基于深度残差网络的脉内调制信号识别研究

邵广庆，陈歆伟，包 军，周 钧，许海波，晏 杨

（中国航天科工集团8511 研究所，江苏 南京 210007）

0 引言

复杂雷达的脉内调制信号识别一直是电子对抗的关键技术和难题。为了进一步识别新型复杂体制雷达，研究人员开始投入大量的精力于脉内特征提取研究。雷达信号脉内特征作为一种细微特征，是对不同调制的雷达进行分选和识别的重要参数，在此基础上对雷达辐射源进行识别，可以提高识别的准确率，为新一代电子对抗系统在单脉冲基础上实现雷达信号识别提供了有力的支撑。

目前传统的脉内调制信号识别方法主要包括2种：一种是通过似然比检验来判断信号的调制类型，基于似然函数的算法，首先计算接收到的雷达信号的似然函数，然后将似然比和门限进行比较来判断接收信号属于哪种调制类型。基于似然函数的算法能够达到贝叶斯准则下最小的错误识别概率，但是其计算量太大，可靠性较差。另外一种则是通过分析雷达复杂脉内调制信号的产生机理，通过人工进行特征参数提取，并应用常见的模式识别模型对脉内调制信号进行识别，但是该方法依赖于人工特征参数提取，需要消耗大量的人力和资源。

近些年来，深度学习在分类和识别任务中取得了优异的成绩，作为深度学习的重要代表，卷积神经网络具备出色的非线性特征提取能力，可以通过对训练样本进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化非线性的特征表示，无需人工提取特征，自动地从复杂的数据中学习特征。而深度残差网络在深度卷积神经网络的基础上引入了恒等映射操作，有效地解决了深度卷积神经网络随着训练层数增加而出现的性能退化的现象，进一步提升了深度卷积网络提取抽象特征的能力。目前，基于深度学习的方法也逐渐用于雷达脉内调制信号识别。

本文通过对常规信号（NS）、线性调频（LFM）、非线性调频（VFM）、二相相位编码（BPSK）、二频编码（2FSK）、线性调频-二相编码复合信号进行仿真，构建完备的复杂调制信号数据库；然后利用STFT 对脉内调制信号进行时频分析，获取脉内调制信号时频图作为设计深度残差识别模型的输入；根据时频图的特点设计相应的深度残差神经网络，并采用正则化手段增强识别网络的泛化能力，在低信噪比下对复杂雷达脉内调制信号进行精确识别。

1 算法分析

1.1 信号模型

假设中频信号观测模型为：

式中，为信号载频，为初相，()为幅度函数，()为相位函数。不同的脉内调制类型体现在相位函数的差异。常规信号相位函数为0；线性调频信号相位函数为π；非线性调频信号相位函数为πk()，k()为频率调制函数；二相相位编码相位函数为0 或π；二频编码相位函数为0；线性调频-二相编码复合信号在线性调频信号的各子脉冲内进行相应的二相编码调制。

1.2 复杂脉内调制信号时频分析

由于仿真生成复杂雷达调制信号的关键参数往往有着很大差异，如LFM 信号，其脉冲宽度、中心频率、调频斜率均会在一定的范围发生改变，因此，对于复杂调制信号来说，从时域上对它们进行区分具备相当的难度，尤其是在低信噪比的情况下，复杂调制信号在时域上更加难以区分。因此，先对复杂的调制信号进行STFT，获得复杂调制信号时间与其频率之间的关系，从而获取更清晰的特征表示，其STFT 定义如下：

式中，()为中频信号，()为窗函数，本文所采取的窗函数为汉明窗。

1.3 传统脉内调制信号识别模型设计

近些年，脉内调制信号识别的研究主要集中在基于人工提取特征参数加训练分类器的算法上。本文针对复杂调制信号的特点，分别从时域、频域、小波域等分别提取复杂调制信号的特征参数，其人工提取的特征参数共十维，为时域矩偏度、时域矩峰度、包络起伏度、信息维数、香农熵、归一化瞬时幅频最大值、相位相关系数、灰度矩、功率谱最大熵、高阶累积量。分类器主要采取目前主流的集成分类器随机森林。传统脉内调制信号识别模型如图1 所示。

图1 传统脉内调制信号识别模型

1.4 基于深度残差网络的脉内调制信号识别模型设计

基于深度残差网络的脉内调制信号识别模型（STFT-2D-ResNet），如图2 所示，其识别算法的具体步骤如下：

图2 基于深度残差网络的脉内调制信号识别模型

1）为了充分发挥深度残差网络特征提取能力，本文先对复杂的调制信号进行STFT，得到时频图。

2）为了加快识别网络的训练速度，将得到的彩色时频图进行灰度化操作得到灰度图，然后将灰度图进行缩放处理得到相同尺寸的灰度图（有利于深度残差识别网络的学习）。

3）将时频灰度图随机划分成训练集、验证集和测试集。

4）将训练集送入到初步设计深度残差网络进行学习，通过验证集调整识别网络结构，设计出最优的深度残差识别网络。其中，为了充分发挥卷积层数提取深度特征的性能以及加快网络的训练速度和减小网络过拟合的现象，引入了批量归一化（BN）、L2 正则化、Dropout 和标签平滑（LS）操作。

5）将测试集送入到训练好的深度残差网络，经过多个卷积块和残差块的操作，将卷积（CONV2D）、BN、非线性变换（ReLU）、池化（Max Pooling2D）得到的特征向量进行全局平均值池化（Global Average Pooling2D），得到复杂调制信号的深度鲁棒特征，将其送入到Softmax分类器，得到复杂雷达脉内调制信号的类别。

2 仿真分析

2.1 脉内信号仿真参数设置

仿真验证采取的采样率为200 MHz、360 MHz 和500 MHz。6 种雷达信号参数如下。

1）对 于LFM 信号，其脉宽P的范围是200 ns ≤P≤100 μs，带宽的范围为0 ＜≤f/2，中心频率f的范围为0 ＜f≤f/2，线性调频的斜率的范围为-/P≤≤/P，信 号 幅 度的 范 围1 ≤≤100，仿真产生的每个样本的采样点数量的范围 为P f≤≤P f。

2）对于BPSK 信号，其码元个数N的范围为8 ≤N≤64，码元宽度D为100 ns、200 ns、500 ns、800 ns或1 000 ns，信号幅度的范围1 ≤≤100，中心频率f的范围为f/10 ＜f≤f/2。码序列为随机码，每组不同的码元宽度对应于不同的随机码，仿真产生的每个样本的采样点数量的范围为D N f≤≤D N f。

3）对于2FSK 信号，其码元个数N的范围为8 ≤N≤64，码元宽度D为500 ns、800 ns 和1 000 ns，信号幅度的范围1 ≤≤100。码序列为随机码，每组不同的码元宽度对应于不同的随机码，2 个频点间隔的范围为0.5 MHz ≤≤100 MHz。

4）对于VFM 信号，主要采取的是V 型调频信号，其脉宽P的范围是200 ns ≤P≤100 μs，带宽的范围 为0 ＜≤f/2，中心频率f的范围为0 ＜f≤f/2，信号幅度的范围1 ≤≤100，仿真产生的每个样本的采样点数量的范围为P f≤≤P f，调频 的 斜 率的 范 围 为 -/(2P)≤≤/(2P)。

5）对于NS 信号来说，其脉宽P的范围是200 ns ≤P≤100 μs，中 心 频 率f的 范 围 为0 ＜f≤f/2，信号幅度的范围1 ≤≤100，仿真产生的每个样本的采样点数量的范围为P f≤≤P f。

6）对于LFM-BPSK 复合信号来说，其脉宽P的范 围 是200 ns ≤P≤100 μs，带 宽的 范 围 为0 ＜≤f/2，中心频率f的范围为f/20 ＜f≤f/10，线性调频的斜率的范围为0 ≤≤/P，码元个数N的 范 围 为8 ≤N≤32，码 元 宽 度 选 择500 ns、800 ns。码序列为随机码，每组不同的码元宽度对应于不同的随机码。

在关键仿真参数，如脉宽、中心频率、调频斜率、码元宽度、码元个数、码元序列、带宽、信号幅度、采样点不同的情况下，是很难区分不同的复杂调制信号类型，这更加接近实际的复杂的战场情况。

2.2 基于深度残差网络的脉内调制信号识别模型参数设置

对于基于深度残差网络的脉内调制信号识别方法，将调制信号数据集划分为训练集、验证集和测试集。由于对单个复杂调制信号进行STFT 得到的时频图数据量较大，会影响识别网络的训练速度，因此对时频图进行灰度化操作，并进行缩放处理得到相对应的训练集、验证集和测试集。对于传统识别方法的识别方法，主要采取人工提取时域矩偏度、时域矩峰度、包络起伏度、信息维数等10 维特征训练随机森林分类器的方法（Feature-RF）。此外，为了探究信噪比对提出的识别模型识别精度的影响，通过引入高斯白噪声来改变复杂调制信号数据集的信噪比。其中，信噪比的取值为2 dB。以此来探究低信噪比下所设计的识别模型的识别精度变化情况。

关于STFT-2D-ResNet 网络模型的具体参数设置如表1 所示。网络中共进行了14 次卷积操作，充分发挥了卷积层的特征提取能力。

表1 基于STFT-2D-ResNet 的雷达调制信号识别模型网络参数表

2.3 仿真试验

为了探究STFT-2D-ResNet 识别模型对于不同采样率下根据不同关键参数仿真得到的复杂调制信号的识别性能，本实验在200 MHz、360 MHz 以及500 MHz 下各自仿真了12 000 个样本，各自包含LFM、BPSK、2FSK、VFM、NS 和LFM-BPSK 共6 类调制信号，每类调制信号各自仿真了2 000 个样本，在每类1 000 训练样本共6 000 训练样本以及每类200 验证样本共1 200 验证样本，每类800 测试样本共4 800 测试样本的条件下，通过3 次独立重复实验，得到的复杂调制信号识别结果如表2 所示。可以看到，在不同采样率的情况下，STFT-2D-ResNet 对复杂脉内调制信号的识别精度均达到98.5%以上。对于各类调制信号的平均识别精度来说，各类调制信号的识别精度均达到96.5%以上。这在一定条件下说明了设计算法的可靠性和深度学习模型提取特征的有效性。

对于基于Feature-RF 的识别模型来说，其对复杂调制信号识别结果如表3 所示。通过表2 和表3 对比可以发现，Feature-RF 总体识别精度明显低于STFT-2D-ResNet 识别模型的总体识别精度，这在一定程度下表明相对于传统方法，本文设计的算法在识别精度上有着明显的提升。此外，基于Feature-RF 方法的识别精度易受采样率的影响。如在采样率在200 MHz 条件下，Feature-RF 方法的总体识别精度为92.65%±0.32%，而在采样率为360 MHz 和500 MHz时 ，其 总 体 识 别 精 度 为 95.74%±0.31% 和96.76%±0.15%。但是基于STFT-2D-ResNet 的识别精度不受采样率的影响，其识别精度在不同采样率下均能达到98.5%以上。

表2 在不同采样率下STFT-2D-ResNet 对于复杂调制信号的识别结果 /%

表3 在不同采样率下Feature-RF 对于复杂调制信号的识别结果 /%

为了探究提出的STFT-2D-ResNet 识别模型的抗噪声能力，探究在低信噪比（2 dB）下设计复杂调制信号识别模型的识别精度，其试验结果如表4—5 所示。在信噪比为2 dB 时，STFT-2D-ResNet 的总体识别精度，在采样率为200 MHz 时是95.79%±1.16%，采样率为360 MHz 时是95.74%±0.44%，采样率为500 MHz 时是96.58%±0.41%，其总体识别精度均在95%以上，而Feature-RF 方法的总体识别精度，在采样率为200 MHz 时是85.31%±0.28%，采样率为360 MHz 时是87.20%±0.37%，采样率为500 MHz 时是90.74%±0.51%。这在一定程度上说明相对于传统识别方法，本文方法具备良好的抗干扰能力。

表4 在不同采样率下STFT-2D-ResNet 在信噪比为2 dB 时对于复杂调制信号的识别结果 /%

表5 在不同采样率下Feature-RF 在信噪比为2 dB 时对于复杂调制信号的识别结果 /%

3 结束语

本文提出了一种基于深度残差网络的脉内调制信号识别模型，由于在低信噪比下，雷达脉内调制信号识别困难，因此，首先对脉内调制信号进行时频变换，然后将其送入到设计好的深度残差网络进行脉内调制类型识别。为了增强网络的抗干扰和泛化能力，引入标签平滑、L2 正则化等多种技术，在信噪比为2 dB 情况下对复杂雷达脉内调制信号类型的识别精度达到95%以上。该方法无需人工提取特征，自动从复杂的脉内数据中学习特征，具备较强的抗干扰和泛化能力。此外，该方法识别精度高，具备一定的工程应用价值。■