面向個(gè)體識(shí)別的通信輻射源特征提取方法綜述

姚艷艷 俞璐 武欣嶸 陳一鳴

摘要：文章主要分析近年來(lái)面向個(gè)體識(shí)別的輻射源特征提取方法的研究現(xiàn)狀，探討各種方法的優(yōu)缺點(diǎn)、依賴(lài)的數(shù)據(jù)集、輻射源數(shù)量、算法性能等，總結(jié)輻射源特征提取方法的技術(shù)關(guān)鍵點(diǎn)和難點(diǎn)，并指出深度學(xué)習(xí)方法在輻射源特征提取上的優(yōu)勢(shì)。以期對(duì)輻射源特征提取方法的研究做出較為全面的綜述。

關(guān)鍵詞：輻射源;特征提取;人工設(shè)計(jì)特征;深度學(xué)習(xí)

中圖分類(lèi)號(hào)：TP3-0

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1006-8228（2020）09-41-04

A survey of feature extraction methods of communication emitter for individual recognition

Yao Yanyan， Yu Lu， Wu Xinrong， Chen Yiming

（Institute of Cornrnunication Engineering Army Engineering University of PLA， Nanjing， Jiangsu 210007， China）

Abstract： This paper mainly analyzes the research status of emitter feature extraction methods for individual recognition in recentyears， discusses the advantages and disadvantages of various methods， dependent data sets， number of emitters， algorithmperformance. etc.， summarizes the technical key points and difficulty points of emitter feature extraction methods. and points outthe advantages of deep learning method in emitter feature extraction. In order to make a more comprehensive overview of theresearch on emitter feature extraction methods.

Key words： emitter; feature extraction; artificial desiign feature; deep learning

0引言

本文輻射源是指無(wú)線(xiàn)電信號(hào)輻射源，包括雷達(dá)、電臺(tái)、射頻身份卡片等無(wú)線(xiàn)設(shè)備。

輻射源指紋識(shí)別技術(shù)是把眾多生產(chǎn)廠家、型號(hào)、參數(shù)完全相同的電子設(shè)備準(zhǔn)確區(qū)分出來(lái)，進(jìn)而可以獲取更多有價(jià)值的情報(bào)?，F(xiàn)代通信和軍事領(lǐng)域中，SEI（Specific Emitter Identification，特定輻射源識(shí)別）發(fā)揮著重要作用，在識(shí)別非法設(shè)備、提高系統(tǒng)安全性能、分析非合作通信中對(duì)方目標(biāo)個(gè)體、分析戰(zhàn)場(chǎng)電磁態(tài)勢(shì)、獲取有價(jià)值情報(bào)等方面均有著十分有效的應(yīng)用。

1輻射源特征提取

由于信號(hào)發(fā)射端I路、Q路信號(hào)調(diào)制的不平衡以及元器件安裝、調(diào)試等方面的細(xì)微不同，導(dǎo)致了相同型號(hào)輻射源發(fā)射的信號(hào)內(nèi)在特征的不同（即“指紋”[1]），通過(guò)分析不同輻射源指紋可以識(shí)別特定輻射源。

輻射源特征按可獲取難易程度，可分為有意特征和無(wú)意特征[2]。有意特征主要是指?jìng)鹘y(tǒng)電子偵察設(shè)備中，包括傳統(tǒng)的到達(dá)方位、載頻、到達(dá)時(shí)間、脈寬及幅度這五個(gè)信號(hào)參數(shù)以及載頻、帶寬、幅度、調(diào)頻系數(shù)、碼寬、編碼規(guī)律等脈沖序列參數(shù)，常用于信號(hào)分選與調(diào)制方式識(shí)別中。而無(wú)意特征是由于發(fā)射機(jī)器件固有的非理想特性，產(chǎn)生的相同型號(hào)、同種參數(shù)設(shè)置的輻射源發(fā)射信號(hào)的細(xì)微特征。這兩種特征都是信號(hào)“指紋”。

通常把SEI問(wèn)題看做常見(jiàn)的模式識(shí)別問(wèn)題，主要包括：信號(hào)采集、數(shù)據(jù)預(yù)處理、特征提取、分類(lèi)識(shí)別這四個(gè)主要步驟。一個(gè)典型的SEI系統(tǒng)如圖1所示。

其中，特征提取是一個(gè)較為廣義的概念，包括SEI中信號(hào)特征的選擇、變換、提取等相關(guān)操作。輻射源特征提取是SEI的基礎(chǔ)，是輻射源個(gè)體識(shí)別過(guò)程中的關(guān)鍵一步，具有重要的研究意義。

本文研究的是面向個(gè)體識(shí)別的輻射源信號(hào)特征提取方法。

2面向個(gè)體識(shí)別的輻射源特征提取方法

目前，由軍事帶動(dòng)商業(yè)的模式使得國(guó)內(nèi)外SEI技術(shù)發(fā)展迅速，輻射源特征提取方法種類(lèi)眾多。

經(jīng)過(guò)幾十年的研究，針對(duì)通信電臺(tái)這類(lèi)輻射源，逐漸發(fā)展形成了電臺(tái)輻射源指紋觀測(cè)技術(shù)體系。其基本思路是：從時(shí)域、頻域、調(diào)制域、變換域等不同的“視角”來(lái)觀察指紋，根據(jù)指紋在不同“視角”表現(xiàn)出的不同特點(diǎn)，再運(yùn)用一些有效的數(shù)學(xué)工具來(lái)提取指紋。特別是隨著深度學(xué)習(xí)技術(shù)的興起，將神經(jīng)網(wǎng)絡(luò)運(yùn)用的輻射源個(gè)體識(shí)別也成為了一個(gè)熱門(mén)課題。

按照其技術(shù)特點(diǎn)，文章將其分為兩類(lèi)，分別是傳統(tǒng)特征方法和深度特征方法，其中，傳統(tǒng)特征方法又分為單一特征方法和組合特征方法，如圖2所示。

傳統(tǒng)特征方法一般是將特征提取和分類(lèi)器設(shè)計(jì)分別進(jìn)行，從而識(shí)別輻射源個(gè)體。深度特征方法則是分為訓(xùn)練和測(cè)試兩部分，從訓(xùn)練集中學(xué)習(xí)到輻射源個(gè)體特征，在測(cè)試集上進(jìn)行輻射源個(gè)體識(shí)別。這兩種方法各有其優(yōu)劣，在不同輻射源信號(hào)和場(chǎng)景下均取得過(guò)良好的識(shí)別效果。

2.1傳統(tǒng)特征方法

2.1.1單一特征方法

我們將信號(hào)單一某個(gè)域特征或?qū)π盘?hào)的片面度量方法稱(chēng)為單—特征方法，包括脈沖包絡(luò)前沿特征匹配[3]、脈沖包絡(luò)前沿高階矩特征[4]、基于EMD（ EmpiricalMode Decomposition，經(jīng)驗(yàn)?zāi)B(tài)分解）方法的雜散特征提取[5]、基于模糊函數(shù)特征優(yōu)化[6]，基于時(shí)頻譜奇異值和奇異向量[7]等。

文獻(xiàn)[3]中，陳濤等使用FPGA做為輻射源信號(hào)發(fā)射器，通過(guò)使用寬帶數(shù)字接收、信號(hào)分選與跟蹤、數(shù)字正交混頻等技術(shù)即時(shí)提取包絡(luò)上升沿波形，并改進(jìn)Hausdorff距離的窗口搜索匹配算法，進(jìn)行兩類(lèi)信號(hào)“指紋”模板匹配，利用閾值達(dá)到可靠識(shí)別并匹配雷達(dá)輻射源的目的。算法運(yùn)算量較小，可以在接收機(jī)處實(shí)現(xiàn)快速識(shí)別，具有較好的實(shí)時(shí)性。文獻(xiàn)[4]中，王宏偉等選取來(lái)自三個(gè)實(shí)際雷達(dá)輻射源的包絡(luò)采樣信號(hào)各200組，對(duì)輻射源包絡(luò)前沿波形的高階矩特征和包絡(luò)前沿一階差分波形的高階矩特征的聚類(lèi)特性，通過(guò)最近距離準(zhǔn)則實(shí)現(xiàn)輻射源快速識(shí)別。文獻(xiàn)[5]中，梁紅海等使用四個(gè)同型號(hào)的無(wú)線(xiàn)網(wǎng)卡個(gè)體前導(dǎo)碼信號(hào)來(lái)著重研究穩(wěn)態(tài)信號(hào)的雜散成分的頻域特征，利用EMD方法將雜散成分從信號(hào)中分離出來(lái)，然后再雜散信號(hào)的各頻率成分的能量作為信號(hào)的細(xì)微特征，實(shí)現(xiàn)30dB信噪比情況下，98.21%的識(shí)別正確率。文獻(xiàn)[6]中，王磊等對(duì)實(shí)測(cè)的30個(gè)輻射源個(gè)體的脈沖信號(hào)的無(wú)意調(diào)制特性進(jìn)行模糊函數(shù)建模，抽取模糊函數(shù)的“近零”頻偏切片作為輻射源信號(hào)的主要特征，設(shè)計(jì)切片串聯(lián)策略構(gòu)建了互補(bǔ)的特征子集對(duì)，從而分別利用典型相關(guān)分析和鑒別典型相關(guān)分析實(shí)現(xiàn)切片特征的融合，最后通過(guò)SVM、NN分類(lèi)器進(jìn)行輻射源最優(yōu)識(shí)別率下的分類(lèi)性能比較。文獻(xiàn)[7]中，Gangsong Ding等使用三臺(tái)相同類(lèi)型的數(shù)字收音機(jī)采集到的信號(hào)，在短時(shí)傅里葉變換（short-time Fourier transform，STFT）后，得到128維矩陣進(jìn)行奇異值分解（Singular Value Decomposition，SVD），將通過(guò)分析表明最具有區(qū)分度的第二維奇異向量和第2-50維奇異值，作為“指紋”特征，在信噪比大于8dB，采用高斯分類(lèi)器的情況下，能夠達(dá)到超過(guò)90%的輻射源個(gè)體識(shí)別率。

2.1.2組合特征方法

對(duì)于特征描述的完整性和全面性，僅依賴(lài)于單一某個(gè)域特征或?qū)π盘?hào)的片面度量往往不足以形成充分而可信的表征，因此許多文獻(xiàn)從特征組合角度構(gòu)建更加完備的信息集。

文獻(xiàn)[8]中，蔡忠偉等選擇相同型號(hào)、相同批次的10部TBRl20B調(diào)頻通信電臺(tái)作為待分類(lèi)對(duì)象，分析其瞬態(tài)特征，采用高階譜分析對(duì)輻射源個(gè)體特征參數(shù)進(jìn)行提取，并在特征向量中融合對(duì)分類(lèi)具有顯著貢獻(xiàn)的特征參數(shù)。采用徑向基神經(jīng)網(wǎng)絡(luò)完成對(duì)相同型號(hào)、相同批次、工作參數(shù)相同的電臺(tái)進(jìn)行個(gè)體識(shí)別。在15dB信噪比的條件下，識(shí)別正確率優(yōu)于90%。文黼[9]中，史亞等利用三組實(shí)測(cè)數(shù)據(jù)來(lái)驗(yàn)證所提方法的有效性。所有數(shù)據(jù)由國(guó)內(nèi)某研究所提供，都是在民航機(jī)場(chǎng)獲取到的航管應(yīng)答信號(hào)。對(duì)雷達(dá)輻射源信號(hào)所提取的不同特征表示，分別構(gòu)建相應(yīng)的核函數(shù)或核矩陣，然后通過(guò)一定的準(zhǔn)則計(jì)算它們的組合系數(shù)，并同時(shí)或獨(dú)立獲得支持向量機(jī)的分類(lèi)超平面，最終實(shí)現(xiàn)對(duì)輻射源信號(hào)的分類(lèi)。該方法能夠?qū)崿F(xiàn)輻射源信號(hào)模糊函數(shù)多個(gè)“近零”切片特征的有效融合，得到比代表性切片更優(yōu)的識(shí)別性能。文獻(xiàn)[10]中，唐哲等利用10部同廠家同型號(hào)FM電臺(tái)在相同工作模式下采集的實(shí)驗(yàn)數(shù)據(jù)，提出一種基于全局潛在低秩表示（Global LatentLow Rank Representation，GLat-LRR）的通信輻射源潛在細(xì)微特征提取方法。首先，提取通信輻射源信號(hào)的瞬時(shí)頻率，通過(guò)傅里葉變換將信號(hào)投影到高維特征空間;挖掘特征樣本之間全局的低秩結(jié)構(gòu)和維度之間全局的潛在低秩關(guān)系，將特征樣本集作為整體應(yīng)用到潛在低秩表示模型中，利用維度之間低秩關(guān)系得到特征樣本集的潛在部分矩陣，每個(gè)列向量即為每個(gè)通信輻射源信號(hào)的潛在細(xì)微特征向量。實(shí)驗(yàn)表明，在特征維度取512維至768維之間時(shí)，通信輻射源識(shí)別率增長(zhǎng)最為明顯，普遍能夠增加30%的識(shí)別率。文獻(xiàn)[11]中，Shouyun Deng等在實(shí)驗(yàn)室條件下（28.2dB）捕獲收音機(jī)信號(hào)，利用不同的信號(hào)發(fā)射機(jī)在信號(hào)幅度信息上無(wú)意調(diào)制和有意調(diào)制的細(xì)微差別，即其“指紋”，利用概率學(xué)和統(tǒng)計(jì)論中的經(jīng)典測(cè)量方法（偏度和峰度），定義了線(xiàn)性偏度和線(xiàn)性峰度作為輻射源個(gè)體特征，近千次的實(shí)驗(yàn)結(jié)果表明能夠?qū)崿F(xiàn)對(duì)輻射源個(gè)體的完美識(shí)別，大于20dB時(shí)識(shí)別準(zhǔn)確率能夠達(dá)到100%。文獻(xiàn)[12]中，黃欣等使用仿真的高斯頻移鍵控（Gaussian Frequency-Shift Keying，GFSK）信號(hào)，利用通信輻射源信號(hào)的長(zhǎng)時(shí)譜統(tǒng)計(jì)特性，提取信號(hào)功率譜峰值特征和包絡(luò)模板，構(gòu)造通信輻射源個(gè)體特征向量，通過(guò)樸素貝葉斯分類(lèi)算法與個(gè)體特征矢量相結(jié)合，在訓(xùn)練樣本數(shù)目足夠大的條件下可進(jìn)行有效識(shí)別。測(cè)試實(shí)驗(yàn)表明，識(shí)別方法穩(wěn)健有效，可在信噪比5dB情況下實(shí)現(xiàn)93.7%的正確識(shí)別概率。

2.2深度特征方法

深度學(xué)習(xí)提出讓計(jì)算機(jī)自動(dòng)學(xué)習(xí)出模式特征的方法，并將特征學(xué)習(xí)融入到了建立模型的過(guò)程中，能夠減少人為沒(méi)計(jì)特征造成的不完備性。無(wú)監(jiān)督學(xué)習(xí)策略使其直接從輸入的數(shù)據(jù)中提取指紋特征，跨越人工設(shè)計(jì)指紋特征的階段，能夠節(jié)省大量科研成本;相比于有限的已知樣本，深度學(xué)習(xí)方法可以很好地利用實(shí)際復(fù)雜電磁環(huán)境中的海量無(wú)標(biāo)簽通信輻射源樣本，充分訓(xùn)練學(xué)習(xí)機(jī)模型，更好表征通信輻射源個(gè)體，有效改善“小樣本”問(wèn)題對(duì)指紋特征提取的影響;以逐層貪婪的方式對(duì)數(shù)據(jù)特征壓縮，可使最終提取的指紋特征具備較低的維度，在以較低維度特征有效表征通信輻射源個(gè)體的同時(shí)，還可與傳統(tǒng)分類(lèi)器對(duì)接通用，解決通用分類(lèi)器不能完整利用指紋特征信息的問(wèn)題。

文獻(xiàn)[13]中，黃健航等在實(shí)際環(huán)境下采集的kenwood手持式FM電臺(tái)數(shù)據(jù)集和kirisun通信電臺(tái)數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)，對(duì)通信輻射源信號(hào)進(jìn)行矩形積分雙譜變換后獲得包含通信輻射源指紋特征的高維數(shù)據(jù)，利用大量無(wú)標(biāo)簽的通信輻射源高維樣本訓(xùn)練堆棧自編碼器網(wǎng)絡(luò)，在此基礎(chǔ)上，通過(guò)少量有標(biāo)簽的通信輻射源樣本對(duì)softmax回歸模型進(jìn)行精校洲練，從而獲得面向通信輻射源指紋特征提取的深度學(xué)習(xí)網(wǎng)絡(luò)，算法顯著改善了小樣本條件下通信輻射源指紋特征提取能力。文獻(xiàn)[14]中，Shamnaz Riyaz等在SDR收發(fā)環(huán)境下，通過(guò)對(duì)I/Q序列樣本模塊的修改以增大輻射源個(gè)體內(nèi)在特征之間的差異，并利用優(yōu)化的深度卷積網(wǎng)絡(luò)實(shí)現(xiàn)輻射源個(gè)體的可靠識(shí)別，同時(shí)對(duì)比了SVM與邏輯回歸方法的性能表現(xiàn)，證明了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）架構(gòu)識(shí)別輻射源個(gè)體的有效性，并實(shí)驗(yàn)驗(yàn)證了2-50英尺距離范圍內(nèi)采集的數(shù)據(jù)識(shí)別性能。文獻(xiàn)[15]中，Qingyang Wu等對(duì)六個(gè)同類(lèi)型USRP發(fā)射器采集的I/Q數(shù)據(jù)，利用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）中的長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM），有效捕捉輻射源長(zhǎng)期和短期硬件特性，并基于發(fā)射機(jī)和接收機(jī)之間電纜增加噪音干擾，實(shí)驗(yàn)論證了LSTM架構(gòu)對(duì)于輻射源個(gè)體識(shí)別具有較高的檢測(cè)精度。文獻(xiàn)[16]中，劉高輝等提出了一種小樣本條件下基于深度置信網(wǎng)絡(luò)（Deep Belief Network.DBN）的通信輻射源個(gè)體識(shí)別方法。首先分析通信輻射源信號(hào)頻帶內(nèi)互調(diào)干擾信號(hào)的幅度和相位特性，建立基于互調(diào)干擾信號(hào)的通信輻射源個(gè)體特征;然后對(duì)輻射源信號(hào)進(jìn)行預(yù)處理得到通信輻射源信號(hào)的矩形積分雙譜，再采取對(duì)比散度的方法，利用高階譜自底向上訓(xùn)練每個(gè)受限玻爾茲曼機(jī)，通過(guò)多次迭代得到合適的權(quán)重、隱藏層的偏差和可見(jiàn)層的偏差，從而提取出輻射信號(hào)的互調(diào)干擾信號(hào)特征;最后使用softmax分類(lèi)器對(duì)訓(xùn)練模型進(jìn)行微調(diào)，獲得面向通信輻射源細(xì)微特征識(shí)別的深度學(xué)習(xí)網(wǎng)絡(luò)。使用仿真的輻射源信號(hào)采樣的數(shù)據(jù)集進(jìn)行分類(lèi)實(shí)驗(yàn)，提出的四層DBN網(wǎng)絡(luò)能夠有效地識(shí)別出通信輻射源的個(gè)體。文獻(xiàn)[17]中，Yiwei Pan等提出了一種仿真條件下基于深度殘差網(wǎng)絡(luò)（Deep ResidualNetwork）的輻射源個(gè)體識(shí)別方法。利用接收信號(hào)的希爾伯特譜得到灰度圖像，并輸入深度殘差網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，結(jié)合了希爾伯特譜圖像的高信息完整性，和深度殘差網(wǎng)絡(luò)相比CNN網(wǎng)絡(luò)計(jì)算低復(fù)雜性，在單跳和中繼場(chǎng)景中均具有良好的個(gè)體識(shí)別性能。