基于卷积神经网络的雷达工作模式识别

贾邦玲，时艳玲，姜 磊

（1.南京邮电大学 通信与信息工程学院，南京 210003；2.中国航天科工集团八五一一研究所，南京 210007）

雷达工作模式识别是通过先验知识和雷达信号侦察来估计雷达内部的工作状态，为威胁等级评估、干扰决策和雷达状态预测提供了基础[1-2]。在复杂的现代空战环境下，实时准确获取敌方雷达状态信息对于提高战斗机的生存率至关重要。然而，多功能雷达的发展使得雷达信号样式和工作模式越来越复杂，这给雷达工作模式的识别带来了挑战。机载雷达对空工作时的6 种工作模式包括速度搜索（Velocity Search，VS）、跟踪加搜索（Track and Search，TAS）、边测距边跟踪搜索（Range While Search，RWS）、多 目 标 跟 踪（Multi Target Tracking，MTT）、边搜索边跟踪（Track While Scan，TWS）和单目标跟踪（Single Target Track，STT）等[3-5]。

文献[6]从战术用途、信号特征和扫描规律3 个方面对边扫描边跟踪等6 种典型空-空工作模式进行了研究。通过分析、总结、对比梳理了各个模式的典型特征，论证了工作模式识别的可行性。文献[7-8]提出了基于变换域和幅度重排的工作模式识别算法。文献[9]首先根据雷达信号生成原理和波形提取分层化特征再结合分层的Bayes 网络实现对雷达工作模式的识别，进一步地设计了Bayes 网络的基本结构，并通过实验验证了Bayes 网络对工作模式识别的有效性和对参测数据不确定性的鲁棒性。随后，文献[10]提出一种基于DS证据理论的工作模式判定体系，利用提取的特征参数构建雷达信号特征库，通过预判断流程快速实现单平台下的模式分组。然后，对分组后的多维空间模式识别结果运用DS 证据理论，采用分布式结构进行单平台多周期时域融合和多平台空域信息融合，最终实现了雷达工作模式判定。李辉等[11]针对不同工作模式下脉冲信号的变化规律，提出了一种基于脉冲多层次建模的识别方法，并取得良好的工作模式识别正确率。惠晓龙[12]首先开创性地将雷达信号特征利用图结构来表示，通过构建基于半监督的图卷积神经网络（Graph convolutional neural network，GCN）网络模型用于相控阵雷达工作模式的识别，接着，他又利用主成分分析（Principal Component Analysis，PCA）技术对各种工作模式下的雷达信号特征参数做降噪处理，并缩小GCN 网络规模，随后提出了基于PCA 的多层感知器（Multilayer Perceptron，MLP）识别算法[12]，进一步提高了相控阵雷达工作模式识别的概率。

本文首先基于上述雷达不同工作模式的特点提取特征参数，再获取特征参数的方向梯度直方图（Histogram of Oriented Gradient，HOG）特征，构建卷积神经网络（convolutional neural network，CNN）模型，给出具体实施的方案和步骤，提高对雷达工作模式的识别的准确率。

1 雷达典型工作模式

为满足复杂的电子战应用场景对雷达的功能需求，机载雷达采用了多种工作模式，其中包括主要的6种 典 型 雷 达 工 作 模 式：VS、RWS、TWS、TAS、STT 和MTT。这6 种工作模式的雷达信号参数特征见表1。其中CP 表示常规信号，LFM 为线性调频信号，NLFM 为非线性调频信号，PW 表示脉冲的宽度，PRF 表示脉冲的重复周期。

表1 雷达信号特征参数

VS 模式主要用于大范围的搜索，战术上一般用于威胁告警和远距离发现目标，数据率低，不能引导武器攻击，是威胁等级较低的一种工作模式。RWS 和TWS模式用于维持目标跟踪，且都为中重频，具有多组脉冲重复间隔。TAS 模式具有很强的波束捷变能力，每个目标经历的状态包括搜索、确认、跟踪、小搜（重新捕获）和航迹终结。STT 和MTT 模式常用固定的PRF 来避免距离和速度遮挡，其波束驻留时间较长，STT 主要目的是连续、精确地获取目标的方位、距离和速度信息。MTT 主要目的是对多个目标进行跟踪[13]。

2 HOG 特征的提取

HOG 特征是一种常用于目标检测的特征描述方法，其通过分析图像中不同区域的梯度方向直方图来表征物体的形态特征。这种方法可以有效地提取图像中的纹理信息，从而在目标检测和图像识别任务中发挥重要作用。由于梯度主要存在于边缘地区，所以该算法计算的局部区域梯度或方向边缘密度能够很好描述图像中的线条边缘、拐点、形状及变化规律[14-15]。基于该思想，将HOG 特征提取引入到所提4 个特征组成的图像分析中，以实现对信号的边缘、形状和变化规律的检测。

首先，对图像进行梯度计算，得到图像在水平和垂直方向上的梯度信息，并利用这些信息计算每个像素位置的梯度方向

式中：在像素点（x，y）处，Gx（x，y）表示水平方向的梯度；Gy（x，y）表示垂直方向的梯度；H（x，y）表示像素值。该像素点的梯度幅值和方向可由下式计算得到

在算法中，常先用[-1，0，1]进行卷积操作求得x 方向的梯度图，再采用[-1，0，1]T进行卷积操作求得y 方向的梯度图，而后采用上述公式求梯度幅值和方向。

使用梯度方向构建直方图：对于每个像素，根据梯度方向将其投票到相应的直方图通道中。我们将梯度方向划分为9 个区间。例如，假设一个单元的尺寸为6×6，则对这个单元内的36 个像素点，先判断像素点梯度方向所属的区间，后根据像素点的梯度幅值大小和梯度方向的大小进行线性加权于对应的梯度方向区间。投票采用加权方式，每一票带有权值，权值基于像素点的梯度幅度计算。权值可以使用幅值本身或其函数来表示，实际测试结果表明，使用幅值本身获得最佳效果。单元形状可以是矩形或星形的。直方图通道是在0~1800（无向）或0~3600（有向）范围内平均分布的。大量实验结果表明，要能够在工作模式识别试验中取得最佳的效果，通常得使用无向梯度和9 个直方图通道的组合。

算法HOG 提取特征的过程：首先获取原始图片，并进行灰度化处理；然后对处理后的图片归一化处理，一般采用Gamma 校正法，主要是为了调节图像的对比度，以减少图像局部的阴影，提高对噪声的抗干扰性能；其次计算图像各像素尺寸梯度和方向梯度，在获取边缘信息的同时能够缩减光照干扰；接着将图像分割成若干个小单元，并统计不同梯度的个数，得到每个单元的描述符；最后是将每几个单元组成为一个模块，一个模块内所有单元的特征描述符串联后会得到该模块的HOG 特征描述符。总的HOG 特征描述符是将所有图像内模块的HOG 特征描述符串联起来，也就是最终的特征向量。具体流程图如图1 所示。

图1 HOG 特征提取流程图

3 仿真实验流程

在进行工作模式识别之前，需要对这4 个参数进行预处理，提取每个脉冲内的脉冲宽度、脉冲重复周期、脉内调制样式和数据率这4 个参数，连续提取15个脉冲，获得一个4×15 的矩阵，将这个矩阵构成一幅图片。每15 个脉冲为一组，图片大小为[4，15，1]；每种模式共需750 个脉冲，750 组脉冲生成50 张图片，一共50×6=300 张图片。

由于在提取HOG 特征时所用的图像矩阵维数为4×15，所以，CNN 的深度不宜过深。在实验中，CNN 的核心架构仅采用了2 个卷积层、1 个池化层和1 个全连接层。基于CNN 的工作模式识别算法如下。

步骤一：利用已知雷达工作模式数据集样本，组建脉冲重复周期、脉冲宽度、数据率和脉内调制样式4 类特征样本。

步骤二：利用多脉冲的四特征构建图像矩阵，提取HOG 特征。

步骤三：构建CNN，网络模型Layers 共13 层，其中包括输入层（[4，15，1]）、卷积层1（卷积层、归一化层、relu 层和最大值池化层）、卷积层2（卷积层、归一化层、relu 层和最大值池化层）、平均值池化层、全连接层、softmax 层和分类层。

步骤四：利用训练集训练CNN 模型。

步骤五：利用测试集对训练好的CNN 模型进行测试和调整。

步骤六：对未知的辐射源信号进行脉冲重复周期、脉冲宽度、数据率和脉内调制样式参数特征提取，构建图像矩阵，提取HOG 特征。

步骤七：利用训练好的CNN 模型进行雷达工作模式的识别。

基于CNN 的雷达工作模式识别的流程图如图2所示。

图2 基于CNN 工作模式识别流程图

4 实验结果与分析

根据上述介绍的方法，下面通过实验来验证本文所提出的HOG+CNN 算法对雷达工作模式识别的准确性。图3 为本文所提出的HOG+CNN 算法在不同信噪比下的识别准确率折线图；图4 为本文所提出的HOG+CNN 算法在不同信噪比下的6 种工作模式总体识别准确率折线图。从图3 中可以看出，在信噪比不低于8 dB 时，6 种工作模式的总体识别准确率达到95%以上。从图4 中可以看出，在信噪比不低于10 dB 时，6种工作模式的识别准确率均接近100%。这是因为6 种工作模式信号在送入卷积神经网络之前构建了特征图片并且通过HOG 提取了特征，比直接送入卷积神经网络内部生成的特征更加准确有效，这样就增强了卷积神经网络对这6 种工作模式的识别准确度。

图3 6 种雷达工作模式识别准确率

图4 总体识别准确率

5 结束语

本文提出一种基于HOG+CNN 的雷达工作模式识别方法，首先根据雷达发射信号脉冲宽度、脉冲重复周期、脉内调制样式和数据率4 个特征构建图片，再提取特征图片的HOG 特征送入卷积神经网络进行6 种雷达工作模式识别。仿真实验结果表明：通过上述方法对雷达的工作模式识别具有较高的准确度，在工程应用中具有一定的参考价值。