基于非線性模型的寬帶無(wú)線發(fā)射機(jī)識(shí)別

孫閩紅，郭泓辰

(杭州電子科技大學(xué)通信工程學(xué)院，浙江 杭州 310018)

基于非線性模型的寬帶無(wú)線發(fā)射機(jī)識(shí)別

孫閩紅，郭泓辰

(杭州電子科技大學(xué)通信工程學(xué)院，浙江 杭州 310018)

針對(duì)同廠家生產(chǎn)的同型號(hào)寬帶無(wú)線發(fā)射機(jī)難以識(shí)別的問(wèn)題，提出了一種基于模型的識(shí)別新方法.首先將寬帶無(wú)線發(fā)射機(jī)建模為Hammerstein-Wiener模型，通過(guò)引入鰻魚(yú)算法中的標(biāo)識(shí)度和鄰近學(xué)習(xí)的思想，提出改進(jìn)的自適應(yīng)小生境遺傳算法，并應(yīng)用于模型參數(shù)的辨識(shí)；然后以模型參數(shù)為特征向量，以直觀的歐氏距離法實(shí)現(xiàn)寬帶無(wú)線發(fā)射機(jī)識(shí)別.仿真結(jié)果驗(yàn)證了改進(jìn)算法在Hammerstein-Wiener模型辨識(shí)上的有效性，而且與網(wǎng)格自適應(yīng)直接搜索算法和自適應(yīng)小生境遺傳算法相比較，改進(jìn)算法有更高的預(yù)測(cè)精度和發(fā)射機(jī)識(shí)別率.

寬帶無(wú)線發(fā)射機(jī)識(shí)別；Hammerstein-Wiener模型；系統(tǒng)辨識(shí)；遺傳算法

0 引 言

近年來(lái)，基于射頻指紋特征的無(wú)線發(fā)射機(jī)識(shí)別是國(guó)內(nèi)外的一個(gè)研究熱點(diǎn)[1]，提取的指紋特征有小波系數(shù)、元器件非線性模型參數(shù)、瞬時(shí)包絡(luò)特征等，其中基于元器件非線性模型參數(shù)的識(shí)別方法主要分為基于Hammerstein模型和低階的volterra級(jí)數(shù)模型，在低信噪比和小樣本下仍具有良好的識(shí)別性能[2]，值得進(jìn)一步深入研究.然而，上述模型對(duì)寬帶無(wú)線發(fā)射機(jī)識(shí)別并不是最適合的，文獻(xiàn)[3]指出Hammerstein-Wiener模型對(duì)寬帶無(wú)線發(fā)射機(jī)識(shí)別具有更優(yōu)的建模性能.在系統(tǒng)辨識(shí)方面，現(xiàn)有的Hammerstein-Wiener模型辨識(shí)方法主要有網(wǎng)格自適應(yīng)直接搜索算法[3](Mesh Adaptive Direct Search，MADS)和一些傳統(tǒng)算法，如最小二乘法和迭代法等，這些方法存在辨識(shí)精度低、魯棒性差或收斂性不能被嚴(yán)格證明等不足之處.針對(duì)這些不足，一些智能算法，如自適應(yīng)加權(quán)粒子群優(yōu)化算法[4](Adaptive Weighted Particle Swarm Optimization，AWPSO)被應(yīng)用于Hammerstein-Wiener模型的辨識(shí)，取得了較好的效果.

本文通過(guò)引入鰻魚(yú)算法[5]中的標(biāo)識(shí)度和鄰近學(xué)習(xí)的思想，提出了一種改進(jìn)的自適應(yīng)小生境遺傳算法，彌補(bǔ)了遺傳算法局部尋優(yōu)較差的不足，提高了算法局部尋優(yōu)能力，使遺傳算法在全局尋優(yōu)和局部尋優(yōu)達(dá)到平衡.采用新算法對(duì)同型號(hào)無(wú)線發(fā)射機(jī)的個(gè)體細(xì)微特征進(jìn)行識(shí)別，為仿冒用戶非法入侵身份識(shí)別方面的研究提供了新思路.

1 系統(tǒng)建模

寬帶無(wú)線發(fā)射機(jī)的建模為Hammerstein-Wiener模型，其結(jié)構(gòu)如圖1所示.

圖1 Hammerstein-Wiener模型

圖1中，d(n)與y(n)分別為系統(tǒng)的輸入和輸出，f(d)和g(u)為非線性結(jié)構(gòu)，v(n)和u(n)分別為f(d)的輸出和g(u)的輸入信號(hào).對(duì)于2個(gè)非線性子模塊，分別可用1個(gè)無(wú)記憶非線性多項(xiàng)式模型表示

(1)

(2)

其中，M和M′為多項(xiàng)式階數(shù)，Bk和bk為多項(xiàng)式系數(shù).由于偶次項(xiàng)會(huì)被射頻濾波器濾除，所以僅考慮奇次項(xiàng)[6].圖1中，H(v)為線性子模塊，可用FIR濾波器表示為

(3)

其中,hk為線性參數(shù)，N為階數(shù).

綜合式(1)和式(3)，得到Hammerstein-Wiener模型的輸入與輸出的關(guān)系為

(4)

其中，w(n)～N(0,σ2)為加性高斯白噪聲.假設(shè)不考慮無(wú)線信道的影響，在寬帶無(wú)線接收機(jī)中，接收信號(hào)相當(dāng)于式(4)中的輸出信號(hào)，模型的輸入d(n)可以通過(guò)解調(diào)得到，因此模型中的輸入和輸出數(shù)據(jù)對(duì)接收機(jī)而言均已知，從而可以根據(jù)這些數(shù)據(jù)對(duì)模型進(jìn)行辨識(shí).

2 改進(jìn)的自適應(yīng)小生境遺傳算法

自適應(yīng)小生境遺傳算法在全局尋優(yōu)方面具有優(yōu)勢(shì)，但局部尋優(yōu)能力弱.為提高此算法的局部尋優(yōu)能力，本文提出的改進(jìn)的自適應(yīng)小生境遺傳算法增加了梯度優(yōu)化操作，引入了鰻魚(yú)算法的標(biāo)識(shí)度和鄰近學(xué)習(xí)思想.具體的算法步驟如圖2所示.

圖2 改進(jìn)的自適應(yīng)小生境遺傳算法

改進(jìn)算法增加了梯度優(yōu)化種群，標(biāo)識(shí)度劃分等級(jí)和鄰近學(xué)習(xí)的算法，具體如下：

1)梯度優(yōu)化.目標(biāo)函數(shù)為

金萊特(002723)公告稱擬以支付現(xiàn)金的方式，向旭寶恒都、國(guó)信銘安、龍祺合伙等7名股東收購(gòu)其持有的中建城開(kāi)100%股權(quán)，交易價(jià)為8.5億元。上述股東承諾，中建城開(kāi)2019-2021年度扣非后歸母凈利潤(rùn)分別不低于1億元、1.2億元和1.5億元。金萊特表示，通過(guò)收購(gòu)中建城開(kāi)股權(quán)，公司將進(jìn)入建筑服務(wù)行業(yè)，實(shí)現(xiàn)雙輪驅(qū)動(dòng)發(fā)展，進(jìn)一步提升公司綜合競(jìng)爭(zhēng)力；更有助于公司分享我國(guó)新一輪基建扶持政策帶來(lái)的產(chǎn)業(yè)機(jī)遇和發(fā)展紅利。

(5)

(6)

2)等級(jí)劃分.比較2個(gè)個(gè)體i和j之間的距離，若dij>L，認(rèn)為不在1個(gè)小生境里，跳轉(zhuǎn)進(jìn)行條件判決.若dij

3)鄰近學(xué)習(xí).若F[X(bi,hj,Bj)]>F[X(bj,hj,Bj)]，則交換基因段，交換后為F[X(bj,hj,Bj)]=F[X(bi,hj,Bj)].同理，可交換hj與Bj基因段.最終當(dāng)J<η時(shí)，程序結(jié)束.

3 仿真實(shí)驗(yàn)

仿真實(shí)驗(yàn)選取了3種算法，分別為MADS算法、自適應(yīng)小生境遺傳算法和改進(jìn)的自適應(yīng)小生境遺傳算法，從參數(shù)辨識(shí)性能、無(wú)線發(fā)射機(jī)識(shí)別性能兩方面來(lái)驗(yàn)證所提算法的有效性.仿真實(shí)驗(yàn)是在CPU主頻為3.3 GHz、Win7 64位操作系統(tǒng)、4 GB內(nèi)存的環(huán)境下運(yùn)行.假設(shè)有2臺(tái)寬帶無(wú)線發(fā)射機(jī)，其Hammerstein-Wiener模型參數(shù)設(shè)置如表1所示.

表1 寬帶無(wú)線發(fā)射機(jī)參數(shù)設(shè)置

3.1 參數(shù)辨識(shí)性能

主要從時(shí)間復(fù)雜度和辨識(shí)精度兩方面來(lái)比較參數(shù)辨識(shí)性能.

3.1.1 時(shí)間復(fù)雜度

表2 算法時(shí)間復(fù)雜度 s

從表2中看出，MADS算法平均運(yùn)行時(shí)間最短，因?yàn)榈托旁氡认翸ADS算法易陷入局部最優(yōu)解.改進(jìn)的自適應(yīng)小生境遺傳算法通過(guò)梯度優(yōu)化了搜索空間，避免了不必要的范圍搜索，相對(duì)于自適應(yīng)小生境遺傳算法大大減小了時(shí)間復(fù)雜度.

3.1.2 辨識(shí)精度

圖3 相對(duì)誤差比較

從圖3看出，在選取的輸入樣本中MADS算法的相對(duì)誤差最大，可達(dá)1.10，平均相對(duì)誤差是0.20；自適應(yīng)小生境遺傳算法的相對(duì)誤差最大為0.25，平均相對(duì)誤差為0.05；改進(jìn)遺傳算法相對(duì)誤差最大為0.09，平均相對(duì)誤差為0.03.說(shuō)明在這3種算法中，改進(jìn)遺傳算法在辨識(shí)精度上最好，因?yàn)猷徑鼘W(xué)習(xí)和小生境淘汰操作平衡了其局部尋優(yōu)和全局尋優(yōu)能力，而MADS算法魯棒性差，易陷入局部最優(yōu)解，所得到的預(yù)測(cè)輸出并非全局最優(yōu)解下的最佳輸出.

3.2 發(fā)射機(jī)識(shí)別性能

在利用改進(jìn)的遺傳算法獲得系統(tǒng)參數(shù)的估計(jì)值之后，采用較直觀的歐氏距離比較法進(jìn)行識(shí)別，判決準(zhǔn)則為：

(7)

圖4 識(shí)別率隨信噪比變化曲線

識(shí)別率隨信噪比變化曲線如圖4所示.

從圖4可以看出，識(shí)別率若要達(dá)到90%，改進(jìn)自適應(yīng)小生境遺傳算法的信噪比要比自適應(yīng)小生境遺傳算法少2 dB；并且改進(jìn)自適應(yīng)小生境遺傳算法的識(shí)別率平均比自適應(yīng)小生境遺傳算法的要高2.85%.因?yàn)楦倪M(jìn)自適應(yīng)小生境遺傳算法引進(jìn)標(biāo)識(shí)度和鄰近學(xué)習(xí)思想，在本身具有全局尋優(yōu)特點(diǎn)下，增強(qiáng)了局部尋優(yōu)能力，提高了辨識(shí)精度.而MADS算法對(duì)噪聲敏感，魯棒性差，易陷入局部最優(yōu)解，參數(shù)辨識(shí)值變化大，所以當(dāng)信噪比在2～30 dB范圍內(nèi)，識(shí)別率最低.

4 結(jié)束語(yǔ)

本文通過(guò)改進(jìn)的自適應(yīng)小生境遺傳算法來(lái)進(jìn)行模型參數(shù)的辨識(shí).利用本算法進(jìn)行寬帶無(wú)線發(fā)射機(jī)識(shí)別，在時(shí)間復(fù)雜度上，與MADS算法相比并沒(méi)有優(yōu)勢(shì)，但識(shí)別性能最好，充分證明了改進(jìn)算法能提高自適應(yīng)小生境遺傳算法的尋優(yōu)能力.實(shí)際應(yīng)用中，在時(shí)間復(fù)雜度沒(méi)有嚴(yán)格要求情況下，利用改進(jìn)算法進(jìn)行相應(yīng)的系統(tǒng)辨識(shí)可提高一定的辨識(shí)精度.然而對(duì)時(shí)間有嚴(yán)格要求情況下，需要即時(shí)處理復(fù)雜問(wèn)題時(shí)，采用改進(jìn)算法并不合適，其時(shí)間復(fù)雜度有待進(jìn)一步優(yōu)化.

[1]REHMANSU,SOWERBYKW,COGHILLC.Radio-frequencyfingerprintingformitigatingprimaryuseremulationattackinlow-endcognitiveradios[J].IETCommunications, 2014, 8(8): 1274-1284.

[2]LIUMW,DOHERTYJF.Nonlinearityestimationforspecificemitteridentificationinmultipathchannels[J].ForensicsandSecurity,IEEETransactionsonInformation, 2011, 6(3): 1076-1085.

[3]TARINGOUF,HAMMIO,SRINIVASANB,etal.Behaviourmodellingofwidebandrftransmittersusinghammerstein-wienermodels[J].IETcircuits,devices&systems, 2010, 4(4): 282-290.

[4]TALAIES,SHOOREHDELIMA,SHAHMOHAMADIL.NonlinearsystemidentificationofHammerstein-WienermodelusingAWPSO[C]//IntelligentSystems(ICIS), 2014IranianConferenceon.IEEE, 2014: 1-4.

[5]SUNYS,HUANGZC,CHENY,etal.Anewdiscreteeelswarmintelligencealgorithm[C]// 2014 4thIEEEInternationalConferenceonInformationScienceandTechnology.IEEE, 2014: 813-816.

[6]BARRADASFM,CUNHATR,LAVRADORPM,etal.PolynomialsandLUTsinPABehavioralModeling:AFairTheoreticalComparison[J].IEEETransactionsonMicrowaveTheoryandTechniques, 2014, 62(12): 3274-3285.

[7]SONGQK,XUMM,LIUY.Waveletnetworkcontrollerbasedonimprovedgeneticalgorithm[C]//Measurement,InformationandControl(ICMIC), 2013InternationalConferenceon.IEEE, 2013: 1111-1117.

[8]趙靜,趙衛(wèi)虎,李勇軍,等.基于改進(jìn)小生境遺傳算法的微波/光混合鏈路中繼衛(wèi)星資源調(diào)度方法[J].光電子:激光,2014,25(1):76-81.

Wideband Wireless Transmitter Identification Based on Nonlinear Model

SUN Minhong, GUO Hongchen

(SchoolofCommunicationEngineering,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

The identification of the same-model wideband wireless transmitters manufactured by a same manufacturer has emerged as a big challenge. In this paper, a new model-based approach for the identification is proposed. Firstly, a Hammerstein-Wiener model is adopted for modeling the wideband wireless transmitters. Then an improved adaptive niche genetic algorithm is proposed for the model identification. Taking the estimated model parameters as a feature vector, the identification of the wideband wireless transmitters is performed by utilizing an intuitive Euclidean method. The simulation results verify the effectiveness of the proposed method. Moreover, the improved genetic algorithm achieves better estimation precision and higher identification rate than the mesh adaptive direct search(MADS) and adaptive niche genetic algorithm.

wideband wireless transmitter identification; Hammerstein-Wiener; system identification; genetic algorithm

10.13954/j.cnki.hdu.2017.01.008

2016-09-13

國(guó)家自然科學(xué)基金資助項(xiàng)目(61271214)；浙江省自然科學(xué)基金資助項(xiàng)目(LZ14F010003)

孫閩紅(1974-)，江西吉安人，男，副教授，信號(hào)處理.

TN975

A

1001-9146(2017)01-0032-05