基于時頻分析的輻射源指紋識別探究

黃元

四川大學 電子信息學院 四川 成都 610065

引言

輻射源個體識別(SEI)是基于發射信號的射頻指紋對單個發射器進行識別的方法。一般情況下，發射機的畸變是由發射機部件和周圍環境引起的，可以看作是識別發射機的特定特征或指紋。射頻指紋反映了發射機硬件組件之間的差異。制造過程中的細微差異和不準確之處決定了傳輸信號中包含的獨特特性，因此可以通過無線設備發送的信號來識別該設備。

SEI在軍事和民用應用中得到了廣泛的研究。在軍事應用中，通過分析發射信號來判斷敵方設備的狀態[1]。在民用應用中，SEI技術經常用于提高認知無線電、自組織網絡和蜂窩網絡的效率和安全性。從待識別的發射器的工作狀態來看，SEI方案可以分為兩類：利用瞬態信號特征的方案和利用穩態信號特征的方案。張靜文等人[2]利用EMD分解對輻射源信號進行識別，獲得了比較好的效果。但EMD存在模態混淆的問題。劉明騫等人[3]同時利用了EMD與VMD的優勢，獲得了較好的效果。黃穎坤等人[4]將雷達信號變換到時頻域，通過棧式編碼模型來進行特征的提取。

同步壓縮變換[5](WSST)能夠獲得比傳統時頻分析（如小波變換）更為“精細”的時頻圖，其對頻率方向的能量重新分配使得輻射源特征更加準確清晰地展現出來。一般來說，時頻分析使得輻射源信號更容易處理，時頻分析技術處理之后還會進行二次特征提取，識別效果才會比較好。考慮到深度神經網絡GoogLeNet強大的特征提取能力，因此，本文使用GoogLeNet來進行二次特征提取。使用深度神經網絡GoogLeNet自動地進行特征的選擇與提取，有別于傳統的“手工特征提取的方式”，能夠使得識別的結果更為準確。

1 同步壓縮變換與GoogLeNet

1.1 同步壓縮變換

式中，—尺度參數，又稱尺度因子（伸縮因子），—定位參數，又稱時間平移因子；—歸一化常數，用來保證變換過程中的能量守恒。

1.2 GoogLeNet

GoogLeNet的創新來自于Inception結構。為了挖掘最優的局部特征，來自于CNN每一層的輸出應當基于某種統計特性被聚集為不同的群組加以分析，而這種統計特性通常是構建于圖像不同尺度的區域之上。因此，GoogLeNet所采取的方法是分別利用不同尺寸的卷積核對前一層的輸出特征圖進行卷積運算，來獲得后一層的輸入。但該連接方式會面臨較大的問題。為了優化，Inception結構首先對輸入特征圖進行1×1卷積運算，同時做非線性激活，意在保持信息不損失的情況下對特征進行降維。即特征圖做非線性變換后可以增加局部特征的抽象能力，在保持特征判別力的情況下能夠有效地降低特征圖的數目。Inception結構將CNN中常用的卷積、池化操作堆疊在一起，一方面增加了網絡的寬度，另一方面也增加了網絡對尺度的適應性。之后的Inception結構又進行了改進，使之降低特征圖的厚度，并且經過了多個版本的發展，不斷趨于完善。

2 系統模型

在一個單跳的通信系統中，發射端有K個輻射源，輻射源功率放大器的輸入信號為：

3 仿真實驗

下面通過仿真驗證所提算法的識別性能。輻射源采用的調制方式為4QAM，訓練集和測試集均為50%，采樣頻率為10 GHz，載頻為2GHz，輻射源個數設置為3個。輻射源功率放大器的泰勒多項式系數為=(1,0.5,0.3;1,0.08,0.6;1,0.01,0.01)，其中，為輻射源K的系數向量。信道條件為加性高斯白噪聲信道（AWGN）。

仿真結果如表1所示。可以看出，本文所提算法（WSST_GoogLeNet）可以達到較高的識別效果，與張靜文等的研究中的算法[2]相比，識別率有了進一步的提升。

表1 AWGN信道下的識別率（SNR=15dB）

4 結束語

本文提出了一種基于同步壓縮變換的SEI算法，通過對輻射源信號進行“精細”刻畫，然后送入深度神經網絡GoogLeNet中進行自動特征提取，仿真實驗結果表明，所提算法的識別率明顯高于已有的手工特征提取算法。