基于VMD 的通信輻射源個(gè)體識(shí)別方法*

徐晉凱，謝 鈞，俞 璐

（1.中國(guó)人民解放軍陸軍工程大學(xué) 指揮控制工程學(xué)院，江蘇 南京 210007；2.中國(guó)人民解放軍陸軍工程大學(xué) 通信工程學(xué)院，江蘇 南京 210007）

0 引言

輻射源個(gè)體識(shí)別通過(guò)偵收輻射源（各種通信電臺(tái)或雷達(dá)等）的發(fā)射信號(hào)，利用信號(hào)處理、機(jī)器學(xué)習(xí)等技術(shù)，從中提取能夠區(qū)分不同輻射源個(gè)體的“指紋”特征，并在此基礎(chǔ)上使用分類(lèi)或聚類(lèi)方法實(shí)現(xiàn)輻射源的個(gè)體識(shí)別。為獲得良好的識(shí)別效果，指紋特征應(yīng)具有普遍性、唯一性、穩(wěn)定性、獨(dú)立性和可檢測(cè)性，然而細(xì)微的通信輻射源指紋特征通常淹沒(méi)在包含噪聲和不同傳輸數(shù)據(jù)的發(fā)射信號(hào)中，提取難度很大。因此在輻射源個(gè)體識(shí)別的研究中，如何有效提取具有高區(qū)分性的輻射源指紋特征一直是關(guān)注的焦點(diǎn)。

通信輻射源個(gè)體特征主要是由發(fā)射機(jī)硬件工作產(chǎn)生。文獻(xiàn)[1]歸納了發(fā)射機(jī)硬件產(chǎn)生的主要特征有時(shí)鐘符號(hào)率誤差、同向正交（In-phase/Quadrature，I/Q）調(diào)制器的調(diào)制誤差、振蕩器的頻率偏差和相位噪聲、混頻器和功率放大器的噪聲、等效濾波器失真等。常見(jiàn)的指紋提取方式分為人工提取與深度學(xué)習(xí)提取兩種。人工指紋特征提取的研究主要從信號(hào)的時(shí)域、頻域、時(shí)頻域、調(diào)制域和高階譜等角度進(jìn)行。文獻(xiàn)[2]對(duì)射頻功率放大器帶記憶非線性行為進(jìn)行建模，通過(guò)擬合發(fā)射信號(hào)的這些非線性變化提取模型參數(shù)作為輻射源的指紋特征。文獻(xiàn)[3]使用時(shí)間序列置換熵作為輻射源的個(gè)體特征。文獻(xiàn)[4]提出了信號(hào)總能量、暫態(tài)信號(hào)持續(xù)時(shí)間和最大能量點(diǎn)持續(xù)時(shí)間3 種全局特征和信號(hào)希爾伯特變換時(shí)頻圖的頻率軸能量分布、時(shí)間軸能量分布和時(shí)頻平面能量分布3 種時(shí)頻指紋特征。星座圖誤差指紋特征又稱(chēng)為調(diào)制域誤差指紋特征，是由Brik 等人[5]于2008年提出的一種穩(wěn)態(tài)指紋特征。文獻(xiàn)[5]對(duì)比了星座圖的分布差別，使用相位誤差、幅度誤差和I/Q 偏移等作為識(shí)別特征，取得了不錯(cuò)的識(shí)別效果。文獻(xiàn)[6]提到只要滿(mǎn)足時(shí)間反向不變性，信號(hào)就會(huì)具有對(duì)稱(chēng)頻譜，因此通過(guò)測(cè)量頻譜圖的分布特征，以及測(cè)量距離與互相關(guān)性作為指紋特征，實(shí)現(xiàn)信號(hào)的識(shí)別。文獻(xiàn)[7]提出信號(hào)雙頻譜圖兩個(gè)頻率軸之間存在非線性相位耦合，因此雙譜可以作為特征向量進(jìn)行分類(lèi)識(shí)別。文獻(xiàn)[8]使用小波變換方法提取指紋特征實(shí)現(xiàn)高準(zhǔn)確度識(shí)別。

雖然目前已有不少人工特征提取的研究成果被提出，但是人工特征提取存在著對(duì)領(lǐng)域知識(shí)要求高和特征普適性差的問(wèn)題，限制了人工特征輻射源個(gè)體識(shí)別方法的發(fā)展。由于在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等領(lǐng)域取得了巨大成功，深度學(xué)習(xí)近年來(lái)在輻射源個(gè)體識(shí)別領(lǐng)域也受到廣泛關(guān)注。典型的深度網(wǎng)絡(luò)如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）、長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）等在輻射源個(gè)體識(shí)別中都有成功的應(yīng)用。文獻(xiàn)[9]基于深度學(xué)習(xí)提出了多采樣神經(jīng)網(wǎng)絡(luò)，由神經(jīng)網(wǎng)絡(luò)完成指紋提取與分類(lèi)識(shí)別工作。文獻(xiàn)[10]研究了深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)3 種網(wǎng)絡(luò)模型對(duì)無(wú)線設(shè)備的特征提取識(shí)別效果。文獻(xiàn)[11]比較了支持向量機(jī)（Support Vector Machine，SVM）、深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等不同類(lèi)型機(jī)器學(xué)習(xí)技術(shù)在輻射源個(gè)體識(shí)別中的應(yīng)用。文獻(xiàn)[12]使用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別特定硬件的特征，并進(jìn)行發(fā)射器分類(lèi)。文獻(xiàn)[13]采用CNN 和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）對(duì)各種信噪比范圍內(nèi)的物聯(lián)網(wǎng)（Internet of Things，IoT）設(shè)備進(jìn)行分類(lèi)。文獻(xiàn)[14]利用深度學(xué)習(xí)研究動(dòng)態(tài)信道對(duì)射頻指紋的影響。文獻(xiàn)[15]使用生成對(duì)抗網(wǎng)絡(luò)識(shí)別非法輻射源。文獻(xiàn)[16]設(shè)計(jì)了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，對(duì)信號(hào)的差分星座跟蹤圖（Differential Constellation Trace Figure，DCTF）進(jìn)行學(xué)習(xí)來(lái)識(shí)別物聯(lián)網(wǎng)終端個(gè)體。

通信輻射源個(gè)體指紋信息是信號(hào)發(fā)射元器件在發(fā)射信號(hào)時(shí)，附加在數(shù)據(jù)信號(hào)上的細(xì)微“噪聲”信號(hào)。這些對(duì)傳輸信息無(wú)益的“噪聲”信號(hào)，正是識(shí)別輻射源個(gè)體至關(guān)重要的“指紋”，而攜帶不同通信信息的數(shù)據(jù)信號(hào)卻是嚴(yán)重影響輻射源個(gè)體識(shí)別性能的無(wú)益“噪聲”。由于指紋信號(hào)相對(duì)于數(shù)據(jù)信號(hào)非常微弱，因此采用端對(duì)端深度學(xué)習(xí)的方法需要大量訓(xùn)練樣本才能把這些微弱的指紋特征提取出來(lái)。如果能夠把輻射源發(fā)射的原始信號(hào)中的數(shù)據(jù)信號(hào)過(guò)濾掉，而僅留下指紋信號(hào)，則可以大大提升分類(lèi)器的性能，同時(shí)降低所需的標(biāo)記樣本個(gè)數(shù)?；谝陨戏治觯疚奶岢隽藢l(fā)射信號(hào)中的數(shù)據(jù)部分過(guò)濾而保留指紋噪聲的研究思路。本文采用變分模態(tài)分解（Variational Mode Decomposition，VMD）方法提取指紋信號(hào)，并使用CNN 進(jìn)行特征提取和分類(lèi)識(shí)別。在公開(kāi)數(shù)據(jù)集ORACLE[17]以及自建數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果均表明，該方法可顯著提高輻射源個(gè)體識(shí)別的性能，特別是在小樣本條件下具有明顯優(yōu)勢(shì)。

1 VMD-CNN 通信輻射源個(gè)體識(shí)別方法

1.1 基本思想

現(xiàn)有研究表明，通信輻射源個(gè)體特征主要來(lái)源于發(fā)射機(jī)硬件工作產(chǎn)生的各種噪聲，主要包括時(shí)鐘符號(hào)率誤差、I/Q 調(diào)制器的調(diào)制誤差、振蕩器的頻率偏差和相位噪聲、混頻器和功率放大器的噪聲、從數(shù)字模塊到天線過(guò)程中等效濾波器的失真等[1]。這些發(fā)射機(jī)硬件工作產(chǎn)生的特有噪聲會(huì)在發(fā)射信號(hào)中引入一些微弱的高頻分量，而這些微弱的噪聲信號(hào)正是通信輻射源個(gè)體識(shí)別的關(guān)鍵，但與攜帶通信信息的數(shù)據(jù)信號(hào)混雜在一起?，F(xiàn)有通信輻射源個(gè)體識(shí)別研究都是對(duì)包含數(shù)據(jù)和噪聲的接收信號(hào)直接進(jìn)行特征提取，特別是基于深度學(xué)習(xí)的端到端特征提取方法。由于占據(jù)主要成分的數(shù)據(jù)信號(hào)隨數(shù)據(jù)不斷變化，會(huì)對(duì)學(xué)習(xí)過(guò)程產(chǎn)生嚴(yán)重干擾，而網(wǎng)絡(luò)模型通常需要大量的標(biāo)記樣本才能學(xué)習(xí)到通信輻射源的個(gè)體特征。雖然指紋信號(hào)與數(shù)據(jù)信號(hào)不是簡(jiǎn)單的線性疊加，但數(shù)據(jù)信號(hào)會(huì)更多地存在于發(fā)射信號(hào)的低頻部分。如果能將包含更多個(gè)體特征的高頻噪聲信號(hào)與包含更多數(shù)據(jù)信號(hào)的低頻分量分離，再送入網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)，將會(huì)大大提高模型的學(xué)習(xí)效率，這正是本文提出的研究思路。

將復(fù)雜信號(hào)分解為有限個(gè)頻率分量的常用方法主要有，經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）、集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）、互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解（Complementary Ensemble Empirical Mode Decomposition，CEEMD）以及VMD。EMD 方法受噪聲干擾較大，有較嚴(yán)重的端點(diǎn)效應(yīng)和模態(tài)混疊效應(yīng)。雖然EEMD 方法在一定程度上抑制了EMD 方法分解過(guò)程中產(chǎn)生的模態(tài)混疊現(xiàn)象，但因其在分解過(guò)程中添加了白噪聲，導(dǎo)致分解不具有完備性。CEEMD 方法因?yàn)樘砑恿顺蓪?duì)符號(hào)相反的白噪聲，重構(gòu)誤差大大減小，但計(jì)算量過(guò)于龐大，并且仍然存在過(guò)多的偽分量。VMD 方法能夠自適應(yīng)地實(shí)現(xiàn)信號(hào)的頻域剖分及各頻率分量的有效分離，解決了EMD 方法的模態(tài)混疊問(wèn)題，具有更好的噪聲魯棒性，但缺點(diǎn)是需要利用先驗(yàn)知識(shí)確定信號(hào)分解的模態(tài)數(shù)。由于通信輻射源指紋特征主要存在于原始信號(hào)的高頻分量中，本文選用VMD 方法對(duì)原始信號(hào)進(jìn)行2 模態(tài)分解，將特征信號(hào)（高頻分量）與數(shù)據(jù)信號(hào)（低頻分量）進(jìn)行分離，然后將分解后的特征信號(hào)送入CNN 網(wǎng)絡(luò)進(jìn)行分類(lèi)識(shí)別，如圖1 所示。

圖1 VMD-CNN 通信輻射源個(gè)體識(shí)別方法

1.2 變分模態(tài)分解

通信信號(hào)可以看作是由多個(gè)頻率分量疊加的復(fù)雜信號(hào)。VMD[18]可以自適應(yīng)地將復(fù)合信號(hào)分解為指定數(shù)量的各頻率分量。VMD 認(rèn)為信號(hào)是由不同頻率占優(yōu)的子信號(hào)疊加而成，并假設(shè)信號(hào)所有分量都是集中在各自中心頻率附近的窄帶信號(hào)。VMD 通過(guò)構(gòu)建頻域變分優(yōu)化問(wèn)題，對(duì)變分模型進(jìn)行迭代搜尋，每次迭代求解低頻部分中心頻率的信號(hào)分量，即本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF），高頻部分留待進(jìn)一步分解。與EMD 不同，IMF 在VMD 中被定義為一個(gè)調(diào)幅-調(diào)頻信號(hào)，而不局限于窄帶信號(hào)，其第k個(gè)IMF 的表示形式為：

式中：uk(t)為第k個(gè)本征模態(tài)函數(shù)；Ak(t)為隨時(shí)間變化的幅值函數(shù)；Φk(t)為相位函數(shù)。

對(duì)接收信號(hào)進(jìn)行3 步處理：第一步，Hilbert 變換求解析信號(hào)；第二步，將信號(hào)平移到基帶；第三步，使用H1 Gaussian smoothness 估計(jì)信號(hào)的帶寬。其表達(dá)式如下：

式 中：{uk}={u1,u2,…,uK}，{ωk}={ω1,ω2,…,ωk}；K為分解的模態(tài)數(shù)；uk和ωk為分解后第k個(gè)模態(tài)分量和中心頻率；δ(t)為狄拉克函數(shù)；*為卷積運(yùn)算符；f為輸入信號(hào)f(t)。對(duì)式（2）添加2 次懲罰項(xiàng)與拉格朗日乘子λ(t)，使用交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）進(jìn)行求解，其迭代求解式為：

用VMD 方法進(jìn)行信號(hào)分解的示例如圖2 所示。圖2（a）是由頻率分別為圖2（b）80 Hz、圖2（c）200 Hz、圖2（d）800 Hz 和圖2（e）1 600 Hz 的余弦信號(hào)疊加而成的復(fù)合信號(hào)，其中80 Hz 的信號(hào)振幅最大。將圖2（a）中的復(fù)合信號(hào)進(jìn)行VMD 分解，不斷迭代分離出信號(hào)中的低頻部分。當(dāng)分解模態(tài)數(shù)K=4 時(shí)，其分解的第一、第二、第三和第四本征模態(tài)函數(shù)結(jié)果為圖2（f）、圖2（g）、圖2（h）和圖2（i）。當(dāng)分解模態(tài)數(shù)K=2 時(shí)，其分解的第一、第二本征模態(tài)函數(shù)結(jié)果為圖2（j）和圖2（k），可以看出，分解出來(lái)的第一本征模態(tài)函數(shù)與復(fù)合信號(hào)的主分量基本一致。

圖2 VMD 方法信號(hào)分解示例

1.3 CNN 結(jié)構(gòu)

本文設(shè)計(jì)的完整的VMD-CNN 網(wǎng)絡(luò)如圖3 所示，對(duì)輸入信號(hào)先進(jìn)行VMD 處理，將處理后的數(shù)據(jù)輸入后續(xù)的深度網(wǎng)絡(luò)中。深度網(wǎng)絡(luò)由3 個(gè)卷積層、2個(gè)全連接層與1 個(gè)softmax 層構(gòu)成。第一卷積層由50 個(gè)1×9 的卷積核構(gòu)成，提取粗粒度的指紋特征。第二卷積層由50 個(gè)1×5 的卷積核構(gòu)成，提取細(xì)粒度的指紋特征。前兩層分別學(xué)習(xí)I 路和Q 路時(shí)間序列變化。第三卷積層由50 個(gè)2×5 的卷積核構(gòu)成，使用2×5 的卷積核提取I 路信號(hào)與Q 路信號(hào)組合特征的指紋信息，3 個(gè)卷積層都采用ReLU 激活函數(shù)。第一層全連接層設(shè)定256 個(gè)神經(jīng)元，第二層全連接層設(shè)定80 個(gè)神經(jīng)元，并且在兩層全連接層加入Dropout 與l2正則化參數(shù)，正則化參數(shù)λ=0.000 1，網(wǎng)絡(luò)的優(yōu)化器為Adam，學(xué)習(xí)率為0.000 1。由softmax層輸出概率向量，確定產(chǎn)生信號(hào)的輻射源個(gè)體。

圖3 VMD-CNN 網(wǎng)絡(luò)模型

2 實(shí)驗(yàn)驗(yàn)證與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集

由于目前公開(kāi)的通信輻射源實(shí)采數(shù)據(jù)集非常少，很多通信輻射源識(shí)別論文基于仿真數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，說(shuō)服力不強(qiáng)。2019 年，美國(guó)東北大學(xué)公開(kāi)了通信輻射源實(shí)采數(shù)據(jù)集ORACLE[17]，為驗(yàn)證輻射源個(gè)體識(shí)別方法提供了便利。ORACLE 使用一臺(tái)通用軟件無(wú)線電外設(shè)（Universal Software Radio Peripheral，USRP） B210 作為接收端，16 臺(tái)USRP X310 作為發(fā)送端。發(fā)送的數(shù)據(jù)是由MATLAB 工具包產(chǎn)生的符合IEEE 802.11a 的數(shù)據(jù)幀，數(shù)據(jù)幀包含隨機(jī)生成的數(shù)據(jù)并具有相同的地址字段。接收端放置在開(kāi)放反射少的區(qū)域?qū)崿F(xiàn)信號(hào)采集，其中心頻率為2.45 GHz，采樣頻率為5 MHz（每秒采集500 萬(wàn)個(gè)采樣點(diǎn)），分別對(duì)I 路Q(chēng) 路信號(hào)進(jìn)行采樣。

本文為了說(shuō)明方法的有效性，自建了通信輻射源實(shí)采數(shù)據(jù)集。使用1 臺(tái)USRP N210 作為接收端，對(duì)5 臺(tái)USRP N210 進(jìn)行信號(hào)采集。接收距離為10 m，環(huán)境封閉無(wú)遮擋。信號(hào)的中心頻率為1.00 GHz，以5 MHz 的采樣頻率對(duì)I 路Q(chēng) 路信號(hào)進(jìn)行采樣。

本文將采集的每個(gè)輻射源信號(hào)序列的前80%用于產(chǎn)生訓(xùn)練樣本，后20%用于產(chǎn)生測(cè)試樣本。使用長(zhǎng)度為128，步長(zhǎng)為1 的滑動(dòng)窗，在IQ 信號(hào)序列上提取2×128 維的樣本?？紤]到神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的隨機(jī)性，本文采用10 次實(shí)驗(yàn)的平均值作為實(shí)驗(yàn)結(jié)果。

2.2 VMD 指紋信號(hào)提取實(shí)驗(yàn)

為了驗(yàn)證VMD 方法提取指紋信號(hào)的有效性，本文使用文獻(xiàn)[17]中ORACLE 的CNN 網(wǎng)絡(luò)作為分類(lèi)器，并在ORACLE 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證。從ORACLE 數(shù)據(jù)集中僅隨機(jī)選取長(zhǎng)度為1 萬(wàn)個(gè)采樣點(diǎn)（在少量標(biāo)簽樣本情況）的5類(lèi)信號(hào)序列用于實(shí)驗(yàn)。使用VMD 方法對(duì)接收信號(hào)進(jìn)行2 模態(tài)分解，得到第1 本征模態(tài)函數(shù)信號(hào)（低頻分量）和第2 本征模態(tài)函數(shù)信號(hào)（高頻分量）。分別以原始接收信號(hào)、VMD 第1 本征模態(tài)函數(shù)信號(hào)和VMD 第2 本征模態(tài)函數(shù)信號(hào)作為輸入，用ORACLE 的CNN 網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試。實(shí)驗(yàn)結(jié)果如表1 所示。從5 分類(lèi)的平均識(shí)別率可以看出，輸入為VMD 第2 本征模態(tài)函數(shù)信號(hào)的識(shí)別率可以達(dá)到99.03%，明顯高于輸入為原始接收信號(hào)的識(shí)別率，而輸入為VMD 第1 本征模態(tài)函數(shù)信號(hào)的識(shí)別率最低，僅有82.51%。實(shí)驗(yàn)結(jié)果表明，輻射源指紋信息主要存在于VMD 第2 本征模態(tài)函數(shù)信號(hào)（高頻分量）中，而數(shù)據(jù)信息主要存在于VMD 第1 本征模態(tài)函數(shù)信號(hào)（低頻分量）中。對(duì)原始接收信號(hào)進(jìn)行VMD 2 模態(tài)分解，并過(guò)濾掉第1 本征模態(tài)函數(shù)信號(hào)，可以顯著降低數(shù)據(jù)信號(hào)對(duì)于指紋特征的干擾。

表1 不同輸入信號(hào)的平均識(shí)別率 %

2.3 不同類(lèi)別數(shù)的實(shí)驗(yàn)

為了驗(yàn)證本文CNN 和VMD-CNN 的有效性，在ORACLE 公開(kāi)數(shù)據(jù)集上，針對(duì)5 分類(lèi)、10 分類(lèi)和16 分類(lèi)，對(duì)ORACLE 算法、本文CNN 和VMDCNN 的識(shí)別率進(jìn)行比較。每種類(lèi)別的信號(hào)序列長(zhǎng)度為1 萬(wàn)個(gè)采樣點(diǎn)。實(shí)驗(yàn)結(jié)果如表2 所示。無(wú)論是5分類(lèi)、10 分類(lèi)還是16 分類(lèi)，本文CNN 識(shí)別率略高于ORACLE 方法，而VMD-CNN 的識(shí)別率明顯高于ORACLE 方法?？傮w上隨著類(lèi)別數(shù)的增加，識(shí)別率有所下降。

表2 不同類(lèi)別數(shù)的平均識(shí)別率 %

2.4 不同訓(xùn)練樣本數(shù)的實(shí)驗(yàn)

為了分析不同訓(xùn)練樣本數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響，本文從訓(xùn)練集中隨機(jī)抽取了5 000、10 000、20 000 和40 000 個(gè)不同數(shù)量的訓(xùn)練樣本對(duì)分類(lèi)器進(jìn)行訓(xùn)練，類(lèi)別數(shù)為16。3種方法的識(shí)別率如表3所示。圖4 顯示了各方法識(shí)別率隨訓(xùn)練樣本數(shù)增大的變化曲線?？梢钥闯?，在小樣本條件下，VMD-CNN 方法具有更加顯著的優(yōu)勢(shì)，其優(yōu)勢(shì)隨著訓(xùn)練樣本數(shù)的增加而縮小。

表3 不同訓(xùn)練樣本數(shù)的平均識(shí)別率 %

圖4 不同訓(xùn)練樣本數(shù)識(shí)別率變化

2.5 自建數(shù)據(jù)集實(shí)驗(yàn)

本文在自建數(shù)據(jù)集上，進(jìn)行了5 分類(lèi)實(shí)驗(yàn)。使用5 個(gè)USRP N210 設(shè)備作為輻射源，每個(gè)輻射源采集的信號(hào)序列長(zhǎng)度為1 萬(wàn)個(gè)采樣點(diǎn)。實(shí)驗(yàn)結(jié)果如表4 所示。VMD-CNN 的識(shí)別率依然最高，可達(dá)99.91%，明顯高于ORACEL 和本文CNN 方法。

表4 自建數(shù)據(jù)集上的平均識(shí)別率 %

3 結(jié)語(yǔ)

本文提出了將發(fā)射信號(hào)中的數(shù)據(jù)部分過(guò)濾而保留指紋噪聲的研究思路，在此基礎(chǔ)上，設(shè)計(jì)了基于變分模態(tài)分解的通信輻射源個(gè)體識(shí)別方法。該方法能夠顯著降低數(shù)據(jù)信號(hào)的變化對(duì)網(wǎng)絡(luò)模型學(xué)習(xí)過(guò)程的干擾，提高網(wǎng)絡(luò)模型學(xué)習(xí)性能并可明顯減少標(biāo)記樣本個(gè)數(shù)的需求。該方法利用變分模態(tài)分解方法將主要傳輸信息的數(shù)據(jù)信號(hào)與主要包含輻射源個(gè)體特征的指紋信號(hào)進(jìn)行有效分離，并使用深度網(wǎng)絡(luò)模型對(duì)時(shí)間序列信號(hào)進(jìn)行特征提取和分類(lèi)識(shí)別。本文方法在公開(kāi)數(shù)據(jù)集和自建數(shù)據(jù)集上均獲得了很高的識(shí)別準(zhǔn)確率，在小樣本條件下其優(yōu)勢(shì)尤為明顯。本文的研究為通信輻射源個(gè)體識(shí)別提供了新的研究思路。