基于持續(xù)學(xué)習(xí)和聯(lián)合特征提取的特定輻射源識別

張立民 譚凱文 閆文君 張婷婷 湯 淼

(海軍航空大學(xué)信息融合研究所 煙臺 264001)

1 引言

特定輻射源識別(Specific Emitter Identification, SEI)是指利用硬件設(shè)備物理層的固有缺陷對單個發(fā)射機進行識別的技術(shù)[1]，廣泛應(yīng)用于頻譜管控[2]、認知無線電[3]和自組織網(wǎng)絡(luò)[4]等領(lǐng)域。在真實信道中，截獲信號附加的非線性失真往往不可復(fù)制，因此采用射頻指紋(Radio Frequency Fingerprint, RFF)特性確定設(shè)備標(biāo)簽的方案是可行的?；赗FF提取的有監(jiān)督SEI往往分為兩個階段：第1階段為基于暫態(tài)信號[5,6]或穩(wěn)態(tài)信號的特征提取，第2階段為構(gòu)建分類器對前段特征進行訓(xùn)練和判別。暫態(tài)信號主要在設(shè)備狀態(tài)突變的瞬間產(chǎn)生，特征區(qū)分明顯。Ureten等人[7]提出貝葉斯瞬態(tài)檢測器(Bayesian Transient Detector, BTD)，對接收信號的功率增加點進行估計，實現(xiàn)對多個Wi-Fi信號源的匹配；Guo等人[8]利用分形維數(shù)(Fractal Dimension, FD)、熵和峰度等特征組合對瞬態(tài)信號進行描述。

但暫態(tài)信號持續(xù)時間較短，截獲難度大，因此瞬態(tài)檢測在實際應(yīng)用中面臨各種挑戰(zhàn)。基于穩(wěn)態(tài)信號的SEI技術(shù)已經(jīng)在各種無線通信場景中得到應(yīng)用[9,10]。Hilbert變換已經(jīng)被證明是一類有效的非線性、非平穩(wěn)信號分析方法[11-13]：Yuan等人[11]提取Hilbert-Huang變換后的時頻能量分布，采用支持向量機(Support Vector Machines, SVM)完成分類；Zhang等人[12]提出基于能量熵(Energy Entropy,EE)和Hilbert譜分析的SEI算法，并利用相關(guān)系數(shù)和Fisher判別系數(shù)對類Hilbert譜進行分離，驗證了其在單跳和中繼場景下的識別性能； Pan等人[14]將Hilbert 2維光譜作為信號表征，送入深度殘差網(wǎng)絡(luò)(Deep Residual Network, DRN)提取視覺特征，在利用泰勒級數(shù)描述功放失真的仿真數(shù)據(jù)集上效果良好；文獻[13]對接收信號進行變分模態(tài)分解(Variational Mode Decomposition, VMD)得到不同的光譜特征，有效解決模態(tài)混疊問題；在文獻[15]中，VMD被用于將藍牙信號分解為帶限模態(tài)分量，得到的模態(tài)分量經(jīng)過重構(gòu)后送入線性SVM進行分類。此外，Sa等人[16]將功率譜密度(Power Spectral Density, PSD)和相鄰功率比(Adjacent Channel Power Ratio, ACPR)作為RFF并利用主成分分析(Principal Component Analysis, PCA)對其進行降維；Sun等人[17]從前導(dǎo)信號中提取基于多維近似熵(Multi-dimension Approximate Entropy, MAE)的非線性動態(tài)特征，降低調(diào)制信息對于分類的影響；秦鑫等人[18]從觀測信號中提取無意調(diào)相特征(Unintentional Phase Modulation On Pulse, UPMOP)，利用貝塞爾曲線擬合后送入長短期神經(jīng)網(wǎng)絡(luò)(Long-Short Term Memory, LSTM)進行識別；Wang等人[19]提出了一種包含統(tǒng)計特征、載波頻率和小波包變換的指紋特征提取方法，并設(shè)計基于網(wǎng)格搜索的SVM用于分類；韓潔等人[20]利用分形理論提取差分盒維數(shù)和多重分形維數(shù)，構(gòu)建基于3D-Hibert 能量譜的特征向量進行識別；Qian等人[21]提出了一種基于多層次稀疏表示(Multi-Level Sparse Representation, MLSR)的SEI方法，從信號中提取深層和淺層特征，實現(xiàn)了對于船舶自動識別系統(tǒng)(Automatic Identification System, AIS)的識別；Ren等人[22]使用短時傅里葉變換(Short Time Fourier Transform, STFT)對信號進行特征預(yù)處理，利用稀疏自動編碼器對特征進行無監(jiān)督聚類，但其時頻分辨率的矛盾始終難以克服。

近年來，隨著4G和5G通信技術(shù)的發(fā)展，用戶訪問次數(shù)和接入基站數(shù)量迅速增加，通過無線信道傳輸?shù)臄?shù)據(jù)量級迅速增長，因此基于數(shù)據(jù)驅(qū)動建模的深度學(xué)習(xí)(Deep Learning, DL)方案廣泛應(yīng)用于SEI[23-26]。DL的優(yōu)勢在于能夠從大量數(shù)據(jù)中自動提取有用的信息表示，充分挖掘樣本分布的潛在規(guī)律。Wang等人[23]提出一種基于網(wǎng)絡(luò)壓縮的I/Q信號SEI算法，將稀疏正則化、量化掩模和近端梯度結(jié)構(gòu)嵌入到復(fù)值神經(jīng)網(wǎng)絡(luò)(Complex-Valued Neural Networks, CVNN)中，并利用知識蒸餾改善網(wǎng)絡(luò)性能；Yu等人[24]針對Zigbee設(shè)備設(shè)計了一種補償參數(shù)提取算法，根據(jù)信噪比自適應(yīng)選擇接收信號中的有效區(qū)域并輸入多采樣卷積神經(jīng)網(wǎng)絡(luò)(Multi-Sampling Convolutional Neural Network, MSCNN)進行識別；Wu等人[25]將LSTM嵌入循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)完成對于發(fā)射機的特性識別，在低信噪比下仍能保證良好的識別精度；文獻[26]利用神經(jīng)網(wǎng)絡(luò)融合經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)、固有時間尺度分解(Intrinsic Timescale Decomposition, ITD)和VMD的偏度和峰度值，利用多個接收機完成分集。但現(xiàn)有基于DL的SEI模型通常在樣本充足、標(biāo)簽完整的數(shù)據(jù)集上建立，而在實際的非合作通信場景當(dāng)中，樣本規(guī)模往往有限；而且數(shù)據(jù)庫處于動態(tài)更新當(dāng)中，但DL模型的訓(xùn)練大多是基于現(xiàn)有訓(xùn)練集的單次學(xué)習(xí)，其參數(shù)自更新能力較差?；诖耍疚奶岢鲆环N極限學(xué)習(xí)機和在線訓(xùn)練相結(jié)合的SEI算法，設(shè)計多個連續(xù)增量深度極限學(xué)習(xí)機(Continuous Incremental Deep Extreme Learning Machine,CIDELM)作為分類器，提取來自同段樣本的兩類RFF進行聯(lián)合判別，并利用投票算法融合分類結(jié)果。在RFF的選擇上，將接收信號經(jīng)過VMD后得到的Hilbert時頻能量譜進行投影降維，并轉(zhuǎn)化為灰度向量；利用高階譜分析提高原始樣本的可分離度，彌補單特征提取的不足。實驗結(jié)果表明，本文所提算法在少量樣本下的識別精度依然較高，能夠有效滿足數(shù)據(jù)庫動態(tài)更新要求，在基于通用軟件無線電外設(shè)(Universal Software Radio Peripheral, USRP)平臺采集的數(shù)據(jù)集中表現(xiàn)出良好的識別效果。

2 基于聯(lián)合特征提取的SEI框架

典型的SEI步驟是將預(yù)處理后的信號進行特征提取后送入分類器進行識別，圖1給出了基于聯(lián)合特征提取的SEI框架。本文將VMD處理后的Hilbert譜和降維后的高階譜作為組合特征，目的在于彌補單一RFF提取的不足。利用來自K個輻射源的連續(xù)數(shù)據(jù)流訓(xùn)練多個改進的深度極限學(xué)習(xí)機，并使用投票算法融合單個模型輸出，選取置信度最高的預(yù)測類作為最終的識別結(jié)果。

圖1 基于聯(lián)合特征提取的SEI框架

2.1 變分模態(tài)分解

變分模態(tài)分解[27]是利用本征模態(tài)函數(shù)分量對原始信號進行重構(gòu)，將原始信號分解為具有稀疏特性的固有模態(tài)函數(shù)(Intrinsic Mode Functions, IMF)，能夠有效抑制EMD產(chǎn)生的端點效應(yīng)和模態(tài)混淆現(xiàn)象。變分模態(tài)分解將原始信號分解為若干AM-FM信號

其中， R{·}表示實部。本文將經(jīng)過投影的VMDHilbert光譜圖轉(zhuǎn)化為灰度圖像，則光譜圖內(nèi)的第(i,j)個 時頻點的能量值H(i,j)可以轉(zhuǎn)化為相應(yīng)的灰度值G(i,j)

其中，?表示灰度圖的位數(shù)，·」表示向下取整。本文將基于灰度圖像的統(tǒng)計特性作為RFF，構(gòu)造灰度直方圖反映圖像中各灰度級像素點出現(xiàn)的頻率和灰度級關(guān)系，從而將VMD-Hilbert光譜中的時頻能量的分布情況映射到2維坐標(biāo)系內(nèi)。圖2為采集的USRP-2922信號VMD-Hilbert譜及其時頻域投影。

圖2 VMD處理后的3D-Hilbert譜及時頻域投影

2.2 高階譜向量

3 基于IDELM的樣本持續(xù)學(xué)習(xí)

3.1 極限學(xué)習(xí)機

極限學(xué)習(xí)機(Extreme Learning Machine,ELM)[28]通常只有一個隱含層，它隨機生成輸入權(quán)重和隱節(jié)點參數(shù)，而輸出權(quán)重則由解析計算廣義逆矩陣求出。ELM通過單步最小二乘誤差(Least Squares Error, LSE)確定最優(yōu)解，具有L個隱節(jié)點的ELM表示為

其中

3.2 基于連續(xù)增量DELM的特征分選

考慮在現(xiàn)實場景中，輻射源信號通常是連續(xù)的動態(tài)數(shù)據(jù)流，因此本文在深度極限學(xué)習(xí)機的基礎(chǔ)上引入持續(xù)學(xué)習(xí)機制，設(shè)計連續(xù)增量深度極限學(xué)習(xí)機(CIDELM)，按照樣本的輸入次序?qū)ELM的參數(shù)進行更新。CIDELM的訓(xùn)練分為兩個階段，一是隱含層的無監(jiān)督特征表示，二是輸出層的有監(jiān)督標(biāo)簽分類[29]。在第1階段中，將多個前饋隱含層串聯(lián)作為自編碼器對輸入樣本進行稀疏表示[29]，優(yōu)化隱含網(wǎng)絡(luò)的權(quán)重；第2階段利用單層ELM進行監(jiān)督回歸，輸出分類結(jié)果。CIDELM通過堆疊隱含層獲得深度結(jié)構(gòu)從而提高泛化能力，且連續(xù)增加的隱含層能夠產(chǎn)生函數(shù)序列，理論上能夠以任意精度逼近目標(biāo)函數(shù)。

圖3 DELM結(jié)構(gòu)

4 實驗結(jié)果與分析

4.1 實驗條件

本節(jié)在基于GNU Radio的USRP上進行信號的采集，通過改變收發(fā)距離、調(diào)制方式和載波頻率對算法的魯棒性進行驗證。信號在實驗室的真實信道中傳輸，樣式為I/Q雙路。6臺同一批次生產(chǎn)的USRP-2922作為發(fā)射機，1臺USRP-B210作為接收設(shè)備。信號調(diào)制方式選擇BPSK和BFSK，載波頻率設(shè)置為500 MHz和1 GHz，帶寬為100 kHz。每一調(diào)制方式、每一載頻下采樣點數(shù)為106, USRP-B210的降采樣率為1 MHz，采用k折驗證法將樣本隨機劃分為訓(xùn)練集和測試集，RFF提取的變換點數(shù)設(shè)置為1000。

4.2 單特征CIDELM參數(shù)尋優(yōu)

CIDELM的識別性能受初始權(quán)重、初始偏置、隱含層數(shù)及隱節(jié)點數(shù)量影響，而模型的初始權(quán)重和初始偏置通常隨機生成。首先采取參數(shù)尋優(yōu)策略對隱含層個數(shù)和隱節(jié)點數(shù)量進行調(diào)整，以獲得性能最佳的參數(shù)組合[30]。圖4給出了兩類超參數(shù)對于雙譜特征識別性能的影響，其中輸入和輸出隱含層節(jié)點個數(shù)設(shè)置為2000。

從圖4可知，在輻射源數(shù)量發(fā)生改變時，基于CIDELM的高階譜分析方法能夠通過對2維參數(shù)的匹配尋優(yōu)達到較高的準確率。K=3時最佳識別率達到97%，K=4時最佳識別率達到94%，K=5時最佳識別率達到91%，K=6時最佳識別率達到88%。當(dāng)CIDELM隱含層數(shù)為2～4時，隱節(jié)點個數(shù)為500和1000時表現(xiàn)出較高的識別準確率，這是因為該情況下的隱含層模型較為緊湊，對于輸入特征的層稀疏編碼效果更好，而隱含層和隱節(jié)點數(shù)量的增加會提高輸出矩陣不滿秩的概率，導(dǎo)致MP逆矩陣誤差的逐層積累。

圖4 高階譜分析-CIDELM識別性能

圖5給出了基于VMD譜灰度向量的識別結(jié)果，由圖可知，利用CIDELM識別VMD譜灰度向量的準確率能達到91%以上。通過設(shè)置合適隱節(jié)點和隱含權(quán)值的連接，CIDELM能夠?qū)⑿盘柕奶卣鞅硎居成涞礁呔S空間中，實現(xiàn)對于目標(biāo)函數(shù)的快速逼近。

圖5 VMD譜灰度向量-CIDELM識別性能

4.3 基于集成CIDELM的聯(lián)合特征判別

CIDELM隨機生成的初始參數(shù)往往會影響模型的可靠性，為此本文構(gòu)建集成CIDELM，將有限數(shù)量的同類網(wǎng)絡(luò)結(jié)構(gòu)的輸出結(jié)果進行組合[31]。通過同步訓(xùn)練的方式將來自同一信號樣本的兩類RFF分別送入CIDELM進行訓(xùn)練，并利用多數(shù)投票算法(Boyer-Moore Algorithm, BMA)對每個CIDELM的結(jié)果進行投票，判決結(jié)果為得票超過半數(shù)的輻射源類別。圖6給出了CIDELM對于不同參數(shù)組合的識別性能。隨著收發(fā)距離的增加，識別性能發(fā)生緩慢下降，這是由于真實信道中的信號傳輸存在衰減，發(fā)射增益較低，因此其傳輸受信道噪聲影響。

圖6 識別性能隨收發(fā)距離變化曲線

選取方法1[13]、方法2[14]和方法3[17]與本文方法進行對比。其中，方法1選擇HHT時間熵作為RFF，利用KNN進行分類；方法2選擇Hilbert譜作為RFF，利用DRN進行分類；方法3利用PCA算法對信號的MAE進行降維映射。對比結(jié)果如圖7所示，輻射源個數(shù)設(shè)置為6個。由此可知，基于聯(lián)合特征提取的CIDELM對于在真實場景下對于USRP具有更好的識別性能，平均識別準確率高出現(xiàn)有SEI方法2%～4%。

圖7 不同方法識別效果對比

4.4 算法計算復(fù)雜度分析

算法的計算量主要來自前端雙模RFF提取以及CIDELM迭代訓(xùn)練時產(chǎn)生的計算復(fù)雜度，選取平均迭代時間和識別時間對時間復(fù)雜度進行衡量。實驗計算機的操作系統(tǒng)CPU 為 Intel(R) core(TM)i7-9750H，運行內(nèi)存大小為 16 GB, GPU為NVIDIA GeForce RTX 3080，表1給出了算法的時間復(fù)雜度分析。

從表1中可以看出，本文所提基于在線增量學(xué)習(xí)的SEI方法具有較快的迭代速度和較短的識別時間。由于無需依賴梯度的反向傳播以更新全局參數(shù)，因此基于CIDELM的分類方法具有較高的實時性。

表1 算法時間復(fù)雜度分析

5 結(jié)論

針對樣本的動態(tài)更新導(dǎo)致模型訓(xùn)練代價較大的問題，本文提出一種基于雙特征分選和連續(xù)增量學(xué)習(xí)的SEI方法。從待識別信號中構(gòu)建VMD譜灰度直方向量和雙譜矩陣對角值作為RFF，采用CIDELM對樣本進行動態(tài)權(quán)值更新，實現(xiàn)對多批次樣本的監(jiān)督識別。實驗結(jié)果表明，本文所提算法能夠?qū)崿F(xiàn)對于6臺USRP的在線實時識別，識別準確率能夠滿足實際需求，且不受調(diào)制方式和載頻影響，魯棒性較強。