一種穩(wěn)健的通信輻射源個體識別方法*

黃 欣，郭漢偉

(1.中國西南電子技術研究所，成都610036;2.北京科航軍威科技有限公司，北京100044)

1 引 言

通信輻射源個體識別被用于戰(zhàn)場電子偵察情報、態(tài)勢感知精細化、無線網(wǎng)絡非法入侵檢測等領域。目前，在雷達輻射源個體識別中，利用功放無意調制的相空間特征［1］、脈沖上升與下降沿變化［2］、瞬態(tài)特征［3－4］、頻率特性［5］等進行個體識別效果顯著。其中，李楠等針對雷達輻射源識別提出分形、變精度粗糙集灰度識別法［6－7］，對通信輻射源識別具有借鑒意義。針對通信輻射源因其信號連續(xù)、發(fā)射功率較小、發(fā)射內容不重復等特點，使通信輻射源個體識別呈現(xiàn)出信號微弱、瞬時特征不明顯等特點，導致個體特征提取困難。目前，關于通信輻射源個體識別的方法，國內外主要有以下幾類，各具特點。

(1)現(xiàn)代譜:采取雙譜［8］和循環(huán)譜［9－10］方法。雙譜巧妙選取積分路徑，減少運算量，實際數(shù)據(jù)測試識別率90.3%(信噪比為15 dB)，存在交叉項，引入較高虛警;循環(huán)譜在低信噪比效果好，仿真識別率90.8%(信噪比為0 dB)，每次需要校準特征適量，校準矩陣對數(shù)據(jù)獲取系統(tǒng)具有依賴性。

(2)瞬態(tài)特征:采取時頻統(tǒng)計［11］方法。為諾·格公司技術專利，采用時頻圖中方向梯度直方圖算子作為特征向量，對開關信號進行模板匹配。識別結果涉密，無公開報導。

(3)頻率特性:采取載波短時穩(wěn)定度［5］與信息維特征分型提取方法，仿真信噪比為10 dB，識別率87%，實際測試為85.3%。對同一型號、同一批次的電臺識別能力有限。

本文以高斯頻移鍵控(Gaussian Frequency－Shift Keying，GFSK)為例討論通信輻射源穩(wěn)健特征與模板構建，同時提出特征提取和模板匹配準則。利用通信信號的長時譜統(tǒng)計特性，即大/平均統(tǒng)計譜，提取模板匹配后的包絡特征參數(shù)，采用峰值與包絡特征構建個體特征矢量。利用樸素貝葉斯分類算法與個體特征矢量結合進行通信輻射源個體識別，同時對訓練樣本長度進行仿真確認。在分析仿真基礎上，使用安捷倫示波器和頻譜儀構建通信輻射源個體識別算法驗證系統(tǒng)，開展了對同一廠家、同批次、同型號20 個GFSK 調制的無線通信模塊識別實驗驗證本文算法。文中方法較易實現(xiàn)，是一種穩(wěn)健而有效的輻射源個體自動識別方法。

2 個體特征矢量

從目標識別的角度講，理想的通信輻射源個體特征應滿足以下條件［1］:

(1)唯一性，即個體特征是與眾不同的;

(2)獨立性，即個體特征與傳遞信息本身無關，當發(fā)射信號波形改變時，該特征不變;

(3)穩(wěn)定性，即個體特征本身穩(wěn)定，不因溫度、振動、空間和時間等環(huán)境因素的變化而發(fā)生顯著變化;

(4)可測性，即特征是可以通過測量得到，并且測量精度能達到個體分類的要求。

輻射源個體信號的頻譜特性容易測量，滿足以上獨立、穩(wěn)定的特點，本文以通信輻射源的頻域峰值特征和頻譜包絡構建個體識別空間，進行輻射源個體識別實驗。通信信號頻譜峰值與包絡與調制方式直接相關，幅移鍵控(Amplitude Shift Keying，ASK)、頻移鍵控(Frequency Shift Keying，F(xiàn)SK)調制方式的頻譜具有峰值與包絡特性，而如相移鍵控(Phase Shift Keying，PSK)調制信號本身頻譜不具備峰值特征，但是二次信號或多次信號的頻譜具備峰值與包絡特征。為便于用大量的通信輻射源驗證算法，以GFSK 為例進行推導通信輻射源個體識別特征的選擇過程，GFSK 在短距離數(shù)傳模塊中應用較多，成本低，便于大批量采購用于驗證本文算法。

2.1 GFSK 調制頻譜特征

GFSK 調制是把輸入數(shù)據(jù)經(jīng)高斯低通濾波器預調制濾波后，再進行FSK 調制的數(shù)字調制方式。它在保持恒定幅度的同時，能夠通過改變高斯低通濾波器的3 dB帶寬對已調信號的頻譜進行控制，具有恒幅包絡、功率譜集中、頻譜較窄等無線通信系統(tǒng)所希望的特性。GFSK 調制解調技術被廣泛應用在移動通信、航空與航海通信等諸多領域中。

如圖1所示，GFSK 的調制過程如下，輸入信號x(t)是隨機二進制信號形成雙極性方波，經(jīng)過沖激響應h(t)的高斯濾波器后進行積分，形成I/Q 調制相位。輸入二進制數(shù)字基帶脈沖序列p(t)，經(jīng)過高斯濾波器g(t)后，進入調頻系統(tǒng)h(t)，輸出GFSK 波形y(t)。

圖1 GFSK 調制信號模型Fig.1 Signal model of GFSK modulation

GFSK 輻射源的功率譜有連續(xù)譜包絡特征和離散譜峰值兩種特征。個體包絡形狀與GFSK 調制器輸出包絡、變頻器頻率響應、射頻放大器和前置濾波器包絡有關，包絡形狀與個體輻射源的模板匹配程度是輻射源個體識別的依據(jù)之一。離散峰值個數(shù)、位置和多峰之間間距與調制階數(shù)、調制度和時鐘模塊穩(wěn)定度、系統(tǒng)雜散特性有關。

如圖2和圖3所示，單次觀測的譜包絡信噪比較低，引入最大值方法和均值方法提取包絡。

圖2 窄帶GFSK 功率譜圖Fig.2 Narrow－band GFSK power spectrum diagram

圖3 寬帶GFSK 功率譜圖Fig.3 Broadband GFSK power spectrum diagram

最大值包絡形成方法如下:

式中，N 為形成包絡穩(wěn)定的觀測次數(shù)，滿足

均值包絡形成方法如下:

式中，N 為形成包絡穩(wěn)定的觀測次數(shù)，滿足

如圖2和圖3所示，單次觀測的功率譜峰值特征不明顯，經(jīng)過多次觀測累計(最大/均值)平均功率譜，峰值特征與包絡明顯顯示出來。

2.2 峰值特征提取

設平均功率譜的序列為 ()p n ，n =0，1，…，N。借鑒圖4雷達恒虛警檢測算法，進行峰值檢測。選取2(m+m0)+1 個單元，選取最大值Mmax，其中m0是保護單元。取2m 個測試單元均值M 和方差V;如果最大值在單元中心m 的位置，且 (Mmax－M)/V＞K，則 p ( m)為頻譜峰值點。滑動2 (m+m0)+1 長度單元，完成多峰值點的檢測。如圖5所示，提取GFSK 輻射源的多個峰值點。

通過MATLAB 程序生成GFSK 信號，awgn 函數(shù)加入白噪聲，在不同信噪比下通過蒙特卡羅仿真，峰值計算算法的檢測性能如圖5所示。

圖4 單元平均恒虛警峰值檢測算法示意圖Fig.4 Schematic diagram of unit Peak Detect Algorithm with average constant false－alarm

圖5 峰值檢測算法性能曲線Fig.5 Performance curve of Peak Detect Algorithm

通過仿真與測試發(fā)現(xiàn):最大值法形成頻譜包絡樣本的方差較小，可用于提取峰值，峰值特征樣本一致性優(yōu)于均值積累，因此采用最大值積累包絡提取峰值;而均值法形成的頻譜包絡樣本形狀一致性較好，采用均值法形成頻譜包絡模板。

2.3 譜包絡模板匹配

針對雷達脈沖包絡，可進行基于Holder 系數(shù)的相關比較，以比較兩個包絡的相似性［2］。對時域通信輻射源信號而言，包絡連續(xù)且與發(fā)送信息的內容緊密相關，因此對通信輻射源識別而言，比較時域信號包絡相似性存在數(shù)據(jù)選擇上的困難。幸運的是，通信信號在時域連續(xù)，在頻域為帶通信號，其頻譜存在包絡，可進行頻譜包絡的模板匹配。在模板匹配之前，對樣本再進行小波去噪處理。

采用Holder 系數(shù)作為頻譜包絡模板匹配特征，存在以下不足:

(1)Holder 系數(shù)對噪聲敏感;

(2)穩(wěn)健性有待商榷。存在不同信噪比下，不同輻射源對P/Q 值取值不同情況，才能區(qū)分不同輻射源之間的Holder 系數(shù)。

為提高穩(wěn)健性，引入不相似系數(shù)作為約束。以文獻［12］中定義的不相似測度和相似測度作為頻譜包絡模板匹配特征參數(shù)。

不相似測度如下:

相似性測度:Pearson 相關系數(shù)

式中，xd=和yi分別是x 和y 序列的第i 個坐標，珋和分別為x 和y 序列的均值。通過不相似測度和相似測度兩個特征來描述輻射源頻譜包絡與模板的相關性，兩者組合可穩(wěn)健地對頻譜包絡進行分類。

如果有m 個輻射源，那么由峰值特征矢量和包絡特征參數(shù)共同構成通信輻射源的個體特征矢量V:

其中包括i 個頻率峰值f，以及m 個輻射源個體的包絡不相似系數(shù)r0和相似系數(shù)r1，特征空間的維度為i+2m。

3 樸素貝葉斯模式識別算法

經(jīng)過試驗統(tǒng)計GFSK 輻射源測試數(shù)據(jù)，通信輻射源的個體識別特征樣本近似服從正態(tài)高斯分布。本文采用樸素的貝葉斯分類器［12］，為保證概率密度函數(shù)的準確性，訓練樣本的數(shù)目要足夠大，樣本的數(shù)量隨著特征空間維數(shù)l 增加呈現(xiàn)指數(shù)增長。如果一維空間需要N 個樣本可以準確估計概率密度函數(shù)，在l 維空間，需要Nl 個訓練樣本，對于l 較大的情況，準確估計概率密度困難。通用的做法是假設每個特征值xj，j =1，2，…，l 是統(tǒng)計獨立的，這種假設條件下，可以得到

為了估計l 個一維密度函數(shù)，用l·N 個樣本來替代Nl個樣本，這就可以得到準確的估計。樸素貝葉斯(Naive－ Bayes)分類器將未知樣本xj=[x1，x2，…，xl]T分類到

樸素貝葉斯分類器雖然違背了獨立性假設，但具有很好的魯棒性。樸素貝葉斯分類器訓練數(shù)據(jù)長度lN 取決于特征空間維數(shù)l 和一維空間樣本個數(shù)N。設置GFSK 峰值的特征樣本概率密度函數(shù)符合高斯分布，通過MATLAB 程序生成具有l(wèi) 個峰值GFSK 信號，其峰值呈現(xiàn)隨機特性，但峰值方差分布滿足概率分布。通過仿真實驗，測試得到N 的取值范圍。圖6為在一維空間下樸素貝葉斯分類器的學習曲線。從圖中可以看出，在一維特征空間下，樣本長度N≥10 的情況下，分類概率誤差不大于5%。因此，l 維特征空間用于訓練的樣本長度不小于10l。

圖6 樸素貝葉斯分類器學習曲線Fig.6 Learning curve of Naive－Bayes classifier

4 識別實驗

如圖7所示，由控制計算機、安捷倫E4440A 頻譜儀、安捷倫DXOX9320A 示波器、可調衰減器、無線射頻模塊構成輻射源識別算法驗證系統(tǒng)。控制計算機發(fā)送任意二進制文件經(jīng)過無線實驗模塊，實驗模塊輸出射頻信號進入頻譜儀，頻譜儀觀測信號頻譜，選取最大值和平均譜模式提取峰值和包絡。安捷倫DXOX9320A 示波器用于觀測波形和數(shù)據(jù)實時采集記錄?？刂朴嬎銠C通過網(wǎng)絡控制示波器、頻譜儀和射頻模塊協(xié)同工作。試驗中，更換不同的無線射頻模塊，隨機發(fā)送二級制文件，采集頻譜和時域波形數(shù)據(jù)，通過計算機后處理的時域和頻域數(shù)據(jù)，進行輻射源個體識別驗證試驗。

圖7 通信輻射源個體識別算法驗證系統(tǒng)Fig.7 Algorithm verification system of specific communication emitter identification

實驗共測試20 個無線射頻模塊的頻譜數(shù)據(jù)，該射頻模塊普遍用于物聯(lián)網(wǎng)及短距無線傳輸應用中，成本較低，可在市場上大批量采購同型、同批次的無線模塊。

利用本文算法，通過觀測，最終確定43 個特征參量構建個體識別特征矢量V(公式(3))，每個無線射頻模塊采集200 次數(shù)據(jù)，每次信號采集持續(xù)2 s，形成200 條樣本。20 個實驗模塊，共計4000 條樣本;其中，2000 條樣本用于形成模板，2000 條樣本用于識別試驗。圖8和圖9為頻譜儀抓取的信號譜域峰值特征和包絡特征。

圖8 無線射頻模塊頻域峰值Fig.8 Frequency－domain peak of wireless radio frequency module

圖9 無線射頻模塊帶內峰值與包絡Fig.9 Bandwidth peak and envelope of wireless radio frequency module

在信噪比為5 dB 的情況下進行輻射源個體識別，20 個樣本的具體識別結果如表1所示。

表1 輻射源個體識別實驗統(tǒng)計Table 1 Experiment statistics of specify emitter identification

定義輻射源識別的技術指標如下:

(1)輻射源個體識別虛警概率:設某輻射源識別后的結果總數(shù)為M，其中m 個為其他輻射源樣本，該輻射源個體識別虛警概率為m/M;

(2)某輻射源的識別率:識別結果中正確樣本個數(shù)與屬于該源的參試樣本數(shù)量之比;

(3)整體識別概率:所有參與測試的輻射源識別正確的樣本數(shù)/參與測試樣本總數(shù)。

本次實驗中，所有參與測試輻射源20 個，參與測試樣本數(shù)1996 個。

在信噪比為5 dB 的條件下，測試試驗的整體識別率為93.7%，整體錯誤識別概率為6.3%，識別試驗中各個輻射源的虛警率和識別率統(tǒng)計如表2所示。

表2 輻射源個體虛警概率和識別率Table 2 False－alarm ＆ identification probability of specify emitter

其中，No.16 的識別概率最低，No.4 的虛警概率最大，觀察No. 16 與No. 4 的不相似系數(shù)均值2.1，方差為2.216 1，不相似系數(shù)出現(xiàn)多個樣本小于或接近1，導致20 個輻射源No.16個體被判為No.4;通過對樣本進行統(tǒng)計后，樣本數(shù)據(jù)生成的特征矢量與識別模板的不相似性系數(shù)小于1，相似系數(shù)大于0.9，該樣本與識別模板同屬于相同輻射源;樣本數(shù)據(jù)生成的特征矢量與識別模板的不相似系數(shù)大于1，相似系數(shù)小于0.9 時，該樣本與識別模板同屬于不同輻射源;而個體間的峰值特征均值差越大，識別概率越高;各個特征系數(shù)的樣本方差愈小，特征愈穩(wěn)健。

5 結束語

利用通信輻射源信號為頻域限帶信號特點，本文推導了GFSK 調制通信輻射源的頻譜特性，提出利用頻譜峰值作為特征、頻譜包絡作為匹配模板，引入不相似系數(shù)與相似系數(shù)作為模板特征，進行通信輻射源個體識別。采用樸素的貝葉斯分類器，在信噪比為5 dB的情況下，對同一批次、同一型號的20個通用GFSK 無線數(shù)傳射頻模塊進行個體識別，整體識別概率達到93.7%。需要說明的是，本次試驗中識別的20 個GFSK 射頻模塊均為市場上可購買的商用模塊，成本較低，一致性相對較差，因此試驗的識別概率較高，但仍然可以說明基于頻譜峰值與包絡的通信輻射源個體識別算法的有效性。

該方法可擴展應用到ASK、FSK、PSK 調制方式的輻射源個體識別中。通信信號頻譜峰值和包絡與調制方式直接相關，ASK、FSK 調制方式的頻譜具有峰值與包絡特性，而如PSK 調制信號本身頻譜不具備峰值特征，但是二次信號或多次信號的頻譜具備峰值與包絡特征。當輻射源處于運動狀態(tài)或干擾環(huán)境時，需要對本文算法進行調整，以適應輻射源動態(tài)識別需求。本文算法擴展試驗以及環(huán)境適應性修正將是后續(xù)的研究工作。

［1］ 許丹，柳征，姜文利，等. 一種基于交叉關聯(lián)積分的功放無意調制識別方法［J］. 國防科技大學學報，2008，30(3):116－121.XU Dan，LIU Zheng，JIANG Wenli，et al.An Unintentional Modulation Identification Method of Power Amplifier Based on Cross－correlation integral［J］. Journal of National University of Defense Technology，2008，30(3):116－121.(in Chinese)

［2］ 王海華，沈曉峰.一種新的雷達輻射源信號脈內特征提取方法［J］.系統(tǒng)工程與電子技術，2009，31(4):809－811.WANG Haihua，SHEN Xiaofeng.New Intra－pluse Feature Extration Approch of Emitter Signals［J］.System Engineering and Electronics，2009，31(4):809－811.(in Chinese)

［3］ 程吉祥，張葛祥，李志丹.基于時頻原子方法的雷達輻射源個體識別［J］. 航天電子對抗，2011，2(1):54－57.CHENG Jixiang，ZHANG Gexiang，LI Zhidan. A Novel Specific Emitter Identification Method Based on time frequency Atom Approch［J］. Aerospace Electronic Countemeasures，2011，2(1):54－57.(in Chinese)

［4］ D'Agostino S，F(xiàn)oglia G，Pistoia D.Specific Emitter Identification:Analysis on real radar signal data［C］//Proceedings of 2009 IEEE Radar Conference.Rome:IEEE，2009:242－245.

［5］ 張曼，鐘子發(fā)，王若冰. 通信電臺個體識別技術研究［J］.電子學報，2009，39(10):2125－2129.ZHANG Man，ZHONG Zifa，WANG Ruobing. Research On The Technologyb of Individual Communication Transmitter Identification［J］.Acta Electronica Sinica，2009，39(10):2125－2129(in Chinese)

［6］ 李楠，曲長文，平殿發(fā).基于分形理論的輻射源識別算法［J］.航天電子對抗，2010(2):62－64.LI Nan，QU Changwen，PING Dianfa.Study of Transmitter Individual Identification Based on Fractal Theory［J］.Aerospace Electronic Countemeasures，2010(2):62－64.(in Chinese)

［7］ 曲長文，李楠，蘇峰，等.基于VPRSM 的輻射源灰色識別法［J］.控制與決策，2011(5):753－756.QU Changwen，LI Nan，SU Feng，et al.Emotter Gray IdentificationBased On Variable Precision Rough Set Model［J］.Control and Decision，2011(5):753－756.(in Chinese)

［8］ 蔡忠偉，李建東. 基于雙譜的通信輻射源個體識別［J］.通信學報，2007，28(2):75－79.CAI Zhongwei，LI Jiandong.Study of Transmitter Individual Identification Based On Bispectra，［J］Journal on Communications，2007，28(2):75－79.(in Chinese)

［9］ Sahmel P H. Eigenspace Approach to Specific Emitter Identication of Orthogonal Frequency Division Multiplexing Signals［D］.Virginia，USA:Virginia Polytechnic Institute and State University，2011.

［10］ Kyouwoong K，Spooner C M，Akbar I，et al. Specific Emitter Identification for Cognitive Radio with Application to IEEE 802.11［C］//Proceedings of 2008 IEEE Global Telecommunications Conference. New Orleans，LO:IEEE，2008:1－5.

［11］ Owechko Y.Specific Emitter Identification Using Histogram of Oriented Gradient Features:US，20100061630［P］.2010－11－03.

［12］ Theodoridis S，Koutroumbas K.模式識別［M］.3 版.李晶皎，王愛俠，譯.北京:電子工業(yè)出版社，2006.Theodoridis S，Koutroumbas K. Pattern Recognition［M］.3rd ed. Translated by LI Jingjiao，WANG Aixia.Beijing:Publishing House of Electronic Industry，2006.(in Chinese)