基于双CNN的雷达信号调制类型识别方法

金丽洁，武亚涛

（南京电子技术研究所，江苏南京 210039）

0 引言

早期雷达信号的调制样式相对简单，以点频和线性调频为主，辅以少量的相位编码信号。通过常规的脉冲特征（如脉宽、频率、幅度、到达时间和到达角等），就可以实现雷达辐射源信号分类和识别。随着现代军事战争中对抗技术的不断进步，为了增强雷达系统的抗干扰能力和协同作战能力，雷达工作波形不断复杂化，如相位编码、频率编码、非线性调频以及复合调制等。因此，基于常规脉冲特征的辐射源信号识别算法的劣势逐渐凸显，利用脉内调制信息的识别算法受到越来越多研究者的重视。

脉内调制信号分类识别有两种途径。一是先提取脉内特征参数，再结合分类器进行识别。该传统方法的识别准确率取决于特征的维数和可区分性，不同信号通常采用不同的特征来表征，随着信号的复杂化，特征参数的维度显著增加。二是基于深度学习的识别技术，一般是以信号的时频分布图作为输入。它可以自动提取调制信号隐式的高维特征，实现分类和识别。文献［9］结合STFT时频分布与CNN网络，实现了点频、LFM、FSK、BPSK、NLFM等6种信号的分类，准确率在90%以上。文献［10］将Choi-Williams分布与CNN结合，实现BPSK、LFM、Costas编码、Frank码以及多时码等5种信号的分类，信噪比-2 dB时，准确率在90%以上。此外，研究者还采用Margenau-Hill（MH）分布、Cohen类分布以及Gabor变换等时频分布，结合其他深度学习算法，如栈式稀疏自编码器（sSAE），实现雷达信号的调制类型识别。

上述大多数的方法都是针对固定调制参数的雷达信号。然而，在实际电磁环境中，雷达辐射源信号的调制类型是未知的，其调制参数也是未知的，这会导致识别准确率下降。为了增强算法的自适应能力，本文提出采用双CNN 串联的处理方式，对雷达信号进行识别处理，并通过常用的9种调制信号进行验证。前端CNN 用于区分不同类的信号，如点频、LFM、NLFM、FSK 和PSK 类，后端CNN 则用于区分BPSK、QPSK 以及复合调制BPSK+LFM、QPSK+LFM、BPSK+FSK等。

1 信号生成及时频分布

本文时频分析采用的是Wigner-Ville 分布，简称WVD，在时频分析中具有重要的地位和作用。

令信号()的傅里叶变换是(j)，那么()的Wigner-Ville分布定义为

WVD 得到广泛应用是因为其优点很多，然而也有一个缺点：存在交叉项。为了抑制交叉项，提出了加窗WVD，即伪WVD（pseudo WVD，PWVD），其表达式为

式中：()为窗函数，本文采用hamming窗。

仿真生成的信号调制类型分为9 种：点频、LFM、NLFM、FSK、BPSK、QPSK 以及3 种复合调制BPSK+LFM、QPSK+LFM、BPSK+FSK，采样点数固定为100，其PWVD如图1所示。

图1 不同调制类型信号的PWVD结果Fig.1 The PWVD of different modulation radar signals

图1 中各图像尺寸一致，大小为100×100 像素，横坐标为时间，纵坐标为频率。从图中可以看出：点频信号频点位置随机；LFM 斜率随机；NLFM 采用余弦调制，初始相位随机；FSK 与PSK 编码随机；复合调制信号则同时包含两种信号的特点。具体各信号参数的动态范围见表1，其中为中心频率，为带宽。

表1 各调制信号的主要参数和特征Tab.1 Main parameters and features of different modulation signals

以此9种信号的PWVD作为后续CNN的输入。

2 CNN结构

CNN通过感知野和权值共享，大大减少了网络参数的训练数目，进而减少了网络训练时间。目前主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，在语音识别与图像处理方面有着独特的优越性。

本文采用的CNN结构如图2所示，包含输入层、两个卷积层（C1、C3）和两个池化层（S2、S4），以及全连层。

图2 CNN结构Fig.2 The structure of CNN

输入层为待分类的信号时频图像，大小100×100；C1层有4种卷积核，大小11×11；S2是池化层，下采样倍数为3；C3 层有8 种卷积核，大小与C1 层相同；S4 池化层下采样倍数为4，得到8 个大小是5×5 的特征图像，最后通过全连接的方式与输出层相连。

3 处理流程

脉内调制类型识别流程如图3所示。流程中采用双CNN串联处理方式，其结构见图2。

图3 脉内调制类型识别流程Fig.3 Process of intra-pulse modulation type recognition

本文采用PWVD进行时频分析，主要是因为相比于其他时频分布（如短时傅里叶变换STFT、MH 时频分布以及Gabor 变换等），PWVD 在不同信号类型的脉内调制分析中具有更高辨识度。

图像预处理部分主要包括灰度化、平滑滤波和图像尺寸调整。灰度化是为了将信号强度归一化，避免识别结果受信号强弱的影响；再通过基于偏微分方程的图像降噪算法进行滤波降噪处理，从而提高低信噪比信号的适应性；图像尺寸调整是针对脉宽不同导致时频图尺寸不一致的情况，对图像进行插值或裁剪。

信号作平方是用于区分BPSK 和QPSK 信号，BPSK信号相位可表示为

式中：为载频；为码元个数；为码元宽度；为持续时间为的矩形窗函数，当且仅当0 ≤＜时()=1；α为0或π。

对BPSK 信号作平方可以得到()=2()=4π，即变成频率为2的单频信号。因此，经过平方处理后，在时频图中可以将BPSK（及其复合调制）信号与QPSK（及其复合调制）信号区分开来。值得注意的是，信号经平方处理后，载频增大1 倍，频谱可能出现反折现象，但只要CNN 网络训练中的样本足够充分，能够学习到各种时频样式，那么本文方法依然能够准确识别信号类型。

4 结果与分析

4.1 单CNN与双CNN结构识别结果对比

固定信噪比为0 dB，仿真生成9 种脉内调制类型信号，每种信号各1 200 个样本，其中训练样本数与测试样本数分别是1 000、200。

表2 中给出了单CNN 结构的脉内调制信号识别结果。

从表2 可以看出，信噪比为0 dB 时，点频、LFM、NLFM、FSK 和B+F 这5 种信号的识别准确率高于90%；其他4 种信号识别率较低，这是由于BPSK 与QPSK时频分布差异较小。

表2 SNR=0 dB时单CNN结构的识别结果Tab.2 Recognition results of single CNN when SNR is 0 dB

为了解决相位编码信号识别率低的问题，本文提出双CNN串联的网络结构（见图3），识别结果见表3～表4。

表3 SNR=0 dB 时CNN网络1识别结果Tab.3 Recognition results of CNN 1 when SNR is 0dB

表4 SNR=0 dB 时CNN网络2识别结果Tab.4 Recognition results of CNN 2 when SNR is 0dB

对比单CNN 与双CNN 结构的识别结果，点频、LFM、NLFM 以及FSK 这4种信号样式的识别准确率相似，然而PSK 类信号识别得到显著改善，综合准确率由50%提升至95%以上。

4.2 识别准确率与信噪比之间关系

实际战场环境中，侦收到的雷达信号有强弱之分，其脉冲信噪比并不固定。为了验证该网络结构的适应能力，以0 dB信噪比的网络参数为参考，分析识别准确率与信噪比之间的关系。图4给出了不同信噪比下，采用双CNN串联的9种调制类型识别结果曲线。

图4 双CNN网络识别结果Fig.4 Recognition results of double CNN

从图中可以看出，在信噪比高于0 dB 时，各调制类型信号的识别率均达到95%以上。

5 结束语

本文针对实际电磁环境中雷达信号调制类型多样化及调制参数未知的情况，克服现有技术中的缺点，提供了一种适用于雷达信号的调制类型识别方法。结合PWVD 时频分布，采用双CNN 串联的网络结构，实现9种调制类型信号的分类识别。

不同于已有的雷达辐射源调制类型识别方法，本文提出的双CNN 串联的处理方式具有较强适应性，在低信噪比且雷达信号调制参数不固定时，依然可以稳健地进行识别。此外，该方法对于PSK 类信号的识别具有独特优势。仿真结果表明，当信噪比为0 dB时，9 种调制信号的识别准确率高于95%。在现代电磁战场中，侦察敌军雷达信号，并进行信号识别，具有一定应用价值。