基于Stacking组合分类算法的新体制雷达型号识别技术

徐 晶 张生杰 张译方 周 超 闫亚斌 邱光辉

(西南电子设备研究所 成都 610036)

0 引言

雷达辐射源型号识别是将侦测到敌方雷达发射的信号，在信号分选基础上，分析工作参数，实现雷达辐射源型号判识，完成准确的威胁判断和搭载平台识别，为作战指挥人员提供战场态势信息和战术决策行动信息[1-2]。

随着新体制、多功能雷达的广泛运用，战场电磁环境呈现密集性和复杂性，雷达信号呈现频率捷变快、参数变化多的特点，传统雷达信号处理在分选、关联、识别各个环节面临巨大挑战，难以有效处理新体制雷达信号[3]。其中，以相控阵雷达型号的准确识别问题尤为突出；另一方面，随着神经网络等人工智能算法的引入，一定程度上解决了对复杂雷达信号的识别问题[4-6]。但由于战场环境的非合作化，复杂体制雷达信号参数的可区分特征维度少、样本数据存在错误、缺失等特点，要求所运用的人工智能算法能够同时具备对小样本数据泛化能力和对错误样本数据容错能力的特点[7]。因此，运用诸如随机森林、SVM、CNN等目前较为成熟的单一人工智能算法无法取得最优的识别效果。

为解决上述问题，本文提出一种基于Stacking组合分类方法的雷达辐射源型号识别技术，通过构造两级叠加式架构，将卷积神经网络、支持向量机等机器学习算法组合，丰富识别手段，同时扩展识别参数维度，结合特征规律和不同智能算法的特点，针对性地将不同参数作为各个分类器的输入特征向量，达到对特征参数的最佳运用，形成对复杂体制雷达的准确识别。

1 Stacking框架基本原理

Stacking框架是一种叠加式分类器[10]，具有较强的可扩展性，组合的层次可以从一层到多层向上延伸，该方法将组合问题看做归纳过程，利用前一级模型的输出作为下一级的输入，使得前一次的学习能充分用于后面的归纳过程，发现并纠正分类偏差[11]，提高学习的精度。

Stacking框架通常采用的是两级式框架结构，通过对多个分类器的输出结果进行融合，利用前一级分类器的输出结果以及其他的特征作为下一级分类器的学习输入特征，使得后一级的学习对前一级输出结果进行充分的归纳学习，同时能及时发现识别误差并纠正，从而获得比单个独立分类器更优异的识别率[12]。两级Stacking框架中第1级代表各个成员分类器，称为基分类器，第2级代表更高一层的融合归纳分类器[13]，称为元分类器，决定Stacking泛化能力的关键是基分类器和元分类器的组合方式。

Stacking框架工作的过程分为训练和分类两个阶段，训练阶段采用训练样本数据来创建第1级和第2级分类器，分类阶段使用生成的1、2级分类器来测试未知类别的数据类别[12]。

1.1 训练过程

首先利用训练数据对第1级分类器进行训练，训练过程采用交叉验证的方式进行[13]，假设训练数据为

D={(x(n),y(n)),n=1,2,3,…,N}

其中：x(n)代表第n个训练样本数据，y(n)代表训练样本标签，随机将训练数据划分为k个大小基本相等的子集D1,D1,…,Dk，分别定义Dk和D(-k)=D-Dk为K折交叉验证中的第k折测试集和训练集。给定S个分类学习算法作为第1级归纳算法，对训练集D(-k)用第s个算法归纳得到模型D(-k),s=1,…,S。

Dcv={(yn,z1n,…,zsn),n=1,…N}

图1 Stacking的泛化示意图

基于Stacking的组合分类器方法系统架构如图2所示。

图2 基于Stacking组合分类器系统架构

1.2 分类过程

对于输入的一个待分类样本x，对它的分类过程分为如下两步：

1)由第1级分类器对它进行分类，得到预测结果；

2)将第1级分类器的预测结果看做是一个新的预测样本，送入第2级分类器，由第2级分类器来预测类别[14]。

2 基于Stacking框架的识别技术

雷达辐射源型号识别的关键在于特征参数和分类器的选择。分类器选择主要面临如下挑战：一是特征矢量比较复杂，维度较多，对分类器识别能力提出较高的要求；二是雷达辐射源识别作为侦收机信号处理的关键环节，接收到的信号持续时间较短，分类器必须具备在小样本条件下的快速、稳定识别能力，识别准确率必须满足实战化需要[15]。

2.1 总体思路

参照Stacking组合分类器系统架构，将传统一级分类架构扩展到两级，通过一个融合模型来融合若干个单模型的预测结果，这个单模型称为1级模型，融合模型称为2级模型，第1级分类器采用卷积神经网络(CNN)，第2级分类器采用支持向量机(SVM)，通过合理组织两级分类器使得Stacking架构具备更优异的泛化能力。利用新体制雷达脉间常规特征参数、脉内特征参数，实现对雷达不同特征参数识别结果的融合。

2.2 分类器选择

由于受电磁环境的影响，侦收到的辐射源信号数据受到严重干扰，无法准确提取表征信号的有效特征，尤其是新体制雷达技术的快速发展使得现有技术无法灵活适应，因此需采用类似大脑皮层多级处理的层级编码结构智能化提取更抽象的深层特征。

神经网络分类器具有分析非线性模式数据、处理大数据的能力，处理分析数据速度较快，通过对数据特征的学习和记忆达到对未知类别数据的准确识别[21]。卷积神经网络(CNN)作为一种典型的深度学习算法，目前广泛应用于图像处理、语音识别等领域，取得了突破性的成果。深度学习模型从低层次特征提取更高层抽象特征属性，实现了复杂的非线性函数逼近，较浅层模型泛化能力更强，能刻画数据更丰富的本质信息[16]。卷积神经网络采用“局部感受区域”的策略，以减少网络中的非重要参数，同时采用权值共享和降采样技术，大幅减少了训练参数的数量，提高训练识别速度并有效防止网络过拟合，以达到更好的学习和泛化效果，能取得较好的识别准确率。根据目前的研究资料，雷达辐射源识别领域采用的均是人为设计的特征参数，深度特征的学习尚未得到广泛应用，提取雷达辐射源信号深层表征特征是目前亟待解决的问题。

支持向量机(SVM)专门研究小样本条件下机器学习规律，在处理高维数据时，能有效解决“维度灾难”，具有很好的泛化能力[17-19]。支持向量机在解决小样本、非线性及高维模式识别问题中表现出结构简单、全局最优、泛化能力强等许多特有的优势[18]，已在许多研究领域得到成功应用。

雷达辐射源数据具有非合作、小样本、碎片化等显著特点，因此辐射源分类识别是在小样本条件下的非线性分类问题，对识别速度和识别准确率均有较高的要求，为了提取雷达辐射源深层特征，实现多维度特征数据处理，本文采用卷积神经网络作为第1级分类器，为了解决小样本条件的判识问题，增强识别模型的泛化能力，采用支持向量机作为第2级分类器，SVM卷积核采用径向基函数(RBF)。

2.3 系统设计

本文采用Stacking框架与机器学习算法相结合的方式，系统结构如图3所示。主要分为训练过程和识别过程。

图3 Stacking融合算法分类器实现

其中，训练过程为：

1)数据预处理

预处理步骤主要分为数据过滤、特征提取，具体为：

①数据过滤：为了滤除噪声及背景信号影响，根据已知数据接收情况，按照频段、参数范围等规则进行过滤；

②特征提取：根据信号分选算法、特征提取算法挖掘常规信号特征及脉间细微特征，根据脉内特征提取算法分析脉内调制特征参数。

2)标签加载

根据先验知识，对信号特征参数数据赋予对应的标签(特征参数对应的目标ID)。

3)第1级分类器训练

传统特征参数在雷达辐射源型号识别领域仍具有非常重要的作用，因此以传统特征参数为主，脉间细微特征、脉内特征为辅，训练识别分类器。为了提取雷达信号深层特征，第1级分类器采用卷积神经网络。利用传统特征参数训练第1级分类器中第一个卷积神经网络，利用传统特征参数加脉间细微特征训练第1级分类器中的第二个卷积神经网络，利用传统特征参数加脉内特征训练第1级分类器中的第三个卷积神经网络。

4)第2级分类器训练

第2级分类器采用支持向量机(SVM)，将第1级分类器中三个卷积神经网络的输出，结合脉内特征，形成第1级分类器输出的特征向量，标签与第1级分类器的标签相同，利用第1级分类器输出的特征向量及标签训练第2级分类器。

第1级分类器和第2级分类器训练过程如图4所示。

图4 训练测试过程

5)模型保存

将第1级分类器中的三个卷积神经网络训练的模型加标签、第2级分类器训练的模型加标签及备注信息依次保存至模型文件中，在每个模型数据之前先保存模型标识信息，用以标识各个模型，模型保存方式如图5所示。

图5 模型保存方式

识别过程为：

1)数据预处理

识别的预处理方式与训练的预处理过程相同，即需要对原始数据进行过滤、信号特征参数提取等操作。

2)分类识别

首先加载已训练的模型文件，根据模型标识完成对应分类器的初始化，根据数据预处理提取的信号特征参数，采用Stacking架构模型进行识别。

3)结果输出

采用第2级分类器的结果，作为最终的结果输出。

3 仿真分析

运用仿真方法生成6类新体制雷达目标特征参数，按照上述算法进行验证分析。

不同分类器的识别结果混淆矩阵如图6、图7、图8所示。采用识别准确率、召回率、F1-Score指标验证不同分类器的识别性能。验证结果如表1、表2、表3所示。

图6 CNN识别结果归一化混淆矩阵

图7 SVM识别结果归一化混淆矩阵

图8 Stacking识别结果归一化混淆矩阵

表1 CNN分类器识别结果

表2 SVM分类器识别结果

表3 Stacking分类器识别结果

从表1、表2、表3的验证结果可以看出，相对于单一分类器SVM、CNN，本文提出的Stacking组合分类算法能提高1%～2%的识别准确度，因此，对于不同体制雷达，不需要针对性地选择最优的基分类算法，而是利用组合分类算法去组合不同的基分类器，这种组合结果可以充分应用不同特征参数对不同使用场景的分类贡献率，结合不同信号特征参数取得最佳分类效果，具有较强的工程应用价值。

4 结束语

本文从机器学习算法着手，以雷达信号特征参数为基础，将卷积神经网络、支持向量机应用在新体制雷达型号识别领域，采用不同基分类器学习不同维度信号特征参数，利用Stacking架构组合不同分类器的识别结果，实现新体制雷达型号的准确判识，相对于单一分类器，本文提出的识别技术能有效提升雷达辐射源识别率，具有较好的应用前景。