基于VAE-DANN的变调制雷达辐射源个体识别算法

A Specific Emitter Identification Algorithm for Variable Modulation Radar Emitters Based on VAE-DANN

摘要

针对领域对抗神经网络（DANN）模型的雷达辐射源个体识别（SEI）算法在变调制场景下识别性能显著下降的问题，利用深层变分自编码器（VAE）对雷达信号细微特征进行重构优化，提出一种基于VAE-DANN的变调制雷达SEI算法。首先，在DANN模型特征提取模块后增加深层VAE模块，构建VAE-DANN网络；其次，在VAE-DANN网络对抗训练过程中，利用余弦退火思想自适应动态优化总损失函数权重因子，通过最小化总损失函数逐步调整网络参数获得最优VAE-DANN模型；最后，利用最优VAE-DANN模型完成变调制场景下目标域雷达信号的SEI。实验结果表明，在信噪比为10 dB时，所提算法在变调制场景中的雷达SEI平均识别准确率达到94%以上。

Abstract

To address the significant performance degradation of domain adversarial neural network (DANN)-based specific emitter identification (SEI) algorithms under variable modulation scenarios, a VAE-DANN algorithm is proposed by reconstructing subtle features of radar signals through deep variational auto-encoder (VAE) optimization. Firstly, a deep VAE module is incorporated after the feature extraction module of DANN to construct the VAE-DANN architecture. Secondly, the cosine annealing strategy is applied to dynamically optimize weighting factors of the total loss function during adversarial training, where network parameters are adjusted by minimizing the total loss function to obtain the optimal model. Finally, SEI implementation for target-domain radar signals is accomplished under variable modulation conditions using the optimized VAE-DANN model. Experimental results demonstrated that the proposed algorithm achieved an average recognition accuracy exceeding 94% at 10 dB signal-to-noise ratio in variable modulation scenarios.

Graphical abstract

关键词

辐射源个体识别 / 雷达信号细微特征 / 变分自编码器 / 领域对抗神经网络 / 余弦退火

Key words

specific emitter identification / subtle features of radar signals / variational auto-encoder / domain adversarial neural networks / cosine annealing

雷达辐射源个体识别（Specific Emitter Identifi-cation, SEI）是一种对不同雷达辐射源信号进行特征分析和分类识别不同雷达个体的技术^[1]。在电子侦察中，通过雷达SEI技术可以提供有关敌方战力部署、行动意图等关键信息。在实际战场环境下，由于多功能雷达和软件化雷达常根据不同的应用场景动态调整发射信号的脉内调制方式，导致基于固定调制模式构建分类模型的传统方法难以有效应对复杂战场环境下的雷达SEI任务。因此，研究变调制场景下的雷达SEI算法，对非合作环境下多功能雷达和软件化雷达的个体识别具有重要军事价值。

近年来，有关雷达SEI的研究^[2-4]大多根据特征提取和分类识别两个流程，利用某一单一调制类型的信号样本进行训练，对个体进行识别。文献[2]提出一种针对雷达载波频率改变时的特征提取方法，通过提取雷达信号中不同的载波频率特征来区分同类型的雷达辐射源个体。文献[3]提出一种用于雷达SEI的基于伪标记和元学习方法。首先，基于卷积神经网络（Convolutional Neural Network, CNN）构建特征提取和基础学习模块；然后，运用双谱周长积分的原理提取雷达辐射源信号特征，在显著提高SEI准确率的同时具有较短的运行时间和良好的适应性。文献[4]提出一种基于多维复非中心卡方分类器的雷达SEI方法，利用脉冲包络的功率完成雷达SEI，在低信噪比情况下实现SEI的高准确率要求。

当调制方式变化时，上述方法不能分析变调制对信号特征的影响，因此难以保证雷达SEI的准确率。文献[5]首先对调制类型进行分类区分，然后再对相同调制类型中的辐射源个体进行识别。但是该方法只是简单地将两个识别任务进行组合，而且两次训练的成本巨大。对此，文献[6]提出了一种领域对抗神经网络（Domain Adversarial Neural Networks, DANN）方法，有效应对两次训练成本巨大的问题。之后，文献[7]在文献[6]的基础上对特征提取模块进行改进，通过对抗训练提取领域无关特征，证明了所提模型在变调制场景下的SEI有效性。但文献[7]在特征提取过程中使用单一特征提取模块，当源域和目标域数据偏移较大时，存在无法有效提取雷达信号领域无关指纹特征的问题，导致雷达SEI性能下降。

针对上述问题，提出一种基于VAE-DANN的变调制雷达SEI算法。首先，在文献[6]所提DANN算法的特征提取模块后增加深层变分自编码器（Variational Auto-Encoder, VAE）模块，构建VAE-DANN网络；其次，以各模块损失加权构建总损失函数，并利用余弦退火思想动态调整优化总损失函数权重因子逐步完成网络参数调整，得到最优VAE-DANN模型；最后，在测试过程中基于最优VAE-DANN模型完成变调制场景下的目标域雷达信号SEI。仿真实验结果表明，所提算法在8个雷达辐射源个体、信噪比为10 dB条件下，平均识别准确率达到94%以上。

1 问题描述

雷达SEI任务基于辐射源个体的细微特征对雷达辐射源个体进行识别，分为单调制场景下的雷达SEI任务和变调制场景下的雷达SEI任务^[8]。设雷达辐射源标签集合为Y=\left\{\mathrm{0,1},\mathrm{2},\cdots ,\xi \right\}，雷达辐射源信号描述为\left\{{\mathit{x}}_{\mathrm{1}},{\mathit{x}}_{\mathrm{2}},{\mathit{x}}_{\mathrm{3}},\cdots ,{\mathit{x}}_n\right\}，对应的雷达辐射源个体标签表示为\left\{y_{\mathrm{1}},y_{\mathrm{2}},y_{\mathrm{3}},\cdots ,y_n\right\}\in Y。单调制场景下的雷达SEI任务定义如下：给定带标签且数据量足够大的源域数据集D_{\mathrm{S}}和不带标签的目标域数据集D_{\mathrm{T}}，D_{\mathrm{S}}和D_{\mathrm{T}}具有相同分布，且所含信号的调制类型一致。从而可以根据D_{\mathrm{S}}为D_{\mathrm{T}}建立准确的模型，实现较好的模型迁移效果。变调制场景下的雷达SEI任务与单调制雷达SEI任务不同，D_{\mathrm{S}}和D_{\mathrm{T}}不再具有相同数据分布，且两者所含信号的调制类型也不再相同。设置源域数据的领域标签为0，目标域数据的领域标签为1，最终的数据集表示为

D_{\mathrm{S}}\bigcup D_{\mathrm{T}}={\left\{\left({\mathit{x}}_{\mathrm{S},i},y_{\mathrm{S},i},\mathrm{0}\right)\right\}}_{i=\mathrm{1}}^{N_{\mathrm{S}}}\bigcup {\left\{\left({\mathit{x}}_{\mathrm{T},i},\_,\mathrm{0}\right)\right\}}_{i=\mathrm{1}}^{N_{\mathrm{T}}}（1）

式中，N_{\mathrm{S}}和N_{\mathrm{T}}分别代表源域和目标域数据集的样本数。图1直观地展示了单调制雷达SEI任务和变调制雷达SEI任务的区别，其中红、黄、蓝3种颜色分别代表3个不同的雷达辐射源个体发射的信号，具有相同颜色但形状不同表示同一雷达辐射源个体发射信号的不同调制类型。

针对多功能雷达和软件化雷达辐射源变调制个体识别场景，可以通过如图2所示DANN模型结构^[7]进行雷达SEI，主要包括特征提取、标签预测、领域分类、输出个体标签和领域标签等过程。

但是，由于输入的源域和目标域雷达信号为IQ时间序列信号，因此会存在以下问题：1）输入雷达信号在原始特征空间中的特征分布呈非线性，导致特征投影无法有效对齐；2）输入雷达信号中同时存在硬件畸变参数和调制参数的领域特定特征，通过梯度干扰、优化目标冲突等机制，显著增加对抗训练难度，最终导致模型的性能较差。针对以上问题，在DANN算法结构的基础上增加深层VAE模块，构建VAE-DANN模型，如图3所示。

首先，将输入雷达信号原始特征空间转换为潜在特征空间，并对潜在特征空间进行强正则化约束；其次，分离领域无关指纹特征和领域特定特征，使得对抗训练仅对齐领域无关指纹特征，降低对抗训练难度，最终提高模型的训练效果和识别准确率。

2 基于VAE-DANN的变调制雷达SEI算法

基于VAE-DANN的变调制雷达SEI算法包括模型训练和测试两个过程。首先，训练过程如图4所示，基于余弦退火思想和VAE-DANN模型中的特征提取模块、深层VAE模块、标签预测模块和领域分类模块，实现多模块协同训练；其次，在迭代过程中动态调整优化总损失函数权重因子，通过对抗训练最小化总损失函数完成特征提取、特征重构优化、分类识别和领域对齐过程，并逐步调整网络参数得到最优VAE-DANN模型；最后，测试数据集通过最优VAE-DANN模型，完成变调制场景下的雷达SEI。

2.1 特征提取模块

特征提取模块是DANN网络的前端部分，其主要任务是对输入的雷达辐射源信号进行指纹特征提取，如图5所示。

首先，利用改进的CNN网络进行特征提取，卷积模块用于提取输入数据的局部特征，深度可分离卷积（Depthwise Separable Conv-olution, DSC）^[9]模块用于将标准卷积分解为深度卷积和逐点卷积，从而提高模型训练和特征提取效率；其次，使用不同大小的卷积核和不同的填充来保持空间维度和扩大感受野；最后，引入空洞卷积（Dilated Convolution, DC）^[10]模块，通过在卷积核元素之间插入空洞来扩大感受野，用于捕获更大范围上的上下文信息。定义特征提取网络输入形式为

x_{\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}}=\left\{N,\mathrm{1},S_{\mathrm{s}\mathrm{a}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}},\mathrm{2}\right\}（2）

式中：N为每个训练批次包含的子脉冲个数；1为输入数据通道数；S_{\mathrm{s}\mathrm{a}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}}为每个子脉冲包含的采样数据点数；2表示输入时序信号的I路和Q路。

2.2 深层VAE模块

利用带残差连接的编码器和解码器构建深层VAE模块，如图6所示。残差连接通过引入跳跃连接，避免编码器和解码器因层数过多引起的梯度累积或消失问题；此外，残差连接允许网络模块学习输入数据和输出数据之间残差的作用，增强了重构优化的特征和原始数据的相关性，进一步改善了解码器重构数据效果，提升了深层VAE模块整体的特征重构优化效果。

深层VAE模块的输出除了重构优化特征，还包括自身的重构损失和KL散度损失。首先，结合均方误差和余弦相似度设计重构损失，增强特征方向一致性；其次，通过余弦退火思想设计KL散度动态权重，达到训练前期强约束潜在空间分布和训练后期减轻约束以优化重构效果的目的。均方误差（Mean Square Error, MSE）、余弦相似度（Cosine Similarity, CS）和动态KL散度权重定义为

\mathrm{M}\mathrm{S}\mathrm{E}\left(\mathit{a},\mathit{b}\right)=\frac{\mathrm{1}}{N_{\mathrm{f}\mathrm{e}\mathrm{a}\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e}}}{\displaystyle \sum _{i=\mathrm{1}}^{N_{\mathrm{f}\mathrm{e}\mathrm{a}\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e}}}}{\left(\mathit{a},\mathit{b}\right)}^{\mathrm{2}}（3）

\mathrm{C}\mathrm{S}\left({\mathit{a}}_{\mathrm{1}},{\mathit{b}}_{\mathrm{1}}\right)=\frac{{\mathit{a}}_{\mathrm{1}}\bullet {\mathit{b}}_{\mathrm{1}}}{‖{\mathit{a}}_{\mathrm{1}}‖\bullet ‖{\mathit{b}}_{\mathrm{1}}‖}（4）

K_{\mathrm{K}\mathrm{L}\_\mathrm{w}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}=\mathrm{0.5}\bullet \left[\mathrm{1}+\mathrm{C}\mathrm{S}\left(\mathrm{\pi }\bullet e_{\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}\_\mathrm{n}\mathrm{o}\mathrm{w}}∕e_{\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}\_\mathrm{a}\mathrm{l}\mathrm{l}}\right)\right]（5）

式中：N_{\mathrm{f}\mathrm{e}\mathrm{a}\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e}}=b_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{c}\mathrm{h}\_\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}}\bullet f_{\mathrm{f}\mathrm{e}\mathrm{a}\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e}\_\mathrm{d}\mathrm{i}\mathrm{m}}，b_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{c}\mathrm{h}\_\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}}为每轮训练处理的样本数，f_{\mathrm{f}\mathrm{e}\mathrm{a}\mathrm{t}\mathrm{u}\mathrm{r}\mathrm{e}\_\mathrm{d}\mathrm{i}\mathrm{m}}为深层VAE模块重构特征维度；e_{\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}\_\mathrm{n}\mathrm{o}\mathrm{w}}为当前训练轮数；e_{\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}\_\mathrm{a}\mathrm{l}\mathrm{l}}为训练总轮数。

重构损失和KL散度损失定义为

e_{\mathrm{r}\mathrm{e}}={\alpha }_{\mathrm{1}}\bullet M_{\mathrm{1}}+\left(\mathrm{1}-{\alpha }_{\mathrm{1}}\right)\bullet \left(\mathrm{1}-C_{\mathrm{1}}\right)（6）

e_{\mathrm{K}\mathrm{L}}=-\frac{\mathrm{1}}{\mathrm{2}}{\displaystyle \sum _{i=\mathrm{1}}^d}\left(\mathrm{1}+\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}{\sigma }_i^{\mathrm{2}}-{\mu }_i^{\mathrm{2}}-{\sigma }_i^{\mathrm{2}}\right)（7）

式中：M_{\mathrm{1}}=\mathrm{M}\mathrm{S}\mathrm{E}\left[\mathit{V}\left(\mathit{f}\left(x_{\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}}\right)\right),\mathit{f}\left(x_{\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}}\right)\right]；C_{\mathrm{1}}=\mathrm{C}\mathrm{S}\left[\mathit{V}\left(\mathit{f}\left(x_{\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}}\right)\right)\right.，\left.\mathit{f}\left(x_{\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}}\right)\right]；\mathit{f}\left(x_{\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}}\right)为未经深层VAE模块重构的特征向量；\mathit{V}\left(\mathit{f}\left(x_{\mathrm{i}\mathrm{n}\mathrm{p}\mathrm{u}\mathrm{t}}\right)\right)为经深层VAE模块重构后的特征向量；{\alpha }_{\mathrm{1}}\in \left(\mathrm{0,1}\right)是一个超参数，对M_{\mathrm{1}}的相对重要性进行加权；d为潜在的空间维度；{\sigma }_i^{\mathrm{2}}和{\mu }_i为编码器输出的方差和均值。

2.3 分类模块

分类模块包括标签预测模块（Class Classifier）和领域分类模块（Domain Classifier），如图7所示。

标签预测模块用于预测雷达辐射源信号属于某个雷达辐射源个体的概率，最终通过概率大小识别雷达辐射源个体。源域标签预测的损失函数是LogSoftmax和NLLLoss组合的交叉熵损失函数，可表示为

e_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}\_\mathrm{S}}={\displaystyle \sum _{n=\mathrm{1}}^{b_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{c}\mathrm{h}\_\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}}}}\left(-\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}\frac{\mathrm{e}\mathrm{x}\mathrm{p}\left(r_{n,y}\right)}{{\displaystyle \sum _{i=\mathrm{1}}^m}\mathrm{e}\mathrm{x}\mathrm{p}\left(r_{n,y}\right)}\right)（8）

式中：y为源域真实样本标签；r_{n,y}为源域第n个样本预测正确的概率。

领域分类模块是利用源域雷达辐射源信号和目标域雷达辐射源信号指纹特征分布的差异，判别雷达辐射源信号是来自源域还是目标域。领域分类模块的领域分类损失e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}}定义为

e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}}=-{\displaystyle \sum _{n=\mathrm{1}}^{b_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{c}\mathrm{h}\_\mathrm{s}\mathrm{i}\mathrm{z}\mathrm{e}}}}\left(d_n\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}\frac{\mathrm{1}}{p_n}+\left(\mathrm{1}-d_n\right)\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}\frac{\mathrm{1}}{\left(\mathrm{1}-p_n\right)}\right)（9）

式中：d_n为真实领域标签；p_n为第n个样本进行正确领域分类的概率。

2.4 总损失函数

为提升模型在变调制场景下雷达SEI的性能，应当减少标签预测模块的标签预测损失和最大化领域分类模块的领域分类损失，使得源域数据和目标域数据分布尽可能对齐。

训练总损失函数e_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}定义为

e_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=e_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}\_\mathrm{S}}+e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}\_\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}+

e_{\mathrm{r}\mathrm{e}\_\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}+K_{\mathrm{K}\mathrm{L}\_\mathrm{w}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}\bullet e_{\mathrm{K}\mathrm{L}\_\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}（10）

e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}\_\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}\_\mathrm{S}}+e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}\_\mathrm{T}}（11）

e_{\mathrm{r}\mathrm{e}\_\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=e_{\mathrm{r}\mathrm{e}\_\mathrm{S}}+e_{\mathrm{r}\mathrm{e}\_\mathrm{T}}（12）

e_{\mathrm{K}\mathrm{L}\_\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=e_{\mathrm{K}\mathrm{L}\_\mathrm{S}}+e_{\mathrm{K}\mathrm{L}\_\mathrm{T}}（13）

式中：e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}\_\mathrm{S}}、e_{\mathrm{d}\mathrm{o}\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}\_\mathrm{T}}分别是由式（9）计算的源域和目标域雷达辐射源信号训练网络的领域标签分类损失；e_{\mathrm{r}\mathrm{e}\_\mathrm{S}}、e_{\mathrm{r}\mathrm{e}\_\mathrm{T}}分别是由式（6）计算的源域和目标域雷达辐射源信号训练网络时由深层VAE模块产生的重构损失；e_{\mathrm{K}\mathrm{L}\_\mathrm{S}}、e_{\mathrm{K}\mathrm{L}\_\mathrm{T}}分别是由式（7）计算的源域和目标域雷达辐射源信号训练网络时由深层VAE模块产生的KL散度损失。

2.5 算法流程

2.5.1 训练过程

步骤1：选取源域带标签的样本和目标域不带标签的样本输入特征提取模块；

步骤2：固定领域分类模块，通过最小化式（8）、式（12）和式（13）优化特征提取模块、标签预测模块和深层VAE模块；

步骤3：固定特征提取模块和深层VAE模块，通过最小化式（11）来优化领域分类模块；

步骤4：迭代重复步骤2、步骤3和最小化式（10），并结合式（5），利用余弦退火思想动态调整优化总损失函数权重因子K_{\mathrm{K}\mathrm{L}\_\mathrm{w}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}；

步骤5：输出最优VAE-DANN模型。

2.5.2 测试过程

首先，将未经训练的带标签源域与目标域测试信号样本分别输入到特征提取模块，并利用深层VAE模块重构优化提取特征；其次，将特征传递给标签预测模块进行雷达SEI；最后，标签预测模块输出识别结果。

3 仿真实验

为验证所提算法对多功能雷达和软件化雷达辐射源变调制个体识别场景的有效性，将其与改进的CNN个体识别算法^[9-10]和基于DANN的个体识别算法^[6]在上述场景下进行了性能对比。

测试数据采用未参与训练的带标签源域和目标域雷达辐射源信号，测试模型在变调制场景下的雷达SEI性能。模型对雷达辐射源的个体识别准确率（Accuracy）定义为

A_{\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}}=N_{\mathrm{l}\mathrm{a}\mathrm{b}\mathrm{e}\mathrm{l}\_\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}∕N_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}（14）

式中：N_{label_true}为模型识别雷达辐射源个体标签正确的个数；N_total为输入数据中雷达辐射源个体标签的总个数。

3.1 数据集设置

设置频率调制带宽为20 MHz，采样率50 MHz，脉冲宽度10 μs，5位巴克码调制信号码元宽度为2 μs。信号数据集包含8个不同的雷达辐射源个体，每个个体具有LFM调制、5位巴克码调制、FSK调制3种不同的信号调制类型，每个个体的每种调制类型包含150个训练样本和120个测试样本，且训练样本和测试样本相互独立。为便于对比实验，假设源域信号样本为全部带标签的5位巴克码调制的雷达信号，目标域信号样本为部分带标签的FSK调制雷达信号或LFM调制雷达信号。

3.2 模型参数设置

设置总训练历元数N_{\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}}为100，每一小批量数据包含的样本数N_{\mathrm{s}\mathrm{a}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}}按式（15）进行计算，可表示为

N_{\mathrm{s}\mathrm{a}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}}=N_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}∕N_{\mathrm{e}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}}（15）

为进一步防止模型过拟合和提升模型训练测试效率，定义了AdamW优化器^[11]，其中特征提取、深层VAE、标签预测和领域分类等模块的学习率分别设置为0.000 1、0.000 05、0.000 1和0.001。此外，增设了权重衰减为0.000 1^[12]。

3.3 结果分析

实验1：训练和测试3种模型，由5位巴克码调制雷达信号构成的源域数据集向LFM调制雷达信号构成的目标域数据集迁移的雷达SEI性能。首先，训练阶段采用5位巴克码调制的雷达信号（源域数据集）进行模型训练，训练结束后保存最优模型；其次，测试阶段通过保存的最优模型对LFM调制雷达信号进行个体识别（目标域数据集）。测试结果如图8和表1所示。

表1为信噪比10 dB时不同网络识别性能的比较。图8（a）~图8（c）分别为使用改进的CNN网络、DANN算法和本文提出的VAE-DANN网络进行变调制场景下的雷达SEI混淆矩阵。由图8可知，改进的CNN网络在训练过程中只是对部分个体进行较为有效的特征提取和学习，最终个体识别率较低；而DANN模型由于具备对抗训练作用，在训练过程中充分利用了带标签的源域数据集和不带标签的目标域数据集，进一步降低了模型对于领域的敏感度，但是在雷达辐射源个体1、2、3上的识别准确率仍较低；本文所提算法在训练过程中首先具备DANN算法的特点，同时还增加了深层VAE模块对特征进行重构优化，有效提取了雷达信号领域无关指纹特征，提升了雷达SEI的整体性能。

实验2：训练和测试3种模型，由5位巴克码调制雷达信号构成的源域数据集向FSK调制雷达信号构成的目标域数据集迁移的雷达SEI性能。首先，训练阶段采用5位巴克码调制的雷达信号（源域数据集）进行模型训练，训练结束后保存最优模型；其次，测试阶段通过保存的最优模型对FSK调制雷达信号进行个体识别（目标域数据集）。测试结果如图9和表2所示。

表2为信噪比10 dB时不同算法识别性能的比较。图9（a）~图9（c）分别为使用改进的CNN网络、DANN算法和本文提出的VAE-DANN网络进行变调制场景下的雷达SEI混淆矩阵。由图9可知，改进的CNN网络、DANN算法对雷达辐射源个体1、2、3进行较为有效的特征提取和学习，最终个体识别率较低，对比之下本文算法有效提升了雷达SEI的整体性能。

4 结束语

基于现有算法存在的不足，从解决有效提取雷达信号领域无关指纹特征问题出发，提出了一种基于VAE-DANN的变调制雷达SEI算法。首先，对DANN算法进行改进，增加深层VAE模块构建VAE-DANN网络，利用深层VAE模块学习数据潜在表示和特征解耦作用，实现有效特征提取；其次，在训练过程中利用余弦退火思想进行权值因子动态调整优化，并通过对抗训练最小化总损失函数得到最优VAE-DANN模型；最后，通过测试数据集作用于最优VAE-DANN模型完成目标域雷达信号SEI。仿真实验结果表明，本文所提算法能够有效解决变调制场景下雷达辐射源指纹特征提取问题，在信噪比为10 dB时，平均识别准确率达到94%以上。

参考文献

[1] 史亚，张文博，朱明哲，等.雷达辐射源个体识别综述［J］.电子与信息学报，2022，44（6）：2216-2229.

[2] YAO Q， CHAI H， GAO M Y. Radar specific emitter identification using carrier frequency feature［C］∥Proceedings of the 2019 IEEE International Conference on Signal， Information and Data Processing. Piscataway，USA： IEEE， 2019. DOI： 10.1109/ICSIDP47821.2019.9173508 .

[3] LING Q， YAN W J， ZHANG Y C， et al. Transfer learning method for specific emitter identification based on pseudo-labelling and meta-learning［J］. IET Radar， Sonar & Navigation， 2024，18（9）：1460-1473.

[4] FANG Y Y， WEI S， ZHAO Y， et al. Radar-specific emitter identification with only envelope power based on multidimensional complex noncentral chi-square classifier［J］. IEEE Sensors Journal， 2023，23（17）：20223-20235.

[5] WONG L J， HEADLEY W C， MICHAELS A J. Specific emitter identification using convolutional neural network-based IQ imbalance estimators［J］. IEEE Access， 2019，7：33544-33555.

[6] GANIN Y， LEMPITSKY V. Unsupervised domain adaptation by backpropagation［C］∥Proceedings of the 32nd International Conference on International Conference on Machine Learning. New York， USA： JMLR.org， 2015：1180-1189.

[7] 郑远浩.复杂场景下雷达辐射源个体识别技术研究［D］.郑州：信息工程大学，2024：1-65.

[8] ZHANG X L， LI T Y， GONG P， et al. Variable-modulation specific emitter identification with domain adaptation［J］. IEEE Transactions on Information Forensics and Security， 2022，18：380-395.

[9] HUANG Z W， WANG L P， WU W M. DFNet： towards real-time semantic segmentation with depthwise separable convolution［C］∥Proceedings of the 2023 4th International Conference on Intelligent Design. Piscataway，USA： IEEE， 2023：230-235.

[10] WANG Z Y， JI S W. Smoothed dilated convolutions for improved dense prediction［J］. Data Mining and Knowledge Discovery， 2021，35（4）：1470-1496.

[11] 熊汝艳.深度学习中基于梯度下降的自适应优化器算法研究［D］.杭州：浙江工商大学，2023：1-70.

[12] 陈琨，王安志.卷积神经网络的正则化方法综述［J］.计算机应用研究，2024，41（4）：961-969.