基于多模态小样本学习的雷达欺骗干扰识别

王奇伟，孙闽红，简志华，仇兆炀

(杭州电子科技大学通信工程学院，浙江 杭州 310018)

0 引 言

雷达欺骗干扰识别是雷达抗干扰核心技术之一，人工智能应用于雷达欺骗干扰识别的研究取得了一些进展。阮怀林等[1]采用栈式稀疏自编码器对雷达接收信号的时频特征进行降维处理，用SoftMax分类器完成了欺骗干扰的分类识别。文献[2]用卷积神经网络实现了常见的3类拖引干扰的识别。这些研究需要大量带标签的信号样本，但在真正的电子战环境中，很难提前获取大量敌方发射的欺骗干扰信号样本，只能根据接收机的异常来获取少量的欺骗干扰样本。因此，研究小样本条件下的雷达欺骗干扰智能识别具有现实意义和应用价值。近年来，小样本学习在机器视觉领域取得了不少成果，主要包括模型微调[3]、数据增强[4]和迁移学习[5-6]。基于模型微调的小样本学习方法先通过训练大量样本的数据集从而得到性能优异的分类模型，再在测试集上对模型进行微调；基于数据增强的小样本学习方法主要是对目标数据集的样本进行扩充，目前广泛使用的模型是生成对抗网络(Generative Adversarial Network，GAN)[7-8]；迁移学习方法需要源域数据集和目标域数据集存在一定关联，在源域中训练得到的知识和特征能够提高模型在目标域的分类性能，从而实现知识在不同数据域之间的迁移。在机器视觉领域，文献[9]提出多模态单样本学习算法，将多类单个语音信号与对应的图像信号进行模态匹配训练，实现了单样本条件下的语音信号分类。目前将小样本学习理论应用于欺骗干扰识别的研究不多，文献[10]结合半监督学习思想，使用少量带有类别标签的雷达接收信号集训练分类器，实现了欺骗干扰的识别；文献[11]在少量的带标注样本的条件下，用半监督生成对抗网络(Semi-Supervised GAN，SSGAN)和基于生成控制的半监督生成对抗网络(Generative Control SSGAN，GC-SSGAN)实现了欺骗干扰的半监督学习，提高了识别性能。目前，基于小样本学习的欺骗干扰识别方法主要是对目标数据样本进行扩充。但是，由于欺骗干扰信号与真实目标回波(True Target Echo, TTE)信号之间有较高的相似度，使得扩充后的样本间差异性不够明显。针对这一不足，本文受文献[12]方法的启发，提出一种多模态小样本学习欺骗干扰识别算法，对雷达接收信号进行“语音”和“视觉”模态的人为定义并假设具有相应的关联，用伪孪生网络进行模态信息匹配训练，实现了小样本条件下对欺骗干扰的识别。

1 欺骗式干扰信号模型

转发式欺骗干扰是指干扰机通过数字射频存储器(Digital Radio Frequency Memory, DRFM)对截获到的雷达信号进行幅度、时延、多普勒频率等调制后转发的欺骗干扰信号。本文选取典型的4种雷达欺骗干扰样式作为研究对象，分别为距离欺骗干扰、速度欺骗干扰、距离速度同步欺骗干扰以及密集假目标欺骗干扰。雷达发射信号以线性调频信号为例，表示为：

(1)

式中，A为发射信号的幅度，φ(t)=jπ(2f0t+kt2)，f0为中频频率，k为调频斜率，φ0为发射信号的初始相位，j为虚数单位。假如与雷达相距R0的位置处有1个目标，则此时雷达接收机接收到的真实信号为：

(2)

(1)距离假目标欺骗干扰(Range False Target Deception Jamming, RFTD)设备对干扰脉冲的转发时延进行调制，使得干扰脉冲和目标回波分别位于不同的距离门，以达到对雷达的距离欺骗干扰效果。当DRFM干扰机转发RFTD时，雷达接收机接收到的信号为：

(3)

式中，AR为距离欺骗干扰的幅度，tr为距离欺骗干扰的时延调制值，tf为距离欺骗干扰的时延调制值，φJ为干扰信号的初始相位。

(2)速度假目标欺骗干扰(Velocity False Target Deception Jamming, VFTD)设备根据截获到的雷达信号，对干扰脉冲的多普勒频率进行调制，使得干扰脉冲和目标回波分别位于不同的速度跟踪波门，导致雷达跟踪或检测时发生错误。当DRFM干扰机转发VFTD时，雷达接收机接收到的信号为：

(4)

式中，AV为速度假目标欺骗干扰的幅值，fJ为速度假目标欺骗干扰的多普勒频移调制值。

(3)在距离和速度这2个维度上产生距离-速度同步假目标欺骗干扰(Range -Velocity False Target Deception Jamming, R-VFTD)，假目标的距离和速度具有同步性，相对于真目标而言，假目标有一定的速度差且固定不变，真假目标速度差的存在使得假目标与真目标的相对距离发生变化，雷达不能根据实际测得的距离值和速度值对抗该干扰。当DRFM干扰机转发R-VFTD时，雷达接收机接收到的信号为：

(5)

(6)

然后将J1(t)重复n次，得到整个频谱弥散干扰的时域模型为：

(7)

式中，⊗为卷积算子，δ(t)为冲激函数。

2 欺骗干扰识别算法

2.1 算法原理

本文提出一种基于多模态小样本学习的雷达欺骗干扰识别算法。将少量雷达接收的时域信号定义为“语义”模态输入，将样本数量足够且识别性能较好的MINIST手写体数据集定义为其对应的“视觉”模态输入，并用神经网络在两者之间进行匹配关联训练，将待识别的雷达接收信号与不同类别的手写体数字分别输入至已经训练好的模型，匹配得到的差异最小的手写体数字对应的欺骗干扰类型即为识别结果，算法流程如图1所示。

图1 基于多模态小样本学习的雷达欺骗干扰识别算法示意图

2.2 预处理

考虑到训练样本数量的不足以及欺骗干扰与真实目标回波信号之间的高度相似性，选择有足够样本并且类别之间差异足够大的MINIST手写数字集作为雷达接收信号的“视觉”模态。在深度学习领域，MINIST手写体数据集是一个非常经典的数据集，最早被当作测试深度学习可行性的数据集。大量的实验研究表明，神经网络可以进行图像分类，卷积神经网络对手写体数据集有较高的识别率。

如图1(b)所示，定义雷达接收信号的“视觉”种模态，手写体数字“0”为真目标信号的“视觉”模态，数字“1”为距离假目标信号的“视觉”模态，数字“2”为速度假目标信号的“视觉”模态，数字“3”为距离-速度联合欺骗干扰信号的“视觉”模态，数字“4”为密集假目标干扰信号的“视觉”模态。

2.3 模态匹配

一般情况下，神经网络模型仅将输入信息的一种模态信息标签化后进行训练，而本文算法将雷达接收信号的2种不同模态信息同时输入至神经网络进行匹配训练，并且这2种模态的输入格式不一致，“语义”模态为一维时序数据，“视觉”模态为二维图像数据。孪生网络具有将输入数据映射到目标空间的优点，其应用背景与本文类似，已在基于度量学习的单样本学习中得到应用[12-13]，因此，本文选用伪孪生网络模型来完成输入样本的匹配训练，其网络结构如图2所示。假设网络的2个输入是X1和X2，映射函数分别为GW1(X)和GW2(X)，经过映射后输入分别表示为GW1(X1)和GW2(X2)，最后通过损失函数优化两者在特征空间的距离EW。

图2 孪生网络结构

伪孪生网络将训练集中成对的样本作为输入进行训练，考虑到输入2种模态数据格式的不同，本文使用的2个网络是不同的网络结构，分别为长短期记忆模型循环网络(Long-Short Term Memory，LSTM)和卷积神经网络(Convolutional Neural Network，CNN)它们不共享相同的权值。输入样本状态表示为(X1,X2,Y)，其中Y=0表示X1和X2模态匹配，相似性度量EW(X1,X2)是1个较大的值；Y=1则表示X1和X2模态不匹配，相似性度量EW(X1,X2)是1个较小的值，其中EW(X1,X2)=GW1(X1)-GW2(X2)2，表示2个输入样本之间的欧氏距离。损失函数的形式为：

(8)

式中，EW(X1,X2)same表示X1和X2模态匹配时的相似性度量，EW(X1,X2)different表示X1和X2模态不匹配时的相似性度量。为证明本文算法提出将雷达信号与手写体数字进行匹配训练的可行性，将文献[9]中语音信号与图像的匹配结果和文本数据的多模态匹配结果进行对比，用归一化的欧式距离进行模态之间的相似度度量，即距离差值越小相似度越高，差值越大相似度越低，结果如表1所示。

表1 不同数据集的模态匹配相似度

从表1可以看出，当输入样本模态匹配时，文献[9]中语音模态描述与视觉图像模态的归一化相似度略高于本文雷达接收时域信号与手写体数字的模态匹配结果；当输入样本模态不匹配时，本文数据集的相似度更低。只需模态匹配时的相似度相对高于模态不匹配时的相似度就可以用度量模块完成干扰识别，所以，将雷达信号与手写体数字进行模态匹配从而实现小样本条件下欺骗干扰识别的方法可行。

3 仿真实验与分析

为了实现少量带标签样本下欺骗干扰的识别，验证基于接收信号多模态小样本学习的欺骗干扰识别效果，对雷达接收信号中是否存在距离假目标欺骗干扰、速度假目标欺骗干扰、距离-速度同步假目标欺骗干扰和频谱弥散干扰进行仿真实验，雷达发射信号和欺骗干扰参数设置如表2所示。

表2 信号参数设置

将距离欺骗干扰、速度欺骗干扰、距离-速度联合欺骗干扰、频谱弥散干扰和真目标回波信号各产生800个，每种类型信号随机抽取600个信号作为训练集，剩下的样本作为测试集。实验在CPU为Intel(R) Core(TM) i7-8750H 2.20GHz，GPU为NVIDIA GeForce GTX 1060MaxQ的电脑上运行，内存为16 GB，硬盘容量为512 GB的固态硬盘，所有数据仿真均通过MTALAB 2018a编程实现。

3.1 不同带标签样本数情况下的识别性能

伪孪生网络模型分别采用LSTM网络和CNN网络，将接收信号的不同模态进行匹配，其中LSTM网络的参数设置为：输入信号的长度为800，隐藏层的神经节点为1 200，输出神经元个数为24；CNN网络的参数设置为：3层卷积层，第1层的卷积核个数为32，第2层的卷积核个数为64，第3层的卷积层的个数为120，下采样层为2×2的最大池化层，最后1个隐藏层的神经元个数也为24。使用欧式距离定义2个网络输出特征向量的相似度，初始学习率设置为0.001，batch size为128，使用自定义的交叉熵作为损失函数，优化器为Adam。

从样本集中分别随机抽取250，500，750，1 500和3 000个带标签接收信号样本，训练集与测试集的比例为4∶1，不同接收信号匹配的“视觉”模态样本为5 000个。仿真得到不同带标签样本数量场景下，本文算法欺骗干扰的平均识别效果随着干噪比的变化曲线如图3所示。从图3可以看出，随着带标签训练样本数量增加，本文算法的识别性能不断提高。3 000个测试样本全部用于训练，在干噪比大于0 dB时，欺骗干扰平均识别率达到92.26%以上，说明本文算法在样本充足时的欺骗干扰识别性能较好。当训练样本数量降低到7.50%，干噪比为9 dB时，平均识别率能达到90.05%以上；在样本数量降低到12.50%的情况下，在干噪比为7 dB时能达到94.07%以上的识别率；在样本数量降低到25%的情况下，在干噪比为3 dB时能达到90%以上的识别率；样本数量降低到50%的情况下，欺骗干扰的识别性能始终高于90%。综上分析可知，本文算法不仅能在样本不足的条件下对欺骗干扰信号进行识别，而且在识别性能上有较大的改善。

图3 不同样本数的识别效果

3.2 不同“视觉”模态匹配样本数情况下的识别性能

匹配集样本数量分别为1 000，3 000和5 000，从干噪比为10 dB的样本集随机抽取750个带标签样本，训练集与测试集的比例为4∶1，神经网络模型与3.1节实验设置一致，样本数量减小到25%时，本文算法的识别性能与匹配集数量的关系如表3所示。

表3 样本数量减小到25%时，本文算法的识别性能

从表3可以看出，本文算法的识别性能受匹配集数量的影响较大。匹配集数量为1 000时，算法的平均识别率为79.46%；匹配集数量为3 000时，平均识别率为94.92%；匹配集数量为5 000时，平均识别率为98.26%。综上分析可知，本文算法的整体识别性能较好，根据对欺骗干扰识别技术指标的实际需求设置合适的匹配集数量，可以有效降低训练时间。

3.3 不同算法的识别性能对比

将本文算法与文献[10]采用的基于S4VM的识别算法、文献[11]采用的基于改进模型GC-SSGAN的识别算法的欺骗干扰识别性能进行比较。设置仿真场景为：信噪比为10 dB，匹配集数量为5 000，训练集不同类型的雷达接收信号数量为500个(样本数量降低到25%)，训练集与测试集的比例为4∶1，3种识别算法使用相同数据集，得到的欺骗干扰识别率如表4所示。

表4 不同算法的欺骗识别率

从表4可以看出，在相同实验环境下，文献[10]算法的欺骗干扰平均识别率为89.6%，文献[11]算法的欺骗干扰平均识别率为91.6%，本文识别算法的欺骗干扰平均识别率为95.4%，比文献[10]算法的识别率提高了5.8%，比文献[11]算法的识别率高3.8%。

4 结束语

本文首先将手写体数字图像定义为雷达信号的“视觉”模态，然后通过模态匹配训练，使得映射后的2种模态向量具有高度相似性，最后用度量模块完成了多模态小样本学习的欺骗干扰识别。仿真实验表明，即使人为看来是相互独立的2个数据集，通过神经网络模型训练后，仍可以让其映射到具有高度相关性的目标空间。但是，本文只实现了基于仿真数据的小样本雷达欺骗干扰识别，由于实战环境中电磁信号具有复杂性，下一步将对实测数据下的雷达欺骗干扰识别展开进一步研究。