【CICC原创】基于迁移学习的雷达信号类型自动识别方法

（《指挥与控制学报》刊文精选）

引用格式  阮国庆，吴蔚，汪霜玲，等. 基于迁移学习的雷达信号类型自动识别方法 [J]. 指挥与控制学报，2024，10（2）：232-237

RUAN G Q, WU W, WANG S L, et al. Automatic recognition of radar signal type based on transfer learning[J]. Journal of Command and Control, 2024, 10（2）: 232-237

针对雷达辐射源信号类型的自动识别方法进行研究，引入迁移学习（transfer learning，TL）思想，将GoogleNet预训练模型迁移到雷达信号数据集中实现信号特征提取，在全连接层中采用极限学习机（extreme learning machine，ELM）作为分类器，完成对雷达信号的自动识别。仿真结果表明，针对9类雷达信号，在信噪比为0 dB的情况下，基于GoogleNet-ELM的识别算法具有很好的识别性能，得到95.7%的正确识别率，验证了所提算法在电子侦察领域应用的有效性。

电磁频谱中未知信号特征提取与自动识别是认知电子战领域的重要研究方向。快速准确地对敌方信号的身份识别， 能够在战场环境感知、 信息权制控和作战行动指挥中掌握优势， 对战争走势有着重要影响。传统的雷达信号识别主要采用人工特征提取方法， 该类方法对于信号波形特征存在差异的侦察信号能够实现较高的识别率。随着电磁环境的复杂和信号特征的多样化， 波形特征提取方法要想取得更高的识别精度， 需要增加特征的提取类型[1-2]。为了解决上述问题， 学者提出将信号转换为时频图像， 利用图像特征受噪声影响较小， 且包含颜色、 形状、 纹理等调制特性， 实现雷达信号自动识别[3-4]。但是， 时频图像中包含大量的冗余信息， 采用人工图像特征选取方式会给未知信号的识别增加不可控因素。

卷积神经网络（convolutional neural network， CNN）在图像识别领域的提出及迅速发展为雷达信号的特征自主学习与识别开辟了新思路[5-7]。CNN的卷积核能够采集到时频图像中最微小的特征， 如边缘或角点等， 所以CNN对信息特征平移、 缩放、 旋转及畸变具有很高的容忍性， 十分有利于信号的类型识别[8]。CNN在图像识别应用中取得了一定的效果， 但仍然存在一些共性不足：1） 当图像信噪比较低且训练特征维数比较小时， 难以提取有效的特征；2） CNN的全连接层相当于一个传统BP单隐层前馈神经网络， 采用BP算法在训练过程中容易陷入局部最小值而导致模型失效， 且模型的泛化性能较差[9-12]。近几年深度神经网络的发展为侦察辐射源的智能识别注入了新鲜的血液， 其在雷达电子侦察信号识别中的应用也同样成为了热点的研究方向[13-16]。2014年， VGGNet网络模型被提出， 该模型继承了LeNet-5网络框架， 通过增加网络深度提升了模型的识别效果与泛化能力[13]。同年， GoogleNet在网络结构上突破性的提出Inception模块， 采用22层深度网络赢得ImageNet竞赛的冠军。VGGNet和Google Net的崛起证明了卷积神经网络深度和宽度的改进能够取得更优的识别性能[14]。国内外学者近几年对于深度神经网络的重视， 已经使得其在语音、 数字识别和图像识别等诸多领域的应用迎来黄金发展阶段， 但将深度卷积神经网络用于雷达信号识别刚刚起步。深度学习优秀的认知能力与侦察技术融合， 必可以进一步提升雷达信号分类识别能力。

针对训练样本维数较小情况， TL能够将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。具体 可以直接运用通用领域已经训练好的网络结构进行特征提取， 然后将网络参数迁移到新的分类器中， 实现信号或图像的识别任务， 如文献[16]利用迁移学习与VGGNet结合的方法应用到 SAR 图像识别， 显著地提高了识别速度， 但是迁移 VGGNet识别率提高有限。本文将预训练CNN模型采用TL方式引入电子侦察领域， 重点研究了GoogleNet模型， ELM与CNN分类器的联系[9]， 实现雷达信号自动识别。

References

[1]　WAN J, RUAN G, GUO Q, et al. A new radar signal recognition method based on optimal classification atom and IDCQGA[J]. Symmetry, 2018, 10（11）: 1762-1773.

[2]　FU S , LIU X. A new method to solve the problem of facing less learning samples in signal modulation recognition[J]. Eurasip Journal on Wireless Communications & Networking, 2020, （1）: 9-18.

[3]　GUO Q, YU X, RUAN G. LPI radar waveform recognition based on deep convolutional neural network transfer learning[J]. Symmetry, 2019, 11（4）: 2604-2614.

[4]　QU Z, MAO X, DENG Z. Radar signal intra-pulse modulation recognition based on convolutional neural network[J]. IEEE Access, 2018, 6: 43874-43884.

[5]　PACE P E. Detecting and classifying low probability of intercept radar[M]. Boston: Artech House, 2009.

[6]　NIU X X, SUEN C Y. A novel hybrid CNN-SVM classifier for recognizing handwritten digits[J]. Pattern Recognition, 2012, 45（4）:1318-1325.

[7]　ZHANG M, DIAO M, GUO L. Convolutional neural networks for automatic cognitive radio waveform recognition[J]. IEEE Access, 2017, 5（99）: 11074-11082.

[8]　ZHOU Z. Automatic radar waveform recognition based on deep convolutional denoising auto-encoders[J]. Circuits, Systems, and Signal Processing, 2018: 1-5.

[9]　MURUGAVEL A S M , RAMAKRISHNAN S . Hierarchical multi-class SVM with ELM kernel for epileptic EEG signal classification[J]. Medical & Biological Engineering & Computing, 2016, 54（1）: 149-161.

[10]  CHEN W, FU K, ZUO J, et al. Radar emitter classification for large data set based on weighted-xgboost[J]. IET Radar, Sonar & Navigation, 2017, 11（8）: 1203-1207.

[11]  杜瀚宇, 朱伟, 白俊奇, 等.基于复合算子的红外复原图像弱小目标检测算法 [J]. 指挥信息系统与技术, 2017, 8（1）: 70-74.

DU H Y, ZHU W, BAI J Q, et al. Dim target detection algorithm from restored infrared images based on compound operator[J]. Command Information System and Technology, 2017, 8（1）: 70-74. （in Chinese）

[12]  化青龙, 黄斌, 陈雪峰, 等.基于复数域 CNN 的舰船目标识别算法 [J]. 指挥信息系统与技术, 2019, 10（6）: 71-75.

HUA Q L, HUANG B, CHEN X F, et al. Ship target recognition algorithms based on complex domain CNN[J]. Command Information System and Technology, 2019, 10（6）: 71-75. （in Chinese）

[13]  张庶, 李子月, 刘玉超, 等. 基于PCA与SVM的人脸识别技术 [J]. 指挥与控制学报, 2019, 5（3）: 249-253.

ZHANG S, LI Z Y, LIU Y C, et al. Face recognition technology based on PCA and SVM[J]. Journal of Command and Control, 2019, 5（3）: 249-253. （in Chinese）

[14]  LIN Y, TU Y, DOU Z, et al. The application of deep learning in communication signal modulation recognition[C]// IEEE/CIC International Conference on Communications in China （ICCC）, 2017, 13（5）: 1-10.

[15]  GUO Q, YU X, RUAN G. LPI radar waveform recognition based on deep convolutional neural network transfer learning[J]. Symmetry, 2019, 11（4）: 1-12.

[16]  任硕良, 索继东, 佟禹. 卷积神经网络结合迁移学习的SAR目标识别 [J]. 电光与控制, 2020, 7（10）: 1-8.　

REN S L, SUO J D, TONG Y. SAR target recognition based on convolution neural network and transfer learning[J]. Electronics Optics & Control, 2020, 7（10）: 1-8. （in Chinese）