[论文解读] Radar Emitter Classification with Attribute-specific Recurrent Neural Networks

Paolo Notaro, Magdalini Paschali+3 more|arXiv (Cornell University)|Nov 18, 2019

Wireless Signal Modulation Classification被引用 6

一句话总结

本文提出了一种具有新型逐序列归一化方案的属性特定循环神经网络，通过有效建模脉冲流中的时序依赖关系，在雷达辐射源分类任务中显著提升了准确率与鲁棒性。该方法实现了64.98%的宏平均准确率，相比最先进基线方法最高提升19%，并展现出更强的抗噪能力。

ABSTRACT

Radar pulse streams exhibit increasingly complex temporal patterns and can no longer rely on a purely value-based analysis of the pulse attributes for the purpose of emitter classification. In this paper, we employ Recurrent Neural Networks (RNNs) to efficiently model and exploit the temporal dependencies present inside pulse streams. With the purpose of enhancing the network prediction capability, we introduce two novel techniques: a per-sequence normalization, able to mine the useful temporal patterns; and attribute-specific RNN processing, capable of processing the extracted information effectively. The new techniques are evaluated with an ablation study and the proposed solution is compared to previous Deep Learning (DL) approaches. Finally, a comparative study on the robustness of the same approaches is conducted and its results are presented.

研究动机与目标

• 解决传统基于数值的脉冲属性分析在复杂电磁环境中所面临的局限性。
• 通过比以往深度学习方法更有效地建模脉冲流中的时序依赖关系，提升雷达辐射源分类性能。
• 增强模型对噪声及雷达信号属性变异的鲁棒性。
• 开发一种归一化方案，在保留序列内时序模式的同时提升特征表示能力。
• 证明属性特定RNN相较于联合RNN或全连接架构在辐射源分类任务中的优越性。

提出的方法

• 该方法将雷达脉冲流处理为脉冲描述字（PDW）序列，从每个脉冲中提取M个属性，形成长度为T的序列S。
• 应用两种归一化技术：基于整个数据集的最小-最大归一化，以及基于每个序列内各属性范围的逐序列归一化。
• 将归一化后的序列输入到每个属性独立的长短期记忆（LSTM）网络中，实现属性特定的时序建模。
• 将各属性特定LSTM的输出拼接后，通过全连接层进行最终分类。
• 通过随机梯度下降进行模型训练，以最小化交叉熵损失，优化分类准确率。
• 通过消融研究与基线方法对比，评估所提出的归一化方法与属性特定RNN架构的有效性。

实验结果

研究问题

• RQ1 与全局归一化相比，逐序列归一化是否能更好地提升雷达脉冲流中时序模式的表示？
• RQ2 与共享所有属性的RNN相比，属性特定RNN处理是否能带来更好的分类性能？
• RQ3 与SVM、MLP、CNN及以往基于RNN的方法相比，所提方法在准确率与鲁棒性方面表现如何？
• RQ4 在低信噪比（SNR）条件下，该模型在加性高斯噪声下的性能保持程度如何？
• RQ5 结合逐序列归一化与属性特定LSTM的模型，是否能在复杂真实雷达辐射源分类任务中实现更好的泛化能力？

主要发现

• 所提方法在测试集上实现了64.98%的宏平均准确率，相比Liu et al. [12]提升19%，相比Petrov et al. [7]提升2%至12%。
• 消融研究证实，将逐序列归一化与属性特定LSTM结合可获得最高性能，相比共享RNN架构提升2%-14%。
• 该方法在加性高斯噪声下表现出更优的鲁棒性，在20 dB SNR下相比Petrov et al. [7]保持6%的性能优势。
• ResNet18 [22]展现出高抗噪能力，但其准确率仍比本方法低14%，凸显了时序建模的优势。
• 混淆矩阵显示，本方法显著减少了误分类，尤其在相似辐射源类型之间，预测结果主要沿对角线分布。
• 逐序列归一化被证明优于离散化或标准化方法，因其能更有效地隔离并保留序列内部的时序模式。