基于注意力機制的通信輻射源個體識別方法*

張宸嘉，朱 磊，陳 璞，俞 璐

（陸軍工程大學，江蘇 南京 210007）

0 引 言

輻射源個體識別，又稱為輻射源指紋識別或特定輻射源識別（Specific Emitter Identification，SEI），是電子偵察識別最重要的非合作識別手段之一，在戰場目標識別中發揮著不可替代的作用[1]。最早從二戰開始，輻射源個體識別已經成為戰場的重要需求之一。電子偵察識別領域中，為了進一步掌握電磁態勢，往往通過測量輻射源各項指標與參數，經過一定處理后用來對輻射源個體的型號、工作方式等屬性進行識別。然而，隨著電磁環境的日益復雜與通信技術的迅猛發展，各種通信設備層出不窮，使得輻射源的信號樣式變得越來越復雜。各種不同種類的輻射源信號混雜在一起增加了識別難度，導致基于傳統的提取輻射源參數和指標來進行識別的方法變得愈加困難，收益也越來越差[2]。此外，要想獲取關鍵電臺所發出的電磁信息，不僅需要對型號等參數的識別，還需要對區別細微的同型號輻射源個體進行識別。因此，輻射源個體識別技術應運而生，能夠準確提供有關目標輻射源配置、部署情況以及關鍵節點信號等重要的信息，具有廣泛的應用前景與意義。

輻射源個體識別是提升通信網絡安全的重要手段。通過輻射源個體識別，可以在非協同的條件下實現對通信信號的合理分析，從而提供輻射源設備的有效信息，為后續的網絡通聯關系分析、網絡關鍵節點分析等打下堅實的基礎。在電磁環境日益復雜的今天，如何在通信中及早確認關鍵電臺所發出的信息顯得尤為重要。因此，研究輻射源個體識別具有重要意義和價值。

深度學習方法在計算機視覺、語音識別和數據分類等領域都發揮著顯著作用，成為眾多分類方法的佼佼者[3]。鑒于輻射源信息的復雜性與傳輸過程中的許多干擾，輻射源的傳統特征如積分雙譜等無法全面表達輻射源信號的特征。深度網絡模型通過不斷訓練提取數據樣本特征，可以表達復雜的非線性函數關系，得到數據豐富的本質信息，在輻射源個體識別領域有著更好的識別效果[4]。

近兩年，注意力模型（Attention Model）在圖像分割、NLP、圖像識別、語音識別及計算機視覺等領域受到了大量關注，也獲得了廣泛應用，如SANet[5]、VSG-Net[6]等，是深度學習領域中值得關注與探索研究的方法[7]。

視覺注意力機制是人類視覺所特有的大腦信號處理機制[8]。視覺注意力機制的思想借鑒了人類在關注圖像信息時的行為。人類關注圖像信息時，會下意識地關注整個圖像的總體，并將更多的注意力與關注的重心放于擁有更多可用有利信息上，也就是注意力焦點。注意力焦點即注意力機制思想中需要重點關注的目標區域。因為人的注意力是有限的，通過將更多的注意力資源投入到注意力焦點上，可以獲得更加豐富的目標信息，同時進一步提升獲取目標信息的效率與速度，有利于各種任務資源投入的合理化。注意力機制是人類利用有限的注意力資源從大量信息中快速篩選出高價值信息的手段，是人類在長期進化中形成的一種生存機制。人類視覺注意力機制極大地提高了視覺信息處理的效率與準確性[9]。

圖1為人類在看到一副圖像時如何將有限的注意力資源進行合理且高效分配的實例。當人類注視目標時，投入更多注意力資源的區域標為深色。可見，當面對圖1時，人們往往會把注意力更多投入到人的臉部、文本的標題以及文章首句等關鍵并具有更多可用信息的位置。

深度學習中的注意力機制從思想上借鑒了人類的選擇性視覺注意力機制，利用人類視覺的特點，從眾多冗余信息中選擇出對當前任務目標更關鍵、效用更高的信息[10]。

本文著眼于電臺輻射源個體識別任務，以殘差網絡[11]為基礎，結合注意力機制的思想，將雙注意力機制引入預處理層與特征提取層，實現對神經網絡的優化。針對5臺同型號電臺進行個體識別，對比傳統特征提取與深度神經網絡方法，在參數量小幅上漲的代價下，大幅提升了輻射源個體分類識別的效果。

1 注意力機制設計與使用

1.1 軟閾值化中的注意力機制

為了降低信號傳播過程中的噪聲對輻射源個體識別的干擾，本文方法在識別任務前運用軟閾值化操作對輻射源數據進行降噪處理，同時運用注意力機制的思想，自適應地修改閾值，進一步提升了輻射源數據的識別效果。

區別于傳統的固定閾值的方法，本文提出的軟閾值化方法中閾值設定借鑒SE-Net[12]中所采用的實現注意力機制的經典方法[13]，即擠壓激勵操作（Squeeze and Excitation），結構如圖2所示。

每張特征圖通過全局平均池化操作進行擠壓成一個實數（見式（1）），這個實數具有特征圖上的全局信息，每張特征圖的擠壓結果組合成一個向量作為每個特征圖的權重，其中H和W分別為特征圖的高和寬，zc為卷積后的結果，將此向量通過全連接層與激活函數（見式（2）），訓練結果用來放大對于識別任務更加重要特征圖的權重，縮小不重要特征圖的權重，其中σ為relu激活函數，δ為sigmoid激活函數，W1與W2代表過兩個不同的全連接層。此向量s通過式（3）激勵原特征圖，指導特征圖不斷向著有利于識別任務的方向更新。

本文同時借鑒ECA-Net的思想，通過一維卷積層匯總跨信道信息的方法對其進行改進構建了通道注意力模塊[14]，其結構如圖3所示。

本文首次在軟閾值化操作中引入雙路注意力的思想，匯總通道與空間兩方面的注意力信息作為閾值，并在每次訓練時自適應地修改閾值，提升了軟閾值化的效果。此時的閾值并不是一個確切的值，而是一個動態生成的與特征圖同尺寸的矩陣。通過將原特征圖與閾值進行對比，保留特征圖中注意力較高的部分，可達到提升網絡效果的作用。獲取閾值的過程，如圖4所示。

其中：CA模塊為通道注意力模塊（Channel Attention Module），結構如圖5所示；SA模塊為空間注意力模塊（Spatial Attention Module），結構如圖6所示。這兩個模塊分別從通道與空間兩個方向提取特征圖中的注意力信息，提取不同通道與空間中不同位置的權重信息，自適應更新特征圖。

1.2 深度神經網絡中的注意力機制

本文在針對輻射源個體識別任務的深度網絡中首次嵌入圖像分割領域的雙注意力模塊，從通道與空間兩個分支構建特征圖的相關性矩陣，用此矩陣引導對特征圖的更新，增大關鍵特征的權重，使得將更多的注意力放在更易于進行區分的優秀特征上[15]。雙注意力模塊結構如圖7所示。

PAM是空間分支，結構如圖8所示。CAM是通道分支[16]，結構如圖9所示。這兩個分支通過對特征圖的處理，分別構建了關于特征圖通道與空間位置的相關性矩陣X與S，并以此矩陣來引導特征圖不同通道與空間位置權重的更新方向，以使得更多的資源投入到更容易對目標進行區分的地方。

2 深度神經網絡模型搭建

由于主要目的是對電臺輻射源信息進行分類任務，因此本文深度神經網絡模型以卷積神經網絡為基礎模型，通過軟閾值化模塊對輸入的電臺輻射源信息進行降噪處理，然后在軟閾值化過程和神經網絡模型中分別嵌入不同的多路注意力模塊，以實現融合輻射源信號的多維度特征[17]，合理調整參數，提升模型效果。本文使用的深度神經網絡模型，如圖10所示。本文在軟閾值化與雙注意力網絡中使用了兩種不同方式的雙注意力機制。相對于使用同一種注意力機制而言，使用兩種方式可以利用不同注意力提取方式的差異性，更全面和精準地提取輻射源信號的關鍵信息，獲得更優秀、利于識別任務的特征，從而進一步提升整個識別任務的效果。

3 仿真實驗和分析

3.1 輻射源數據采集

在實驗室環境中，利用6臺同型號USRP設備，其中5臺作為發送設備，1臺作為接收設備。5臺輻射源設備同時發送主頻為1 GHz的輻射源信號，將所接收到的5臺輻射源設備的信號通過LabView進行數據處理。接收端接收的信號如圖11所示。

將經過處理后的5類輻射源信號作為數據集，分別以傳統手動特征提取方法、普通深度神經網絡方法和本文提出的深度注意力神經網絡方法進行輻射源個體識別實驗。輸入網絡中數據的尺寸為2×128，樣本數為100 000，其中90%作為訓練集，10%作為測試集。網絡的batch size為128，訓練100輪次，損失函數為交叉熵函數，使用Adam算法來優化網絡。

3.2 實驗結果與分析

本文將傳統提取SIB特征、以支持向量機（Support Vector Machine，SVM）作為分類器的方法、普通神經網絡方法與本文提出的方法，分別針對采集到的數據集進行實驗，實驗結果如圖12所示。

由實驗結果可見，對比傳統手動特征提取方法，兩種基于深度神經網絡的方法都有較高的識別率與較快的收斂速度，說明深度神經網絡在輻射源個體識別領域有著更好的表現，提升了識別效果。將提出的方法所用到的技術進行拆分運用于普通神經網絡，以驗證其在輻射源個體識別方向上的提升效果，實驗結果如圖13所示。

實驗顯示，本文所使用的軟閾值化技術與雙注意力模塊，都會在一定程度上提升對輻射源數據的識別效果，但是提升效果有限。對比普通神經網絡，雙注意力模塊提升了1.82%的效果，而軟閾值化技術提升了5.53%的效果。但是，如果將兩種技術進行結合，在輸入雙注意力網絡之前用軟閾值化技術對數據自適應的生成注意力閾值，保留更加鮮明的易于識別的特征，那么特征圖輸入雙注意力網絡后所產生的相關性矩陣將更加具有針對性與更優的指導作用，從而進一步提升輻射源數據的識別效果。實驗證明，本文所提出的輻射源個體識別方法識別率達到了87.52%，對比普通神經網絡方法提升了11.17%，對比傳統特征提取方法提升了27.38%的識別效果。

4 結 語

本文借鑒注意力機制思想對神經網絡模型進行改進與優化，同時加入帶有雙注意力的軟閾值化操作對數據進行處理。實驗證明，對比傳統的手動特征提取方法和普通深度神經網絡方法，本文提出的輻射源個體識別方法顯著提升了識別效果。本文使用的注意力模塊為即插即用的輕量級模塊，顯著提升識別效果的代價僅為參數量的略微增加，同時訓練速度也和普通神經網絡基本一致。本文所提出的模型整體上在輻射源個體識別任務上對比其他方法有著更優效果，由于輻射源個體識別任務針對同型號輻射源設備的特殊性，不同設備的輻射源信號的差異性較小。若將計算資源平均地投入所有的特征上，勢必會造成資源的大量浪費。注意力機制思想將會提取其中具有差異性的關鍵特征，將資源投入到關鍵特征中，會明顯提升對于同型號輻射源設備的分類效果。同時，本文驗證了注意力機制思想在輻射源個體識別領域的可行性，為未來輻射源個體識別方向的研究提供了一條可行的思路。