基于改进型YOLOV3-Tiny的通信干扰检测算法*

2021-03-16

舰船电子工程 2021年2期

（海军工程大学电子工程学院武汉 430032）

1 引言

现代战场电磁环境异常复杂，往往充斥着各类信号，包括通信方通信信号、合作方通信信号、非合作方通信信号、恶意干扰信号以及各类杂散信号等等。其中，恶意干扰信号会对通信产生巨大威胁，因此，研究针对恶意干扰信号的检测技术具有十分重要意义。由于常见的干扰信号在时频图像中具有特定的形态学特征，现实中通常依靠人工分辨时频图像中的这些干扰目标。然而，这种手段的检测效率较低，并且当环境中同时存在多种通信信号和干扰信号时，人工检测方法的准确率和响应速度难以满足需求，从而影响后续的干扰信号参数估计、通信抗干扰决策等环节。同时，通信抗干扰技术正走向智能化，自动化的认知能力是智能抗干扰系统的基础，也是核心环节之一［1～2］。

国内外相关学者针对干扰检测问题做了大量研究工作，王桂胜等［3］提出了一种基于信号空间理论的干扰分类方法，利用频谱带宽、幅度谱峰均比、分数阶聚集度等特征参数，联合支持向量机（support vector machine，SVM）进行识别，该模型可以有效识别出单音干扰、多音干扰、脉冲干扰、线性调频干扰、梳状谱干扰以及部分频带干扰；温媛媛等利用高阶累计量和SVM分离混合干扰信号，在5dB以上条件下获得较高的识别率［4］，梁金弟等提出基于联合多维特征进行干扰识别，并仿真验证了SVM与决策树两种分类器对于不同信号的识别效果［5］。上述方法对常见的通信干扰都能够实现较为准确的识别，但是现实中，尤其是战场的复杂电磁环境下，各类设备产生的信号共存，往往会出现通信信号与干扰信号部分重叠，或者接收的宽带信号中包含多个干扰信号，或者通信信号与部分恶意干扰信号在调制方式、中心频率以及带宽等参数上接近的情况。这些情况给正确识别干扰带来新的挑战。

针对复杂电磁环境，姚富强等［2］提出可以从时频域角度设计新型抗干扰方法，I.Demirkiran等提出了一种利用时频曲线进行干扰检测的方法［6］，能够有效检测出单音干扰、多音干扰和线性扫频干扰，但是存在检测样式较少的缺点，可扩展性有限。张智博等基于谱图和神经网络识别通信干扰样式［7］，从时频图像识别的角度出发解决干扰检测问题。O'Shea等采用卷积神经网络对通信制式进行分类，结果表明验证了CNN对不同信号进行分类的可行性［8］。周鑫等利用目标检测算法进行无线电信号制式检测与分类，实现了良好的检测效果，验证了目标检测算法的有效性［9］。不同于文献［3～5］，文献［7～9］结合了当前深度学习的前沿成果，采取了“端到端”的检测模式，在满足一定识别精确率的条件下更有利于应对复杂场景并实际部署。因此，研究基于时频图像的干扰检测方法具有重要意义。

本文在现有研究成果之上，将通信干扰识别问题转化为时频图像中的目标检测问题，利用“You Look Only Once V3-Tiny”（YOLOV3-Tiny）模型进行检测，并针对本文数据条件下目标尺寸的特点，改进YOLOV3-Tiny模型中先验锚框的计算方法，设计了一种基于小纵横比锚框的SAR-YOLOV3-Tiny（Small Aspect Ratio-YOLOV3-Tiny）网络，通过仿真验证了SAR-YOLOV3-Tiny的性能并将其与YOLOV3-Tiny和文献［9］中的RadioYOLO进行对比。结果表明，在本文数据条件下，SAR-YOLOV3-Tiny具有更好的识别效果和更快的收敛速度。

2 系统模型

2.1 目标检测算法

YOLOV3-Tiny源自Joseph Redmon等于2015年提出的一种实时目标检测网络YOLO，“Tiny”代表轻量级，表示YOLOV3-Tiny可以在计算能力有限的设备中运行并有效检测自然界图片中的各类物体［10］。本文在此基础上对YOLOV3-Tiny进行针对性改进得到SAR-YOLOV3-Tiny。SAR-YOLOV3-Tiny网络包含残差块［11］、卷积层、池化层、上采样层、融合层，分别用Residual_Block、Conv、Max-Pool、Upsample和Concat表示，此外还包含两个检测模块，完成预测和非极大值抑制处理。具体结构如图1所示。

图1 SAR-YOLOV3-Tiny结构图

时频图像输入SAR-YOLOV3-Tiny之后经过5个池化层，每个池化层输出的特征图尺寸为输入的1/2。检测模块中的DetectionLayer用于计算损失函数，并输出若干个包含预测锚框坐标、目标置信度的张量，这些张量表示所预测目标的位置以及目标类别，再利用非极大值抑制算法从中选取置信度最大的张量作为最终的输出结果，该结果维度为（批次数，8），第二维包含8个元素，分别为批次编号、预测锚框左上角坐标 (x1，y1)、右下角坐标 (x2，y2)，目标置信度，类别概率以及类别索引。

2.2 K-means++聚类算法

YOLOV3-Tiny模型中通过K-means算法计算出6个先验锚框的尺寸。本文研究对象是包含干扰目标的时频图像，通常这些目标都具有较小的纵横比（Small Aspect Ratio，SAR）且各锚框尺寸差异较大，因此采用K-means++算法重新计算先验锚框的尺寸。相比于K-means，K-means++算法能够选择的聚类中心更为分散［12］，也就意味着选择出的尺寸能够更好地表征所有锚框，从而减小训练时的损失值，加快收敛。设样本集合S={(w1，h1)(w2，h2)，(w3，h3)，…，(wn，hn)} ，集合共包含n个元素，其中wi，hi分别代表第i个锚框的宽和高，聚类中心个数K=6，步骤如下：

步骤1从锚框尺寸数据集中随机选取一个样本(wi，hi)作为初始聚类中心。

步骤2计算当前样本与已存在的聚类中心的最短距离，记为D[(wi，hi)]，计算公式如：

其中iou[·]表示交并比计算函数，centrcid表示已存在的聚类中心。

步骤4计算各样本的分布律Sum(P[(wi，hi)])，在［0，1］范围内随机生成一个数，该数所处区间对应的样本即为下一个聚类中心。

2.3 模型评价指标

机器学习模型判决结果划分为4类，TP，TN，FP，FN，分别代表正样本判断正确的个数、负样本判断正确的个数、正样本判断错误的个数、负样本判断正确的个数以及负样本判断错误的个数［13］。沿用 YOLOV3-Tiny网络的评价指标，基于上述4类判决结果，进一步计算平均精确率mAP、召回率Recall，计算公式如下。

其中C代表目标总类别数，AP代表每一个类别的平静精确率。

2.4 检测流程

基于SAR-YOLOV3-Tiny模型的检测步骤如下：

步骤1首先，通过短时傅里叶变换（Short-Time-Fourier-Transform，STFT）将接收信号转换到时频域，获得包含时域、频域以及功率域的时频图像。其次，用矩形框标记时频图像中的干扰信号所在区域，并获取矩形框左上角坐标(x1，y1)和右下角坐标(x2，y2)用于制作标签，将图像与标签按统一格式封装形成训练集合测试集。

步骤2根据K-means++算法聚类出6种最具有代表性的矩形框尺寸，即代表宽高的6对数组，将这6对宽高数值作为SAR-YOLOV3-Tiny检测层中锚框的尺寸。

步骤3训练网络，计算损失函数并通过误差反向传播更新参数，当训练周期大于预设值时停止训练训练。最后，利用测试集对模型性能进行评估。

3 实验与分析

3.1 数据集生成

利用GNU Radio和USRP生成单音干扰、多音干扰、脉冲干扰、线性调频干扰和高斯噪声调频干扰共5类干扰信号，参数如表1所示。

表1 干扰信号参数

值得注意的是，本文研究复杂电磁环境下对干扰信号的检测方法，故需要选择存在较多电磁活动的频段，根据实际情况，在60MHz～240MHz的频段内包含FM调频广播、VHF航空无线电等信号，因此在此范围内随机选择频点作为中心频率生成干扰信号。对接收信号做点数为8192的FFT，获得实时时频图像流，间隔25ms截取一帧，共获得1205张图片。根据数据集划分原则，20%的数据作为测试集，随机选择241张图片用于测试。

3.2 仿真分析

通过K-means++算法获得6个锚框尺寸分别为（8，66）、（23，16）、（10，29）、（23，152）、（19，51）、（50，83），SAR-YOLOV3-Tiny网络的超参数如表2所示。

表2 SAR-YOLOV3-Tiny网络超参数

为对比模型性能，将文献［9］中的RadioYOLO和原始的 YOLOV3-Tiny（Org-YOLO-Tiny）模型作为对照组，通过mAP，recall值来衡量各模型的性能差异，结果分别如图2、图3所示。图2说明随着训练的不断进行，3种模型的recall总体为上升趋势，但Org-YOLO-Tiny在第42周期附近出现短暂下降后继续回升。其中本文算法的增长高于其他两种模型，最终达到99.8%，比RadioYOLO的最高值79.9%高出19%，比原始模型Org-YOLO-Tiny高出2.1%。根据图3，SAR-YOLOV3-Tiny的mAP值最终达到98.7%，比Org-YOLO-Tiny的96.3%高2.4%，比RadioYOLO的75.8%高出22.9%。以上结果表明，相比于Org-YOLO-Tiny，本文模型SARA-YOLO-Tiny更适应本文的研究场景，收敛速度更快，识别效果更好。