一種信道自適應(yīng)的輻射源無監(jiān)督訓(xùn)練與識別方法

王 聰,但 波,張財生

(海軍航空大學(xué), 山東 煙臺 264001)

0 引言

特定輻射源識別技術(shù)是指通過接收信號的外部特征來區(qū)分輻射源個體的技術(shù)[1]。該特征是由于發(fā)射機組成器件的多種非理想特性混合在一起,導(dǎo)致同一型號的不同個體之間發(fā)射的信號存在細(xì)微的差異,具有一定的穩(wěn)定性和唯一性,又被稱為射頻指紋。在軍事領(lǐng)域,由于大量同型號的輻射源廣泛部署,通過特定輻射源識別技術(shù)來區(qū)分同樣型號、參數(shù)一致的軍用輻射源設(shè)備,具有重要的戰(zhàn)略和戰(zhàn)術(shù)意義[2-3]。傳統(tǒng)基于特征變換的輻射源個體識別技術(shù)[4-6]需要借助豐富的專家知識并且經(jīng)過復(fù)雜的處理步驟才能保證特征的有效性。隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展,憑借其強大的特征提取和分類能力,給特定輻射源識別技術(shù)提供了一個更高效且通用的處理框架和流程[7-9]。文獻[10]將采集到的IQ數(shù)據(jù)作為輸入,驗證了有監(jiān)督條件下,卷積神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)對5個軟件無線電設(shè)備的精確識別。

在電子偵察過程中,時常面臨的是復(fù)雜多變的信號環(huán)境,即輻射源目標(biāo)經(jīng)過各種外部因素影響導(dǎo)致到達接收機的信號不是恒定不變的,其中信道的影響最大[11-12]。具體而言,包括多徑、多普勒頻移、帶內(nèi)噪聲等,不同的信道會對輻射源信號造成“染色”。

為了克服信道帶來的不利影響,文獻[13]通過實驗說明了在低信噪比條件下通過增加網(wǎng)絡(luò)規(guī)模進行有監(jiān)督訓(xùn)練可以提高識別精度。但是網(wǎng)絡(luò)規(guī)模的增加必然帶來較大的計算量并且需要重新訓(xùn)練模型。并且在實際應(yīng)用中,實時采集到的大量無標(biāo)簽的數(shù)據(jù)難以被利用進行有監(jiān)督的訓(xùn)練。文獻[14]提出了合作通信基礎(chǔ)上的信道校正的方法來補償信道帶來的影響,但是在實際電子偵察過程中主要面臨的是非合作通信場景。

本文中基于深度學(xué)習(xí)的輻射源識別方法在信道變化時識別性能下降的問題,提出了信道自適應(yīng)的特定輻射源無監(jiān)督訓(xùn)練和識別方法,提高了識別系統(tǒng)的魯棒性和可靠性,以適應(yīng)實際應(yīng)用中不可預(yù)測的戰(zhàn)場情況。

1 問題描述

1.1 信號建模

根據(jù)已有的研究,通常認(rèn)為輻射源的指紋特性源于發(fā)射機各器件的“非理想”特性,這會給信號帶來各種“無意調(diào)制”,而這些“無意調(diào)制”是客觀存在且相對穩(wěn)定的,并具有一定程度的唯一性和可分辨性,因此也被認(rèn)為是輻射源指紋。理想通信信號的模型可表示為:

s(t)=(ao(t)+au(t))cos[2π(fo(t)+

fu(t))t+(φo(t)+φu(t))]

(1)

式中:ao(t)、fo(t)、φo(t)分別表示理想信號的幅度、頻率、相位;au(t)、fu(t)、φu(t)分別表示幅度的無意調(diào)制、頻率的無意調(diào)制、相位的無意調(diào)制。

1.2 不同信道下的信號建模

在實際環(huán)境中,經(jīng)過對不同信道條件下的實測信號進行分析,由于多徑、多普勒頻移、帶內(nèi)噪聲的因素,會給接收到的信號附加一些非指紋的信道特征。對于同一個輻射源發(fā)出的信號,在2個不同場景下接收到的相同信號分別可以表示為:

(2)

式中:h(t)為信道的沖擊響應(yīng);?為卷積操作;ξ(t)為信道噪聲。我們的目的就是在接收到的信號中突出個體指紋特征,而且盡量少的受到信道等因素的影響。

2 信道自適應(yīng)的輻射源識別模型

通常在有限數(shù)據(jù)集上訓(xùn)練的深度學(xué)習(xí)模型泛化性比較差,這是因為基于深度學(xué)習(xí)的分類方法通常假設(shè)所有的數(shù)據(jù)都服從相同的分布。但在實際中,這種假設(shè)過于嚴(yán)格,用于訓(xùn)練的數(shù)據(jù)和測試數(shù)據(jù)由于環(huán)境的影響會存在一定的差異。這種差異會使得基于深度學(xué)習(xí)的識別方法在實際應(yīng)用無法適應(yīng)新數(shù)據(jù)。

我們借鑒了文獻[17]中的所提出的域?qū)咕W(wǎng)絡(luò)的方法設(shè)計了一個適用于輻射源個體識別的訓(xùn)練和識別模型。通過在訓(xùn)練中對得到的特征加以約束,提升模型在目標(biāo)域數(shù)據(jù)集上的適應(yīng)能力。如圖1所示,本模型主要包括特征提取模塊、分類模塊和信道判別模塊。下面逐一進行詳細(xì)介紹。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.1 The network architecture

2.1 特征提取模塊

特征提取模塊主要功能是對輸入數(shù)據(jù)進行特征提取。改進于經(jīng)典ResNet18結(jié)構(gòu)[18]的殘差網(wǎng)絡(luò)部分,共由4個部分組成。模塊的第一部分由卷積層、批歸一化層和Leaky Relu激活層組成。后續(xù)第二至第四部分是3個相同的殘差塊。每個殘差塊包括2個計算單元,每個計算單元都是由卷積層、批歸一化層、Leaky Relu激活層組成。第1個計算單元的輸入和第2個計算單元的輸出之和經(jīng)過Leaky Relu激活之后作為這一部分的總輸出。

本模塊中的改進主要體現(xiàn)在3個部分:一是將二維卷積濾波器改為適應(yīng)通信信號的一維卷積濾波器;二是設(shè)置合適的濾波器個數(shù)和卷積核大小,提高訓(xùn)練和識別的運算速度;三是采用Leaky Relu激活函數(shù),相比于原Relu激活函數(shù)可以使網(wǎng)絡(luò)學(xué)習(xí)到值為負(fù)數(shù)的信號部分。

2.2 分類模塊

分類模塊主要功能是對特征提取模塊得到的高維特征向量進行分類判別,由兩層全連接層和Leaky Relu激活函數(shù)組成。

訓(xùn)練中優(yōu)化器選擇為隨機梯度下降法,損失函數(shù)為負(fù)對數(shù)似然損失,學(xué)習(xí)率函數(shù)為指數(shù)衰減函數(shù)。訓(xùn)練的損失函數(shù)可以寫為:

(3)

式中:Xs和Ys表示原始信號數(shù)據(jù)集的數(shù)據(jù)和標(biāo)簽;F代表特征提取模塊;C代表分類模塊。

2.3 信道判別模塊

信道判別模塊由一層梯度反轉(zhuǎn)層,兩層全連接層、激活函數(shù)組成。若要在目標(biāo)數(shù)據(jù)集實現(xiàn)較好的分類結(jié)果,必須讓特征提取器和判別器不能正確區(qū)分目標(biāo)信號數(shù)據(jù)集和原始信號數(shù)據(jù)集。因此,信道判別模塊的主要任務(wù)是在訓(xùn)練過程中不斷優(yōu)化特征提取器,實現(xiàn)信道判別誤差的最大化,從而使得輸出的高維特征向量不能被信道判別模塊正確判別。

此模塊的輸入為原始信號數(shù)據(jù)xi和目標(biāo)信號數(shù)據(jù)zj經(jīng)過特征提取模塊后的特征向量,分別表示為Xi和Zj:

Xi=F(xi),xi∈Xs

(4)

Zj=F(zj),zj∈Xt

(5)

損失函數(shù)可以寫為:

(6)

在特征提取器F進行優(yōu)化更新過程中,由于lossdis和lossclass的梯度方向是相反的,為了避免分階段訓(xùn)練,在此模塊中加入了梯度反轉(zhuǎn)層,使得前向傳播的過程中實現(xiàn)恒等變換,反向傳播的過程中梯度方向自動取反。如下式:

(7)

其中,Rλ為梯度反轉(zhuǎn)層;Xi為輸入的特征向量;λ為動態(tài)參數(shù),隨著迭代次數(shù)而變化。

2.4 算法流程

本文中算法按照以下步驟進行:

1) 特征提取模塊和分類模塊隨機初始化后在原始信號數(shù)據(jù)集上進行訓(xùn)練,收斂后保存模型參數(shù)。

2) 加載有監(jiān)督訓(xùn)練保存的特征提取模塊和分類模塊的網(wǎng)絡(luò)參數(shù),從原始信號數(shù)據(jù)集中隨機選出一批數(shù)據(jù)送入特征提取模塊,得到特征向量Xi,接著送入分類模塊,同已知的分類標(biāo)簽得到分類損失lossclass。

3) 從目標(biāo)信號數(shù)據(jù)集中隨機選出一批數(shù)據(jù)送入特征提取模塊得到特征向量Zj,將Xi和Zj送入信道判別模塊,得到判別損失lossdis。

4) 統(tǒng)計2)和3)模塊中總的損失,通過梯度反向傳播,實現(xiàn)各網(wǎng)絡(luò)模塊的參數(shù)更新。多次重復(fù)第2)至第4)步至收斂后,保存各模塊網(wǎng)絡(luò)參數(shù)。

5) 最后是模型推理,加載無監(jiān)督訓(xùn)練后保存的特征提取模塊和分類模塊的網(wǎng)絡(luò)參數(shù)。將測試集數(shù)據(jù)送入特征提取模塊和分類模塊,選取置信度最高的類別作為每一個數(shù)據(jù)的推理結(jié)果。

3 實驗設(shè)置

3.1 數(shù)據(jù)集生成

為了驗證本文中所提方法的有效性,使得實驗更符合實際的應(yīng)用場景,同時保證實驗的可擴展性。本文中實驗采用5個軟件無線電設(shè)備,型號為USRP B210。每個設(shè)備包含2個發(fā)射通道,所以一共可以構(gòu)造10個帶有輻射源指紋特征的數(shù)據(jù)集。這樣做的優(yōu)勢是模擬實戰(zhàn)場景構(gòu)建參數(shù)可控的標(biāo)準(zhǔn)數(shù)據(jù)集,以便更靈活和全面的評估本方案的性能。出于研究的目的,采用仿真信道的方式也是為了更容易控制變量,同樣也包含了輻射源的指紋信息。

首先用一個采集設(shè)備通過同一個同軸電纜采集了10類輻射源發(fā)出的連續(xù)數(shù)據(jù),實驗場景如圖2所示。因為通過同軸電纜連接輻射源和采集設(shè)備,可以認(rèn)為采集到的數(shù)據(jù)不受自由空間傳輸過程中信道影響。每一類共采集3×108個樣點作為原始信號數(shù)據(jù)集,信號參數(shù)和采集參數(shù)如表1所示。

表1 信號參數(shù)Table 1 The parameter of the signal

圖2 數(shù)據(jù)采集場景示意圖Fig.2 Setup of the data collection

將原始信號數(shù)據(jù)集和對應(yīng)標(biāo)簽劃分成訓(xùn)練集、驗證集和測試集,分別為總數(shù)據(jù)量的70%、20%、10%。訓(xùn)練集用于網(wǎng)絡(luò)模塊調(diào)優(yōu),驗證集用于評估網(wǎng)絡(luò)模塊訓(xùn)練過程的進展,測試集用于客觀的測試網(wǎng)絡(luò)模塊的識別性能。

目標(biāo)信號數(shù)據(jù)集是通過原始信號數(shù)據(jù)集仿真疊加仿真信道影響后得到,仿真的瑞麗信道環(huán)境同時包括了多徑效應(yīng)、多普勒效應(yīng)、頻率抖動以及高斯噪聲的影響。每一類輻射源數(shù)據(jù)分別通過此信道后保存為目標(biāo)信號數(shù)據(jù)集。信道響應(yīng)通過Matlab軟件的comm.RayleighChannel函數(shù)來隨機產(chǎn)生,然后疊加到每一個數(shù)據(jù)上。

3.2 數(shù)據(jù)預(yù)處理

通信信號采集到的通常為一維連續(xù)數(shù)據(jù)。如圖3所示,每類輻射源收集到的連續(xù)信號采樣點為L=3×108。在后續(xù)訓(xùn)練過程中,每一次優(yōu)化都在所有輻射源類別中隨機選擇固定長度為k=4 096,m=128個數(shù)據(jù)組成維度為128×4 096的數(shù)據(jù)集,同時得到維度為128×1的對應(yīng)標(biāo)簽。這種隨機起始點的方式可以避免數(shù)據(jù)中所含信息的影響,使得訓(xùn)練的模型更加穩(wěn)健。

圖3 隨機選取數(shù)據(jù)示意圖Fig.3 The random sampling process

然后對數(shù)據(jù)集中每個數(shù)據(jù)x按照下式分別進行標(biāo)準(zhǔn)化:

(8)

(9)

標(biāo)準(zhǔn)化操作可以提升模型訓(xùn)練過程中的速度,使模型盡快收斂。

3.3 實驗環(huán)境和訓(xùn)練參數(shù)設(shè)置

1) 本文中實驗使用的深度學(xué)習(xí)環(huán)境版本分別為Python 3.8,Pytorch 1.6.0,cuda10.2.89,顯卡型號為 NVIDIA Tesla V100。

2) 在網(wǎng)絡(luò)訓(xùn)練過程中,式(7)中的λ取值如下所示:

(10)

式中: epoch為網(wǎng)絡(luò)優(yōu)化過程中的迭代次數(shù);batchsize設(shè)置為128;最大epoch設(shè)置為200;分類模塊和信道判別模塊的優(yōu)化器均為Adam優(yōu)化器;初始學(xué)習(xí)率為10-4;更新函數(shù)為每10個epoch變?yōu)樯弦粋€值的0.8倍。

4 實驗及結(jié)果分析

本文中基于原始信號數(shù)據(jù)集和目標(biāo)信號數(shù)據(jù)集設(shè)計3個實驗。第1個實驗是有監(jiān)督訓(xùn)練實驗,將特征提取模塊和分類模塊在原始信號數(shù)據(jù)集上進行訓(xùn)練,并評估模型的識別性能;第2個實驗是將目標(biāo)信號數(shù)據(jù)集送入已訓(xùn)練好的特征提取模塊和分類模塊,驗證網(wǎng)絡(luò)在模型失配下的識別性能;第3個實驗是測試通過本文中所提方法進行訓(xùn)練后,模型對于目標(biāo)信號數(shù)據(jù)集數(shù)性能的提升情況。

在本文中,衡量模型的性能主要有以下2個指標(biāo):一個是混淆矩陣,混淆矩陣是一個誤差矩陣,常用來可視化地評估監(jiān)督學(xué)習(xí)算法的性能;二是為了更直觀的展示特征分布,我們采用了t-SNE(t-distributed stochastic neighbor embedding,t-SNE)[19]降維算法來可視化所有類別在二維空間的特征分布情況。T-SNE是一種非線性降維算法,通過仿射變換將數(shù)據(jù)點映射到概率分布上,可以將深度學(xué)習(xí)所提取的高維特征降維到二維或者三維。在實驗中,通過將數(shù)據(jù)輸入訓(xùn)練好的特征提取模塊和分類模塊,然后提取出分類識別模塊最后一層全連接的輸出向量進行t-SNE降維。

4.1 原始信號數(shù)據(jù)集的分類性能

按照2.4節(jié)的算法流程,首先在原始信號數(shù)據(jù)集上展開訓(xùn)練。模型收斂后將測試數(shù)據(jù)輸入訓(xùn)練好的特征提取模塊和分類模塊,統(tǒng)計后得到的混淆矩陣的結(jié)果如圖4所示。識別率接近100%。然后提取出分類識別模塊最后一層全連接的輸出向量進行t-SNE降維,結(jié)果如圖5所示?？梢钥闯?0類目標(biāo)的聚集性較好,類別之間的差異可以通過神經(jīng)網(wǎng)絡(luò)進行區(qū)分。

圖4 原始信號數(shù)據(jù)集的混淆矩陣Fig.4 The confusion matrix of original data

圖5 原始信號數(shù)據(jù)集的特征分布圖Fig.5 The feature map of original data

4.2 模型失配下的分類性能

本實驗是測試目標(biāo)信號數(shù)據(jù)集在未進行所提方法的訓(xùn)練之前的識別率。首先加載訓(xùn)練好的特征提取模塊和分類模塊的網(wǎng)絡(luò)參數(shù),然后將目標(biāo)信號數(shù)據(jù)集中的數(shù)據(jù)分批次送入模塊,經(jīng)過統(tǒng)計得到混淆矩陣如圖6所示。整體準(zhǔn)確率為52.5%。訓(xùn)練出的網(wǎng)絡(luò)模型比原始目標(biāo)數(shù)據(jù)集上的識別率下降了47.5%。通過提取出分類識別模塊最后一層全連接的輸出向量進行t-SNE降維,結(jié)果如圖7所示,可以看出特征混淆比較嚴(yán)重。說明在目標(biāo)信號數(shù)據(jù)集中,變化的信道極大的影響了網(wǎng)絡(luò)模塊的特征提取和分類的準(zhǔn)確性。

圖6 目標(biāo)信號數(shù)據(jù)集的混淆矩陣Fig.6 The confusion matrix of target data

圖7 目標(biāo)信號數(shù)據(jù)集的特征分布圖Fig.7 The feature map of target data

4.3 本文中方法在目標(biāo)信號數(shù)據(jù)集的分類性能

執(zhí)行2.4節(jié)的算法第2～5步,利用無標(biāo)簽的目標(biāo)數(shù)據(jù)集和已經(jīng)訓(xùn)練好的模型參數(shù)進行無監(jiān)督訓(xùn)練。結(jié)果的混淆矩陣如圖8所示,準(zhǔn)確率提升到77.6%。相比于未訓(xùn)練之前的識別率提升了47.8%。t-SNE降維結(jié)果如圖9所示,10類目標(biāo)又具有了相對較好區(qū)分性,驗證了所提方法的有效性和可行性。可以看出經(jīng)過無監(jiān)督訓(xùn)練,特征提取模塊和分類模塊已經(jīng)可以適應(yīng)信道的變化提取到較穩(wěn)定的特征,得到較高的識別率。

圖8 無監(jiān)督訓(xùn)練后目標(biāo)信號數(shù)據(jù)集的混淆矩陣Fig.8 The confusion matrix of target data after training

圖9 無監(jiān)督訓(xùn)練后目標(biāo)信號數(shù)據(jù)集的特征分布圖Fig.9 The feature map of target data after training

5 結(jié)論

在利用深度學(xué)習(xí)算法實現(xiàn)輻射源個體識別時,針對用于訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)集與待測無標(biāo)簽數(shù)據(jù)集分布不一致,從而導(dǎo)致識別率嚴(yán)重降低的問題,本文中提出了一種基于信道自適應(yīng)的無監(jiān)督訓(xùn)練與識別方法。該方法通過在模型訓(xùn)練中對特征層進行約束,使得模型可以魯棒性的提取個體特征,降低信道等環(huán)境參數(shù)對模型性能的影響。通過實采數(shù)據(jù)集和仿真實驗,在識別率嚴(yán)重降低的情況下,本文中所提的方法帶來了47.8%的性能提升。對于推動基于深度學(xué)習(xí)的輻射源識別算法在實際中的應(yīng)用具有較高的參考價值。

雖然本文中所提的方法可以帶來較大的性能提升,但是相比于有監(jiān)督訓(xùn)練的識別率還有較大的差距。未來需要進一步研究提升無監(jiān)督訓(xùn)練識別率的方法。同時未來需要針對不同類型的信號樣式、更復(fù)雜的信道環(huán)境、變化的接受設(shè)備等開展研究,真正解決深度學(xué)習(xí)方法在射頻指紋識別領(lǐng)域的應(yīng)用問題。