基于差分-變分模態(tài)分解與全局信息分析網(wǎng)絡的輻射源個體識別方法

韋建宇 彭來獻 俞璐 王華力 曾維軍

（中國人民解放軍陸軍工程大學通信工程學院，江蘇南京 210007）

1 引言

通信輻射源個體識別（SEI，special emitter identification）技術(shù)可以根據(jù)不同的發(fā)射器的指紋特征來識別通信無線發(fā)射器［1］。指紋特征是發(fā)射器中單個硬件固有差異的結(jié)果，主要是由于硬件在制造過程中的不完善導致的［2］。每個發(fā)射器的指紋都是獨一無二的，很難被偽造，因此SEI技術(shù)在軍事和民用領域具有重要的研究價值。近幾年來，隨著自組織網(wǎng)［3］、物聯(lián)網(wǎng)［4］、認知無線電［5］和無人機通信的快速發(fā)展，電磁環(huán)境已經(jīng)變得非常復雜［6］。由于動態(tài)電磁頻譜共享技術(shù)的運用，電磁空間中無線通信安全已經(jīng)成為一個迫切需要解決的問題。物理層安全機制的研究是解決無線通信安全問題的根源所在，信號的指紋特征是獨一無二并且難以被偽造的，因此通信輻射識別技術(shù)可以識別復雜電磁空間中的通信無線電發(fā)射器的個體信息，它不僅有利于解決通信中的惡意攻擊問題，而且對電磁空間的大數(shù)據(jù)分析和信息挖掘也有著很大的意義。

特征提取是通信輻射源識別技術(shù)的重要階段。根據(jù)前人研究，指紋特征提取方法可以分為基于專家經(jīng)驗的傳統(tǒng)特征提取方法和基于深度學習的特征提取方法。傳統(tǒng)方法研究時間較長，人們采用多種信號處理的方法對信號的不同域進行特征提取。文獻［7］提出一種基于Wiger 和Choi-Williams 的輻射源指紋提取方法，該算法能夠在同一類型的通信輻射源識別中達到98%的識別率。文獻［8］和［9］使用傳統(tǒng)的模態(tài)分解方法得到希爾伯特譜，并對其提取均值、方差和能量熵特征組成的特征向量作為輻射源的指紋，在5 分類同型號的輻射源識別中取得96%的識別效果。然而這些信號特征只是對信號某些特定方面的分析，并且在經(jīng)驗模態(tài)分解（EMD，empirical mode decomposition）過程中存在模態(tài)混疊等分解不充分的影響，因此其在低信噪比下識別效果較差。隨著深度學習的發(fā)展，近年來人們致力于使用信號處理與深度學習相結(jié)合的方法去解決輻射源個體識別問題。文獻［10］提出將信號的壓縮雙譜圖與卷積神經(jīng)網(wǎng)絡（CNN，convolutional neural network）相結(jié)合，在5 分類不同型號的通用軟件無線電外設（USRP，universal software radio peripheral）實測數(shù)據(jù)上略顯成效；文獻［11］使用信號的差分星座軌跡圖作為網(wǎng)絡的輸入，在30 dB 情況下對54個ZigBee 設備的識別率能夠高達99.1%；文獻［12］使用EMD方法對信號進行分解，并且通過希爾伯特變換（HHT，Hilbert transform）得到希爾伯特譜，將希爾伯特譜輸入到深度殘差網(wǎng)絡中，通過仿真實驗驗證了方法對噪聲具有較強的魯棒性。

傳統(tǒng)方法主要存在特征提取不全面和泛化能力差的問題。為了更好地提取信號中的指紋特征，人們傾向于使用信號處理與深度學習模型相結(jié)合的方法，由于網(wǎng)絡模型是自動提取信號的特征進行分類任務，因此經(jīng)過信號處理以后，輸入信號的完整性以及輸入數(shù)據(jù)是否適合網(wǎng)絡模型訓練是取得良好識別效果的關鍵?；谝陨戏治觯疚奶岢隽艘粋€將深度學習和信號處理相結(jié)合的新型通信輻射源個體識別方法。本文對接收信號進行差分處理，通過建?？梢园l(fā)現(xiàn)，差分信號能夠保留并放大信號本身的增益不平衡、直流偏置和載頻偏移等指紋特征［13］，為了更好的表現(xiàn)出差分信號的優(yōu)勢，本文采用信號處理的方法對信號進行分解，針對EMD分解不充分的缺點，本文采用變分模態(tài)分解（VMD，Variational Mode Decomposition）對差分信號進行分解得到希爾伯特譜，可以有效地表現(xiàn)出信號指紋特征在低頻段的分布；針對希爾伯特譜的稀疏特性，本文在CNN 的基礎上添加改進的全局信息分析模塊，對希爾伯特譜進行全局細微特征的提取，通過對照實驗來測試提出方法的性能。

2 基于差分-變分模態(tài)分解與全局信息分析的算法

本文算法流程如圖1所示，首先對信號進行差分處理，采用VMD方法分解差分信號并轉(zhuǎn)換成希爾伯特譜；然后針對希爾伯特譜的稀疏特征，本文在CNN中添加改進的全局信息分析模塊對其進行深度特征的提取，最終對不同的通信輻射源個體進行識別。

圖1 本文算法的流程圖和網(wǎng)絡結(jié)構(gòu)圖Fig.1 The process for the proposed method and the structure of the Network model

2.1 差分信號的處理

本文使用希爾伯特譜作為網(wǎng)絡的輸入樣本，它是對差分信號進行VMD-Hilbert 變換得到的，包含大部分的信號指紋信息，接下來對它進行理論上的分析。發(fā)射端的發(fā)射信號為：

其中，xI(t)和xQ(t)是發(fā)射的I 路信號和Q 路信號，fc1是發(fā)射機的載頻，αI和αQ是I/Q 信道中的直流偏置，βI和βQ是I/Q 增益不平衡。我們假定信道是理想的，并且使用同一臺接收機接收信號，接收的信號可以被轉(zhuǎn)換成：

其中，yI(t)和yQ(t)是接收的基帶I 路信號和Q 路信號，fc2是接收機的載頻。由于生產(chǎn)過程的技術(shù)偏差產(chǎn)生了載頻的偏移，ψ=fc2-fc1。對信號進行差分處理時不需要頻率和時間同步，可以表示為：

其中，dI(t)和dQ(t)是I 路和Q 路的差分信號，(·)*是共軛運算。將公式（1）、（2）代入公式（3），差分信號最終被寫成：

為了便于實驗研究，采用xI(t) ≈xI(t+1)和xQ(t) ≈xQ(t+1)的情況，其差分信號可以化簡為：

在公式（5）中，αI和αQ遠遠小于信號xI(t)和xQ(t)，因此項放大了I/Q 信號增益不平衡的指紋特征，公式也包含了直流偏置αI和αQ以及載頻偏移ψ這些指紋特征。為了更加直觀的反映這些指紋信息，我們將對差分信號進行VMD-Hilbert 變換處理得到對應的希爾伯特譜。在常用的EMD 方法中，其分解的IMF存在嚴重的模態(tài)混疊和端點效應問題［14］，因此影響著希爾伯特譜中的能量分布，而本文采用VMD 分解信號，大大改善了模態(tài)的頻譜混疊問題。VMD 是一種處理非線性和非平穩(wěn)信號的有效方法，具體步驟見文獻［15］，由于VMD算法中使用內(nèi)嵌式維納濾波器，其分解過程對高斯噪聲有較強的魯棒性。因此VMD 算法不僅能夠緩解模態(tài)混疊現(xiàn)象，而且能夠降低外界噪聲帶來的干擾。我們表示信號為：

其中f(t)代表待分解的信號，vk(t)代表經(jīng)過VMD分解后第k個模態(tài)分量，代表信號的 瞬時幅 度，是vk(t) 的希爾 伯特變換，代表信號的瞬時相位，θk(t)=以上公式使我們能夠?qū)k(t)和ωk(t)表示為三維圖中時間的函數(shù)，幅度-時間-頻率的三維分布圖被指定為希爾伯特譜Hk(ω，t)。

其中，Hk(ω，t)是第k個模態(tài)的希爾伯特譜，H(ω，t)是原信號的希爾伯特譜。

希爾伯特譜是一種常見的時頻分析方法，首先，VMD 能夠根據(jù)信號自身的特點分解信號，與使用固定的基函數(shù)的傳統(tǒng)分析方法相比更加具有普遍性。其次，希爾伯特譜中首次提出了瞬時頻率的概念［15］，在信號分析時，該方法強調(diào)信號的瞬時特征分析，因此更加有利于捕捉信號指紋特征的瞬態(tài)變化。最后，由圖2～圖3可知差分信號通過VMD分解后得到的希爾伯特譜能夠更加清晰地反映出其低頻分量隨時間的變化，原信號的增益不平衡、直流偏置以及載頻頻偏等低頻段指紋信息變得更加明顯，并且在VMD 分解過程中信號沒有丟失原有的信息，因此差分信號經(jīng)過VMD-Hilbert 變換得到的希爾伯特譜能夠在時頻域內(nèi)反映出信號的指紋信息。

圖2 I/Q包絡信號的VMD-Hilbert譜Fig.2 The Hilbert spectrum obtained by I/Q signal

圖3 I/Q差分信號的VMD-Hilbert譜Fig.3 The Hilbert spectrum obtained by differential signal

2.2 網(wǎng)絡模型架構(gòu)

在CNN 的模型中，卷積層在特征圖的局部區(qū)域建立點與點之間的關系，而遠距離的點只能通過堆疊多個卷積層來進行建模，然而，這種方法增加了模型的計算復雜度。希爾伯特頻譜中的能量分布是稀疏的，在實際信道中存在大量的噪聲，使得網(wǎng)絡的卷積層注重提取信號和噪聲之間的短程相關特性，忽略了信號本身全局相關特性。本文使用全局信息構(gòu)建［16］的思想對CNN 進行改進，它結(jié)合了非局部模塊（NL net，non-local network）［17］和擠壓激勵模塊（SE net，squeeze and excitation network）［18］，該模塊主要分為三個步驟：全局信息構(gòu)建階段、特征轉(zhuǎn)換階段和特征融合階段，具體結(jié)構(gòu)如圖4 所示。該網(wǎng)絡的信息分析模塊借鑒了NL net，采用自注意力機制來建模各像素對之間的遠程依賴關系。建模遠程依賴旨在加強學習過程中對接收信號信息的全局理解，在卷積神經(jīng)網(wǎng)絡中，卷積層主要作用與局部區(qū)域，由此遠程依賴僅能通過堆疊多層卷積層進行建模，但是多個卷積層的堆疊不僅計算量大，而且難以優(yōu)化。為了解決此問題，NL net 采用自注意力機制來建模遠程依賴，對每個像素點首先計算查詢點與所有點之間的成對關系以得到注意力圖，然后通過加權(quán)和的方式聚合所有點的特征，從而得到與此查詢點相關的全局特征，其原理可參考文獻［17］，簡化結(jié)構(gòu)如圖4 全局信息構(gòu)建模塊所示。由于SE net 具有輕量級的特點，能夠減少大量的計算量，并且提取出更加有用的信息，特征轉(zhuǎn)換模塊引用了SE net的思想，因此，GC net 網(wǎng)絡既能夠像NL net 一樣有效的對全局特征進行提取，又能像SE net一樣具有輕量級特性。此網(wǎng)絡能夠彌補CNN 的局部感受野的缺陷，對輸入的數(shù)據(jù)進行全局特征的有效提取。

在全局信息構(gòu)建模塊中，根據(jù)文獻［17］的NL net，全局相關的特征是相互獨立，與查詢位置無關，因此我們可以通過將特征圖f(xi，xj)對應的全局特征點從HW×HW變成HW× 1 × 1，其輸出從C×H×W變成C× 1 × 1。因為C× 1 × 1 蘊含了各通道中各位置的信息，所以用它來代表每個通道構(gòu)建的全局信息。f(xi，xj)表示位置xi和xj之間的特征關系圖，H和W代表特征圖的長和寬，C代表模型的通道數(shù)，加號代表各項求和，乘號代表矩陣的內(nèi)積。根據(jù)文獻［16］，該模塊的輸出z為：

其中xi代表輸入模型數(shù)據(jù)的第i個位置，zi代表輸出模型數(shù)據(jù)的第i給位置，Np=H×W代表特征圖的大小，Wk是卷積層Conv(1 × 1)的參數(shù)矩陣。

在特征轉(zhuǎn)換模塊中，數(shù)據(jù)經(jīng)過NL 模塊后，由于Conv(1 × 1)的參數(shù)是C2，即隨著通道的增加存在著參數(shù)量較大的問題。根據(jù)文獻［18］，SE模塊有著參數(shù)輕量級的特點。因此本文使用SE 模塊代替Conv(1 × 1)層，使得參數(shù)量從C2減少到2C×C/τ，其中τ是瓶頸比率，C/τ表示瓶頸的隱藏表示維度。由于兩層的SE變換增加了優(yōu)化難度，因此在過程中加入歸一化層可以減少優(yōu)化難度。最后的全局相關信息模塊（GC block，global context block）結(jié)構(gòu)如圖4所示。

圖4 經(jīng)典全局信息分析模型Fig.4 The classical global context model

上述分析GC 模塊能夠捕捉到輸入數(shù)據(jù)的全局信息。然而此模型僅僅針對每個通道的特征圖進行全局信息的構(gòu)建，并且將結(jié)果與原始數(shù)據(jù)進行簡單相加。它忽略了每個通道相同位置之間的相互關系。這些位置是因為不同的卷積核得到的不同結(jié)果，不同的卷積核將原始特征圖的相同位置映射到不同的通道中，因此每個通道對應位置的相互關系可以通過建立通道之間的全局信息來捕獲。本文在GC 模型的基礎上，借鑒雙注意力機制的思想，用Sigmoid 函數(shù)處理輸出結(jié)果，將其映射到0 和1 之間，對應的數(shù)值不僅蘊含著通道和對應位置的全局信息，而且能夠表示不同通道和位置的重要程度。本文將該模塊的輸出與原始數(shù)據(jù)對應相乘，使得數(shù)據(jù)完成全局信息的構(gòu)建以及各部分重要性的重新分配。改進后的全局信息分析模塊如圖5所示。

圖5 改進的全局信息分析模型Fig.5 The improved global context model

其中，點積運算⊙表示矩陣對應元素相乘，x=是模型輸入數(shù)據(jù)，是模型輸出數(shù)據(jù)，LN表示LayerNorm層，Wk、Wq、Wv11、Wv12、Wv21、Wv22表示對應的Conv(1 × 1)的參數(shù)。

本節(jié)針對希爾伯特譜的稀疏性和實際噪聲的干擾提出了改進的GC 模塊來深入提取希爾伯特譜中的細微特征。該模塊簡單易懂，可以插入到任何普通的神經(jīng)網(wǎng)絡中。CNN 在處理圖像數(shù)據(jù)方面有明顯的優(yōu)勢，因此本文將上述模塊加入到CNN 網(wǎng)絡中。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)集建立

為了提高實驗結(jié)果的可信度與方便人們接下來的研究，本文使用ORACLE［19］數(shù)據(jù)集。該數(shù)據(jù)集記錄了大量位相似通信發(fā)射器的IQ數(shù)據(jù)樣本，即相同的硬件、協(xié)議、物理地址和介質(zhì)訪問控制地址。在ORACLE 中，使用相同型號的USRP 作為發(fā)射器，并且使用同一個接收機對信號進行接收操作。本文IQ信號轉(zhuǎn)換為時域包絡信號：

其中，yI(t)和yQ(t)分別代表接收的I 路信號和Q 路信號，Y(t)代表時域包絡信號。本實驗使用固定的USRP B210 作為接收機，使用多臺同型號USRP X310 作為發(fā)射器。首先發(fā)射端收到由MATLAB WLAN 系統(tǒng)工具箱生成的符合IEEE 802.11a的標準幀，然后將這些幀通過無線信道傳送到接收端，其載頻為2.45 GHz，最后接收機采用5 MS/s 的采樣率對信號進行采樣。該實驗為每個USRP 發(fā)射器收集了2000 萬個IQ 點，發(fā)射器與接收器之間的距離從2 英尺增加到62 英尺，間隔為6 英尺。本文選擇距離為62 英尺的7 分類數(shù)據(jù)集進行實驗，該實驗以300 個IQ 點為樣本，每個發(fā)射器有1000 個樣本，最終每個樣本經(jīng)過預處理操作轉(zhuǎn)換為300×300的希爾伯特譜，數(shù)據(jù)集按照6∶2∶2的比例分為訓練集、驗證集和測試集，樣本大小的選擇見3.3節(jié)。

3.2 算法復雜度分析

本文對數(shù)據(jù)預處理過程和網(wǎng)絡離線訓練過程的復雜度進行了重點比較分析。在數(shù)據(jù)預處理階段，重點是模態(tài)分解方法的復雜度，本文算法使用VMD 對信號進行分解，其使用變分方法對模態(tài)進行迭代計算，為了比較EMD 和VMD 的計算復雜度，在同一臺計算機上并且數(shù)據(jù)相同的情況下，本文對EMD-EM2［13］算法和VMD-EM2［14］算法進行計算時間的分析。這些模擬是在配置MATLAB R2019、i7 處理器、2GB 隨機訪問存儲器（RAM，Random Access Memory）的計算機上進行的，其計算結(jié)果如表1 所示。在通信輻射源個數(shù)增加的情況下，VMD 算法的計算時間相較于EMD 算法有著較大的提升，所以VMD 方法大大降低了數(shù)據(jù)預處理部分的計算復雜度，優(yōu)化了算法的性能。在網(wǎng)絡模型離線訓練階段，卷積層是模型特征提取的關鍵部分，我們對卷積層的個數(shù)進行研究。在圖6 中，L1 代表卷積層，L2代表全局信息構(gòu)建模塊，L3代表全連接層。為了探究合適的網(wǎng)絡結(jié)構(gòu)，本文分別使用5 個模型進行實驗，模型的每秒浮點運算次數(shù)（FLOPS，floatingpoint operations per second）和準確率如表2 所示。由Model2 和Model3 的對比可知，全局信息構(gòu)建模塊應該設立在前端的卷積層之后比較合適，因為隨著卷積層數(shù)的增加，圖片的局部特征被充分提取，一定程度上破壞了原圖中的全局信息，使得全局特征的提取效果變差。由Model1、Model2、Model4 和Model5的對比可知，在2層卷積層之后，識別效果趨于穩(wěn)定，但是模型的FLOPS 顯著增加，綜合以上分析，本文實驗采用Model2的網(wǎng)絡結(jié)構(gòu)。

表2 各模型的參數(shù)量和準確率Tab.2 The number of parameters and accuracy of each model

圖6 網(wǎng)絡模型結(jié)構(gòu)的分析（L1代表卷積層，L2代表全局信息構(gòu)建模塊，L3代表全連接層）Fig.6 The analysis of the structure of the network model（L1 represents the convolutional layer，L2 represents the global context block，and L3 represents the fully connected layer）

表1 數(shù)據(jù)預處理的計算時間Tab.1 The computation time for data pre-processing

在神經(jīng)網(wǎng)絡模型中，神經(jīng)元的個數(shù)的選擇是一個重要的問題。在CNN 中除了卷積層的個數(shù)外，卷積層的通道數(shù)以及卷積核的大小的選取對神經(jīng)元的個數(shù)都有著重要的影響。由實驗可知，本文網(wǎng)絡選擇2 層卷積層進行特征提取。由于1 × 1 的卷積核無法捕捉到數(shù)據(jù)的局部相關信息，本文對卷積核大小選取3 × 3 和5 × 5，兩層卷積層通道數(shù)分別選取8、16、32、64 進行實驗，分別考慮不同神經(jīng)元個數(shù)所對應的網(wǎng)絡的識別率和計算復雜度，其結(jié)果如表3～表4 所示。我們可知選擇過多的神經(jīng)元時，訓練集中包含的有限的信息量不足以訓練隱藏層中的所有神經(jīng)元，因此產(chǎn)生過擬合的現(xiàn)象，并且隨著通道數(shù)目的增多，網(wǎng)絡中的FLOPS 和Params 都明顯增加，其對應的計算復雜度明顯增加。因此根據(jù)實驗結(jié)果，本文網(wǎng)絡采用卷積核大小為3 × 3，兩層卷積層分別采用16和32通道的結(jié)構(gòu)進行接下來的實驗。

表3 卷積核大小為3 × 3時不同通道對應的網(wǎng)絡性能Tab.3 The performance for different channels with convolutional kernel size of 3×3

表4 卷積核大小為5 × 5時不同通道對應的網(wǎng)絡性能Tab.4 The performance for different channels with convolutional kernel size of 5×5

為了分析模型的復雜度，本文使用所提模型與常用的網(wǎng)絡模型CNN［10］以及Resnet［12］進行比較，使用模型的參數(shù)量（Params，parameters）以及FLOPS這兩個指標來衡量模型的計算復雜程度，其結(jié)果如表5 所示。該模型與CNN 相比，準確度得到了明顯的提升，并且在較低的復雜度的情況下，得到了比Resnet 模型更高的準確率，可見該模型在計算復雜度和準確率方面都有著較大的優(yōu)勢。

表5 常見網(wǎng)絡模型的性能比較Tab.5 The performance comparison of other network models

由本節(jié)分析，本文對I/Q 差分信號進行VMDHilbert 譜的預處理操作，使用Model2 作為特征提取網(wǎng)絡，這不僅使得本文算法擁有較低的計算復雜度，而且保證了良好的識別準確。

3.3 樣本大小選取

通過數(shù)據(jù)預處理階段，樣本被轉(zhuǎn)換成了希爾伯特譜，因此希爾伯特譜尺寸的選擇成為了主要問題。從理論上講，希爾伯特頻譜的尺寸越大，它所包含的指紋特征就越全面，因此，在一定程度上增加希爾伯特頻譜的大小是有益的。然而，網(wǎng)絡模型對于輸入為Nr·Nc的圖片來說，其計算復雜度約為Ο(Nr·Nc)，隨著輸入圖片尺寸的增加，網(wǎng)絡模型訓練的時間也會顯著增加。另一方面，當希爾伯特譜的尺寸增大時，其包含的噪聲等無用信息增多，它們會淹沒信號的指紋特征，增大網(wǎng)絡的識別難度。為了選擇出合適的樣本大小，本節(jié)選用ORACLE 中7 個同型號USRP 的IQ 信號，對其在不同信噪比下的識別性能進行研究。實驗采取每個USRP 1000個樣本，每個樣本大小分別取200×200、300×300、400×400、500×500、600×600 和700×700，考慮到網(wǎng)絡模型訓練過程中存在著隨機性，本文選用了10次實驗的平均結(jié)果，其100個epoch的識別效果如圖7。

圖7 不同尺寸希爾伯特譜的準確率Fig.7 The accuracy of different sizes of the Hilbert spectrum

從圖中可知，當樣本尺寸大于300×300時，其在不同信噪比下的準確率達到98.3%左右，已經(jīng)能夠滿足識別任務的需要。但是，當樣本尺寸大于600×600 后，其識別率明顯下降，因為當樣本尺寸過大時，其中包含大量的信號的數(shù)據(jù)信息和信道噪聲，分布范圍廣、能量強，會改變希爾伯特譜的能量分布，淹沒信號本身微弱的指紋特征。因此，考慮到識別率和計算復雜度，本文使用樣本大小為300×300的希爾伯特譜進行實驗。

3.4 算法性能分析

為了驗證本文改進算法的有效性，本節(jié)進行兩組消融實驗。實驗1：檢驗差分信號的有效性。該實驗變量為原始信號Y(t)和差分信號D(t)，保持樣本大小、超參數(shù)和模型結(jié)構(gòu)不變。實驗2：檢驗改善網(wǎng)絡結(jié)構(gòu)的有效性。該實驗的變量為CNN 和所提網(wǎng)絡模型（GCCNN，global context convolutional neural network），保持信號預處理階段和樣本大小不變?？紤]到網(wǎng)絡模型訓練中的隨機性，本文選擇了10個實驗的平均結(jié)果，消融實驗的結(jié)果如表6所示。

表6 原信號與差分信號之間的消融實驗Tab.6 The ablation experiments between Y(t)and D(t)

Y(t)-CNN和D(t)-CNN 的結(jié)果表明，后者的準確率有明顯的提升，因此，由差分信號得到的希爾伯特譜能夠有效地反映低頻成分的特征隨時間的變化，有利于模型進一步提取指紋特征。D(t)-CNN和D(t)-GCCNN 的結(jié)果表明，后者的準確率得到了一定程度的提高。因此，本文所提出的網(wǎng)絡模型能夠彌補希爾伯特譜的稀疏性帶來的權(quán)限，有效地提取到數(shù)據(jù)中的全局相關特征，提高了網(wǎng)絡的識別性能。綜上所述，本文算法提升了原始基于希爾伯特譜的輻射源個體識別的性能。

3.5 噪聲魯棒性分析

為了探究本文算法的優(yōu)越性，本節(jié)針對基于希爾伯特譜的輻射源個體識別現(xiàn)有算法進行一系列的比較實驗：（1）EMD-EM2［8］，（2）VMD-EM2［9］，（3）EMD-Resnet［12］，（4）Bispectrum-CNN［10］。為了保證實驗的公平性，所有的比較實驗都使用相同的數(shù)據(jù)并在相同的條件下進行。實際情況下，在有線信道中，如光纖和同軸電纜，噪聲類型主要是加性的高斯白噪聲。在無線信道中，電磁波通過多徑傳播即多次反射和折射到達接收器，此時信號的強度服從瑞利分布。在本文中，原始信號是在一個簡單的實驗環(huán)境中獲得原始信號。為了探索所提出的方法是否能適應復雜的電磁環(huán)境。本文對高斯信道和瑞利衰落信道進行建模，分析本文算法在不同信噪比下的識別性能，結(jié)果如圖8～圖9所示。

圖8 各算法在高斯信道下的識別率Fig.8 Recognition rate of algorithms under Gaussian channel

圖9 各算法在瑞利衰落信道下的識別率Fig.9 Recognition rate of algorithms under Rayleigh channel

總的來說，基于深度學習的方法的準確率要高于傳統(tǒng)方法的準確率，特別是在低信噪比情況下，基于深度學習的方法表現(xiàn)出良好的性能優(yōu)勢。在高斯信道中，本文算法和EMD-Resnet方法都比其他方法有更好的準確率，但是Resnet 模型使用多個卷積層和殘差對數(shù)據(jù)進行特征分析，這增加了模型的復雜程度并且產(chǎn)生大量參數(shù)。在低信噪比情況下，EMD-Resnet 方法的性能下降明顯，這是因為使用EMD 產(chǎn)生的希爾伯特譜存在模態(tài)混疊，不能很好地將信號不同頻率成分分開，并且多層的特征提取使得網(wǎng)絡過于關注數(shù)據(jù)局部的特征，破壞了數(shù)據(jù)本身全局信息的分布。而本文算法利用VMD 分解差分信號，更加有效地分解出信號低頻的指紋特征，接著，根據(jù)數(shù)據(jù)的稀疏特點建立全局信息模塊，使用簡單的網(wǎng)絡模型完成對數(shù)據(jù)細微特征的提取，這樣不僅降低了模型的復雜度，而且保證了算法較高的準確率。在瑞利衰落信道中，識別率也會下降，因為衰落系數(shù)使信號的包絡隨機變化，從而淹沒了信號指紋特征之間的差異。然而，VMD 不僅可以分離信號的低頻和高頻成分，而且其分解過程使用了嵌入式維納濾波器，可以減少噪聲對信號的影響［15］，提出的網(wǎng)絡模型能夠有效分析信號的全局信息，并且在空間和通道注意力的同時作用下，能夠賦予那些無用的噪聲較低的權(quán)重，使得模型更加關注于有用特征的提取，因此，本文算法在VMD 階段和模型訓練階段都起到了良好的降噪作用。綜上本文算法在低信噪比下有著良好的識別效果，特別是在5 dB時能達到90%的識別率。

4 結(jié)論

本文結(jié)合信號處理和深度學習提出一種新的輻射源個體識別方法。利用7分類ORACLE 數(shù)據(jù)集進行實驗，確定了所提算法的網(wǎng)絡結(jié)構(gòu)和模型參數(shù)。通過對比實驗可以發(fā)現(xiàn)：與現(xiàn)有的基于希爾伯特譜特征提取的輻射源識別方法相比，本文算法不僅有著較低的計算復雜度，而且在低信噪比和瑞利衰落信道的情況下有著良好的識別效果。本文算法首次使用差分信號進行VMD-Hilbert得到希爾伯特譜，并且根據(jù)輸入數(shù)據(jù)的特點對網(wǎng)絡模型進行改進，這為接下來的研究提供了一個可行思路。當然該算法可以進行進一步改進，我們可以根據(jù)模型的識別效果探究信號的指紋究竟分布在哪些頻段，并通過給信號的不同頻段賦予不同的權(quán)重來進一步提升算法的性能。