基于參數優化VMD和LightGBM的雷達輻射源個體識別

肖易寒 李棟年 于祥禎 宋柯

摘 要：????? 為解決在復雜電磁環境中雷達輻射源個體識別準確率低的問題，提出基于參數優化VMD和LightGBM的雷達輻射源個體識別技術。首先對雷達輻射源的無意特征進行分析，仿真添加了相位噪聲作為雷達輻射源的指紋特征; 其次利用麻雀搜索算法（SSA）對變分模態分解（VMD）的分解參數進行自動尋優，準確快速地得到最優分解參數組合為[2， 2 950]; 然后基于最優VMD分解參數對輻射源信號提取能量熵與樣本熵作為特征向量; 最后將特征向量送入LightGBM分類器完成輻射源個體識別。通過實測數據的驗證，信噪比在25 dB時識別率能夠達到85%以上，具有較為理想的識別結果。

關鍵詞：???? 雷達輻射源; 個體識別; 變分模態分解; 麻雀搜索算法; 能量熵; 樣本熵; LightGBM

中圖分類號：???? TJ760; V243.2

文獻標識碼：??? A

文章編號：???? 1673-5048（2022）02-0093-08

DOI： 10.12132/ISSN.1673-5048.2021.0073

0 引? 言

輻射源的個體識別又稱輻射源指紋識別或者特定輻射源識別[1]，輻射源指紋是發射設備硬件固有非理想特征造成的，具有不可偽造、難以改變、不可避免等特點。這種非理想特征對信號的影響是細微的，以無意調制的形式附加在發射信號上，對“指紋”特征的提取是輻射源無意識別的難點。目前對指紋特征的分析提取主要基于對以下信息的獲取： 常規基本參數信息[2-4]、基本變換信息[5-8]、信號特殊結構[9-11]、分解重構信息[12-15]以及發射機硬件特性[16-18]。

輻射源個體識別可根據分析對象分為通信輻射源個體識別與雷達輻射源個體識別[19]。其中對于雷達輻射源個體識別的研究具有重要意義，快速精確地對雷達輻射源進行識別可以直接掌握戰爭主動性，是當今電子戰快速發展下的制勝關鍵。

雷達輻射源個體識別并不關注傳輸過程信號的主要信息，關注重點是在信號主體成分之外的細微特征。利用信號的分解算法可以在提高信息維度的同時獲得新的數據處理思路，以此得到更好的特征提取結果。分解算法可以將信號分成多個本征模態函數（IMF），分別為原始信號的主要成分及雜散成分。常見的分解算法有經驗模態分解（EMD）、變分模態分解（VMD）及固有時間尺度分解（ITD），其中VMD方法結果穩定，計算簡單，無模態混疊問題，分解出的基本分量IMF具有AM-FM調制窄帶信號的特點，其瞬時頻率有實際的物理意義。馬洪斌等[20]利用蛙跳算法來搜索VMD最優參數，將得到的IMF分量構成矩陣進行奇異值分解，并作為特征對故障類型進行識別。李亞蘭等[21]將VMD算法用于雷達信號有意識別，將信號分解為3個IMF分量后對3個IMF分量提取排列熵與樣本熵，在低信噪比下達到較高識別率。鄭義等[22]提出利用蝗蟲優化算法，以相關峭度為適應度函數對變分模態分解參數進行自適應選定，用于提取強噪聲背景下滾動軸承故障信號的微弱特征。

本文將麻雀搜索算法（SSA）用于VMD參數的優化選取上，解決了VMD分解參數人為設置帶來的影響，又基于熵特征進行了二次特征提取，最后用于LightGBM分類器進行識別。 仿真結果顯示該方法具有較高識別率，較其他方法有明顯優勢，在實測數據的驗證下同樣能夠達到一定識別率。

3.3 基于LightGBM的輻射源個體識別

仿真得到的雷達輻射源信號經過SSA優化VMD參數后分解得到3個IMF分量，分別提取了能量熵與樣本熵后串聯為6維特征向量，使用LightGBM進行分類識別。每個信噪比下有3部輻射源共1 200個樣本信號，分類識別中將訓練集與測試集比值設置為8∶2，即960個樣本作為訓練集，240個樣本為測試集，送入LightGBM進行分類識別。

將本文方法與文獻[31]中的方法進行對比。文獻[31]對信號進行VMD后將模態分量不用的中心頻率作為特征，送入經人工蜂群算法優化的支持向量機（ABC-SVM）中進行識別分類。同時，對比了使用本文方法提取特征后送入ABC-SVM的識別率以及文獻[31]所提取特征送入LightGBM分類器的識別率，如圖6所示。

由圖6可得，識別率隨信噪比的增加逐步提升，本文方法即VMD分解后提取能量熵與樣本熵作為特征向量后使用LightGBM分類器進行分類識別，在15 dB時3部輻射源識別率已經達到了95%以上，在20 dB時已經達到了100%。

對比分析可得：

（1） 本文識別結果較文獻[31]方法結果在各個信噪比下識別率均有所提升，尤其在較低信噪比下的識別率提升較高。

（2） 本文所提取特征經ABC-SVM識別方法在各個信噪比下識別率均高于文獻[31]方法，這表明在使用相同分類器的情況下，本文所提取特征對輻射源無意特征的表征要優于文獻[31]所提取特征。

（3） 對文獻[31]所提取特征經LightGBM識別方法后在各個信噪比下識別率均略高于文獻[31]方法，這表明在使用相同特征的情況下，本文所選用分類器同樣優于ABC-SVM。

（4） 以文獻[31]方法為參考對象，本文所提取特征對識別率的提升效果要優于選用LightGBM對識別率的提升效果。

3.4 基于實測數據的識別結果分析

為了驗證實驗方法的穩定性以及對輻射源信號中添加無意特征的仿真有效性，采集了來自3部不同型號、仿真參數相同的信號源發射器發出的線性調頻信號。

實驗采用3臺信號發射器，分別為Agilent E4438C，Agilent N5172B EXG X以及Tektronix AWG70001。對每部信號發生器分別采集400組樣本數據，其中80%用于訓練，剩余20%用于測試。

對采集的信號進行處理后，經基于SSA的VMD參數優化算法進行分析，得到最優分解參數組合為[2， 2 950]，即分解模態數為2，二次懲罰因子為2 950。后經VMD分解后得到2個模態分量，對其分別提取能量熵與樣本熵后級聯得4維特征向量，送入LightGBM得到的分類結果如表2所示。

由實驗結果可以看出，識別率隨信噪比的增大逐漸提升。信噪比在25 dB時識別率能夠達到85%以上，在雷達輻射源個體識別研究問題中能夠達到較高識別率。4 結? 論

（1） VMD算法能夠依據不同中心頻率對信號進行分解，在輻射源無意特征的提取方面有天然的優勢。同時SSA又能夠快速準確地對VMD的分解模態數K與二次懲罰因子α進行尋優，避免了人為選擇參數對分解結果的不利影響。能量熵與樣本熵完全匹配于VMD算法，將各模態分量間的重要信息量化表達。仿真結果顯示，基于LightGBM算法的識別結果要好于經典的SVM，本文所提方法各方面性能均有穩定提升。

（2） 經實測數據驗證，本文方法能夠達到較高識別率，但相較于仿真數據識別率有一定差距，證明雷達輻射源中的相位噪聲是雷達發射機中無意特征的主要來源，但仿真的相位噪聲距離實際無意特征還有一定差距，還需進一步仿真分析，以求更加接近真實的無意特征。

參考文獻：

[1] Ren D F， Zhang T. Specific Emitter Identification Based on Intrinsic Time-Scale-Decomposition and Image Texture Feature[C]∥9th IEEE International Conference on Communication Software and Networks （ICCSN）， 2017： 1302-1307.

[2] Wu L W， Zhao Y Q， Feng M F， et al. Specific Emitter Identification Using IMF-DNA with a Joint Feature Selection Algorithm[J]. Electronics， 2019， 8（9）： 934.

[3] Feng Z P， Zhang D， Zuo M J. Adaptive Mode Decomposition Me-thods and Their Applications in Signal Analysis for Machinery Fault Diagnosis： A Review with Examples[J]. IEEE Access， 2017， 5： 24301-24331.

[4] Ru X H， Liu Z， Huang Z T， et al. Evaluation of Unintentional Modulation for Pulse Compression Signals Based on Spectrum Asymmetry[J]. IET Radar， Sonar & Navigation， 2017， 11（4）： 656-663.

[5] 葉文強， 俞志富. 基于聯合時頻輻射源信號識別方法[J]. 電子信息對抗技術， 2018， 33（5）： 16-19.

Ye Wenqiang， Yu Zhifu. Signal Recognition Method Based on Joint Time-Frequency Radiant Source[J]. Electronic Information Warfare Technology， 2018， 33（5）： 16-19.（in Chinese）

[6] Flamant J， Le Bihan N， Chainais P. Time-Frequency Analysis of Bivariate Signals[J]. Applied and Computational Harmonic Analysis， 2019， 46（2）： 351-383.

[7] 王歡歡， 張濤. 結合時域分析和改進雙譜的通信信號特征提取算法[J]. 信號處理， 2017， 33（6）： 864-871.

Wang Huanhuan， Zhang Tao. Extraction Algorithm of Communication Signal Characteristics Based on Improved Bispectra and Time-Domain Analysis[J]. Journal of Signal Processing， 2017， 33（6）： 864-871.（in Chinese）

[8] Zhang J W， Wang F G， Dobre O A， et al. Specific Emitter Identification via Hilbert-Huang Transform in Single-Hop and Relaying Scenarios[J]. IEEE Transactions on Information Forensics and Security， 2016， 11（6）： 1192-1205.

[9] Padilla P， Padilla J L， Valenzuela-Valdés J F. Radio Frequency Identification of Wireless Devices Based on RF Fingerprinting[J]. Electronics Letters， 2013， 49（22）： 1409-1410.

[10] Wu Q Y， Feres C， Kuzmenko D， et al. Deep Learning Based RF Fingerprinting for Device Identification and Wireless Security[J]. Electronics Letters， 2018， 54（24）： 1405-1407.

[11] 王磊， 姬紅兵， 史亞. 基于模糊函數代表性切片的運動雷達輻射源識別[J]. 系統工程與電子技術， 2010， 32（8）： 1630-1634.

Wang Lei， Ji Hongbing， Shi Ya. Moving Radar Emitter Recognition Based on Representative-Cut Feature of Ambiguity Function[J]. Systems Engineering and Electronics， 2010， 32（8）： 1630-1634.（in Chinese）

[12] Martis R J， Acharya U R， Tan J H， et al. Application of Intrinsic Time-Scale Decomposition （ITD） to EEG Signals for Automated Seizure Prediction[J]. International Journal of Neural Systems， 2013， 23（5）： 1350023.

[13] Xu Y G， Xie Z C， Cui L L， et al. The Feature Extraction Method of Gear Magnetic Memory Signal[J]. Advanced Materials Research， 2013， 819： 206-211.

[14] Bihl T J， Bauer K W， Temple M A. Feature Selection for RF Fingerprinting with Multiple Discriminant Analysis and Using Zig Bee Device Emissions[J]. IEEE Transactions on Information Forensics and Security， 2016， 11（8）： 1862-1874.

[15] Zhu S L， Gan L. Specific Emitter Identification Based on Visibility Graph Entropy[J]. Chinese Physics Letters， 2018， 35（3）： 030501.

[16] 徐志軍， 陳志偉， 王金明， 等. 基于功放特性的輻射源識別的改進方法[J]. 南京郵電大學學報：自然科學版， 2013， 33（6）： 54-58.

Xu Zhijun， Chen Zhiwei， Wang Jinming， et al. An Improved Method for Emitter Identification Based on Character of Power Amplifier[J]. Journal of Nanjing University of Posts and Telecommunications： Natural Science， 2013， 33（6）： 54-58.（in Chinese）

[17] 黃淵凌， 鄭輝. 一種基于相噪特性的輻射源指紋特征提取方法[J]. 計算機仿真， 2013， 30（9）： 182-185.

Huang Yuanling， Zheng Hui. Emitter Fingerprint Feature Extraction Method Based on Characteristics of Phase Noise[J]. Computer Simulation， 2013， 30（9）： 182-185.（in Chinese）

[18] Wu L W， Zhao Y Q， Wang Z， et al. Specific Emitter Identification Using Fractal Features Based on Box-Counting Dimension and Variance Dimension[C]∥IEEE International Symposium on Signal Processing and Information Technology （ISSPIT）， 2017： 226-231.

[19] Talbot K I， Duley P R， Hyatt M H. Specific Emitter Identification and Verification[J]. Technology Review Journal， 2003，1（1）： 113-133.

[20] 馬洪斌， 佟慶彬， 張亞男. 優化參數的變分模態分解在滾動軸承故障診斷中的應用[J]. 中國機械工程， 2018， 29（4）： 390-397.

Ma Hongbin， Tong Qingbin， Zhang Yanan. Applications of Optimization Parameters VMD to Fault Diagnosis of Rolling Bearings[J]. China Mechanical Engineering， 2018， 29（4）： 390-397.（in Chinese）

[21] 李亞蘭， 金煒東， 葛鵬. 基于VMD和特征融合的輻射源信號識別[J]. 系統工程與電子技術， 2020， 42（7）： 1499-1503.

Li Yalan， Jin Weidong， Ge Peng. Radiation Emitter Signal Reco-gnition Based on VMD and Feature Fusion[J]. Systems Engineering and Electronics， 2020， 42（7）： 1499-1503.（in Chinese）

[22] 鄭義， 岳建海， 焦靜， 等. 基于參數優化變分模態分解的滾動軸承故障特征提取方法[J]. 振動與沖擊， 2021， 40（1）： 86-94.

Zheng Yi， Yue Jianhai， Jiao Jing， et al. Fault Feature Extraction Method of Rolling Bearing Based on Parameter Optimized VMD[J]. Journal of Vibration and Shock， 2021， 40（1）： 86-94.（in Chinese）

[23] Dragomiretskiy K， Zosso D. Variational Mode Decomposition[J]. IEEE Transactions on Signal Processing， 2014， 62（3）： 531-544.

[24] Xue J K， Shen B. A Novel Swarm Intelligence Optimization Approach： Sparrow Search Algorithm[J]. Systems Science & Control Engineering， 2020， 8（1）： 22-34.

[25] Alcaraz R， Rieta J J. A Review on Sample Entropy Applications for the Non-Invasive Analysis of Atrial Fibrillation Electrocardiograms[J]. Biomedical Signal Processing and Control， 2010， 5（1）： 1-14.

[26] Pincus S M. Approximate Entropy as a Measure of Irregularity for Psychiatric Serial Metrics[J]. Bipolar Disorders， 2006， 8（5 Pt 1）： 430-440.

[27] Ke G L， Meng Q， Finley T， et al. LightGBM： A Highly Efficient Gradient Boosting Decision Tree [C]∥ 31st International Conference on Neural Information Processing Systems， 2017： 3149-3157.

[28] 鄭娜娥， 王盛， 張靖志， 等. 基于射頻指紋的輻射源個體識別技術綜述[J]. 信息工程大學學報， 2020， 21（3）： 285-289.

Zheng Na’e，Wang Sheng， Zhang Jingzhi， et al. Overview of Emitter Identification Techniques Based on Radio Frequency Fingerprinting[J]. Journal of Information Engineering University， 2020， 21（3）： 285-289.（in Chinese）

[29] 孫麗婷， 黃知濤， 王翔， 等. 輻射源指紋特征提取方法述評[J]. 雷達學報， 2020， 9（6）： 1014-1031.

Sun Liting， Huang Zhitao， Wang Xiang， et al. Overview of Radio Frequency Fingerprint Extraction in Specific Emitter Identification[J]. Journal of Radars， 2020， 9（6）： 1014-1031.（in Chinese）

[30] 楊冬鋒， 陳盛開， 劉曉軍， 等. 基于自適應VMD和時-頻分段能量熵特征的過電壓信號識別[J]. 電網技術， 2019， 43（12）： 4597-4604.

Yang Dongfeng， Chen Shengkai， Liu Xiaojun， et al. Research on Overvoltage Signal Recognition Based on Adaptive VMD and Time-Frequency Segment Energy Entropy[J]. Power System Technology， 2019， 43（12）： 4597-4604.（in Chinese）

[31] 張忠民， 劉剛. 基于VMD和ABC-SVM的雷達輻射源個體識別[J]. 哈爾濱商業大學學報：自然科學版， 2020， 36（2）： 176-182.

Zhang Zhongmin， Liu Gang. Individual Identification of Radar Emitter Based on VMD and ABC-SVM[J]. Journal of Harbin University of Commerce： Natural Sciences Edition， 2020， 36（2）： 176-182.（in Chinese）

Radar Emitter Individual Identification Based on

Parameter Optimization VMD and LightGBM

Xiao Yihan1，Li Dongnian1*，Yu Xiangzhen2，Song Ke2

（1. Harbin Engineering University，Harbin 150001， China;

2. Shanghai Radio Equipment Research Institute，Shanghai 200090， China）

Abstract： In order to solve the problem of low accuracy of? radar emitter individual identification in? complex electromagnetic environment， a radar emitter individual identification technology based on parameter optimization VMD and LightGBM is proposed. Firstly， the unintentional features of the radar emitter are analyzed， and the added phase noise is taken as the fingerprint feature of? radar emitter in the simulation. Secondly，sparrow search algorithm （SSA） is used to automatically optimize the decomposition parameters of? variational modal decomposition （VMD）， and the optimal decomposition parameter combination is accurately and quickly obtained as [2， 2 950]. Then， based on the optimal VMD decomposition parameters， the energy entropy and sample entropy of the emitter signal are extracted as? feature vector. Finally， the feature vector is sent to the LightGBM classifier to complete the emitter individual identification. Through the verification of measured data，the recognition rate can reach more than 85% when the signal-to-noise ratio is 25 dB， which has? ideal recognition results.

Key words：? radar emitter; individual identification; VMD; SSA; energy entropy; sample entropy; LightGBM