一種基于IQ數(shù)據(jù)時(shí)域功率圖的通信輻射源識(shí)別方法*

汪 鵬，王金明，張宏瑜，孫 淵，池志偉

（1.陸軍工程大學(xué)，江蘇 南京 210007；2.解放軍73156部隊(duì)，福建 漳州 363900）

0 引 言

輻射源識(shí)別技術(shù)，是利用輻射信號(hào)時(shí)域、頻域等方面的特征與性質(zhì)，運(yùn)用數(shù)學(xué)解析方法，對(duì)信號(hào)進(jìn)行差異化的可識(shí)別的特征參數(shù)提取，并利用機(jī)器學(xué)習(xí)等科學(xué)方法對(duì)特征參數(shù)進(jìn)行識(shí)別、學(xué)習(xí)、泛化，從特征參數(shù)的差異性方面對(duì)信號(hào)進(jìn)行處理分類，從而達(dá)到輻射源識(shí)別的效果。它的原理在于發(fā)射機(jī)發(fā)射信號(hào)時(shí)，信號(hào)夾雜了發(fā)射機(jī)的硬件信息。不同的發(fā)射機(jī)個(gè)體發(fā)出的信號(hào)有細(xì)微的差異，這些差異性為通信輻射源個(gè)體識(shí)別提供了依據(jù)。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是深度學(xué)習(xí)中最常見(jiàn)的方法，常用于圖像識(shí)別[1]。通過(guò)多年發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)發(fā)展研究比較成熟，應(yīng)用廣泛。在通信輻射源識(shí)別方面，它能結(jié)合信號(hào)的小波變換[2]、高階譜特征[3]、IQ特征圖[4]等圖像特征進(jìn)行圖像識(shí)別，從而達(dá)到通信輻射源識(shí)別的目的，取得了較好的識(shí)別效果。

對(duì)于電臺(tái)信號(hào)，通過(guò)接收機(jī)采樣可以得到分別為I路和Q路兩路數(shù)據(jù)。由于電臺(tái)硬件導(dǎo)致的IQ不平衡性，兩路數(shù)據(jù)不能呈現(xiàn)出理想情況下的正交性。I路和Q路數(shù)據(jù)受幅度和相位不平衡的影響，在正交性上表現(xiàn)出個(gè)體差異。每部電臺(tái)的差異性表現(xiàn)不盡相同，給電臺(tái)識(shí)別提供了依據(jù)[5]。

1 I/Q失配模型與特征提取

硬件制造過(guò)程自身存在不完善性和差異性，導(dǎo)致正交調(diào)制器產(chǎn)生的I/Q信號(hào)存在失配問(wèn)題。I/Q失配主要有增益失配和相位失配。相位失配表現(xiàn)為兩路信號(hào)相位差不是90°，即I、Q信號(hào)是非正交的，造成調(diào)制后的兩路信號(hào)交疊。增益失配通常導(dǎo)致調(diào)制后信號(hào)失真。I/Q失配的調(diào)制器模型如圖1所示[6]。

圖1中：fc為調(diào)制器的載波頻率；ε和θ為調(diào)制器的增益失配和相位失配參數(shù)；xI(t)和xQ(t)分別為輸入信號(hào)的同相分量和正交分量。假設(shè)輸入信號(hào)為理想的模擬信號(hào)，xI(t)和xQ(t)分別為Acoswt、Asinwt，其中w為輸入信號(hào)的頻率，則調(diào)制后的輸出信號(hào)為：

化簡(jiǎn)式（1），整理可得：

將調(diào)制完成后的兩路信號(hào)sI(t)×cos2πfct與-sQ(t)×sin2πfct通過(guò)解調(diào)器并濾波，產(chǎn)生解調(diào)后的I、Q信號(hào)sI(t)和sQ(t)。

化簡(jiǎn)整理，得到：

從式（5）和式（6）可以看出：I、Q兩路信號(hào)波形的變化是相對(duì)應(yīng)的，即若I路信號(hào)在時(shí)間t0處產(chǎn)生變化，則Q路信號(hào)在t0處也會(huì)產(chǎn)生相應(yīng)的變化。I、Q兩路信號(hào)的幅度變化、相位變化都只與參數(shù)ε和θ有關(guān)，即兩者之間存在一定的關(guān)聯(lián)性。假設(shè)任意時(shí)刻t的時(shí)域功率p(t)=sI2(t)+sQ2(t)，從式（5）和式（6）可以分析得出：在理想情況下，p(t)的值恒為一常數(shù)A2；當(dāng)存在I/Q失配情形時(shí)，p(t)的值會(huì)隨著參數(shù)ε和θ的變化，所以p(t)的波形圖變化與參數(shù)ε和θ有關(guān)，且該變化具有唯一性，可以作為通信輻射源識(shí)別的特征。

2 輻射源信號(hào)的采集與預(yù)處理

2.1 信號(hào)數(shù)據(jù)采集

本文的實(shí)驗(yàn)數(shù)據(jù)來(lái)自同一型號(hào)的不同個(gè)體的4部超短波電臺(tái)，共分為8組實(shí)驗(yàn)。每組實(shí)驗(yàn)中，4部電臺(tái)均在同一頻率和幅度下工作。第1組起始工作頻率為35 MHz，以后每組工作頻率間隔2 MHz。8組不同頻率波形分別在4部電臺(tái)上工作測(cè)試。電臺(tái)調(diào)制模式為FM調(diào)制，工作模式為“小功率”。信號(hào)采集的采樣頻率為204.8 kHz，采集得到的部分信號(hào)如圖2所示。

2.2 數(shù)據(jù)特征處理

2.2.1 數(shù)據(jù)抽樣

由于I、Q兩路信號(hào)在時(shí)域上存在幅度和相位的變化，且都只與參數(shù)ε和θ有關(guān)，為了保留這些特征信息，可以先對(duì)連續(xù)時(shí)間進(jìn)行抽樣，抽樣間隔為4個(gè)單位，如圖3所示。

2.2.2 畫出時(shí)域功率圖

對(duì)每個(gè)時(shí)間點(diǎn)的I、Q兩路信號(hào)的采樣值分別平方后求和，得到該時(shí)間點(diǎn)的功率，繼而畫出該電臺(tái)的時(shí)域功率圖。理想情況下，電臺(tái)的時(shí)域功率恒為常數(shù)。但是，在現(xiàn)實(shí)情況中，由于I/Q不平衡的影響，正交的I、Q信號(hào)分量會(huì)產(chǎn)生幅度變化和相位偏移，使電臺(tái)的時(shí)域功率偏離常數(shù)而產(chǎn)生規(guī)律性變化，如圖4所示。從公式推導(dǎo)可知，現(xiàn)實(shí)中時(shí)域功率圖變化情況只與參數(shù)ε和θ有關(guān)，每部電臺(tái)的時(shí)域功率圖可以通過(guò)CNN進(jìn)行識(shí)別，信號(hào)的時(shí)域功率可以作為通信輻射源識(shí)別的特征。

2.2.3 對(duì)數(shù)據(jù)進(jìn)行截取

針對(duì)圖4中每部電臺(tái)的時(shí)域功率圖，每隔4 000個(gè)點(diǎn)取一個(gè)數(shù)據(jù)樣本，每部電臺(tái)取1 000個(gè)樣本，如圖5所示。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)參數(shù)優(yōu)化

CNN最初被用來(lái)識(shí)別數(shù)字手寫體圖片[7-8]。通過(guò)上文方法得到各電臺(tái)的時(shí)域功率圖的樣本圖，其特征與數(shù)字手寫體類似，即利用CNN能很好地識(shí)別與區(qū)分。為了提高識(shí)別的效率和精度，進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化實(shí)驗(yàn)[9]。

輸入的網(wǎng)絡(luò)訓(xùn)練集為4部電臺(tái)的基于IQ數(shù)據(jù)的時(shí)域功率圖，每部電臺(tái)取1 000個(gè)樣本作為訓(xùn)練集，再在時(shí)域功率圖中其他任意部分每隔4 000個(gè)點(diǎn)取一個(gè)樣本，共取1 000個(gè)樣本作為測(cè)試集。

分別將CNN的初始學(xué)習(xí)率設(shè)為0.01、0.001、0.000 1，測(cè)試在不同迭代次數(shù)下訓(xùn)練集分類識(shí)別的正確率，實(shí)驗(yàn)結(jié)果如圖6所示。通過(guò)改變不同的卷積核大小，對(duì)訓(xùn)練集的分類正確率進(jìn)行實(shí)驗(yàn)，結(jié)果如表1所示。

表1 卷積核大小對(duì)實(shí)驗(yàn)結(jié)果的影響

通過(guò)實(shí)驗(yàn)，最終選擇由2層卷積層和2層全連接層組成的CNN，初始學(xué)習(xí)率設(shè)定為0.000 1，卷積核大小為3，結(jié)構(gòu)如圖7所示。

訓(xùn)練樣本為4部電臺(tái)數(shù)據(jù)，每部電臺(tái)1 000個(gè)訓(xùn)練樣本，網(wǎng)絡(luò)優(yōu)化方法為Adam方法，卷積核大小為3，初始學(xué)習(xí)率為0.000 1，一次訓(xùn)練所取的樣本數(shù)（batch_size值）設(shè)置為20，全部樣本的訓(xùn)練次數(shù)（epoch值）設(shè)置為80次。在以上最優(yōu)參數(shù)設(shè)置下，實(shí)驗(yàn)得出訓(xùn)練次數(shù)和訓(xùn)練準(zhǔn)確率、損失函數(shù)值之間的關(guān)系，如圖8所示。

訓(xùn)練完成后，保存訓(xùn)練參數(shù)，使用未訓(xùn)練的數(shù)據(jù)作為測(cè)試集，并用保存好的CNN對(duì)其進(jìn)行測(cè)試，結(jié)果如表2所示。

表2 測(cè)試集訓(xùn)練實(shí)驗(yàn)結(jié)果

3.2 不同特征的對(duì)比實(shí)驗(yàn)

高階譜分析是利用雙譜運(yùn)算對(duì)信號(hào)進(jìn)行處理，得到三維雙譜圖，并利用圖像處理技術(shù)提取圖像的紋理特征對(duì)圖像進(jìn)行分類識(shí)別。作為最簡(jiǎn)單的高階譜，雙譜具有信號(hào)處理簡(jiǎn)單、信號(hào)信息豐富、能完全抑制高斯噪聲的特點(diǎn)，適合細(xì)微特征的處理與分析[10]。

小波變化是為了克服傅里葉變換在時(shí)域中沒(méi)有辨識(shí)能力的缺點(diǎn)，利用小波和一組帶通濾波器對(duì)時(shí)域信號(hào)進(jìn)行分解，對(duì)信號(hào)能量在時(shí)頻平面上進(jìn)行分割，使得信號(hào)轉(zhuǎn)化為二維時(shí)頻信息[11]。該方法將原始數(shù)據(jù)分解成低頻小波系數(shù)和高頻小波系數(shù)，并將低頻小波系數(shù)達(dá)到最大分解。

對(duì)比雙譜特征和IQ數(shù)據(jù)時(shí)域功率圖特征，CNN分別使用各特征適用的最佳狀態(tài)網(wǎng)絡(luò)。分別選取同類型4部不同電臺(tái)，每部電臺(tái)2 000個(gè)樣本。不同特征的訓(xùn)練集結(jié)果如圖9所示。

保存好各特征訓(xùn)練的模型，分別制作測(cè)試集，得到測(cè)試集實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同特征下測(cè)試集識(shí)別正確率

從實(shí)驗(yàn)結(jié)果可以看出，提取IQ時(shí)域功率圖特征，利用CNN進(jìn)行識(shí)別，能取得較好的實(shí)驗(yàn)效果。雙譜特征訓(xùn)練集實(shí)驗(yàn)效果較好，但測(cè)試集識(shí)別結(jié)果較差，主要原因在于實(shí)驗(yàn)時(shí)產(chǎn)生了過(guò)擬合現(xiàn)象。

3.3 特征適用性實(shí)驗(yàn)

本文采用IQ數(shù)據(jù)的時(shí)域功率作為輻射源識(shí)別的特征。該特征不需要復(fù)雜的數(shù)據(jù)預(yù)處理過(guò)程，在實(shí)際工程應(yīng)用中，只需要采樣采集得到電臺(tái)信號(hào)的IQ數(shù)據(jù)并進(jìn)行圖形變換即可。該變換使I路、Q路不平衡導(dǎo)致的差異性信息都能包含其中，能很好地保留數(shù)據(jù)的原始信息。用IQ數(shù)據(jù)的時(shí)域功率圖像作為識(shí)別依據(jù)，滿足CNN網(wǎng)絡(luò)處理圖片識(shí)別的基本用途，所以識(shí)別效果較好。

為了驗(yàn)證此種方法的普遍適用性，將本次實(shí)驗(yàn)分為兩類，即普通電臺(tái)和“健伍”手持機(jī)。每類有型號(hào)相同個(gè)體不同的4部個(gè)體。手持機(jī)工作頻率為160 MHz，靜噪方式為單音靜噪（100 Hz），發(fā)射地點(diǎn)為室內(nèi)。分別進(jìn)行實(shí)驗(yàn)，得到的實(shí)驗(yàn)結(jié)果如圖10所示。

從實(shí)驗(yàn)結(jié)果可以看出，在全部樣本的訓(xùn)練次數(shù)取得一定值（大于150）時(shí)，手持機(jī)的訓(xùn)練集識(shí)別率也能達(dá)到98%以上，實(shí)驗(yàn)效果較好。模型訓(xùn)練完畢后，制作測(cè)試集，并用該模型對(duì)測(cè)試集進(jìn)行識(shí)別實(shí)驗(yàn)，得出實(shí)驗(yàn)結(jié)果如表4所示。

表4 不同通信輻射源測(cè)試集識(shí)別正確率

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，基于IQ數(shù)據(jù)的時(shí)域功率圖特征在普通電臺(tái)和手持機(jī)的識(shí)別上都有較好的效果，具有一定的泛化能力。

4 結(jié) 語(yǔ)

基于CNN強(qiáng)大的圖片識(shí)別分類功能，本文提出一種基于IQ數(shù)據(jù)得到IQ數(shù)據(jù)的時(shí)域功率圖，再用神經(jīng)網(wǎng)絡(luò)對(duì)特征圖片進(jìn)行分類的方法。由于該時(shí)域功率圖包含因IQ不平衡導(dǎo)致的個(gè)體差異性，因此能作為輻射源識(shí)別的依據(jù)。實(shí)驗(yàn)結(jié)果表明，該種識(shí)別方法在普通電臺(tái)的識(shí)別上正確率能達(dá)93%。對(duì)比小波變換特征、雙譜特征，該方法能取得更高正確率且不易發(fā)生過(guò)擬合現(xiàn)象。最后，運(yùn)用此種方法對(duì)手持機(jī)進(jìn)行識(shí)別，識(shí)別率較高，表明該方法在其他通信輻射源方面具有一定的泛化能力。此外，該方法使用的是結(jié)構(gòu)簡(jiǎn)單的CNN，技術(shù)比較成熟，特征提取方面主要對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的處理，處理速度較快，有較高的實(shí)用性。