基于雷達(dá)脈沖壓縮信號(hào)的輻射源個(gè)體識(shí)別技術(shù)

陸澤櫞 王凱 程超才 賀芃 朱子平

摘要：信號(hào)輻射源識(shí)別在雷達(dá)對(duì)抗和設(shè)備狀態(tài)檢測(cè)中起到重要作用。本文采用Hammerstein模型對(duì)雷達(dá)輻射源建模，采用AR模型對(duì)雷達(dá)輻射源線(xiàn)性記憶特性建模。然后基于AR模型從脈沖壓縮后的回波信號(hào)中提取特征，并采用概率神經(jīng)網(wǎng)絡(luò)對(duì)不同輻射源個(gè)體開(kāi)展模式識(shí)別。并通過(guò)雷達(dá)信號(hào)處理相參處理，進(jìn)一步提高對(duì)信號(hào)源個(gè)體識(shí)別的準(zhǔn)確率?；诓煌旁氡群蛢煞N特征集，仿真結(jié)果表明本文提出的方法能夠在不增加硬件成本和的條件下，以極低的信號(hào)處理開(kāi)銷(xiāo)，有效識(shí)別雷達(dá)輻射源個(gè)體。

關(guān)鍵詞：輻射源個(gè)體識(shí)別；脈沖壓縮；概率神經(jīng)元網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2019）06-0173-05

Radar Emitters Identification Technology Based on Pulse Compression Signal

LU Ze-yuan， WANG Kai， CHENG Chao-cai， HE Peng， ZHU Zi-ping

（The No.38 Research Institute of CETC，Hefei 230000， China）

Abstract： Signal emitters identification technology can play an important role in radar countermeasure and radar equipment state detection. In this paper， Hammerstein model is used to describe the radar emitter and AR model is used to describe the linear memory characteristics of the radar emitter. Then， based on AR model， features are extracted from the echo signals after pulse compression， and probabilistic neural networks are used to identify individual radiation sources. Through the radar signal processing coherent method， the accuracy of individual signal source identification is further improved. The results show that the proposed method can effectively identify radar emitter individuals with very low signal processing overhead without extra hardware costs.

Keywords： Signal emitters identification； Pulse compression； Probabilistic neural network

目前對(duì)信號(hào)輻射源特征差異的定量機(jī)理研究不足。文獻(xiàn)主要基于現(xiàn)代信號(hào)處理方法提取輻射源特征信息。這些研究工作中的個(gè)體特征提取方法中經(jīng)驗(yàn)成分偏大，目前的研究工作傾向于根據(jù)信號(hào)觀(guān)測(cè)來(lái)歸納差異。

從特征提取方法看，現(xiàn)有的信號(hào)輻射源個(gè)體識(shí)別技術(shù)主要分為三種：第一種針對(duì)信號(hào)參數(shù)的統(tǒng)計(jì)特征；第二種聚焦信號(hào)變換域的統(tǒng)計(jì)特征；第三種基于發(fā)射機(jī)非線(xiàn)性的統(tǒng)計(jì)特征。這些現(xiàn)有方法主要針對(duì)的是通信信號(hào)而非雷達(dá)信號(hào)。

Williams等人針對(duì)通信信號(hào)暫態(tài)段、導(dǎo)頻段，提取瞬時(shí)幅度、瞬時(shí)相位、瞬時(shí)頻率的統(tǒng)計(jì)參數(shù)作輻射源個(gè)體特征[1-3]。通信輻射源識(shí)別研究可利用導(dǎo)頻信號(hào)，導(dǎo)頻信號(hào)是一種穩(wěn)態(tài)信號(hào)，然而在LFM波形的雷達(dá)信號(hào)屬于非平穩(wěn)信號(hào)，但本文不是直接對(duì)雷達(dá)回波做分析，而是以脈沖壓縮后信號(hào)做輸入，特征提取方法采用自回歸方法處理暫態(tài)信號(hào)。

Brik從解調(diào)星座圖畸變角度提取輻射源個(gè)體特征向量，并在對(duì)130多個(gè)發(fā)射機(jī)的識(shí)別實(shí)驗(yàn)取得了超過(guò)80%的正確識(shí)別率[4]?；跁r(shí)域和頻域統(tǒng)計(jì)參數(shù)特征的個(gè)體識(shí)別方法研究較為深入，然而這些特征受噪聲影響大，且對(duì)非高斯、非平穩(wěn)信號(hào)分析能力弱。

時(shí)頻分析在輻射源特征識(shí)別得到廣泛應(yīng)用[5]。Reising使用Gabor-Wigner變換，采用歸一化幅度系數(shù)序列的統(tǒng)計(jì)量做輻射源特征，但其通信收發(fā)實(shí)驗(yàn)是在辦公室環(huán)境中開(kāi)展。

Polak通過(guò)譜分析方法[6]，通過(guò)帶內(nèi)畸變失真、非線(xiàn)性參數(shù)估計(jì)的討論鑒別無(wú)線(xiàn)設(shè)備獨(dú)特的特征。變換域方法計(jì)算量大，在雷達(dá)實(shí)時(shí)解算系統(tǒng)中可能會(huì)加重系統(tǒng)計(jì)算負(fù)荷。

Wang在特征建模中分析了信道對(duì)特征[7]的影響，因?yàn)橥ㄐ判盘?hào)在傳播過(guò)程中會(huì)受到信道影響，雷達(dá)信號(hào)不考慮多徑影響。Wang基于信息論和無(wú)線(xiàn)設(shè)備物理層特征[8]，討論了通信容限和輻射源個(gè)數(shù)問(wèn)題，同樣雷達(dá)輻射源辨識(shí)容限也需要輻射源特征識(shí)別研究。

Zhang和Liu以無(wú)記憶模型建模了不同輻射源功放非線(xiàn)性特征[9]，功放非線(xiàn)性在模型中得到考慮，但實(shí)際存在的功放記憶效卻未在建模中體現(xiàn)。本文對(duì)雷達(dá)輻射源建模中既考慮到非線(xiàn)性，又考慮到了記憶效應(yīng)。

2016年，Huang提出了發(fā)射機(jī)系統(tǒng)輸出信號(hào)歸一化置換熵特征，對(duì)輻射源個(gè)體識(shí)別率高達(dá)95% [10]，但該方法訓(xùn)練樣本量大，泛化能力尚需進(jìn)一步研究。本文采用小樣本提取輻射源特征，有助于提高雷達(dá)對(duì)復(fù)雜多目標(biāo)[11]檢測(cè)性能。

1模型描述

1.1輻射源系統(tǒng)仿真

實(shí)際信號(hào)產(chǎn)生過(guò)程是由多個(gè)非線(xiàn)性器件配合完成的，建模描述的是輻射源系統(tǒng)的整體的非線(xiàn)性行為，提取的輻射源個(gè)體特征極的后續(xù)研究提供數(shù)據(jù)源。

實(shí)際發(fā)射過(guò)程中受隨機(jī)相位波動(dòng)影響，頻率源信號(hào)輸出在頻域不再是單一譜線(xiàn)，而包含了許多諧波。發(fā)射過(guò)程中未完全被預(yù)失真技術(shù)補(bǔ)償?shù)牟糠志褪禽椛湓捶蔷€(xiàn)性特征來(lái)源。對(duì)功放非線(xiàn)性的建模采用了記憶模型，輸入為窄帶信號(hào)的功放，具有相對(duì)較弱的記憶效應(yīng)。采用Hammerstein模型建模，線(xiàn)性記憶模塊通過(guò)低階AR模型近似。

雷達(dá)采用數(shù)字脈沖壓縮技術(shù)解決系統(tǒng)威力與距離分辨力的矛盾。在雷達(dá)系統(tǒng)中一般采用理想信號(hào)與接收機(jī)輸出的信號(hào)進(jìn)行匹配，引起理想信號(hào)與接收信號(hào)之間相關(guān)性下降的因素主要有：發(fā)射通道對(duì)理想信號(hào)的無(wú)意調(diào)制；接收通道對(duì)信號(hào)的無(wú)意調(diào)制；模數(shù)轉(zhuǎn)換；為抑制副瓣而進(jìn)行的幅度加權(quán)；目標(biāo)運(yùn)動(dòng)引起的多普勒調(diào)制和脈沖寬度的變化。其中僅發(fā)射過(guò)程的無(wú)意調(diào)制對(duì)于信號(hào)源具備識(shí)別性。

1.3雷達(dá)輻射源個(gè)體識(shí)別特征

本節(jié)描述了AR模型從脈沖壓縮后的回波信號(hào)中提取特征，這樣做避免了對(duì)仿真數(shù)據(jù)描述過(guò)度擬合，雖然會(huì)降低識(shí)別率但對(duì)真實(shí)輻射源個(gè)體信號(hào)仍然具有適用性，它的模型的系數(shù)蘊(yùn)含了輻射源個(gè)體的重要特征，AR 模型可以有效描述回波信號(hào)中特征。反復(fù)試驗(yàn)結(jié)果表明，AR模型的系數(shù)是信號(hào)回波諸多參數(shù)中對(duì)波形形態(tài)特征描述較維數(shù)低且穩(wěn)定有效的。

1.4雷達(dá)輻射源個(gè)體識(shí)別器

概率神經(jīng)網(wǎng)絡(luò)需調(diào)整的參數(shù)較少，無(wú)需人為確定模式層數(shù)，并且模式層中具有隱層神經(jīng)單元，可以依據(jù)訓(xùn)練完成神經(jīng)網(wǎng)絡(luò)的建構(gòu)，不存在局部最小值。根據(jù)貝葉斯理論對(duì)不同輻射源個(gè)體開(kāi)展模式識(shí)別。

概率神經(jīng)網(wǎng)絡(luò)體系包含四層，依次是：輸入層、模式層、累加層、輸出層。

2.2仿真結(jié)果

效仿通信輻射源識(shí)別中直接對(duì)雷達(dá)回波進(jìn)行輻射源識(shí)別的技術(shù)路徑，固然也是可行的，但是一方面脈沖壓縮將能量集中，提高了信噪比，另一方面不同于通信信號(hào)的連續(xù)接收，雷達(dá)信號(hào)僅在回波的目標(biāo)附近具有輻射源鑒別的素材。脈沖壓縮過(guò)程的加入必然會(huì)影響到輻射源識(shí)別，但是基于數(shù)字處理的脈沖壓縮過(guò)程針對(duì)所有的輻射源都是一致的，因此在脈沖壓縮的過(guò)程中并不會(huì)引入新的無(wú)意調(diào)制。本文采用脈沖壓縮后峰值附近80個(gè)點(diǎn)的幅度序列信息作為輻射源特征的輸入。

如圖1所示，三種不同的顏色分別代表了三種輻射源在同一目標(biāo)位置的回波脈沖壓縮曲線(xiàn)，從幅度序列可見(jiàn)差異，紅色表示雷達(dá)輻射源1，黃色表示雷達(dá)輻射源2，藍(lán)色表示雷達(dá)輻射源3。副瓣與主板比值，主瓣峰值高度等諸多參數(shù)上都存在差異。有文獻(xiàn)報(bào)道瞬時(shí)相位的統(tǒng)計(jì)參數(shù)特征分辨輻射源個(gè)體的能力很強(qiáng)，表1雷達(dá)脈沖壓縮信號(hào)特征參數(shù)可以看到，不同輻射源脈沖壓縮后的相位差異，但僅在1度以?xún)?nèi)，以相位作為特征并不能提高識(shí)別率。

為了刻畫(huà)這種差異采用AR建模系數(shù)作為參數(shù)，特征基于AR的5階模型參數(shù)，第2類(lèi)特征基于AR的5階模型參數(shù)外加目標(biāo)距離。不同于通信輻射源中的特征選擇，第2類(lèi)特征參數(shù)中增加目標(biāo)距離，這是雷達(dá)輻射源識(shí)別的特色。

通常在輻射源個(gè)體識(shí)別的特征選取時(shí)，特征應(yīng)具備時(shí)移不變性、尺度變化性和相位保持性，由于特征具有不規(guī)則的非平穩(wěn)性、非線(xiàn)性、和非高斯性，信號(hào)的雙譜理論上可以消除高斯白噪聲的影響，同時(shí)具備分類(lèi)特征特性以及分析細(xì)微特征特性，如圖2所示的是針對(duì)同一距離的目標(biāo)，不同輻射源回波信號(hào)脈沖壓縮后的雙譜圖，雙譜圖的總體趨勢(shì)基本類(lèi)似，但在細(xì)節(jié)處表現(xiàn)出了明顯的差異，雙譜較好的刻畫(huà)輻射源個(gè)體差異性。

對(duì)于LFM的雷達(dá)信號(hào)這種非高斯信號(hào)而言，雙譜這類(lèi)高階統(tǒng)計(jì)量包含更豐富的統(tǒng)計(jì)信息。

從表1雷達(dá)脈沖壓縮信號(hào)特征抽取典型參數(shù)中可以看出，AR模型系數(shù)能夠表現(xiàn)出三種不同輻射源在同一目標(biāo)位置回波脈沖壓縮后的差異。同時(shí)通過(guò)AR模型參數(shù)計(jì)算特征所需要的時(shí)間很短，典型的一批訓(xùn)練數(shù)據(jù)200個(gè)序列特征計(jì)算僅需要9.05E-04秒。

從表2 雷達(dá)輻射源個(gè)體識(shí)別表中可見(jiàn)，選用類(lèi)型1特征作訓(xùn)練時(shí)訓(xùn)練樣本正確率可達(dá)96%-98%之間，而選用類(lèi)型2特征作訓(xùn)練時(shí)訓(xùn)練樣本正確率可達(dá)75%-85%之間，這說(shuō)明僅僅使用AR模型系數(shù)作輻射源特征是不夠的，也說(shuō)明了目標(biāo)位置對(duì)脈沖壓縮之后的波形有顯著影響。這些都是雷達(dá)信號(hào)處理不同于通信信號(hào)的特性。

從測(cè)試準(zhǔn)確率來(lái)看，選用了目標(biāo)位置作為特征量的第1類(lèi)特征也遠(yuǎn)遠(yuǎn)優(yōu)于第2類(lèi)，在30dB時(shí)，差異達(dá)到了一倍。同時(shí)樣本測(cè)試識(shí)別耗時(shí)很短在0.04秒左右，由于仿真僅僅采用了200個(gè)點(diǎn)做樣本，其中測(cè)試樣本還不在訓(xùn)練樣本中，兩者的目標(biāo)距離不同。在不同信噪比條件下，建立神經(jīng)元網(wǎng)絡(luò)所需要的時(shí)間在0.2秒左右，如果樣本量增加，則訓(xùn)練時(shí)間會(huì)進(jìn)一步增加，但是訓(xùn)練可以提前完成，實(shí)際測(cè)試使用時(shí)耗時(shí)大大縮短。注意到本文采用的是三個(gè)不同的輻射源，不同于2分類(lèi)問(wèn)題，多分類(lèi)在信噪比15dB時(shí)仍然能正確率達(dá)到43%，且不需要增加硬件成本，甚至不改變雷達(dá)信號(hào)處理主體流程，計(jì)算開(kāi)銷(xiāo)小。后續(xù)通過(guò)相參雷達(dá)處理方法，可以進(jìn)一步提高對(duì)信號(hào)源個(gè)體識(shí)別的準(zhǔn)確率。

如表3所示，通過(guò)多脈沖相參處理，盡管但脈沖識(shí)別率僅僅是43% ，如果6個(gè)脈沖中有2個(gè)及以上識(shí)別出了輻射源，那么正確識(shí)別概率可以達(dá)到80.34% 。單脈沖識(shí)別率60%，如果10個(gè)脈沖中有4個(gè)及以上識(shí)別出了輻射源，那么正確識(shí)別概率可以達(dá)到93.92% 。從表3種可以看出一個(gè)相干脈沖串相參處理累計(jì)識(shí)別可以提高識(shí)別率。

3 小結(jié)

本文首先采用Hammerstein模型對(duì)雷達(dá)輻射源建模，采用AR模型對(duì)雷達(dá)輻射源線(xiàn)性記憶特性建模。然后基于AR模型從脈沖壓縮后的回波信號(hào)中提取特征，并概率神經(jīng)網(wǎng)絡(luò)對(duì)不同輻射源個(gè)體開(kāi)展模式識(shí)別。通過(guò)雷達(dá)信號(hào)處理相參方法，進(jìn)一步提高對(duì)信號(hào)源個(gè)體識(shí)別的準(zhǔn)確率。在不同信噪比和兩種不同特征集情況下，針對(duì)3個(gè)不同雷達(dá)輻射源個(gè)體，在15-30dB 信噪比條件下，選用類(lèi)型1特征作訓(xùn)練時(shí)訓(xùn)練樣本正確率可達(dá)96%-98%，選用類(lèi)型1特征作測(cè)試時(shí)正確率可達(dá)43%-60%。盡管單脈沖識(shí)別率僅43% ，如果6個(gè)脈沖中有2個(gè)及以上識(shí)別出了輻射源，正確識(shí)別概率可達(dá)80.34% 。結(jié)果表明本文提出的方法能夠在不增加硬件成本和的條件下，以極低的信號(hào)處理開(kāi)銷(xiāo)，有效識(shí)別雷達(dá)輻射源個(gè)體。

參考文獻(xiàn)：

[1]M.D.Williams，S.A..Munns，M.A.Temple，etal. RF-DNA fingerprinting for airport WiMax communications security[C]. IEEE International Conference Network and System Security， Melbourne，2010，32-39.

[2]C.Dubendorfer，B.Ramsey，M.Temple. ZigBee device verification for securing industrial control and building automation systems[M]. Critical Infrastructure Protection：Springer，2013，47-62.

[3] C. K. Dubendorfer， B. W. Ramsey， M. A. Temple. An RF-DNA verification process for ZigBee networks[C].IEEE Military Communication Conference，Orlando. 2012，1-6.

[4] T. J. Bihl， K. W. Bauer， M. A. Temple. Feature selection for RF fingerprinting with multiple discriminant analysis and using ZigBee device emissions[J]. IEEE Transactions on Information Forensics and Security.

[5]Z. Yang， Q. Wei， H. Sun， et al. Robust radar emitter recognition based on the three-dimensional distribution feature and transfer leaming[J]. Sensors， 2016， 16（3）.

[6]A.C.Polak and D. L. Goeckel. Identification of wireless devices of users who actively fake their RF fingerprints with artificial data distortion[J]. IEEE Transactions on Wireless Communications， 2015， 14（11）： 5889-5899.

[7]W. H. Wang， Z. Sun， S. X. Piao， et al. Wireless physical-layer identification： modeling and validation[J]. IEEE Transactions on Information Forensics and Security， 2015， 11（9）： 2091-2106.

[8]W. H. Wang， Z. Sun， S. K. Ren， et al. User capacity of physical-layer identification： an information-theoretic perspective[C]. IEEE 2016 International Conference on Communications （ICC）， Kuala Lumpur， Malaysia， 2016，3317-3322.

[9]J. W. Zhang， F. G Wang， O. A. Dobre， et al. Specific emitter identification via hilbert-huang transform in single-hop and relaying scenarios[J]. IEEE Transactions on Information Forensics and Security， 2016， 11（6）： 1192-1205.

[10]G Q. Huang， Y. J. Yuan， X. Wang， et al. Specific emitter identification based on nonlinear dynamical characteristics[J]. Canadian Journal of Electrical and Computer Engineering，2016.

[11] Peng Chen， Chenhao Qi*， Lenan Wu， Xianbin Wang， Estimation of extended targets based on compressed sensing in cognitive radar system， IEEE Transactions on Vehicular Technology， Vol. 66（2）：941-951， 2017.

【通聯(lián)編輯：王力】