通信特定輻射源識別的多特征融合分類方法

何遵文，侯帥，張萬成，張焱

（北京理工大學信息與電子學院，北京 100081）

1 引言

特定輻射源識別（SEI,specific emitter identification）是將接收到的脈沖波形與唯一發射器進行關聯[1]。5G 使數據傳輸速率和可靠性得到了跳躍式的提升，促進了物聯網應用的普及和發展。6G 將進一步向萬物互聯的時代邁進，接入物聯網的無線設備呈爆炸式增長，設備的安全性值得關注。物聯網中未知的輻射源設備需要能被準確地識別身份，而電磁環境日益復雜，輻射源數目龐大，信號密度極高，這為SEI 技術帶來了更多的挑戰[2]。

用于個體識別的輻射源信號通常分為瞬態信號和穩態信號[3]。瞬態信號是發射體開關打開時或狀態改變時的信號，但是瞬態信號持續時間較短，在實際通信環境特別是非合作通信情況下截獲難度較大。相比之下，穩態信號更容易獲取，具備較強的操作性，基于穩態信號的SEI 技術在實際應用中具有更強的適用性[4]。

近年來，深度學習在SEI 領域有了廣泛的發展和應用[5]，深度神經網絡能夠通過具有非線性激活函數的多個隱含層來檢索抽象特征，有利于提取輻射源信號的深層次的細微特征[6]。因此，一些文獻使用基于深度神經網絡的端到端的SEI 方法，如文獻[7-8]將原始I/Q 信號直接送入神經網絡，完成端到端的SEI 任務，整體性強。但是這種方法過于依賴神經網絡的設計，并且對不同的原始數據類型都要設計不同的神經網絡，可擴展性不強。另外，常用的卷積神經網絡（CNN，convolutional neural network）更擅長識別二維圖像數據，直接處理I/Q數據效果會有一定的折扣。

因此，更有效和可靠的方案仍是將智能學習與信號處理技術相結合，將SEI 任務分為兩步，一是數據的預處理和特征提取，二是分類器設計和訓練。通過數據預處理和變換以提取穩態信號的細微特征，細微特征由器件內部的物理特性和器件之間的相互作用產生，整個過程被稱為信號的非有意調制。信號細微特征也被稱為射頻指紋，通常表現為不可避免的非平穩、非高斯、非線性[9]。現有的研究主要分為利用信號的時域特征和變換域特征的方法。例如針對信號的時域特征，文獻[10]將瞬時振幅和頻率直接定義為指紋特征，文獻[11]利用經驗模態分解（EMD,empirical mode decomposition）相關維數和小波熵提取信號的細微特征，文獻[12]基于盒維數和方差維數的分形特征進行識別，文獻[13]基于實際信號的固有非線性動力學特性將排列熵提取為信號的射頻指紋。但是，這些利用時域波形的非線性特征的方法容易受到噪聲的影響，識別準確率波動很大，并且計算量較大，具有一定的局限性。現在更主流的是基于變換域特征的方法，時頻分析能夠提供信號的時頻聯合域信息，反映不同信號之間更加細微的差別[14]。文獻[15]提取動態小波指紋特征以識別各個射頻發射器。文獻[16-17]使用短時傅里葉變換時頻圖表示特征，然而，這種方法本質上是線性的，對于非線性信號的分析效果并不好。希爾伯特?黃變換（HHT,Hilbert-Huang transform）是一種著名的處理非線性非平穩信號的方法[18]，因此，HHT 被廣泛用于SEI 中。文獻[19]將希爾伯特光譜轉換為灰度圖像表示特征；文獻[20]使用HHT，并研究了它們在單跳和中繼場景下的各種渠道方案。除此之外，基于高階譜方法也是研究的熱點，高階譜可以保持信號的幅值和相位信息，抑制噪聲對非高斯信號的負面影響。文獻[21-22]充分利用了雙譜的特點進行SEI 任務。

對于SEI 任務的第二步，即分類器的設計和訓練，可以使用傳統機器學習方法和深度學習方法。文獻[14]使用支持向量機（SVM,support vector machine）作為分類器，文獻[13,23-24]在每次實驗的分類過程中，采用K 近鄰判別分類器。深度神經網絡對二維圖像有很好的識別效果，因此一些文獻使用網絡學習能夠體現信號特征的二維圖像來完成SEI 任務，如文獻[19]構造了一個深層的殘差網絡，用于學習希爾伯特光譜圖像中反映的視覺差異以辨別設備；文獻[24]利用CNN，將I/Q 信號轉換成輪廓Stella圖像進行分類。

上述方法中，一方面，無論是使用基于時域特征還是變換域特征和高階譜的方法，其大多是使用單一信號處理方法提取其中的一種細微特征，而實際通信信號復雜多變，單一的信號特征并不足以全面準確地表示輻射源信號之間的細微差別，最終識別準確率受到限制，具有很大的局限性。另一方面，為了增強識別準確率，多數模型使用深度神經網絡作為強分類器；數據驅動的深度學習方法需要大量的數據，實際通信中受限于時間和人力成本，很難獲得充足的輻射源信號數據用于深度學習的訓練，如果數據量過少，較深層和復雜的神經網絡很容易發生過擬合，進而嚴重影響最終的識別效果。

基于以上討論，本文提出了一種新型的多特征融合分類方法用于通信輻射源識別。針對信號單一特征的局限性，設計了基于多通道變換投影的特征提取方法，對原始數據集進行小波、雙譜、HHT 等多種不同的信號變換，以實現原始信號不同維度細微特征的提取，豐富信號特征數據集的多樣性。將信號變換后的特征矩陣表示為三維張量，為了充分利用深度神經網絡對二維圖像特征提取的優勢，選取合適的視角得到二維投影。本文研究了基于多特征融合的雙階段識別分類方法，先利用不同的神經網絡對不同的圖像特征集分別進行學習和初始分類得到概率表示的特征向量，之后對初始分類的特征向量進行融合學習，得到最終的分類結果。

此外，針對深度學習數據量不足的問題，本文利用改進的輔助分類器（AC,auxiliary classifier）生成對抗網絡（GAN,generative adversarial network），對不同的圖像特征集進行學習并擴充增強數據集以滿足訓練需求。基于實測數據集對所提方法進行驗證，結果表明該方法相比其他方法具有更高的識別準確率，在低信噪比下仍有較好的表現。

2 基于多通道變換的特征提取與數據增強

SEI 問題本質上是一個信號分類問題，將接收機采集的無線通信信號輸入系統，最終得到這個信號的分類結果。所提出的SEI 多特征融合分類方法主要包括4 個部分：多特征提取、數據擴充和增強、初級分類、集成融合，整體流程如圖1 所示。

首先，對信號進行多特征提取得到多種不同的特征圖像，并在模型的訓練階段使用GAN 對圖像特征集進行擴充，進而訓練分類器。在識別階段，直接將特征圖像送入分類器，分類器設計包括初級分類器和次級分類器兩級結構，采用集成融合學習算法將多種初級分類器的識別結果進行再學習，通過次級分類器得到最終識別結果。

考慮系統內共有K個輻射源信號發射器，接收機接收來自K個發射機發出的理論上相同的信號。接收機接收到的通信輻射源信號可以表示為

算法1K個輻射源信號的特征提取與數據增強

特征提取

輸入對于每個類別的輻射源，輸入時域信號sk(t)的切片樣本，每1 000 個點作為一個信號樣本，每個類別的輻射源信號共n個樣本，共有K個輻射源

輸出對于每個類別的輻射源，輸出3 個二維特征圖像數據集，每個數據集有n張圖像，共有K個輻射源

1)一共n個樣本

2)對每個輸入樣本進行離散小波變換得到小波系數特征矩陣，并表示為三維圖像形式

3)取投影視角(90,0,0)得到二維小波特征圖像

4)進行雙譜變換得到雙譜系數特征矩陣，并表示為三維圖像形式

5)取投影視角(?45,0,0)得到二維雙譜特征圖像

6)進行希爾伯特?黃變換得到HHT 系數特征矩陣，并表示為三維圖像形式

7)取投影視角(90,0,0)得到二維HHT 特征圖像

8)重復步驟1)～步驟7)K次，每個類別的輻射源信號都得到3 個二維特征圖像數據集，每個數據集有n張圖像

數據增強

輸入每次輸入一個特征投影圖像數據集，包含Kn張圖像，共3 個特征投影圖像數據集（小波、雙譜、HHT）

輸出每次輸出一個增強的數據集，最終輸出3 個特征圖像數據集，每個數據集包含K(m+n)張圖像

1)對每個輸入的特征投影圖像數據集

2)將圖像輸入AC-GAN 訓練至收斂

3)得到m張模擬特征圖像作為補充數據集

4)擴充數據集與原始數據集共同構成增強數據集

5)得到3 個增強圖像數據集（小波、雙譜、HHT），每個數據集包含K(m+n)張圖像

2.1 基于多通道變換投影的特征提取

單一的信號特征很難準確表示輻射源信號之間的差別，而過多的特征融合可能會影響模型性能。因此選取小波變換、雙譜變換、HHT 這3 種有代表性并被證明有效的信號處理方法提取3 種不同的信號變換域特征，小波變換是時間（空間）頻率的局部化分析，更能關注信號的區域性信息[25]；雙譜變換可以更多地關注信號的相位信息，同時可以用來描述信號的不對稱程度和非線性程度[21]；HHT理論上最適合處理非線性非平穩信號，且更能關注一些突變信號的細微特征，提供有關信號的非線性和非平穩特性的大量信息[18]。以上3 種特征可以從不同維度利用各自的優勢，豐富信號特征數據集的多樣性。二維圖像更有利于深度學習和分類，因此，本文設計一種變換投影的方法對信號變換后的三維特征圖像選取合適的視角進行投影，進而將其表示為二維特征圖像。

2.1.1 基于小波的特征提取

小波變換（WT,wavelet transform）通過對時間（空間）頻率進行局部化分析[25]，能夠凸顯信號區域性的細微特征，在個體識別領域有著獨特的優勢。Morlet 小波為復值小波，在時域和頻域都有很好的聚集性，本文采集的實測數據均為復信號，因此選取Morlet 小波作為基小波函數用于時頻分析。

利用尺度參數scale 來衡量小波的頻率f，兩者之間的轉換關系為

其中，Fs為信號的采樣頻率，Fc為小波的中心頻率。為使小波尺度圖的頻率范圍為(0,Fs/2)，尺度范圍應為(2Fc,+∞)。實際中，尺度應為等差數列形式，即scale=2Fc,…,2Fctotalscale，其中totalscale是預先設定好對信號進行小波變換時所用尺度序列的長度。完成參數設定后，小波變換的過程可以表示為

其中，sk(t)為原始時間信號；為小波基函數，具有平移和伸縮特性；scale 為尺度參數，控制小波函數的伸縮；τ為平移參數，控制小波函數的平移。尺度對應于頻率，平移量τ對應于時間。用表示得到的頻率?時間?小波系數矩陣，三維圖像如圖2(a)所示。

2.1.2 基于雙譜的特征提取

雙譜的物理定義可以近似為信號偏態在頻域上的分解，用來描述信號的不對稱性和非線性程度，測量信號偏離高斯分布的程度。在實際通信過程中，輻射源個體的一些細微特征更多以非平穩、非線性、非高斯的形式附加在信號中，例如由于發射系統中使用的電路和設備的不同而產生的不同的發射端噪聲，可以作為區分輻射源信號的指紋特征。接收系統中大量散射體和熱噪聲形成的雜波呈高斯分布，通過雙譜變換，可以有效地抑制一定數量的高斯噪聲，使發射機噪聲充分反映在雙譜信息中。雙譜定義為

2.1.3 基于HHT 的特征提取

HHT 相比傅里葉變換和小波變換這類傳統方法，徹底擺脫了線性和平穩性束縛，更適用于分析非線性非平穩信號[20]。為了使瞬時頻率具有明顯的物理意義，HHT 首先需要進行經驗模態分解，也通常被稱為一個篩選過程，依據信號特點自適應地把任意一個復雜信號分解為一系列本征模態函數（IMF,intrinsic mode function）[18]。這個過程可以表示為

原始輸入信號sk(t)被表示成一系列IMF 分量ci(t)和一個殘余項rn(t)的組合。之后對每個IMF 分量進行希爾伯特變換來提供時頻分布

構造解析函數

其中，ai(t)、?i(t)和ωi(t)分別表示瞬時振幅、相位和頻率，計算式分別為

進而希爾伯特譜可以表示為

2.1.4 信號特征表示

圖2 信號變換生成的特征圖像

原始信號經過3 種變換得到了三維特征矩陣，為了更好地表示特征并利于后續進行深度學習，將三維特征矩陣取投影生成二維特征圖像。同一類別的不同輻射源信號樣本是基于同一信號的不同時間切片生成的，而不同時間切片的信號差異可能會影響同類信號樣本的相似度。因此對于小波和希爾伯特時頻特征矩陣，取投影視角(90,0,0)表示投影角度為90°將三維圖像投影在YZ平面上，淡化時間維度的影響，更加突出頻率和系數的關系，這樣更能保證同類信號樣本之間的相似度。對于雙譜三維特征矩陣，雙譜在2 個頻率主軸形成的平面上其第一、三象限包含的內容較多，根據雙譜的對稱性，投影視角(?45,0,0)包含三維雙譜圖像的輪廓、紋理特征最多，且完全對稱，是對2 個頻率主軸形成的平面上第一、三象限內容的完全體現，因此選用投影視角(?45,0,0)表征的雙譜特征最完備[27]。

最終得到3 種特征的二維投影圖像Iik，分別如圖2(b)、圖2(d)和圖2(f)所示。

2.2 基于AC-GAN 的數據增強擴充

后續用于識別的初級分類器使用深度殘差網絡，網絡層數和參數較多，因此在模型的訓練階段需要大量的數據提供給網絡學習，受限于信號接收采集的時間長度等因素，原始數據量難以滿足訓練需求。

因此，所提方法使用AC-GAN 來進行數據增強，通過這種方式能夠實現基于有限樣本的數據擴充，生成和實測數據具有相似分布與特征的大量訓練數據，從而為后級分類識別提供支撐。增強后的數據集可表示為Di′。傳統GAN 只能生成單一類別的圖像，AC-GAN 將類別標簽作為條件信息和噪聲一起放入生成器后生成樣本，判別器在判斷輸入樣本是否為真的同時，利用輔助分類器來判斷輸入樣本的所屬類別，因此AC-GAN 可以生成不同類別的圖像。使用3 個AC-GAN 對3 種投影圖像數據集進行擴充。AC-GAN 的結構和工作流程如圖3 所示。

圖3 AC-GAN 的結構和工作流程

生成器有2 個輸入，一個是投影圖像所屬的輻射源類別標簽k，k=0,…,K?1；另一個是隨機噪聲數據，用于生成模擬的投影圖像Ifake。網絡可以自動學習3種不同投影圖像的內在特征，進而生成對應的模擬投影圖像。判別器分別給出圖像（真假）的概率分布P(S|I)以及分類標簽的概率分布P(K|I)。

AC-GAN 的目標函數包含2 個部分。第一部分是面向輸入的投影圖像真實與否的代價函數LS

第二部分是對輸入的投影圖像分類準確性的代價函數LK

在優化過程中，希望判別器能夠盡可能地區分原始真實的投影圖像和模擬的投影圖像，并且能有效分類，即令LS+LK盡可能地最大。另外希望生成器生成的模擬投影圖像被盡可能認為是真實的，即令LK?LS盡可能地最大。迭代數次后，判別器對生成器生成的模擬投影圖像識別準確率趨于穩定，模擬的投影圖像已經可以滿足數據要求，此時生成器生成的模擬投影圖像構成補充數據集，與原始數據集一起構成擴充后的增強數據集。

3 多特征融合雙階段分類識別

通過多特征提取與增強步驟，基于小波變換、雙譜變換和HHT 分別獲取了原始輻射源信號的某個方面的特征，并將信號特征轉換為了二維圖像。基于AC-GAN 進一步實現了數據集的增強。基于增強后的特征數據集，在分類識別階段采用雙階段分類識別方法，融合多種特征識別結果以提升SEI 的準確率。

算法2模型訓練和分類識別

模型訓練

輸入每次輸入一個增強圖像數據集，一共3個增強圖像數據集

輸出每次輸出對每張圖像的預測結果，用于訓練反饋

1)將小波特征數據集輸入殘差網絡1 進行訓練，輸出初始分類結果Pcwt，并保存模型參數

2)將雙譜特征數據集輸入殘差網絡2 進行訓練，輸出初始分類結果Pbis，并保存模型參數

3)將HHT 特征數據集輸入殘差網絡3 進行訓練，輸出初始分類結果Phht，并保存模型參數

4)將Pcwt、Pbis和Phht輸入次級分類器進行訓練，保存模型參數

分類識別

輸入每次輸入待識別信號的一張特征圖像，一共3 張特征圖像

輸出每次輸出對待識別信號的最終分類預測結果Pfinal

1)將待識別信號的小波特征圖像輸入殘差網絡1 輸出初始預測結果Pcwt

2)將待識別信號的雙譜特征圖像輸入殘差網絡2 輸出初始預測結果Pbis

3)將待識別信號的HHT 特征圖像輸入殘差網絡3 輸出初始預測結果Phht

4)將Pcwt、Pbis和Phht輸入次級分類器進行最終識別，輸出最終分類預測結果Pfinal

3.1 基于殘差網絡的初級分類

把原始信號特征轉化為二維圖像表征，分類器實現方面選用了當前在圖像分類領域較成熟的深度學習模型ResNet18，殘差網絡ResNet因其高效和易優化而被廣泛利用在深度學習的研究中[28]，網絡的參數經過公開數據集ImageNet 預訓練，這樣不僅可以進一步避免過擬合等問題，還充分利用了網絡中已有的參數，使網絡具有更好的適應性。更改網絡的全連接層，將輸出類別更改為K個，輸入增強數據集D′j訓練網絡全連接層的權重，完成訓練保存完整模型。在用網絡進行SEI識別時，將圖像Iik輸入網絡，網絡的輸出是Softmax 層輸出的各個類別概率，可以表示為Pi=[p0,p1,…,pk]。3 個網絡輸出的預測分別為Pcwt、Pbis和Phht。

3.2 基于集成融合的次級分類

次級分類器需要完成最終的分類，使用集成學習中的Stacking 方法，將3 個神經網絡分類器的初級分類結果進行融合，即使某一個初級分類器預測錯誤，也能通過另外2 個分類器將錯誤糾正回來，最大化整體模型的分類能力。為了降低模型整體過擬合的風險，次級學習器選擇結構相對簡單的線性回歸模型（LRM,linear regression model），降低模型的整體復雜度，減少計算開支。

3 個初級分類器基于完整的訓練集進行訓練，為了防止過擬合，每一個初級分類器需要通過5 折交叉檢驗的方式進行訓練。將訓練集樣本隨機分為5 份，每折訓練取其中4 份對一個初級分類器進行訓練，取剩下的一份數據進行預測分類，保留分類結果。同時也對測試集所有樣本進行分類，直到5 份訓練集樣本都被分類，得到該殘差網絡對所有訓練集樣本的分類結果，此時測試集樣本被分類了5 次，最終對分類結果取平均值。訓練集和測試集的使用流程如圖4 所示。

訓練集和測試集中每個樣本的分類結果都表示為Pi=[p0,p1,…,pk]。將3 個初級分類器對原訓練集的分類結果整合在一起，用作次級分類器的訓練樣本，而測試集的分類結果用作新的測試樣本對次級分類器進行測試。對同一個樣本，3 個初級分類器有3 個分類結果，次級分類器分配這3 個結果的權重以進行取舍，得到最終分類結果為Pfinal。

4 實驗測試和結果分析

4.1 實驗環境配置和數據準備

為了驗證所提SEI 框架和方法的可行性，并使應用場景更符合實際，本文選用了5 個型號為Tenda U6的USB 無線網卡作為輻射源發射器。將無線網卡安裝在電腦主機作為信號發射端，工作頻率為2.462 GHz，帶寬為40 MHz，最大發射功率為20 dBmW，均使用IEEE 802.11b 協議。接收機使用NI-PXI8106機柜和NI 矢量信號分析儀連接天線，固定于接收端15 cm 處采集無線網卡信號，采集的信號為I/Q 雙路復信號，信號采樣率為100 MSPS（million sample per second）。為了對比模型在不同信噪比（SNR,signal-to-noise ratio）下的性能，對原始信號加入高斯白噪聲模擬噪聲環境，得到5～25 dB 每隔5 dB 的不同SNR 條件下的無線網卡信號采樣數據。

將每1 000 個點的信號采樣數據作為一個輻射源信號樣本，最終識別準確率定義為用于測試的正確分類的樣本數量在整體測試樣本數量中的占比。

實驗在MATLAB 環境進行信號處理工作，深度學習環境為Python3.6+Pytorch1.0。

4.2 實驗結果分析

4.2.1 多層融合分類方法的整體表現

首先對整個多層融合框架的性能表現進行測試。選取一種單一特征提取方法[19]、2 種多特征提取方法[4,23]與本文方法進行對比。文獻[19]作為對比方法1 僅采用HHT 方法進行識別。與本文方法類似，文獻[4]同樣使用多特征提取思想，提取信號的能量分布信息、分形特征和雙譜特征等多種雜散特征，并利用SVM 進行分類，以此作為對比方法2。文獻[23]利用PCA 算法對樣本進行降維，實現特征提取，然后利用K 近鄰、隨機森林和神經網絡構建混合分類模型，同樣使用多分類器融合的設計，以此作為對比方法3。結果如表1 和圖5 所示。

圖4 訓練集和測試集的使用流程

可以看出，本文方法的最終識別率最高，在識別準確率和抗噪表現上都優于其他方法。對比方法1使用單一特征提取算法HHT，整體表現不如融合模型；對比方法2 雖然同樣使用多特征提取，時域方法在特征的選擇上具有局限性，且其分類器使用SVM 的分類效果弱于深度神經網絡對圖像的分類效果；對比方法3 雖然使用了多分類器集成，但使用PCA 方法降維并未充分提取表示信號差別的細微特征，整體表現不佳。本文方法使用基于變換域的多特征提取，并使用深度神經網絡集成識別特征圖像的方法，具有更好的性能表現。

表1 實測不同方法的輻射源識別準確率

圖5 不同方法在不同信噪比下的識別效果對比

4.2.2 使用AC-GAN 擴充數據的影響

比較使用AC-GAN 進行不同比例的數據擴充的最終識別準確率，按擴充數據占原始數據的比例為0～90%進行對比試驗，結果如圖6 所示。從圖6可以看出，當數據擴充比例為50%時，模型的識別精度不再隨著數據擴充比例的增加而明顯提高，而是逐漸趨于穩定。使用AC-GAN 擴充數據集的模型在抗噪表現和識別準確率都表現更好，特別是在高信噪比的情況下，模型整體識別效果有顯著提升，說明使用AC-GAN 對數據集進行增強，能夠提升整體識別準確率，從而改善數據量不充足條件下模型整體識別率不高的問題。

圖6 模型使用AC-GAN 進行不同比例的數據擴充的最終識別準確率

4.2.3 衰落信道對信號識別的影響

本節使用室外典型場景多徑衰落信道模型對輻射源信號進行了處理，選用瑞利衰落信道模型，將輻射源產生的信號通過多徑傳播模型以模擬其在室外場景下的傳播特性[29]。由圖7 可以看出，衰落信道環境對輻射源識別效果產生了負面影響，但模型仍可較好地完成分類識別任務，即使是在瑞利衰落信道這種相對惡劣的信道環境下，本文方法在20 dB 信噪比條件下的識別準確率也有80%以上，相比其他對比方法，本文方法有明顯的優勢。通過上述結果表明，本文方法能夠適用于復雜無線信道環境的應用。

5 結束語

本文提出了一種基于多特征提取、集成融合學習和生成對抗網絡的通信輻射源融合分類識別方法。通過對原始信號進行小波變換、雙譜變換、HHT 等信號變換處理，得到3 種可反映信號細微特征的系數矩陣，對系數矩陣的三維圖像進行二維投影以得到特征圖像數據集，并采用AC-GAN對圖像數據集進行增強。此外，本文設計了一種多特征融合雙階段分類識別方法，利用多個殘差網絡對不同圖像特征集分別進行訓練學習，得到初始分類結果，并通過融合得到最終分類結果。結果表明，相對于其他相關的SEI 方法，本文方法在不同信噪比下的平均識別率較高，即使在低信噪比條件下也有較好的表現。通過引入基于AC-GAN 的數據增強機制，能夠提升整體識別準確率，改善數據量不足而影響識別效果的問題。

圖7 在衰落信道環境下輻射源信號的識別效果對比