基于深度殘差網絡的ADS-B信號輻射源個體識別

翁琳天然 彭進霖 何元 鐘都都 彭建華 茆旋宇

摘 要：針對傳統依賴于人工提取的專家特征難以表征輻射源個體信號的細微差異問題， 提出了一種基于深度殘差網絡（DRN）的輻射源個體識別算法。 利用深度殘差網絡完成分類識別任務， 將實測信號的同相分量（I路）和正交分量（Q路）輸入到深度殘差網絡中進行訓練。 在包含不同飛行目標的ADS-B信號實測數據集上進行實驗以評估該算法的性能。 實驗結果表明， 提出的DRN模型在不需要人工進行特征選擇的情況下達到了較好的分類精度。 此外， 在信噪比上對數據集進行擴增可進一步提升模型的性能。

關鍵詞： ADS-B; 輻射源個體識別; 深度殘差網絡; 深度學習

中圖分類號：TJ760; TN957? 文獻標識碼：??? A? 文章編號：1673-5048（2021）04-0024-06

0 引? 言

隨著無線通信和物聯網技術的不斷發展， 頻譜中無線設備的數量迅速增加。 在日趨復雜的電磁環境中， 通過分析觀測信號從而準確識別出信號輻射源的個體信息， 在安防領域具有非常重要的意義。 基于廣播的自動相關監測系統（Automatic Dependent Surveillance-Broadcast， ADS-B）是國際民航組織推薦發展的系統，? 但該系統缺乏加密和身份驗證等安全防護措施， 在實際應用中存在較大的安全隱患。 攻擊者可在目標發送端或地面站接收端修改消息內的設備標識地址位以欺騙識別系統， 將特定的空中目標偽裝成可信目標或其他身份目標， 給空管系統造成極大的混亂。 輻射源個體識別技術可通過分析發射機信號的細微差異， 提取輻射源的“指紋”特征， 從而達到區分不同輻射源個體的目的。 信號發射機中的元器件會對信號的產生造成細微的擾動， 使發射的信號波形與理想信號間存在微小的差異。 因此， 信號的細微差異特征會與信號發射機一一對應， 這也是輻射源“指紋”特征的物理意義來源。 輻射源個體識別算法可部署在地面站， 通過分析采集信號， 準確判定空中目標身份并標記可疑目標， 提升系統的抗干擾性。

輻射源個體識別算法主要分為暫態過程識別和穩態過程識別[1-2]。 暫態過程主要包括開關機和工作模式切換等短暫狀態。 此狀態持續過程很短， 給提取工作造成困難， 但在此過程中發射的信號可以較好地體現輻射源元器件的非線性特性， 可分性強。 穩態過程指輻射源發射機在穩定工作時的狀態。 該狀態持續時間長， 數據的獲取相對簡單， 但此時發射機內部進入穩定工作狀態， 各器件合力作用， 難以對信號復雜的細微差異進行建模， 提取“指紋”特征難度大。 傳統的輻射源個體識別算法主要基于人工提取的特征， 包括瞬時頻率和振幅[3]、 信號的雙譜[4]、 分形維數[5]、 模糊函數切片[6]、 功率譜密度系數[7]以及接收端的信道狀態信息[8]等特征。 在傳統算法中， 手工提取的專家特征存在耗時且低效的

問題， 識別系統的性能依賴于專家對信號參數先驗知識的理解。? 此外，? 傳統算法缺乏足夠的可移植性來適應特定研究場景之外的情況， 這也成為應用輻射源個體識別技術的一個巨大挑戰。

深度學習[9]作為機器學習領域新的研究方法， 在從目標信號中高效提取并區分不同輻射源的強力特征上具有強大優勢。 由于其突出的實用性能， 被廣泛應用到紅外目標跟蹤[10-11]、 雷達目標識別[12]、 調制方式識別[13]、 信道譯碼[14]等領域。 近年來， 研究人員開始將深度學習方法引入到輻射源個體識別的算法研究中[15-17]。 文獻[15]利用深度置信網絡（Deep Belief Network， DBN）模型從雷達信號的脈沖包絡前沿進行特征提取， 完成輻射源個體識別。 文獻[16]引入深度強化學習算法， 根據從信號脈沖包絡中提取的特征區分輻射源個體。 文獻[17]將信號的切片片段輸入到深度神經網絡以完成識別過程， 同時證明，? 深度神經網絡在學習完整的ADS-B數據幀時， 會重點提取消息幀內部地址位的部分特征， 從而忽略識別算法對輻射源“指紋”特征的提取， 干擾了輻射源個體識別算法的實用性。

本文提出了一種基于深度殘差網絡（Deep Residual Network， DRN）的ADS-B信號輻射源識別算法。 該算法利用自定義的DRN模型挖掘I， Q信號的聯合深度特征， 實現了輻射源個體信號的自動識別， 并獲得了較好的識別準確率。

1 ADS-B技術概述

ADS-B系統具有出色的監測性能。 與傳統雷達系統不同， 該系統允許飛機自動廣播其位置和意圖， 提高其態勢感知能力。 ADS-B 包含以下含義： 自動（Automatic）， 無需人工干預的自動數據傳輸; 相關（Dependent）， 機載的設備決定了數據的可用性， 數據傳輸依賴于機載系統; 監視（Surveillance）， 提供監控任務所需的狀態數據; 廣播（Broadcast）， 通過廣播方式傳輸數據， 所有用戶都可以在適當的傳輸范圍內接收該數據。 但當傳輸范圍內空中目標數量顯著增加時， ADS-B服務的穩定性將顯著降低[18]。 隨著信道環境趨于復雜、 安全需求更加迫切、 飛行范圍逐漸擴大， 如何簡便、 準確地辨認不同的空中輻射源， 進而為相關人員研判不明目標屬性、 分析定位目標、 還原空情態勢提供有價值的判定依據， 成為科研工作者的一道必須攻克的難題。

航空兵器 2021年第28卷第4期

翁琳天然， 等： 基于深度殘差網絡的ADS-B信號輻射源個體識別

ADS-B 系統主要分為機載部分和地面部分[16]。 機載裝置通過 GNSS 衛星獲得飛機的實時位置信息與三維速度信息， 并從大氣數據系統獲取有關該飛機的高度信息， 通過機載收發機將上述信息及其他附加信息廣播至空中和地面， 以便其他飛機和地面用戶接收和顯示。 地面管控單位將收到的信息輸入空中交通管制系統， 向空管員提供范圍空域內的類雷達管制監視信息; 空中的飛機從其他飛機的機載發射機接收信息并進行處理， 將處理結果及態勢信息顯示在座艙顯示器上。

ADS-B 技術主要基于Mode S 1090ES與UAT數據鏈傳輸方式， 采用脈沖位置（PPM）編碼。 由于UAT需要安裝新設備， 且使用范圍有限， 因此， 大部分商用飛機采用了S模式與ADS-B的組合改進型： 1090ES。 1090ES易于安裝且使用范圍更加廣泛， 其將ADS-B功能集成到S模式應答器中運行。

ADS-B 1090ES消息共有四個前導脈沖， 每個脈沖的持續時間為0.5 ms±0.05 ms。 ADS-B消息數據脈沖內的第一個比特位出現在相對前導脈沖的第一個脈沖位置8.0 ms處。 每條 ADS-B 消息的數據域長度均為 112 bit， 該信號通過脈沖位置編碼（PPM）對消息進行編碼處理[19-22]。 消息的基本結構如表1所示。

表1中， DF位為下行鏈路格式; CA位為S模式應答機的能力; AA位為消息的地址位， 包含國際民用航空組織提供的全球唯一的設備標識ID; ME位為ADS-B的消息域; 最后24 bit作為整個消息的校驗域PI。

2 深度學習與深度殘差網絡

深度學習是一個發展迅速的前沿研究領域， 在計算機視覺、 自然語言處理、 生物信息學等許多科學領域都有突出的表現，? 其最吸引人的優點是消除了人工提取特征的過程。 深度學習模型通常包含許多具有非線性處理單元的處理層， 每層對前一層的輸入進行新的變換， 最終能夠形成層結構的數據展示。

與普通神經網絡相比， 卷積神經網絡中的卷積層將前一層的特征映射結果作為輸入， 對輸入數據和1個參數可學習的過濾器進行二維卷積操作。 若給定1個二維樣本x， 該樣本經過二維卷積核h的卷積運算過程為

（x·h）i， j=x（i， j）·h（i， j）=

∑n∑mx（n， m）·h（i-n）（j-m）（1）

向卷積神經網絡給定的固定結構輸入數據， 卷積層能夠從數據中抽象出細粒度和粗粒度的代表特征。 隨著網絡層數增加， 卷積神經網絡能夠提取到更抽象的維度特征。 豐富的特征將更好地幫助網絡增加擬合效果， 提升識別性能。 但在實際應用中， 單一地加深網絡層數， 網絡的識別效果反而會下降[23]， 該問題被稱為退化問題。 退化問題不是由過擬合引起的， 而是由于大量的網絡層參數導致更高的訓練錯誤。 此外， 在梯度反向傳播的過程中， 越靠近輸出層的參數將越容易收斂， 距離輸出層越遠的參數收斂得越緩慢。

為解決上述問題， He等[24]設計了殘差單元的網絡結構。 該結構在網絡中加入Shortcut結構， 實現了數據的跨層流動， 如圖1所示。 該結構并未使網絡直接擬合原先的映射， 而是擬合殘差映射。

假設原始的映射為H（x）， 殘差網絡擬合的映射為F（x）=H（x）-x。 若網絡已達最優狀態， 后續加深的網絡中， F（x）的部分將被置為0， 只余下殘差單元的輸入x。 在此基礎上網絡將保持最優狀態， 網絡的性能也不會隨著深度增加而降低。 普通的卷積神經網絡通過簡單

的堆疊層數提取更多的特征， 但必然存在部分層提取到的部分特征對識別結果無增益效果。 殘差結構人為地構造了恒等映射， 可以使多余的層在訓練過程中朝著恒等映射的方向去收斂， 減少模型失效的風險。 此外， Shortcut結構可以無損地傳播梯度， 解決了卷積神經網絡反向傳播過程中由于梯度連乘導致梯度消失的問題， 同時并未增加額外的計算量。 總體來說， 殘差網絡結構解決了極深度條件下深度卷積神經網絡性能退化的問題。 其在卷積層堆疊至一定數目時效果提升明顯， 但是在模型包含少量卷積層時， 其實際性能與普通堆疊的卷積神經網絡相當。

3 基于深度殘差網絡的ADS-B信號輻射源個體識別

3.1 系統設計

本文復現了文獻[19]中的解碼系統， 還原了ADS-B信號的信源信息。 提取信號內包含的設備ID碼作為對應數據樣本的標簽。 系統將信號歸一化后， 依據信號的幀結構去除設備ID碼對應的信號片段， 將截取后的信號作為訓練樣本置入深度殘差網絡模型進行訓練。 訓練好的模型將被用于對測試集數據的預測， 以評估模型性能， 具體流程如圖2所示。

系統分A和B兩路實現。 A路為深度殘差網絡提供輻射源標簽， B路為神經網絡提供有效的訓練樣本。 具體來說， A路首先對接收機采集的信號數據進行脈沖位置（PPM）解碼， 得到每條ADS-B數據的幀結構信息。 根據表1所列出的幀結構分布， 提取出地址位（AA位）內包含的設備標識ID， 作為該條ADS-B信號的輻射源個體標簽。 將待分類的輻射源標識進行獨熱（One-Hot）編碼后作為該樣本的標簽。 B路首先將接收機采集的同相分量（I路）和正交分量（Q路）信號進行歸一化， 以控制數據集樣本相互間的差異。 從歸一化的I， Q信號樣本中去除AA位所對應的信號部分， 使每條截取后的樣本不包含設備ID信息， 保證學習算法不受地址位部分的信號數據影響， 從而能真正學習到每條樣本在I， Q信號域上表征出的細微差異。 之后將數據集拆分為訓練集和測試集， 將訓練集數據輸入到深度殘差網絡供模型訓練， 將測試集數據輸入至訓練完畢的模型， 通過識別結果評估效果。

3.2 深度殘差網絡設計

本文使用的深度殘差網絡模型框架如圖3所示。 為了適應二維的I， Q信號樣本， 本文使用了一維卷積層（Conv 1D）和最大池化層（MaxPool 1D）。 所有模型中的一維卷積層均設置有64個卷積核， 每個卷積核大小為3。 每個卷積層后添加ReLU激活函數， 增加模型的非線性建模能力。 一維最大池化層的采樣核大小為2， 采樣間距為2。 本文還使用了一些操作以改善模型的分類精度和訓練效率： 引入Dropout作為正則化方法。 通過將神經元的輸出按照指定概率置零來減少神經元的協同， 以防止過擬合。 引入Batch Normalization（BN）層對批量數據進行歸一化處理。 BN層使網絡減少過擬合， 并使得訓練具有快速收斂性。

樣本輸入到模型后， 首先經過一對卷積層和池化層對樣本的底層特征進行嵌入。 輸出的特征圖隨后被送入4個自定義的殘差單元。 殘差單元的內部結構如圖3中右側的子圖所示， 在Shortcut結構后又設置了一對BN層和池化層。 經過4個殘差單元后， 特征圖被送入2個全連接層， 第1個全連接層內包含80個神經元， 設置Dropout比率為0.5， 第2個全連接層內的神經元個數與輻射源待分類的類別數相同， 采用Softmax激活函數， 將識別結果映射到（0， 1）區間， 以得到各類別的識別概率。

本文設計了深度殘差網絡和未采用殘差單元的卷積神經網絡處理ADS-B信號輻射源識別的任務。 在后續的實驗中， 進行了性能度量、 模型收斂情況、 識別率曲線等多項對比， 深度殘差網絡的總體性能占優， 因此， 本文最終采用深度殘差網絡作為本任務的識別模型。

3.3 具體實現

外場采集了包含44部（類）飛行目標的ADS-B信號共12 509條。 經過預處理， 得到等數量的I， Q復值信號數據。 圖4展示了其中三類實測目標的前1 000采樣點的幅度信號。 從圖中可以觀察到， 信號前導幀頭與部分幀頭的波形突發位置相同， 但是不同類別信號的波形前后沿與波峰均出現不同程度的畸變， 這些細微差異可作為模型進行輻射源個體識別的依據。

本實驗從采集的數據中選取Ny=30類目標共11 168條數據，各類別樣本數為132～788條不等。對采集的樣本進行歸一化處理， 并制作標識輻射源個體類別的信號標簽。實驗數據集S由采集到的向量樣本和對應的輻射源標簽組成， 可表示為

S={（x（i）， y（i））} i∈[0， 11 167]（2）

在整個算法的實驗過程中刪除了樣本內地址位部分的信號采樣點， 在每條有效樣本中保留了3 000對I， Q采樣值， 每條向量樣本x（i）∈綆2×3 000由I， Q信號中的同相和正交分量堆疊而成。 為了適應模型的學習過程， 將標簽按照輻射源種類的差異進行整數編碼， 再對整數值標簽進行獨熱編碼， 得到擴展的信號標簽y（i）∈1×Ny。 按照3∶1的比例劃分訓練集Strain和測試集Stest。

算法的訓練和測試過程在Linux服務器上使用Tensorflow框架部署。 在GPU加速庫的支持下， 模型在RTX2080Ti的GPU卡上進行訓練和測試。 考慮到GPU的可用計算資源， 選擇將mini-batch設置為200。 設置訓練輪數為600， 初始學習率為0.01。

網絡的損失函數L是通過計算模型輸出的類別概率y^與真實標簽y的差異得到的。

本文中模型使用交叉熵損失函數， 第i個樣本的損失函數可計算如下：

L（y（i）， y^（i））=∑Nyj=1y（i）jlg（y^（i）j）（3）

網絡的參數θ通過最小化訓練集Strain上的損失函數L來獲得：

minθ∑（x（i）， y（i））∈StrainL（y（i）， y^（i））（4）

4 實驗結果與分析

為驗證本文提出的DRN模型的輻射源個體識別性能， 選取了三個模型進行有針對性的對比實驗， 包括卷積神經網絡（CNN）、? 深度置信網絡（DBN）[15]和選擇雙譜算法（BIS）[4]。 選取的卷積神經網絡是DRN的簡化版本， 將DRN內部的殘差單元全部替換為普通的一維卷積層。 為了精確描述和比較模型的預測精度， 選擇了四個評價指標， 分別是準確率、 精確率、 召回率和F1值。

在實測的30類目標樣本的訓練集上分別進行模型的訓練， 通過比較測試樣本集的預測精度來量化輻射源個體識別方法的性能。 表2展示了各模型的識別結果， 由表2可知， 本文提出的DRN模型在四個指標中都達到了最佳。 其準確率較CNN， DBN和BIS分別提高了1.69%， 2.98%和31.64%; F1值較其他三種模型分別提高了2.72%， 3.62%和37.10%。 在CNN高識別率的基礎上， DRN仍能在各項指標中有進一步穩定的提升， 說明其確實對識別任務起到了增益效果。 此外， 相比傳統方法（BIS）， 深度學習方法（DRN， CNN， DBN）的識別效果更加突出。

此外， 通過觀察不同模型在測試集上300輪訓練迭代中的識別率變化， 評估其收斂情況， 得到了圖5所示的識別率對比曲線。 DRN對測試集的識別率在絕大部分迭代過程中都保持了最高水平， 且對比CNN能穩定保持1.7%左右的領先優勢， 另外可以看到， DRN和CNN均在25輪迭代之內收斂到了平穩的水平， 而DBN在模型迭代過程中的識別率出現了較大的波動， BIS在收斂情況和收斂穩定后的識別率上與其他模型相比均存在較大差距。

圖6給出了DRN識別30類飛行輻射源目標的準確率混淆矩陣。 結果顯示， 30類目標中有24類的識別準確率均在96.72%以上。 28號目標由于和25號目標的信號存在較強相似性， 識別率為58.33%。 結果證明DRN在實測信號的個體識別中實現了較強的性能， 驗證了算法的有效性。

為進一步驗證算法的魯棒性， 在實測數據集內加入仿真的加性高斯白噪聲， 在完成數據擴增的同時進一步測試模型的抗噪聲能力。 具體實現如下： 在Python中使用自定義方法依次向全部信號數據中添加指定大小的仿真白噪聲， 噪聲信噪比范圍為-5～20 dB， 間隔1 dB。 該方法將輸入信號的功率作為設置信噪比的依據， 使加入的仿真噪聲更加貼近預設的信噪比值。 擴增后的數據集擴大了26倍， 共290 368條。 同樣按照3∶1的比例分割訓練集和測試集， 各模型在不同信噪比上的識別準確率曲線如圖7所示。

比較可看出， 本文所提DRN在各信噪比的準確率均優于其他模型， 且識別率在-3 dB信噪比以上均超過96.70%， 其抗噪性能得到了驗證。 另外， 深度學習方法（DRN， CNN， DBN）在不同噪聲環境下的魯棒性明顯優于傳統方法（BIS）。 此外， 所有模型的最高識別準確率在經過數據擴增后均得到了不同程度的提高， 如表3所示。

其中DRN的識別準確率獲得了進一步提升， 達到了98.30%。 BIS獲得了最大的準確率提升幅度， 但準確率較其他模型仍有差距。 該結果表明， 通過在信噪比上對數據進行增廣， 數據集內部更加多樣化， 識別模型也因此具有更強的泛化能力和更高效的識別性能。

圖8展示了DRN對于單個輻射源目標在不同信噪比范圍中的識別效果。 30類輻射源目標的識別準確率曲線采用不同顏色標記， 信噪比范圍為-5～20 dB。 除28號目標的整體識別率未突破80%外， 其他目標在5 dB信噪比以上的識別率均超過85%，? 且其中有19類目標的

識別率全程基本穩定在100%。 綜合來看， 各目標在信噪比范圍中獲得了穩定的識別率， 證明了模型在面對噪聲時具有較強的魯棒性。

5 結論與思考

本文提出使用深度殘差網絡對ADS-B通信系統中的輻射源個體目標進行識別。 利用幀結構信息提取信號的設備ID作為識別標簽， 將I， Q信號作為數據源， 采用改進的深度殘差網絡模型挖掘不同目標信號的輻射源細微指紋信息。 所提出的基于深度殘差網絡的算法不僅避免了人工選擇特征的困難， 而且在輻射源識別的實驗中展現出較好的性能。 此外， 實驗證明數據增廣可以進一步提升識別模型的性能。

目前基于深度殘差網絡的輻射源識別方法仍有改進空間。 首先， 復信號樣本雖保留了信號的原始信息， 但并未使神經網絡將更多的注意力權重轉移到區分性強的特征上去。 其次， 神經網絡的結構對分類性能有很大的影響。 因此， 未來有必要在輻射源個體識別這一課題中， 研究并使用更加貼近數據源分布規律的深度學習模型。

參考文獻：

[1] 黃開平， 梁紅， 李少偉. 輻射源個體識別技術研究[J]. 通信對抗， 2011（3）：? 23-27.

Huang Kaiping，? Liang Hong，? Li Shaowei.? Research on Specific Emitter Identification[J].? Communication Countermeasures，? 2011（3）：? 23-27.? （in Chinese）

[2] 秦嘉. 基于深度學習的通信輻射源個體識別[D]. 北京： 北京郵電大學， 2019.

Qin Jia.? Individual Identification of Communication Emitter Based on Deep Learning[D].? Beijing： Beijing University of Posts and Telecommunications，? 2019.? （in Chinese）

[3] Ureten O，? Serinken N.? Wireless Security through RF Fingerprinting[J].? Canadian Journal of Electrical and Computer Engineering，? 2007，? 32（1）：? 27-33.

[4] 蔡忠偉， 李建東. 基于雙譜的通信輻射源個體識別[J].? 通信學報，? 2007，? 28（2）：? 75-79.

Cai Zhongwei，? Li Jiandong.? Study of Transmitter Individual Identification Based on Bispectra[J].? Journal on Communications，? 2007，? 28（2）：? 75-79.? （in Chinese）

[5] Dudczyk J，? Kawalec A.? Fractal Features of Specific Emitter Identification[J].? Acta Physica Polonica A，? 2013，? 124（3）：? 406-409.

[6] 李林， 姬紅兵. 基于模糊函數的雷達輻射源個體識別[J]. 電子與信息學報， 2009， 31（11）： 2546-2551.

Li Lin，? Ji Hongbing.? Specific Emitter Identification Based on Ambiguity Function[J].? Journal of Electronics & Information Technology，? 2009， 31（11）： 2546-2551.? （in Chinese）

[7] Scanlon P，? Kennedy I O，? Liu Y H.? Feature Extraction Approaches to RF Fingerprinting for Device Identification in Femtocells[J].? Bell Labs Technical Journal，? 2010，? 15（3）：? 141-151.

[8] Yu P L，? Sadler B M.? MIMO Authentication via Deliberate Fingerprinting at the Physical Layer[J].? IEEE Transactions on Information Forensics and Security，? 2011，? 6（3）：? 606-615.

[9] Hinton G E.? To Recognize Shapes，? First Learn to Generate Images[J].? Progress in Brain Research，? 2007，? 165（6）： 535-547.

[10] 莊旭陽， 陳寶國， 張景山.? 深度學習在紅外目標跟蹤中的應用展望[J].? 航空兵器，? 2019，? 26 （1）：? 47-52.

Zhuang Xuyang，? Chen Baoguo，? Zhang Jingshan.? Application Prospect of Deep Learning in Infrared Target Tracking [J].? Aero Weaponry，? 2019，? 26（1）：? 47-52.? （in Chinese）

[11] 趙琰， 劉荻， 趙凌君.? 基于YOLOv3 的復雜環境紅外弱小目標檢測[J].? 航空兵器，? 2019，? 26 （6）：? 29-34.

Zhao Yan，? Liu Di，? Zhao Lingjun.? Infrared Dim and Small Target Detection Based on YOLOv3 in Complex Environment[J].? Aero Weaponry，? 2019，? 26 （6）：? 29-34. （in Chinese）

[12] 付哲泉， 李相平， 李尚生，? 等.? 深度學習在雷達目標高分辨距離像識別中的研究綜述[J].? 航空兵器，? 2020，? 27（3）：? 37-43.

Fu Zhequan，? Li Xiangping，? Li Shangsheng，? et al.? Review of Radar HRRP Target Recognition Based on Deep Learning[J].? Aero Weaponry，? 2020，? 27 （3）：? 37-43.? （in Chinese）

[13] Oshea T J，? Roy T，? Clancy T C.? Over-the-Air Deep Learning Based Radio Signal Classification[J].? IEEE Journal of Selected Topics in Signal Processing，? 2018，? 12（1）：? 168-179.

[14] Nachmani E，? Marciano E，? Lugosch L，? et al.? Deep Learning Methods for Improved Decoding of Linear Codes[J].? IEEE Journal of Selected Topics in Signal Processing，? 2018， 12（1）： 119-131.

[15] 徐宇恒， 程嗣怡， 董曉璇， 等. 基于DBN特征提取的雷達輻射源個體識別[J]. 空軍工程大學學報（自然科學版）， 2019， 20（6）： 91-96.

Xu Yuheng，? Cheng Siyi，? Dong Xiaoxuan，? et al.? Radar Specific Emitter Identification Based on DBN Feature Extraction[J].? Journal of Air Force Engineering University （Natural Science Edition），? 2019，? 20（6）：? 91-96.? （in Chinese）

[16] 冷鵬飛， 徐朝陽. 一種深度強化學習的雷達輻射源個體識別方法[J]. 兵工學報， 2018， 39（12）： 2420-2426.

Leng Pengfei，? Xu Chaoyang.? Specific Emitter Identification Based on Deep Reinforcement Learning[J].? Acta Armamentarii，? 2018， 39（12）： 2420-2426.? （in Chinese）

[17] Jian T，? Rendon B C，? Gritsenko A，? et al.? MAC ID Spoofing-Resistant Radio Fingerprinting[C]∥IEEE Global Conference on Signal and Information Processing，? 2019.

[18] Strohmeier M，? Schafer M，? Lenders V，? et al.? Realities and Challenges of Nextgen Air Traffic Management：? The Case of ADS-B[J].? IEEE Communications Magazine，? 2014，? 52（5）：? 111-118.

[19] 王菲. 基于1 090 MHz ES數據鏈ADS-B關鍵技術研究[D]. 成都： 電子科技大學， 2009.

Wang Fei.? Research on Key Technologies of ADS-B Based on 1 090 MHz ES Data Link[D]. Chengdu： University of Electronic Science and Technology of China，? 2009.? （in Chinese）

[20] 許曉. 信號交疊下S模式ADS-B信號解碼仿真[D]. 廣漢： 中國民用航空飛行學院， 2013.

Xu Xiao.? Based on Signal Overlap Simulation of Mode S ADS-B Signal Decoding[D]. Guanghan：? Civil Aviation Flight University of China，? 2013.? （in Chinese）

[21] 戴超成. 廣播式自動相關監視 （ADS-B） 關鍵技術及仿真研究[D]. 上海： 上海交通大學，? 2011.

Dai Chaocheng.? Key Technology and Simulation Study for Automatic Dependent Surveillance-Broadcast （ADS-B） [D]. Shanghai： Shanghai Jiaotong University，? 2011.? （in Chinese）

[22] RTCA DO-260A-V1[S]. 20036-5133.

[23] He K M，? Sun J. Convolutional Neural Networks at Constrained Time Cost[C]∥IEEE Conference on Computer Vision and Pattern Recognition （CVPR），?? 2015.

[24] He K M，? Zhang X Y， Ren S Q， et al.? Deep Residual Learning for Image Recognition[C]∥IEEE Conference on Computer Vision and Pattern Recognition，? 2016.

Specific Emitter Identification of ADS-B Signal

Based on Deep Residual Network

Weng Lintianran1， Peng Jinlin2*， He Yuan3， Zhong Dudu4， Peng Jianhua1， Mao Xuanyu5

（1. PLA Strategic Support Force Information Engineering University， Zhengzhou 450002， China;

2. National Innovation Institute of Defense Technology， Beijing 100071， China;

3. Key Laboratory of Trustworthy Distributed Computing and Service， Ministry of Education，

Beijing University of Posts and Telecommunications， Beijing 100876， China;

4. Academy of the Rocket Force， Beijing 100038， China;

5. 8511st Research Institute of CASIC， Nanjing 210007， China）

Abstract： ?A specific emitter identification method based on deep residual network （DRN） is proposed to solve the problem that the traditional expert features relying on artificial extraction are difficult to characterize the subtle differences of specific emitters.The DRN is used to complete the identification task. The in-phase component （I-way） and the quadrature component （Q-way） of signal sample data are inputted into the DRN for training. The performance of the proposed method is evaluated by experiments on datasets containing actual collected ADS-B signals from different planes. The results show that the proposed DRN model achieves high classification accuracy without manual feature selection. Furthermore， data augmentation on signal-to-noise ratio can further improve the performance of the model.

Key words： ?ADS-B; specific emitter identification; deep residual network; deep learning