9] 张帆，刁鸣，杨承志.时频图像二维EMD分解在LPI信号识别中的应用[J].现代防御技术，2015，43（5）：172?177.

[10] XIAO L， YAN Q， DENG S. Scene classification with improved AlexNet model [C]// 2017 12th International Confe?rence on Intelligent Systems and Knowledge Engineering （ISKE）. Nanjing， China： IEEE， 2017： 1?6.

[11] LI Jiachen， QI Lin， LIN Yun. Research on modulation identification of digital signals based on deep learning [C]// 2016 IEEE International Conference on Electronic Information and Communication Technology （ICEICT）. Harbin， China： IEEE， 2016： 402?405.

[12] HINTON Geoffrey， SALAKHUTDINOV Ruslan. Discovering binary codes for documents by learning deep generative models [J]. Topics in cognitive science， 2011， 3（1）： 74?91.

[13] 张邯，罗晓曙，袁荣尚.基于优化的卷积神经网络在交通标志识别中的应用[J].现代电子技术，2018，41（21）：132?136.

[14] LIU Yongjian， XIAO Peng， WU Hongchao， et al. LPI radar signal detection based on radial integration of Choi?Williams time?frequency image [J]. Journal of systems engineering and electronics， 2015， 26（5）： 973?981.

[15] MATUSZEWSKI Jan， SIKORSKA??UKASIEWICZ Katarzyna. Neural network application for emitter identification [C]// 2017 18th International Radar Symposium （IRS）. Prague， Czech Republic： IEEE， 2017： 1?8.