輻射源識別技術(shù)發(fā)展研究

徐晉凱，謝 鈞

(陸軍工程大學(xué) 指揮控制工程學(xué)院，江蘇 南京 210007)

0 引言

20 世紀(jì)60 年代美國基于對移動信號目標(biāo)追蹤與確認(rèn)的需求，提出發(fā)展輻射源個體識別技術(shù)或稱特定輻射源識別。 經(jīng)過多年的研究發(fā)展，2003 年由Talbot 等人[1]首次提出了輻射源個體識別系統(tǒng)的結(jié)構(gòu)，其主要包括三個部分：(1)信號的接收與預(yù)處理部分，包含射頻系統(tǒng)、數(shù)據(jù)采集系統(tǒng)和信號處理系統(tǒng)。 (2)信號的特征提取部分，特征提取系統(tǒng)。 (3)分類與識別部分，包含分類器、驗證系統(tǒng)、類管理系統(tǒng)和輻射源數(shù)據(jù)庫。輻射源個體識別是指對空間中傳播的信號進(jìn)行特征測量，根據(jù)已有的先驗信息確定產(chǎn)生信號的輻射源個體。指紋特征是由發(fā)射機(jī)內(nèi)硬件工作時產(chǎn)生，若提取的指紋特征滿足普遍性、唯一性、穩(wěn)定性、獨立性和可測性，將有利于個體識別的準(zhǔn)確率提高，因此大量的學(xué)者進(jìn)行指紋提取的研究。輻射源個體識別對于頻譜資源管理和無線網(wǎng)絡(luò)安全等方面有著重大的研究意義。本文將從三個方面進(jìn)行回顧分析輻射源個體識別現(xiàn)狀：(1)針對輻射源設(shè)備類型進(jìn)行分析。 (2)針對接收信號類型進(jìn)行分析。 (3)針對指紋特征提取方法進(jìn)行分析。

1 輻射源識別分類

1.1 基于通信設(shè)備類型分類

相較于通信輻射源個體識別，雷達(dá)輻射源個體識別起步更早。早期雷達(dá)輻射源個體識別通過雷達(dá)信號參數(shù)來實現(xiàn)，如載頻、脈寬、脈幅、到達(dá)時間、到達(dá)方位和脈沖重復(fù)間隔等。由于雷達(dá)信號的發(fā)射體制越來越復(fù)雜，工作頻段不斷拓寬等原因，僅使用信號參數(shù)作為特征已無法滿足個體識別的需求。因此對雷達(dá)脈沖信號特征信息需要進(jìn)一步深入研究。 基于此研究人員提出了脈沖包絡(luò)前沿[2]、脈沖樣本圖[3]和脈沖包絡(luò)上升沿[4]等指紋特征。 同時文獻(xiàn)[5]參考生物基因表征模型構(gòu)建雷達(dá)信號基因特征提取模型。 文獻(xiàn)[6]作者提出基于此頻率漂移現(xiàn)象，定義了頻率漂移曲線的幾何特征，以幾何特征作為信號的指紋特征來實現(xiàn)發(fā)射機(jī)的識別。

通信輻射源識別相較于雷達(dá)輻射源識別起步稍晚。 通信信號類型多種多樣，包括如移動通信信號、無線網(wǎng)絡(luò) WLAN 信號和衛(wèi)星信號等。 通信信號包含有調(diào)制信息與數(shù)據(jù)信息等內(nèi)容，而信號中攜帶的大量信息會對細(xì)微特征提取產(chǎn)生嚴(yán)重干擾，因此對于通信輻射源識別來說指紋特征提取更困難。 為了降低干擾，研究人員利用通信知識從信號中提取特征來實現(xiàn)識別。 文獻(xiàn)[7]對時域信號的時間序列進(jìn)行計算，使用計算得到置換熵作為識別特征。 文獻(xiàn)[8]對時域信號進(jìn)行變換，將信號變換到調(diào)制域中，利用硬件缺陷構(gòu)建PARADIS 特征矢量進(jìn)行識別。

1.2 基于信號狀態(tài)分類

暫態(tài)信號又稱瞬時信號，會在輻射源開機(jī)、關(guān)機(jī)和模式切換的瞬間產(chǎn)生。 暫態(tài)信號可以很好的體現(xiàn)輻射源的非線性與非穩(wěn)定性，使用暫態(tài)信號可以實現(xiàn)較高的識別率。 對暫態(tài)信號進(jìn)行特征提取首先要完成信號的起始與中止檢測,然后提取暫態(tài)信號特征。 暫態(tài)信號特點：(1)信號持續(xù)時間短，對信號采集設(shè)備要求高。 (2)信號捕捉難度大，無法準(zhǔn)確估計暫態(tài)信號的起止時間。 (3)易受復(fù)雜電磁環(huán)境的影響。

穩(wěn)態(tài)信號是指發(fā)射機(jī)經(jīng)過啟動或切換階段后，信號不再隨時間變化而改變。 相比于暫態(tài)信號，穩(wěn)態(tài)信號具有持續(xù)時間長獲取簡單等特點。 但是信號中攜帶有數(shù)據(jù)信息等內(nèi)容，指紋特征容易隱藏于數(shù)據(jù)信號或環(huán)境噪聲信號中，不易被提取。 在樣本數(shù)較少時，很難消除數(shù)據(jù)與噪聲信號的干擾。

2 輻射源識別特征提取方法

輻射源特征提取方法主要分為：(1)人工特征提取。(2)深度學(xué)習(xí)特征提取。 本文將根據(jù)特征提取的思路，對特征提取結(jié)構(gòu)進(jìn)行梳理。 人工特征提取主要為對時域信號提取特征與結(jié)合信號處理技術(shù)提取特征兩個方面，深度學(xué)習(xí)特征提取也包括結(jié)合信號處理技術(shù)與深度學(xué)習(xí)模型提取兩個方面。 如圖1所示。

圖1 特征提取方法框架示意圖

2.1 人工特征提取方法

輻射源指紋特征提取方法可分為人工特征提取與深度學(xué)習(xí)特征提取兩類。 人工特征提取主要基于研究人員的通信領(lǐng)域知識，對時間序列信號進(jìn)行計算或變換來獲取指紋信息。 人工提取主要從信號的時域、頻域、時頻平面和非線性硬件建模等方面進(jìn)行。

從時域信號中提取到個體指紋信息主要為參數(shù)特征、脈沖包絡(luò)特征等。 參數(shù)特征是指通過對輻射源信號進(jìn)行測量或者進(jìn)行概率估計得到特征，常用參數(shù)特征包括：載頻、脈沖寬度，脈沖幅度，脈沖方位角等。而如今，電磁環(huán)境愈加復(fù)雜，輻射源個體差異不斷縮小，使用參數(shù)特征已經(jīng)很難實現(xiàn)個體的精確識別。 由于個體特征來自于輻射源設(shè)備中硬件的不穩(wěn)定特性，這種微小的差異會在脈沖包絡(luò)中得到體現(xiàn)。 因此學(xué)者基于信號的脈沖包絡(luò)波形進(jìn)行相關(guān)研究。 在時域信號中常見瞬時頻率特性[9]、脈沖包絡(luò)上升角與下降角[10]和包絡(luò)的分形維數(shù)[11]等作為輻射源識別特征，同時不少學(xué)者結(jié)合了信號處理技術(shù)對接收信號中的細(xì)微特征進(jìn)行提取，文獻(xiàn)[12]使用小波分析進(jìn)行包絡(luò)分析，文獻(xiàn)[13]對信號進(jìn)行短時傅里葉變換，獲得瞬時瞬變信號的能量包絡(luò)。

對信號脈沖進(jìn)行特征提取對于信號采集設(shè)備要求較高，并且脈沖波形易受到信道條件的影響，進(jìn)而影響到個體識別的準(zhǔn)確度。 在對時域信號進(jìn)行特征提取研究的基礎(chǔ)上，可以對信號進(jìn)行預(yù)處理，從預(yù)處理的信號中提取出個體指紋特征，如：傅里葉變換、時頻分析、高階譜、希爾伯特-黃變換、固有時間尺度分解與變分模態(tài)分解等。

(1)將時域信號變換到頻域或調(diào)制域，進(jìn)行特征提取。 將信號變換到頻域提取頻譜圖分布特征,在文獻(xiàn)[14]中提到信號滿足時間反向不變性會具有對稱頻譜，通過測量頻譜圖的分布特征，同時通過測量距離與互相關(guān)性來實現(xiàn)信號的識別。 調(diào)制域誤差指紋特征是由 Brik 等人[8]在 2008 年提出，又稱星座圖誤差特征，通過接收信號變換到調(diào)制域進(jìn)行特征提取。 而調(diào)制域提取的特征具有更好的結(jié)構(gòu)性和代表性特點，因而取得不錯效果。 文獻(xiàn)[15]利用樣本與核的相似性度量，進(jìn)行動態(tài)聚類重構(gòu)星座圖，進(jìn)行星座圖匹配完成分類工作。

(2)時頻分析即信號的時間頻率聯(lián)合域分析，是一種提供了信號時域與頻域的聯(lián)合分布信息的信號處理方法，描述了信號的頻率隨著時間的一個變化關(guān)系。 時頻分析有線性時頻表示與非線性時頻表示，線性時頻方法有Gabor 變換、短時傅里葉變換和小波變換，非線性時頻變換常見的有魏格納威利分布和Choi-Willianms 分布等。 時頻分析方法應(yīng)用于雷達(dá)輻射源個體識別研究中較多。 葉文強(qiáng)與俞志富二位學(xué)者[16]基于雷達(dá)信號的短時傅里葉變換進(jìn)行特征的提取。 文獻(xiàn)[17]使用 Choi-Willianms 分布將信號轉(zhuǎn)換為二維時頻圖像，在此基礎(chǔ)上使用主成分分析(Principal Components Analysis，PCA)選取特征實現(xiàn)識別。 時頻分析是分析非平穩(wěn)、非高斯信號的重要工具，但是時頻分析在針對不同的信號不同的應(yīng)用場景時，很難把握核函數(shù)的選擇，其對于輻射源識別分析有著較大影響。

(3)高階譜是信號的能量譜，包含有多個頻率分量，高階譜是通過k 階累積的k-1 維傅里葉變換得到的。由于有非高斯信號的存在，對于非高斯信號，高階統(tǒng)計量可以包含豐富的信息。 而高階譜具有計算復(fù)雜的問題，其中雙譜是最簡單的高階譜，雙譜是三階譜，基于雙譜引入積分雙譜來簡化雙譜的計算，常見的積分雙譜方法有選擇雙譜、徑向積分雙譜、軸向積分雙譜和矩形積分雙譜等，雙譜的優(yōu)點是能夠提供豐富的相位和幅度信息，且抗高斯噪聲能力強(qiáng)，雙譜具有時移不變性、尺度變化性和相位保持性特點[18]。 王歡歡等人[19]提出了改進(jìn)積分雙譜特征和時頻分析相結(jié)合的特征來進(jìn)行個體識別。文獻(xiàn)[20]使用非線性流形方法約簡雙譜特征，防止直接使用高階譜參數(shù)常出現(xiàn)“維數(shù)災(zāi)”現(xiàn)象。 蔡忠偉與李建東[21]二位選擇雙譜作為特征向量。 文獻(xiàn)[22]采用局部積分雙譜并結(jié)合輻射源特征參數(shù)構(gòu)成特征向量。

(4)希爾伯特譜是基于希爾伯特-黃變換，將信號進(jìn)行經(jīng)驗?zāi)B(tài)分解后得到本征模態(tài)函數(shù)，對本征模態(tài)函數(shù)進(jìn)行希爾伯特變換后，可以得到本征模態(tài)函數(shù)的時域、頻域和振幅之間的一個關(guān)系，這三者構(gòu)成的分布圖即為希爾伯特譜。

經(jīng)驗?zāi)B(tài)分解由 Norden 等人[23]于 1998 年提出，其目的是將非平穩(wěn)非線性的時間序列信號分解為線性穩(wěn)態(tài)信號。 梁江海等學(xué)者[24]研究了雜散成分中頻域特征，利用經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)方法從信號中分離出雜散成分，通過雜散成分提取頻域特征作為輻射源的指紋特征進(jìn)行識別分類。 文獻(xiàn)[25]在單跳與中繼場景中使用經(jīng)驗?zāi)B(tài)分解進(jìn)行SEI 技術(shù)的研究，作者提出EM2算法通過能量熵和希爾伯特譜一階與二階矩作為識別特征，使用相關(guān)性算法度量不同希爾伯特譜的相似度，利用費(fèi)舍爾判別算法選擇強(qiáng)識別特征。 文獻(xiàn)[26]通過經(jīng)驗?zāi)B(tài)分解得到本征模態(tài)函數(shù)，利用本征模態(tài)函數(shù)的分形維數(shù)、 瞬時頻率、Hilbert 邊緣譜對稱系數(shù)與分形維數(shù)構(gòu)成分類特征集，將此特征集輸入分類器中訓(xùn)練，進(jìn)行個體識別。 文獻(xiàn)[27]基于希爾伯特-黃變換提出改進(jìn)的HHT 算法進(jìn)行計算，得到希爾伯特譜中的指紋特征。 文獻(xiàn)[28]中先對接收機(jī)接收信號進(jìn)行希爾伯特-黃變換得到時頻能量譜，利用分形理論提取差分盒維數(shù)、多尺度維數(shù)、稀疏變化率和三維希爾伯特能量熵來構(gòu)成特征向量。

(5)固有時間尺度分解(Intrinsic Time-scale Decomposition，ITD)于 2007 年 由 Frei 等 人[29]提 出 ,是 將 原始信號分解為一系列旋轉(zhuǎn)信號分量與一個基線信號分量，通過對每層信號分量的計算，得到原始信號的時頻信息。 文獻(xiàn)[30]將輻射源看作一個非線性動力系統(tǒng)，使用固有時間尺度分解(ITD)對信號進(jìn)行處理，來提取輻射源間的細(xì)微特征來進(jìn)行個體識別。 同時文獻(xiàn)[31]使用 ITD 對信號進(jìn)行分解得到信號的時頻能量分布，將時頻能量分布轉(zhuǎn)化為圖像，利用圖像紋理特征對信號的細(xì)微差異進(jìn)行特征提取。

(6)變分模態(tài)分解是由 Konstantin 和 Dominique[32]于2014 年提出，變分模態(tài)分解對本征模態(tài)函數(shù)進(jìn)行了重新定義，變分模態(tài)分解方法對于信號分解中的模態(tài)混疊問題有很好的適應(yīng)性。 文獻(xiàn)[33]提取了變分模態(tài)分解方法的頻譜特征與時域特征，并與經(jīng)驗?zāi)B(tài)分解方法時域特征進(jìn)行對比，取得了不錯的識別效果。

現(xiàn)有對于指紋特征的認(rèn)知是由于輻射源元器件的制造工藝、工作環(huán)境、安裝調(diào)試以及其本身的功能等會使得輻射信號帶有區(qū)別于其他輻射源個體的指紋特征。 現(xiàn)在大部分對輻射源個體識別的研究都是基于先進(jìn)的信號處理技術(shù)，通過對接收到的信號進(jìn)行相應(yīng)的預(yù)處理，進(jìn)而對處理過的信號通過各種統(tǒng)計參數(shù)、信號變換與應(yīng)用信號處理方法等方式提取到個體指紋特征。 有學(xué)者對發(fā)射機(jī)器件進(jìn)行研究，研究人員認(rèn)為發(fā)射機(jī)器件會產(chǎn)生大量的非線性變化，這些非線性變化會以各種形式體現(xiàn)到接收信號中。 現(xiàn)有的指紋研究主要是通過對信號進(jìn)行擬合來實現(xiàn)。 文獻(xiàn)[34]提出一種由于非線性設(shè)備造成的非線性電路相關(guān)性的評估方法來作為發(fā)射機(jī)的區(qū)分特征。 許丹等人[35]通過研究磁控管信號，提取起振的初始階段自激指數(shù)、脈沖下降沿尾段信號幅度衰減指數(shù)、磁控管頻推系數(shù)、非線性自由振蕩的自激指數(shù)和恢復(fù)出的驅(qū)動電壓包絡(luò)構(gòu)成輻射源指紋特征量。 徐志軍等人[36]基于功率放大器構(gòu)建非線性模型，使用泰勒級數(shù)對功放的非線性特性進(jìn)行分析，構(gòu)建距離變換函數(shù)作為輻射源的個體指紋特征。 黃淵凌等人[37]通過對發(fā)射機(jī)相位噪聲產(chǎn)生模型進(jìn)行分析，采用自回歸-滑動平均模型來描述相噪特性，利用自回歸-滑動平均參數(shù)構(gòu)建輻射源的指紋特征。 由于發(fā)射機(jī)硬件工藝的完善通過對發(fā)射機(jī)硬件進(jìn)行建模提取輻射源的指紋特征的難度不斷增加。 文獻(xiàn)[38]基于實際信號中的固有非線性動態(tài)特性，提取排列熵作為指紋特征。 文獻(xiàn)[39]對無線電發(fā)射器產(chǎn)生的5 種硬件誤差進(jìn)行研究，并基于這些硬件對于星座圖的影響進(jìn)行輻射源的識別研究。文獻(xiàn)[40]針對射頻功放器3 種非線性行為模型進(jìn)行比較研究。 文獻(xiàn)[41]基于信號的非線性特性進(jìn)行輻射源個體識別的研究，使用接收信號的瞬時幅度、相位和頻率構(gòu)成水平可見度圖，得到這些參數(shù)的分布度，使用歸一化Shannon 熵和參數(shù)分布獲得的費(fèi)舍爾信息測度構(gòu)成射頻指紋。

人工特征提取方法其結(jié)合了通信領(lǐng)域知識，并應(yīng)用了信號處理技術(shù)，個體指紋特征明顯，可識別性強(qiáng)。目前人工特征提取方法的研究只能適應(yīng)有限的輻射源設(shè)備類型，出現(xiàn)新的信號形式時，需要結(jié)合通信領(lǐng)域知識重新探尋特征，從而實現(xiàn)識別。同時在面對新的場景，原有的人工特征可能會出現(xiàn)識別效果低下甚至無效的情況。

2.2 深度學(xué)習(xí)特征提取方法

使用人工特征提取方法，需要較高的通信領(lǐng)域知識。由于特征需要人為設(shè)計，其普適性不強(qiáng)。而近幾年，深度學(xué)習(xí)在語音識別、計算機(jī)視覺與自然語言處理等方面取得了巨大的進(jìn)展，常見的深度學(xué)習(xí)網(wǎng)絡(luò)有：深度置信網(wǎng)絡(luò)、自編碼器、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)和生成式對抗網(wǎng)絡(luò)等。 早期將深度學(xué)習(xí)方法引入到輻射源識別領(lǐng)域中是將深度學(xué)習(xí)用于輻射源識別的分類器中，深度學(xué)習(xí)的輸入結(jié)合了領(lǐng)域知識的人工特征。

將深度學(xué)習(xí)應(yīng)用于輻射源識別中主要分為兩大類：(1)結(jié)合信號處理技術(shù)，對接收信號進(jìn)行預(yù)處理， 將預(yù)處理的信號作為深度學(xué)習(xí)的輸入，進(jìn)行指紋提取與分類識別。 文獻(xiàn)[42]使用短時傅里葉變換獲取雷達(dá)信號的時頻分布，使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)提取信號中的特征并識別。 文獻(xiàn)[43]中對接收信號先進(jìn)性希爾伯特-黃變換對接收信號進(jìn)行預(yù)處理，之后將希爾伯特頻譜轉(zhuǎn)換為灰度圖像，將這個灰度圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練網(wǎng)絡(luò)模型，進(jìn)而實現(xiàn)分類識別。文獻(xiàn)[44]使用Choi-Williams 分布對雷達(dá)波形進(jìn)行時頻分布，獲得二維時頻圖像，送入深度預(yù)處理模型中，使用深度卷積網(wǎng)絡(luò)進(jìn)行特征進(jìn)行提取。 文獻(xiàn)[45]提取信號的雙譜，對雙譜進(jìn)行降維并送入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練學(xué)習(xí)。 文獻(xiàn)[46]使用 IQ 不平衡參數(shù)送入神經(jīng)網(wǎng)絡(luò)實現(xiàn)分類識別。 文獻(xiàn)[47]將信號包絡(luò)前沿作為神經(jīng)網(wǎng)絡(luò)的輸入，用卷積神經(jīng)網(wǎng)絡(luò)來提取輻射源包絡(luò)特征，由強(qiáng)化學(xué)習(xí)完成雷達(dá)輻射源個體識別任務(wù)。

(2)特征提取與分類識別兩個過程整合，構(gòu)建新的網(wǎng)絡(luò)模型，實現(xiàn)輻射源識別。 文獻(xiàn)[48]提出深度置信網(wǎng)絡(luò)與邏輯回歸組合成的深度學(xué)習(xí)架構(gòu)，由多層深度置信網(wǎng)絡(luò)完成發(fā)射器的特征提取，由邏輯回歸實現(xiàn)個體識別。 文獻(xiàn)[49]對信號進(jìn)行了Bispectrum-Randon 變換，用降噪自動編碼器與深度置信網(wǎng)絡(luò)組合構(gòu)成一個深度網(wǎng)絡(luò)模型進(jìn)行網(wǎng)絡(luò)的特征提取與識別。 文獻(xiàn)[50]使用稀疏自編碼器(Sparse AutoEncoder，SAE)提取輻射源信號中的內(nèi)在調(diào)制信息構(gòu)成特征雙向量。 黃健航與雷迎科二位對自編碼器在輻射源識別中進(jìn)行了深入研究，分別研究了使用堆棧自編碼器[51]、基于Fisher 邊際深度自編碼器[52]和半監(jiān)督矩形網(wǎng)絡(luò)[53]進(jìn)行特征提取。 文獻(xiàn)[54]使用對抗共享專用網(wǎng)絡(luò)(Adversarial Shared-Private Networks，ASPN)對在第一象限中正交的雙譜幅值分量和雙譜相位分量進(jìn)行特征提取。 文獻(xiàn)[55]提出一種基于變分自編碼器對雷達(dá)輻射源的時頻圖像提取特征，并由主成分分析對提取特征進(jìn)行降維。

深度學(xué)習(xí)的特征提取并不依靠人工，其可以提取到更細(xì)微、更高維的指紋特征，不需要較高的領(lǐng)域知識，同時深度學(xué)習(xí)具有學(xué)習(xí)能力強(qiáng)、適應(yīng)性與可移植性較好的優(yōu)點。 深度學(xué)習(xí)對于算力的要求較高，需要GPU 等硬件進(jìn)行運(yùn)算，并且深度學(xué)習(xí)提取的特征可解釋性差，很難理解設(shè)計的模型提取了什么特征，有沒有可能被干擾。

3 結(jié)論

隨著對輻射源個體識別問題的不斷深入研究，現(xiàn)有的輻射源識別依賴于采用的指紋特征與特征提取方法。 本文對輻射源識別的分類與特征提取方法進(jìn)行了梳理，重點介紹了人工特征提取與深度學(xué)習(xí)特征方法。 其中深度學(xué)習(xí)在輻射源識別領(lǐng)域的應(yīng)用已經(jīng)極大地提高了特征提取與分類識別的效率。 但輻射源識別還是存在以下3 個方面的問題：

(1)輻射源指紋產(chǎn)生機(jī)理不明確?，F(xiàn)有的研究表明輻射源的指紋信息是由發(fā)射機(jī)硬件工作的非線性與非穩(wěn)定性產(chǎn)生的。 目前學(xué)者通過構(gòu)建數(shù)學(xué)模型擬合某個指紋特征，了解認(rèn)識指紋特征。 對于指紋產(chǎn)生機(jī)理仍需深入研究，充分認(rèn)識指紋的表現(xiàn)形式與形成機(jī)理。

(2)指紋特征泛化能力需要進(jìn)一步提高。大部分的指紋特征適用范圍不明確，出現(xiàn)新的場景或信號形式時，需要重新結(jié)合領(lǐng)域知識提取特征，原有的特征對新場景的識別效果會劇烈下降，甚至出現(xiàn)失效的情況。隨著科技快速發(fā)展，電磁環(huán)境愈加復(fù)雜，對于指紋特征的要求也越來越高，指紋特征也將向著普適性更強(qiáng)、層次更深、更加智能的方向發(fā)展。

(3)深度學(xué)習(xí)應(yīng)用于輻射源識別中，大大提高了輻射源識別的整體效率。 但是深度學(xué)習(xí)特征提取可解釋性差，網(wǎng)絡(luò)模型可能學(xué)習(xí)到信號中環(huán)境噪聲的特征和數(shù)據(jù)信息的特征，降低模型的泛化能力。 而結(jié)合少量通信領(lǐng)域知識，通過信號處理方法，有意地引導(dǎo)深度學(xué)習(xí)模型特征提取方向，才能更好地發(fā)揮智能計算的優(yōu)勢。