通信特定輻射源識(shí)別的多特征融合分類方法

何遵文，侯帥，張萬(wàn)成，張焱

（北京理工大學(xué)信息與電子學(xué)院，北京 100081）

1 引言

特定輻射源識(shí)別（SEI,specific emitter identification）是將接收到的脈沖波形與唯一發(fā)射器進(jìn)行關(guān)聯(lián)[1]。5G 使數(shù)據(jù)傳輸速率和可靠性得到了跳躍式的提升，促進(jìn)了物聯(lián)網(wǎng)應(yīng)用的普及和發(fā)展。6G 將進(jìn)一步向萬(wàn)物互聯(lián)的時(shí)代邁進(jìn)，接入物聯(lián)網(wǎng)的無(wú)線設(shè)備呈爆炸式增長(zhǎng)，設(shè)備的安全性值得關(guān)注。物聯(lián)網(wǎng)中未知的輻射源設(shè)備需要能被準(zhǔn)確地識(shí)別身份，而電磁環(huán)境日益復(fù)雜，輻射源數(shù)目龐大，信號(hào)密度極高，這為SEI 技術(shù)帶來(lái)了更多的挑戰(zhàn)[2]。

用于個(gè)體識(shí)別的輻射源信號(hào)通常分為瞬態(tài)信號(hào)和穩(wěn)態(tài)信號(hào)[3]。瞬態(tài)信號(hào)是發(fā)射體開(kāi)關(guān)打開(kāi)時(shí)或狀態(tài)改變時(shí)的信號(hào)，但是瞬態(tài)信號(hào)持續(xù)時(shí)間較短，在實(shí)際通信環(huán)境特別是非合作通信情況下截獲難度較大。相比之下，穩(wěn)態(tài)信號(hào)更容易獲取，具備較強(qiáng)的操作性，基于穩(wěn)態(tài)信號(hào)的SEI 技術(shù)在實(shí)際應(yīng)用中具有更強(qiáng)的適用性[4]。

近年來(lái)，深度學(xué)習(xí)在SEI 領(lǐng)域有了廣泛的發(fā)展和應(yīng)用[5]，深度神經(jīng)網(wǎng)絡(luò)能夠通過(guò)具有非線性激活函數(shù)的多個(gè)隱含層來(lái)檢索抽象特征，有利于提取輻射源信號(hào)的深層次的細(xì)微特征[6]。因此，一些文獻(xiàn)使用基于深度神經(jīng)網(wǎng)絡(luò)的端到端的SEI 方法，如文獻(xiàn)[7-8]將原始I/Q 信號(hào)直接送入神經(jīng)網(wǎng)絡(luò)，完成端到端的SEI 任務(wù)，整體性強(qiáng)。但是這種方法過(guò)于依賴神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，并且對(duì)不同的原始數(shù)據(jù)類型都要設(shè)計(jì)不同的神經(jīng)網(wǎng)絡(luò)，可擴(kuò)展性不強(qiáng)。另外，常用的卷積神經(jīng)網(wǎng)絡(luò)（CNN，convolutional neural network）更擅長(zhǎng)識(shí)別二維圖像數(shù)據(jù)，直接處理I/Q數(shù)據(jù)效果會(huì)有一定的折扣。

因此，更有效和可靠的方案仍是將智能學(xué)習(xí)與信號(hào)處理技術(shù)相結(jié)合，將SEI 任務(wù)分為兩步，一是數(shù)據(jù)的預(yù)處理和特征提取，二是分類器設(shè)計(jì)和訓(xùn)練。通過(guò)數(shù)據(jù)預(yù)處理和變換以提取穩(wěn)態(tài)信號(hào)的細(xì)微特征，細(xì)微特征由器件內(nèi)部的物理特性和器件之間的相互作用產(chǎn)生，整個(gè)過(guò)程被稱為信號(hào)的非有意調(diào)制。信號(hào)細(xì)微特征也被稱為射頻指紋，通常表現(xiàn)為不可避免的非平穩(wěn)、非高斯、非線性[9]?，F(xiàn)有的研究主要分為利用信號(hào)的時(shí)域特征和變換域特征的方法。例如針對(duì)信號(hào)的時(shí)域特征，文獻(xiàn)[10]將瞬時(shí)振幅和頻率直接定義為指紋特征，文獻(xiàn)[11]利用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD,empirical mode decomposition）相關(guān)維數(shù)和小波熵提取信號(hào)的細(xì)微特征，文獻(xiàn)[12]基于盒維數(shù)和方差維數(shù)的分形特征進(jìn)行識(shí)別，文獻(xiàn)[13]基于實(shí)際信號(hào)的固有非線性動(dòng)力學(xué)特性將排列熵提取為信號(hào)的射頻指紋。但是，這些利用時(shí)域波形的非線性特征的方法容易受到噪聲的影響，識(shí)別準(zhǔn)確率波動(dòng)很大，并且計(jì)算量較大，具有一定的局限性。現(xiàn)在更主流的是基于變換域特征的方法，時(shí)頻分析能夠提供信號(hào)的時(shí)頻聯(lián)合域信息，反映不同信號(hào)之間更加細(xì)微的差別[14]。文獻(xiàn)[15]提取動(dòng)態(tài)小波指紋特征以識(shí)別各個(gè)射頻發(fā)射器。文獻(xiàn)[16-17]使用短時(shí)傅里葉變換時(shí)頻圖表示特征，然而，這種方法本質(zhì)上是線性的，對(duì)于非線性信號(hào)的分析效果并不好。希爾伯特?黃變換（HHT,Hilbert-Huang transform）是一種著名的處理非線性非平穩(wěn)信號(hào)的方法[18]，因此，HHT 被廣泛用于SEI 中。文獻(xiàn)[19]將希爾伯特光譜轉(zhuǎn)換為灰度圖像表示特征；文獻(xiàn)[20]使用HHT，并研究了它們?cè)趩翁椭欣^場(chǎng)景下的各種渠道方案。除此之外，基于高階譜方法也是研究的熱點(diǎn)，高階譜可以保持信號(hào)的幅值和相位信息，抑制噪聲對(duì)非高斯信號(hào)的負(fù)面影響。文獻(xiàn)[21-22]充分利用了雙譜的特點(diǎn)進(jìn)行SEI 任務(wù)。

對(duì)于SEI 任務(wù)的第二步，即分類器的設(shè)計(jì)和訓(xùn)練，可以使用傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。文獻(xiàn)[14]使用支持向量機(jī)（SVM,support vector machine）作為分類器，文獻(xiàn)[13,23-24]在每次實(shí)驗(yàn)的分類過(guò)程中，采用K 近鄰判別分類器。深度神經(jīng)網(wǎng)絡(luò)對(duì)二維圖像有很好的識(shí)別效果，因此一些文獻(xiàn)使用網(wǎng)絡(luò)學(xué)習(xí)能夠體現(xiàn)信號(hào)特征的二維圖像來(lái)完成SEI 任務(wù)，如文獻(xiàn)[19]構(gòu)造了一個(gè)深層的殘差網(wǎng)絡(luò)，用于學(xué)習(xí)希爾伯特光譜圖像中反映的視覺(jué)差異以辨別設(shè)備；文獻(xiàn)[24]利用CNN，將I/Q 信號(hào)轉(zhuǎn)換成輪廓Stella圖像進(jìn)行分類。

上述方法中，一方面，無(wú)論是使用基于時(shí)域特征還是變換域特征和高階譜的方法，其大多是使用單一信號(hào)處理方法提取其中的一種細(xì)微特征，而實(shí)際通信信號(hào)復(fù)雜多變，單一的信號(hào)特征并不足以全面準(zhǔn)確地表示輻射源信號(hào)之間的細(xì)微差別，最終識(shí)別準(zhǔn)確率受到限制，具有很大的局限性。另一方面，為了增強(qiáng)識(shí)別準(zhǔn)確率，多數(shù)模型使用深度神經(jīng)網(wǎng)絡(luò)作為強(qiáng)分類器；數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)方法需要大量的數(shù)據(jù)，實(shí)際通信中受限于時(shí)間和人力成本，很難獲得充足的輻射源信號(hào)數(shù)據(jù)用于深度學(xué)習(xí)的訓(xùn)練，如果數(shù)據(jù)量過(guò)少，較深層和復(fù)雜的神經(jīng)網(wǎng)絡(luò)很容易發(fā)生過(guò)擬合，進(jìn)而嚴(yán)重影響最終的識(shí)別效果。

基于以上討論，本文提出了一種新型的多特征融合分類方法用于通信輻射源識(shí)別。針對(duì)信號(hào)單一特征的局限性，設(shè)計(jì)了基于多通道變換投影的特征提取方法，對(duì)原始數(shù)據(jù)集進(jìn)行小波、雙譜、HHT 等多種不同的信號(hào)變換，以實(shí)現(xiàn)原始信號(hào)不同維度細(xì)微特征的提取，豐富信號(hào)特征數(shù)據(jù)集的多樣性。將信號(hào)變換后的特征矩陣表示為三維張量，為了充分利用深度神經(jīng)網(wǎng)絡(luò)對(duì)二維圖像特征提取的優(yōu)勢(shì)，選取合適的視角得到二維投影。本文研究了基于多特征融合的雙階段識(shí)別分類方法，先利用不同的神經(jīng)網(wǎng)絡(luò)對(duì)不同的圖像特征集分別進(jìn)行學(xué)習(xí)和初始分類得到概率表示的特征向量，之后對(duì)初始分類的特征向量進(jìn)行融合學(xué)習(xí)，得到最終的分類結(jié)果。

此外，針對(duì)深度學(xué)習(xí)數(shù)據(jù)量不足的問(wèn)題，本文利用改進(jìn)的輔助分類器（AC,auxiliary classifier）生成對(duì)抗網(wǎng)絡(luò)（GAN,generative adversarial network），對(duì)不同的圖像特征集進(jìn)行學(xué)習(xí)并擴(kuò)充增強(qiáng)數(shù)據(jù)集以滿足訓(xùn)練需求?；趯?shí)測(cè)數(shù)據(jù)集對(duì)所提方法進(jìn)行驗(yàn)證，結(jié)果表明該方法相比其他方法具有更高的識(shí)別準(zhǔn)確率，在低信噪比下仍有較好的表現(xiàn)。

2 基于多通道變換的特征提取與數(shù)據(jù)增強(qiáng)

SEI 問(wèn)題本質(zhì)上是一個(gè)信號(hào)分類問(wèn)題，將接收機(jī)采集的無(wú)線通信信號(hào)輸入系統(tǒng)，最終得到這個(gè)信號(hào)的分類結(jié)果。所提出的SEI 多特征融合分類方法主要包括4 個(gè)部分：多特征提取、數(shù)據(jù)擴(kuò)充和增強(qiáng)、初級(jí)分類、集成融合，整體流程如圖1 所示。

首先，對(duì)信號(hào)進(jìn)行多特征提取得到多種不同的特征圖像，并在模型的訓(xùn)練階段使用GAN 對(duì)圖像特征集進(jìn)行擴(kuò)充，進(jìn)而訓(xùn)練分類器。在識(shí)別階段，直接將特征圖像送入分類器，分類器設(shè)計(jì)包括初級(jí)分類器和次級(jí)分類器兩級(jí)結(jié)構(gòu)，采用集成融合學(xué)習(xí)算法將多種初級(jí)分類器的識(shí)別結(jié)果進(jìn)行再學(xué)習(xí)，通過(guò)次級(jí)分類器得到最終識(shí)別結(jié)果。

考慮系統(tǒng)內(nèi)共有K個(gè)輻射源信號(hào)發(fā)射器，接收機(jī)接收來(lái)自K個(gè)發(fā)射機(jī)發(fā)出的理論上相同的信號(hào)。接收機(jī)接收到的通信輻射源信號(hào)可以表示為

算法1K個(gè)輻射源信號(hào)的特征提取與數(shù)據(jù)增強(qiáng)

特征提取

輸入對(duì)于每個(gè)類別的輻射源，輸入時(shí)域信號(hào)sk(t)的切片樣本，每1 000 個(gè)點(diǎn)作為一個(gè)信號(hào)樣本，每個(gè)類別的輻射源信號(hào)共n個(gè)樣本，共有K個(gè)輻射源

輸出對(duì)于每個(gè)類別的輻射源，輸出3 個(gè)二維特征圖像數(shù)據(jù)集，每個(gè)數(shù)據(jù)集有n張圖像，共有K個(gè)輻射源

1)一共n個(gè)樣本

2)對(duì)每個(gè)輸入樣本進(jìn)行離散小波變換得到小波系數(shù)特征矩陣，并表示為三維圖像形式

3)取投影視角(90,0,0)得到二維小波特征圖像

4)進(jìn)行雙譜變換得到雙譜系數(shù)特征矩陣，并表示為三維圖像形式

5)取投影視角(?45,0,0)得到二維雙譜特征圖像

6)進(jìn)行希爾伯特?黃變換得到HHT 系數(shù)特征矩陣，并表示為三維圖像形式

7)取投影視角(90,0,0)得到二維HHT 特征圖像

8)重復(fù)步驟1)～步驟7)K次，每個(gè)類別的輻射源信號(hào)都得到3 個(gè)二維特征圖像數(shù)據(jù)集，每個(gè)數(shù)據(jù)集有n張圖像

數(shù)據(jù)增強(qiáng)

輸入每次輸入一個(gè)特征投影圖像數(shù)據(jù)集，包含Kn張圖像，共3 個(gè)特征投影圖像數(shù)據(jù)集（小波、雙譜、HHT）

輸出每次輸出一個(gè)增強(qiáng)的數(shù)據(jù)集，最終輸出3 個(gè)特征圖像數(shù)據(jù)集，每個(gè)數(shù)據(jù)集包含K(m+n)張圖像

1)對(duì)每個(gè)輸入的特征投影圖像數(shù)據(jù)集

2)將圖像輸入AC-GAN 訓(xùn)練至收斂

3)得到m張模擬特征圖像作為補(bǔ)充數(shù)據(jù)集

4)擴(kuò)充數(shù)據(jù)集與原始數(shù)據(jù)集共同構(gòu)成增強(qiáng)數(shù)據(jù)集

5)得到3 個(gè)增強(qiáng)圖像數(shù)據(jù)集（小波、雙譜、HHT），每個(gè)數(shù)據(jù)集包含K(m+n)張圖像

2.1 基于多通道變換投影的特征提取

單一的信號(hào)特征很難準(zhǔn)確表示輻射源信號(hào)之間的差別，而過(guò)多的特征融合可能會(huì)影響模型性能。因此選取小波變換、雙譜變換、HHT 這3 種有代表性并被證明有效的信號(hào)處理方法提取3 種不同的信號(hào)變換域特征，小波變換是時(shí)間（空間）頻率的局部化分析，更能關(guān)注信號(hào)的區(qū)域性信息[25]；雙譜變換可以更多地關(guān)注信號(hào)的相位信息，同時(shí)可以用來(lái)描述信號(hào)的不對(duì)稱程度和非線性程度[21]；HHT理論上最適合處理非線性非平穩(wěn)信號(hào)，且更能關(guān)注一些突變信號(hào)的細(xì)微特征，提供有關(guān)信號(hào)的非線性和非平穩(wěn)特性的大量信息[18]。以上3 種特征可以從不同維度利用各自的優(yōu)勢(shì)，豐富信號(hào)特征數(shù)據(jù)集的多樣性。二維圖像更有利于深度學(xué)習(xí)和分類，因此，本文設(shè)計(jì)一種變換投影的方法對(duì)信號(hào)變換后的三維特征圖像選取合適的視角進(jìn)行投影，進(jìn)而將其表示為二維特征圖像。

2.1.1 基于小波的特征提取

小波變換（WT,wavelet transform）通過(guò)對(duì)時(shí)間（空間）頻率進(jìn)行局部化分析[25]，能夠凸顯信號(hào)區(qū)域性的細(xì)微特征，在個(gè)體識(shí)別領(lǐng)域有著獨(dú)特的優(yōu)勢(shì)。Morlet 小波為復(fù)值小波，在時(shí)域和頻域都有很好的聚集性，本文采集的實(shí)測(cè)數(shù)據(jù)均為復(fù)信號(hào)，因此選取Morlet 小波作為基小波函數(shù)用于時(shí)頻分析。

利用尺度參數(shù)scale 來(lái)衡量小波的頻率f，兩者之間的轉(zhuǎn)換關(guān)系為

其中，F(xiàn)s為信號(hào)的采樣頻率，F(xiàn)c為小波的中心頻率。為使小波尺度圖的頻率范圍為(0,Fs/2)，尺度范圍應(yīng)為(2Fc,+∞)。實(shí)際中，尺度應(yīng)為等差數(shù)列形式，即scale=2Fc,…,2Fctotalscale，其中totalscale是預(yù)先設(shè)定好對(duì)信號(hào)進(jìn)行小波變換時(shí)所用尺度序列的長(zhǎng)度。完成參數(shù)設(shè)定后，小波變換的過(guò)程可以表示為

其中，sk(t)為原始時(shí)間信號(hào)；為小波基函數(shù)，具有平移和伸縮特性；scale 為尺度參數(shù)，控制小波函數(shù)的伸縮；τ為平移參數(shù)，控制小波函數(shù)的平移。尺度對(duì)應(yīng)于頻率，平移量τ對(duì)應(yīng)于時(shí)間。用表示得到的頻率?時(shí)間?小波系數(shù)矩陣，三維圖像如圖2(a)所示。

2.1.2 基于雙譜的特征提取

雙譜的物理定義可以近似為信號(hào)偏態(tài)在頻域上的分解，用來(lái)描述信號(hào)的不對(duì)稱性和非線性程度，測(cè)量信號(hào)偏離高斯分布的程度。在實(shí)際通信過(guò)程中，輻射源個(gè)體的一些細(xì)微特征更多以非平穩(wěn)、非線性、非高斯的形式附加在信號(hào)中，例如由于發(fā)射系統(tǒng)中使用的電路和設(shè)備的不同而產(chǎn)生的不同的發(fā)射端噪聲，可以作為區(qū)分輻射源信號(hào)的指紋特征。接收系統(tǒng)中大量散射體和熱噪聲形成的雜波呈高斯分布，通過(guò)雙譜變換，可以有效地抑制一定數(shù)量的高斯噪聲，使發(fā)射機(jī)噪聲充分反映在雙譜信息中。雙譜定義為

2.1.3 基于HHT 的特征提取

HHT 相比傅里葉變換和小波變換這類傳統(tǒng)方法，徹底擺脫了線性和平穩(wěn)性束縛，更適用于分析非線性非平穩(wěn)信號(hào)[20]。為了使瞬時(shí)頻率具有明顯的物理意義，HHT 首先需要進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，也通常被稱為一個(gè)篩選過(guò)程，依據(jù)信號(hào)特點(diǎn)自適應(yīng)地把任意一個(gè)復(fù)雜信號(hào)分解為一系列本征模態(tài)函數(shù)（IMF,intrinsic mode function）[18]。這個(gè)過(guò)程可以表示為

原始輸入信號(hào)sk(t)被表示成一系列IMF 分量ci(t)和一個(gè)殘余項(xiàng)rn(t)的組合。之后對(duì)每個(gè)IMF 分量進(jìn)行希爾伯特變換來(lái)提供時(shí)頻分布

構(gòu)造解析函數(shù)

其中，ai(t)、?i(t)和ωi(t)分別表示瞬時(shí)振幅、相位和頻率，計(jì)算式分別為

進(jìn)而希爾伯特譜可以表示為

2.1.4 信號(hào)特征表示

圖2 信號(hào)變換生成的特征圖像

原始信號(hào)經(jīng)過(guò)3 種變換得到了三維特征矩陣，為了更好地表示特征并利于后續(xù)進(jìn)行深度學(xué)習(xí)，將三維特征矩陣取投影生成二維特征圖像。同一類別的不同輻射源信號(hào)樣本是基于同一信號(hào)的不同時(shí)間切片生成的，而不同時(shí)間切片的信號(hào)差異可能會(huì)影響同類信號(hào)樣本的相似度。因此對(duì)于小波和希爾伯特時(shí)頻特征矩陣，取投影視角(90,0,0)表示投影角度為90°將三維圖像投影在YZ平面上，淡化時(shí)間維度的影響，更加突出頻率和系數(shù)的關(guān)系，這樣更能保證同類信號(hào)樣本之間的相似度。對(duì)于雙譜三維特征矩陣，雙譜在2 個(gè)頻率主軸形成的平面上其第一、三象限包含的內(nèi)容較多，根據(jù)雙譜的對(duì)稱性，投影視角(?45,0,0)包含三維雙譜圖像的輪廓、紋理特征最多，且完全對(duì)稱，是對(duì)2 個(gè)頻率主軸形成的平面上第一、三象限內(nèi)容的完全體現(xiàn)，因此選用投影視角(?45,0,0)表征的雙譜特征最完備[27]。

最終得到3 種特征的二維投影圖像Iik，分別如圖2(b)、圖2(d)和圖2(f)所示。

2.2 基于AC-GAN 的數(shù)據(jù)增強(qiáng)擴(kuò)充

后續(xù)用于識(shí)別的初級(jí)分類器使用深度殘差網(wǎng)絡(luò)，網(wǎng)絡(luò)層數(shù)和參數(shù)較多，因此在模型的訓(xùn)練階段需要大量的數(shù)據(jù)提供給網(wǎng)絡(luò)學(xué)習(xí)，受限于信號(hào)接收采集的時(shí)間長(zhǎng)度等因素，原始數(shù)據(jù)量難以滿足訓(xùn)練需求。

因此，所提方法使用AC-GAN 來(lái)進(jìn)行數(shù)據(jù)增強(qiáng)，通過(guò)這種方式能夠?qū)崿F(xiàn)基于有限樣本的數(shù)據(jù)擴(kuò)充，生成和實(shí)測(cè)數(shù)據(jù)具有相似分布與特征的大量訓(xùn)練數(shù)據(jù)，從而為后級(jí)分類識(shí)別提供支撐。增強(qiáng)后的數(shù)據(jù)集可表示為Di′。傳統(tǒng)GAN 只能生成單一類別的圖像，AC-GAN 將類別標(biāo)簽作為條件信息和噪聲一起放入生成器后生成樣本，判別器在判斷輸入樣本是否為真的同時(shí)，利用輔助分類器來(lái)判斷輸入樣本的所屬類別，因此AC-GAN 可以生成不同類別的圖像。使用3 個(gè)AC-GAN 對(duì)3 種投影圖像數(shù)據(jù)集進(jìn)行擴(kuò)充。AC-GAN 的結(jié)構(gòu)和工作流程如圖3 所示。

圖3 AC-GAN 的結(jié)構(gòu)和工作流程

生成器有2 個(gè)輸入，一個(gè)是投影圖像所屬的輻射源類別標(biāo)簽k，k=0,…,K?1；另一個(gè)是隨機(jī)噪聲數(shù)據(jù)，用于生成模擬的投影圖像Ifake。網(wǎng)絡(luò)可以自動(dòng)學(xué)習(xí)3種不同投影圖像的內(nèi)在特征，進(jìn)而生成對(duì)應(yīng)的模擬投影圖像。判別器分別給出圖像（真假）的概率分布P(S|I)以及分類標(biāo)簽的概率分布P(K|I)。

AC-GAN 的目標(biāo)函數(shù)包含2 個(gè)部分。第一部分是面向輸入的投影圖像真實(shí)與否的代價(jià)函數(shù)LS

第二部分是對(duì)輸入的投影圖像分類準(zhǔn)確性的代價(jià)函數(shù)LK

在優(yōu)化過(guò)程中，希望判別器能夠盡可能地區(qū)分原始真實(shí)的投影圖像和模擬的投影圖像，并且能有效分類，即令LS+LK盡可能地最大。另外希望生成器生成的模擬投影圖像被盡可能認(rèn)為是真實(shí)的，即令LK?LS盡可能地最大。迭代數(shù)次后，判別器對(duì)生成器生成的模擬投影圖像識(shí)別準(zhǔn)確率趨于穩(wěn)定，模擬的投影圖像已經(jīng)可以滿足數(shù)據(jù)要求，此時(shí)生成器生成的模擬投影圖像構(gòu)成補(bǔ)充數(shù)據(jù)集，與原始數(shù)據(jù)集一起構(gòu)成擴(kuò)充后的增強(qiáng)數(shù)據(jù)集。

3 多特征融合雙階段分類識(shí)別

通過(guò)多特征提取與增強(qiáng)步驟，基于小波變換、雙譜變換和HHT 分別獲取了原始輻射源信號(hào)的某個(gè)方面的特征，并將信號(hào)特征轉(zhuǎn)換為了二維圖像?；贏C-GAN 進(jìn)一步實(shí)現(xiàn)了數(shù)據(jù)集的增強(qiáng)?；谠鰪?qiáng)后的特征數(shù)據(jù)集，在分類識(shí)別階段采用雙階段分類識(shí)別方法，融合多種特征識(shí)別結(jié)果以提升SEI 的準(zhǔn)確率。

算法2模型訓(xùn)練和分類識(shí)別

模型訓(xùn)練

輸入每次輸入一個(gè)增強(qiáng)圖像數(shù)據(jù)集，一共3個(gè)增強(qiáng)圖像數(shù)據(jù)集

輸出每次輸出對(duì)每張圖像的預(yù)測(cè)結(jié)果，用于訓(xùn)練反饋

1)將小波特征數(shù)據(jù)集輸入殘差網(wǎng)絡(luò)1 進(jìn)行訓(xùn)練，輸出初始分類結(jié)果Pcwt，并保存模型參數(shù)

2)將雙譜特征數(shù)據(jù)集輸入殘差網(wǎng)絡(luò)2 進(jìn)行訓(xùn)練，輸出初始分類結(jié)果Pbis，并保存模型參數(shù)

3)將HHT 特征數(shù)據(jù)集輸入殘差網(wǎng)絡(luò)3 進(jìn)行訓(xùn)練，輸出初始分類結(jié)果Phht，并保存模型參數(shù)

4)將Pcwt、Pbis和Phht輸入次級(jí)分類器進(jìn)行訓(xùn)練，保存模型參數(shù)

分類識(shí)別

輸入每次輸入待識(shí)別信號(hào)的一張?zhí)卣鲌D像，一共3 張?zhí)卣鲌D像

輸出每次輸出對(duì)待識(shí)別信號(hào)的最終分類預(yù)測(cè)結(jié)果Pfinal

1)將待識(shí)別信號(hào)的小波特征圖像輸入殘差網(wǎng)絡(luò)1 輸出初始預(yù)測(cè)結(jié)果Pcwt

2)將待識(shí)別信號(hào)的雙譜特征圖像輸入殘差網(wǎng)絡(luò)2 輸出初始預(yù)測(cè)結(jié)果Pbis

3)將待識(shí)別信號(hào)的HHT 特征圖像輸入殘差網(wǎng)絡(luò)3 輸出初始預(yù)測(cè)結(jié)果Phht

4)將Pcwt、Pbis和Phht輸入次級(jí)分類器進(jìn)行最終識(shí)別，輸出最終分類預(yù)測(cè)結(jié)果Pfinal

3.1 基于殘差網(wǎng)絡(luò)的初級(jí)分類

把原始信號(hào)特征轉(zhuǎn)化為二維圖像表征，分類器實(shí)現(xiàn)方面選用了當(dāng)前在圖像分類領(lǐng)域較成熟的深度學(xué)習(xí)模型ResNet18，殘差網(wǎng)絡(luò)ResNet因其高效和易優(yōu)化而被廣泛利用在深度學(xué)習(xí)的研究中[28]，網(wǎng)絡(luò)的參數(shù)經(jīng)過(guò)公開(kāi)數(shù)據(jù)集ImageNet 預(yù)訓(xùn)練，這樣不僅可以進(jìn)一步避免過(guò)擬合等問(wèn)題，還充分利用了網(wǎng)絡(luò)中已有的參數(shù)，使網(wǎng)絡(luò)具有更好的適應(yīng)性。更改網(wǎng)絡(luò)的全連接層，將輸出類別更改為K個(gè)，輸入增強(qiáng)數(shù)據(jù)集D′j訓(xùn)練網(wǎng)絡(luò)全連接層的權(quán)重，完成訓(xùn)練保存完整模型。在用網(wǎng)絡(luò)進(jìn)行SEI識(shí)別時(shí)，將圖像Iik輸入網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸出是Softmax 層輸出的各個(gè)類別概率，可以表示為Pi=[p0,p1,…,pk]。3 個(gè)網(wǎng)絡(luò)輸出的預(yù)測(cè)分別為Pcwt、Pbis和Phht。

3.2 基于集成融合的次級(jí)分類

次級(jí)分類器需要完成最終的分類，使用集成學(xué)習(xí)中的Stacking 方法，將3 個(gè)神經(jīng)網(wǎng)絡(luò)分類器的初級(jí)分類結(jié)果進(jìn)行融合，即使某一個(gè)初級(jí)分類器預(yù)測(cè)錯(cuò)誤，也能通過(guò)另外2 個(gè)分類器將錯(cuò)誤糾正回來(lái)，最大化整體模型的分類能力。為了降低模型整體過(guò)擬合的風(fēng)險(xiǎn)，次級(jí)學(xué)習(xí)器選擇結(jié)構(gòu)相對(duì)簡(jiǎn)單的線性回歸模型（LRM,linear regression model），降低模型的整體復(fù)雜度，減少計(jì)算開(kāi)支。

3 個(gè)初級(jí)分類器基于完整的訓(xùn)練集進(jìn)行訓(xùn)練，為了防止過(guò)擬合，每一個(gè)初級(jí)分類器需要通過(guò)5 折交叉檢驗(yàn)的方式進(jìn)行訓(xùn)練。將訓(xùn)練集樣本隨機(jī)分為5 份，每折訓(xùn)練取其中4 份對(duì)一個(gè)初級(jí)分類器進(jìn)行訓(xùn)練，取剩下的一份數(shù)據(jù)進(jìn)行預(yù)測(cè)分類，保留分類結(jié)果。同時(shí)也對(duì)測(cè)試集所有樣本進(jìn)行分類，直到5 份訓(xùn)練集樣本都被分類，得到該殘差網(wǎng)絡(luò)對(duì)所有訓(xùn)練集樣本的分類結(jié)果，此時(shí)測(cè)試集樣本被分類了5 次，最終對(duì)分類結(jié)果取平均值。訓(xùn)練集和測(cè)試集的使用流程如圖4 所示。

訓(xùn)練集和測(cè)試集中每個(gè)樣本的分類結(jié)果都表示為Pi=[p0,p1,…,pk]。將3 個(gè)初級(jí)分類器對(duì)原訓(xùn)練集的分類結(jié)果整合在一起，用作次級(jí)分類器的訓(xùn)練樣本，而測(cè)試集的分類結(jié)果用作新的測(cè)試樣本對(duì)次級(jí)分類器進(jìn)行測(cè)試。對(duì)同一個(gè)樣本，3 個(gè)初級(jí)分類器有3 個(gè)分類結(jié)果，次級(jí)分類器分配這3 個(gè)結(jié)果的權(quán)重以進(jìn)行取舍，得到最終分類結(jié)果為Pfinal。

4 實(shí)驗(yàn)測(cè)試和結(jié)果分析

4.1 實(shí)驗(yàn)環(huán)境配置和數(shù)據(jù)準(zhǔn)備

為了驗(yàn)證所提SEI 框架和方法的可行性，并使應(yīng)用場(chǎng)景更符合實(shí)際，本文選用了5 個(gè)型號(hào)為Tenda U6的USB 無(wú)線網(wǎng)卡作為輻射源發(fā)射器。將無(wú)線網(wǎng)卡安裝在電腦主機(jī)作為信號(hào)發(fā)射端，工作頻率為2.462 GHz，帶寬為40 MHz，最大發(fā)射功率為20 dBmW，均使用IEEE 802.11b 協(xié)議。接收機(jī)使用NI-PXI8106機(jī)柜和NI 矢量信號(hào)分析儀連接天線，固定于接收端15 cm 處采集無(wú)線網(wǎng)卡信號(hào)，采集的信號(hào)為I/Q 雙路復(fù)信號(hào)，信號(hào)采樣率為100 MSPS（million sample per second）。為了對(duì)比模型在不同信噪比（SNR,signal-to-noise ratio）下的性能，對(duì)原始信號(hào)加入高斯白噪聲模擬噪聲環(huán)境，得到5～25 dB 每隔5 dB 的不同SNR 條件下的無(wú)線網(wǎng)卡信號(hào)采樣數(shù)據(jù)。

將每1 000 個(gè)點(diǎn)的信號(hào)采樣數(shù)據(jù)作為一個(gè)輻射源信號(hào)樣本，最終識(shí)別準(zhǔn)確率定義為用于測(cè)試的正確分類的樣本數(shù)量在整體測(cè)試樣本數(shù)量中的占比。

實(shí)驗(yàn)在MATLAB 環(huán)境進(jìn)行信號(hào)處理工作，深度學(xué)習(xí)環(huán)境為Python3.6+Pytorch1.0。

4.2 實(shí)驗(yàn)結(jié)果分析

4.2.1 多層融合分類方法的整體表現(xiàn)

首先對(duì)整個(gè)多層融合框架的性能表現(xiàn)進(jìn)行測(cè)試。選取一種單一特征提取方法[19]、2 種多特征提取方法[4,23]與本文方法進(jìn)行對(duì)比。文獻(xiàn)[19]作為對(duì)比方法1 僅采用HHT 方法進(jìn)行識(shí)別。與本文方法類似，文獻(xiàn)[4]同樣使用多特征提取思想，提取信號(hào)的能量分布信息、分形特征和雙譜特征等多種雜散特征，并利用SVM 進(jìn)行分類，以此作為對(duì)比方法2。文獻(xiàn)[23]利用PCA 算法對(duì)樣本進(jìn)行降維，實(shí)現(xiàn)特征提取，然后利用K 近鄰、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)構(gòu)建混合分類模型，同樣使用多分類器融合的設(shè)計(jì)，以此作為對(duì)比方法3。結(jié)果如表1 和圖5 所示。

圖4 訓(xùn)練集和測(cè)試集的使用流程

可以看出，本文方法的最終識(shí)別率最高，在識(shí)別準(zhǔn)確率和抗噪表現(xiàn)上都優(yōu)于其他方法。對(duì)比方法1使用單一特征提取算法HHT，整體表現(xiàn)不如融合模型；對(duì)比方法2 雖然同樣使用多特征提取，時(shí)域方法在特征的選擇上具有局限性，且其分類器使用SVM 的分類效果弱于深度神經(jīng)網(wǎng)絡(luò)對(duì)圖像的分類效果；對(duì)比方法3 雖然使用了多分類器集成，但使用PCA 方法降維并未充分提取表示信號(hào)差別的細(xì)微特征，整體表現(xiàn)不佳。本文方法使用基于變換域的多特征提取，并使用深度神經(jīng)網(wǎng)絡(luò)集成識(shí)別特征圖像的方法，具有更好的性能表現(xiàn)。

表1 實(shí)測(cè)不同方法的輻射源識(shí)別準(zhǔn)確率

圖5 不同方法在不同信噪比下的識(shí)別效果對(duì)比

4.2.2 使用AC-GAN 擴(kuò)充數(shù)據(jù)的影響

比較使用AC-GAN 進(jìn)行不同比例的數(shù)據(jù)擴(kuò)充的最終識(shí)別準(zhǔn)確率，按擴(kuò)充數(shù)據(jù)占原始數(shù)據(jù)的比例為0～90%進(jìn)行對(duì)比試驗(yàn)，結(jié)果如圖6 所示。從圖6可以看出，當(dāng)數(shù)據(jù)擴(kuò)充比例為50%時(shí)，模型的識(shí)別精度不再隨著數(shù)據(jù)擴(kuò)充比例的增加而明顯提高，而是逐漸趨于穩(wěn)定。使用AC-GAN 擴(kuò)充數(shù)據(jù)集的模型在抗噪表現(xiàn)和識(shí)別準(zhǔn)確率都表現(xiàn)更好，特別是在高信噪比的情況下，模型整體識(shí)別效果有顯著提升，說(shuō)明使用AC-GAN 對(duì)數(shù)據(jù)集進(jìn)行增強(qiáng)，能夠提升整體識(shí)別準(zhǔn)確率，從而改善數(shù)據(jù)量不充足條件下模型整體識(shí)別率不高的問(wèn)題。

圖6 模型使用AC-GAN 進(jìn)行不同比例的數(shù)據(jù)擴(kuò)充的最終識(shí)別準(zhǔn)確率

4.2.3 衰落信道對(duì)信號(hào)識(shí)別的影響

本節(jié)使用室外典型場(chǎng)景多徑衰落信道模型對(duì)輻射源信號(hào)進(jìn)行了處理，選用瑞利衰落信道模型，將輻射源產(chǎn)生的信號(hào)通過(guò)多徑傳播模型以模擬其在室外場(chǎng)景下的傳播特性[29]。由圖7 可以看出，衰落信道環(huán)境對(duì)輻射源識(shí)別效果產(chǎn)生了負(fù)面影響，但模型仍可較好地完成分類識(shí)別任務(wù)，即使是在瑞利衰落信道這種相對(duì)惡劣的信道環(huán)境下，本文方法在20 dB 信噪比條件下的識(shí)別準(zhǔn)確率也有80%以上，相比其他對(duì)比方法，本文方法有明顯的優(yōu)勢(shì)。通過(guò)上述結(jié)果表明，本文方法能夠適用于復(fù)雜無(wú)線信道環(huán)境的應(yīng)用。

5 結(jié)束語(yǔ)

本文提出了一種基于多特征提取、集成融合學(xué)習(xí)和生成對(duì)抗網(wǎng)絡(luò)的通信輻射源融合分類識(shí)別方法。通過(guò)對(duì)原始信號(hào)進(jìn)行小波變換、雙譜變換、HHT 等信號(hào)變換處理，得到3 種可反映信號(hào)細(xì)微特征的系數(shù)矩陣，對(duì)系數(shù)矩陣的三維圖像進(jìn)行二維投影以得到特征圖像數(shù)據(jù)集，并采用AC-GAN對(duì)圖像數(shù)據(jù)集進(jìn)行增強(qiáng)。此外，本文設(shè)計(jì)了一種多特征融合雙階段分類識(shí)別方法，利用多個(gè)殘差網(wǎng)絡(luò)對(duì)不同圖像特征集分別進(jìn)行訓(xùn)練學(xué)習(xí)，得到初始分類結(jié)果，并通過(guò)融合得到最終分類結(jié)果。結(jié)果表明，相對(duì)于其他相關(guān)的SEI 方法，本文方法在不同信噪比下的平均識(shí)別率較高，即使在低信噪比條件下也有較好的表現(xiàn)。通過(guò)引入基于AC-GAN 的數(shù)據(jù)增強(qiáng)機(jī)制，能夠提升整體識(shí)別準(zhǔn)確率，改善數(shù)據(jù)量不足而影響識(shí)別效果的問(wèn)題。

圖7 在衰落信道環(huán)境下輻射源信號(hào)的識(shí)別效果對(duì)比