采用極化特征的通信輻射源個體識別方法

張梓軒,齊子森,許華,史蘊豪,梁佳

(空軍工程大學信息與導航學院,710077,西安)

通信輻射源信號的分類識別作為信號處理領域的研究重點之一,已成為復雜電磁環境下獲取電磁情報,實現目標識別的首要步驟,對于構建復雜電磁態勢有著關鍵作用。特定輻射源識別又稱射頻指紋識別[1],是利用輻射源設備的硬件差異即射頻指紋在空間輻射信號中的差異性識別區分輻射源個體的技術。

在輻射源個體識別技術中,核心環節為指紋特征提取和分類器設計,提取的指紋特征即射頻指紋,并且這些指紋特征應具有普遍性、可測性、唯一性和穩定性[2-3]。通信輻射源個體識別的方法大致可以分為基于專家經驗的識別方法和基于深度學習的識別方法。基于專家經驗的識別方法是根據對輻射源畸變的現有認知人工提取指紋特征,并進行分類識別,其中包括基于信號參數統計特征的識別方法、基于信號變換域特征的識別方法和基于發射機機理建模的識別方法。信號參數統計特征包含時域、頻域以及高階譜等。Williams等以GSM和WiMax信號的幅度、相位和頻率的均值、方差等數種統計指標為特征,在對手機終端的識別上取得了較好的效果[4]。Reising等以WiFi和WiMax信號為研究對象,提取了信號中導字段的瞬時相位統計特征,對多部同型手機取得了良好的識別效果[5]。信號變換域特征主要包含小波分析、時頻分析和經驗模態變換。秦嘉利用小波分析的多分辨率優勢,從暫態信號中提取了正交小波分析系數特征,達到了識別發射機的目的[6]。Jain等研究了暫態信號的離散Gabor變化和Gabor-Wigner變化,并從中提取幅度統計特征實現了對不同發射機的識別[7]。基于機理建模的識別方法,是從指紋特征的物理本質出發,研究發射機的組成模塊和工作原理,通過建立機理模型的方式分析并提取本質特征,主要包括制造容差和漂移容差。任春輝研究并明確定義了通信電臺信號個體特征,從發射機硬件實現的角度分析了通信電臺個體特征(暫態特征、噪聲特征、載頻偏差、調制參數的差異和雜散輸出的差異等)的產生機理,但未建立指紋特征的機理模型[8]。黃淵凌等系統深入地研究了通信輻射源指紋特征產生機理,闡述了I/Q正交調制器、振蕩器、功放、時鐘、模擬通路濾波器等發射機模塊的指紋機理模型,為設計和評估指紋特征提取算法打下了理論基礎,但并沒有給出上述多種畸變特征的聯合提取方法[9]。基于深度學習的識別方法是通過多層非線性變換對高度復雜的數據進行建模,可以高效地自主逐層提取數據的特征并進行識別。目前,基于深度學習技術的通信輻射源個體識別技術主要分為數據降維后識別、數據二維化后識別和直接從原始數據中識別。王炳程使用全連接神經網絡對4種積分雙譜組成的特征進行分類,實驗結果較SVM、Stacking等分類方法有較大提升[10]。Pan等使用殘差網絡提取Hilbert-Huang變換后的頻譜圖特征,然后對輻射源進行識別[11]。Sankhed等設計了一種以信號的I/Q數據作為輸入的一維卷積神經網絡,使用一維卷積核、最大化池化層和全連接結構設計網絡,取得了較好的識別效果[12]。近年來,信息論中熵的相關概念也被引入用于描述輻射源個體差異[13-14]。此外,相空間[15-16]、壓縮感知[17-18]以及上述各方法的聯合方法[19-20]等也被用作該方向的研究。

綜上所述可知,現有的基于專家經驗和基于深度學習的兩類識別方法主要分析和利用射頻信號時域、頻域以及時頻變換域的信息,但應用此類信息的方法存在不同程度的不足。信號參數統計特征的識別方法對非高斯、非平穩信號的分析能力弱[21];信號變化域的識別方法基函數選擇困難;機理建模分析的識別方法建模難度大,針對性弱,無法實現多模塊畸變聯合分析[22]。在通信輻射源空、時、頻、能域特征相近甚至相同情況下,時頻信息(時域特征、頻域特征、時頻變換域特征)差異性縮小,利用直接或間接方法分析提取的難度都進一步增大。從原理上分析可知,現有方法識別效果會出現不同程度的惡化,甚至部分方法難以支撐此類通信輻射源個體的識別。

針對上述問題,本文引入電磁波極化域特征,拓展通信輻射源個體識別利用的特征維度,從新特征域分析研究通信輻射源個體識別方法。極化是電磁波電場強度的方向和幅度隨時間變化的特性,無線電與其發射天線的極化形式保持一致。不同通信輻射源個體在天線結構和設計參數上的差異導致天線交叉極化鑒別度必然不同,這是天線設計和制造中存在的系統性偏差,可作為通信輻射源個體識別的極化特征來源。在通信輻射源個體處于空間模糊、能量相仿以及頻率相近情況下,極化特征作為新維度特征為通信輻射源個體識別提供了新方向。實測分析可知,同一型號刀型天線的交叉極化鑒別度差異微小,體現在射頻信號的雙極化特征中,極化幅度比最小差值為1/90,極化相位差最小差值為1.5°,容易被通道幅相誤差和噪聲污染導致混疊。本文通過分析雙極化特征的表征方法,構建了用于接收和提取雙極化特征的雙極化接收系統,并設計了基于自編碼器的通道時變幅相誤差校正算法,克服了通道時變幅相誤差及噪聲對雙極化特征的影響,實現雙極化特征的準確提取,完成了空間模糊、能量相仿及頻率相近情況下的通信輻射源個體的分類識別。

目前,國內外公開發表的文獻資料中未見直接利用極化域特征進行通信輻射源個體識別的方法,同時利用極化信息進行通信輻射源個體識別的研究體現較少。因此,文中未列舉相關論述和研究。本文從原理分析、信號建模、極化接收、特征提取以及實驗驗證等方面對所提方法的可行性進行了詳細論述,最大化呈現采用極化域特征進行通信輻射源個體識別的全流程,并在無法進行實驗對比的情況下盡可能驗證分析本文方法的有效性。

1 極化特征分析與建模

根據天線設計原理,在天線輻射的電磁波中,主體部分為主極化分量,還有少量與其正交的極化分量,也稱交叉或正交極化分量。天線的交叉極化鑒別度是主極化分量的功率電平占全部功率電平的比值。發射系統交叉極化鑒別度越好,系統的性能就越理想,但實際應用中,在器件的固有誤差和機械加工誤差等因素影響下,天線極化總是存在一定程度的偏差,這一偏差就是通信輻射源極化特征的來源。在通信系統中,雙極化天線利用極化分集技術實現了很強的抗干擾性,同時方便實現頻率復用,提高信道容量,被學者廣為關注研究。極化測量接收機在信號偵收中,通常采用極化-方向圖法、幅度-相位法以及多天線法,目前廣泛應用于現代接收系統的是幅度-相位法[23]。

1.1 極化特征表征

電磁波的極化是電磁波在空間中傳播時任一位置處的電場空間取向隨時間變化的性質,通過電場矢量端點隨時間變化形成的空間軌跡形狀和旋向來描述。根據極化狀態差異,可分為完全極化波、部分極化波和非極化波3種。完全極化波是指極化狀態隨時間按照固定模式變化的電磁波,電場矢量端點隨時間隨機變化所形成的軌跡為一參數恒定的橢圓,典型信號如單色波等;部分極化波是指極化狀態隨時間隨機變化的電磁波,電場矢量端點描繪的軌跡不再為一恒定的橢圓,而是一條形狀和方向都隨時間緩慢變化、類似于橢圓的曲線;非極化波是指極化電場矢量分量之間互不相關的電磁波[24]。

假設通信輻射源發射的電磁波為沿z軸正方向傳播的單色完全極化電磁波,則電磁波瞬時值的矢量形式[25]為

E=Exex+Eyey

(1)

式中ex、ey分別為x軸和y軸方向的單位基矢量。Ex、Ey為

Ex=E0xcos(2πf0t-Kz+φx)

(2)

Ey=E0ycos(2πf0t-Kz+φy)

(3)

式中:f0為電磁波頻率;K為空間傳播常數;E0x和φx分別為x軸正方向上的電場振幅和相位;E0y和φy分別為y軸正方向上的電場振幅和相位。

將式(1)寫成復矢量形式

e(t,z)=eej(2πf0t-Kz)

(4)

(5)

式中:e為復電場矢量;e0x和φx分別為x軸正方向上的電場振幅和相位;e0y和φy分別為y軸正方向上的電場振幅和相位。由式(4)、(5)得出,極化信息體現為兩個正交方向電場分量的幅度比和相位差。忽略絕對相位信息,按照極化的線極化比方式[26]定義極化比

(6)

式中:tanγ=ey/ex,γ∈ [0,2π);φ=φy-φx,φ∈ [0,2π]。由此對于某一給定的電磁波,其極化狀態可由極化比完全描述。

以上給出的(γ,φ)即為電磁波的極化狀態相位描述子,可用來表征輻射源個體的極化特征。本文為簡化計算量和更直觀地表征通信輻射源射頻信號的極化特征,直接利用tanγ=ey/ex,γ∈ [0,2π)作為主極化與交叉極化信號的幅度比,即極化幅度比,利用φ=φy-φx,φ∈ [0,2π]作為主極化與交叉極化信號的相位差,即極化相位差。

1.2 極化信號建模

單偶極子可以對入射信號的相應分量產生匹配響應,而任意極化波均可分解為在x、y、z這3個方向上的分量,因此電磁矢量傳感器(electromagnetic vector sensor, EMVS)是由相互正交的3個電偶極子和3個磁偶極子構成,可以實現6維電磁場矢量的同時接收。假設由一個EMVS構成的陣元位于坐標中心且3個基本電偶極子方向分別與坐標軸平行,極化相位描述子為(γ,φ)的k個窄帶信源sk(k=1,2,…,L)以俯仰角θ和方位角φ沿單位方向矢量u的反方向入射(如圖1所示),則u可以表示為

uk=(sinθkcosφk)x+(sinθksinφk)y+(cosθk)z

(7)

在傳播方向上的兩個正交單位電場分量分別為

uθk=(cosθkcosφk)x+(cosθksinφk)y-(sinθk)z

(8)

uφk=(-sinφk)x+(cosφk)y

(9)

電場和磁場在直角坐標系中的極化-角度導向矢量ak可以表示為

(10)

式中:Ex、Ey、Ez表示3個電場分量;Hx、Hy、Hz表示3個磁場分量;Eθk=sinγkejφ,Eφk=cosγk分別為uθk和uφk方向的極化分量。由于極化特征計算相對值,故陣元方向圖對計算無影響,所以式中單位方向圖響應設置為1。

假設極化天線的共點接收通道不存在不一致、互耦等因素的影響,且增益均為1,則陣元對入射信號sk的響應為

z(t)=ak·sk(t)+n(t)

(11)

式中:n(t)為高斯白噪聲;ak為極化-角度導向矢量。接收到的通信輻射源信號z(t)中包含了極化-角度導向矢量ak,通過計算ak在uθk和uφk兩個方向上的極化分量Eθk=sinγkejφ、Eφk=cosγk的比值,即可得到各通信輻射源信號的雙極化特征——極化幅度比和極化相位差。由于雙極化特征容易被通道幅相誤差和噪聲污染導致混疊,因此有效利用射頻信號中雙極化特征的前提是低信噪比條件下,消除通道時變幅相誤差精準提取信號的雙極化特征。

1.3 極化信號接收與特征提取

為了在低信噪比條件下,消除通道時變幅相誤差,精準提取信號極化特征,本文借鑒幅度-相位法思路,設計了雙極化接收系統用以接收和提取極化特征。該系統以相互正交的兩個極化天線構成的極化分集天線接收輻射源信號,通過兩個相參通道對信號進行混頻、放大、濾波和檢波等處理,從而得出兩個通道中信號的幅度比和相位差,實現通信輻射源信號的極化特征的接收、提取和輸出。系統中的正交雙極化天線可以是垂直極化和水平極化,也可以是左旋圓極化和右旋圓極化。系統中的兩路信號的混頻本振在幅度、相位保持高度一致。同時,射頻放大器、中頻放大器、濾波器和A/D轉換的采樣時鐘也保持一致。通過調節混頻本振的頻率,該系統可以調選帶寬內的通信輻射源信號,實現寬頻帶的搜索測頻和極化特征提取。該接收系統能夠同時處理到達的多個信號,并實時測算出通信輻射源信號的極化特征。雙極化接收系統流程如圖2所示。

圖2 雙極化接收系統流程Fig.2 Dual-polarized receiving system workflow

假設通信輻射源發射的信號(平面電磁波)為連續波信號,其表達式為

E=(Excos(ωt-kz+φx))ex+

(Eycos(ωt-kz+φy))ey

(12)

式中:ex和ey分別為主極化方向和交叉方向的單位基矢量;ω=2πf0t;φx和φy分別為主極化和交叉極化分量的初相。該平面波的極化狀態可泛化為橢圓極化。

當選擇零點距離處的信號時,式(12)可以簡化為

E=(Excos(ωt+φx))ex+(Eycos(ωt+φy))ey

(13)

Ex=E0xcos(wt+φx)

(14)

Ey=E0ycos(wt+φy)

(15)

假設本振的穩定頻率為f1,相位為φ1,即

Ut=U0cos(2πf1t+φ1)

(16)

主極化和交叉極化通道的信號經過混頻和中頻濾波后的輸出為

Ex1=aE0xcos(2π(f0-f1)t+φx-φ1)

(17)

Ey1=aE0ycos(2π(f0-f1)t+φy-φ1)

(18)

式中a是信號的放大倍數。主極化和交叉極化通道的信號經過正交相位處理,分別輸出兩路正交的I/Q信號。正交相位處理流程如圖3所示。

圖3 正交相位處理Fig.3 Orthogonal phase processing

相參信號cos [2π(f0-f1)t]經過90°移相器變為Up=sin [2π(f0-f1)t]。

Ex1、Ey1分別經過正交相位處理,得到兩路正交信號

ExI=gaE0xcos(φx-φ)

(19)

ExQ=gaE0xsin(φx-φ)

(20)

EyI=gaE0ycos(φy-φ)

(21)

EyQ=gaE0ysin(φy-φ)

(22)

式中g為混頻和低通濾波器的增益。I、Q兩路信號經過A/D轉換為In、Qn(n=1,2,…,N)。

經過正交雙通道線性檢波器,得到主極化和交叉極化信號的幅度。

E1=gaE0x

(23)

E2=gaE0y

(24)

正交雙通道線性檢波流程如圖4所示。

圖4 正交雙通道線性檢波Fig.4 Orthogonal dual-channel linear demodulation

經單通道輸出的相干檢波器,得到主極化和交叉極化信號的相位差

V0=g2a2E0xE0ycos(φy-φx)

(25)

通過計算,得到主極化和交叉極化信號的極化幅度比和極化相位差

(26)

(27)

得到的極化幅度比和極化相位差就是通信輻射源個體的極化特征,從而可以進行分類識別。單通道輸出相干檢波器處理流程如圖5所示。

圖5 單通道輸出相干檢波Fig.5 Single-channel coherent detection

2 通道時變幅相誤差校正

通道時變幅相誤差會使接收到的極化信息出現較大的偏差,從而影響對信號雙極化特征的提取,因此必須對通道時變幅相誤差進行校正。通道時變誤差校正算法的網絡結構基于傳統自編碼器[27],引入去噪自編碼器[28],對輸入的擾動數據(含時變幅相誤差和噪聲)利用編碼器進行特征壓縮和提取,實現擾動數據的退化處理。按照輸入的原始數據(只含噪聲的數據)樣本分布將擾動數據的部分特征值置零,提取出其中原始數據的特征,利用這些特征進行數據重構,從而實現通道時變幅相誤差的校正。

2.1 極化通道誤差建模

理想情況下,構成陣元的EMVS的3個電偶極子和3個磁偶極子的取向是完全相同的。但是,在實際應用中,天線平臺的高強度振動會導致天線發生不規則形變,致使陣元所對應的通道并不完全平行,出現各通道的不一致性,從而產生通道時變幅相誤差。

(28)

(29)

式中:ρt為時變的幅度誤差;ejφt為時變相位誤差。

由于通道時變幅相誤差是天線載體以一定規律振動造成的,故可參考天線振動模型[29]進行設置

C(x,t)=Z0(x)+α(t)+q1(t)Z1(t)

(30)

式中:α(t)=ω0cos(ωt)為坐標原點處引入的強制振動;Z0(x)為低頻的彎曲模式;q1為振動模式系數;Z1(x)為高頻的第一振動模式。本文為簡化模型,只考慮引入的強制振動,因此式(30)可化簡為

C(t)=α(t)=ω0cos(ωt)

(31)

式中C(t)即為本文在天線搭載平臺上加載的振動,也就是接收信號中的通道時變幅相誤差。

因此,在共點接收通道存在不一致且增益不同為1的情況下,含有時變幅相誤差的信號數據表示為

(32)

2.2 校正算法框架

本文算法包含兩個階段。第一階段為網絡訓練階段,主要包括3個模塊:數據處理模塊、參數學習模塊和數據校正模塊。數據處理模塊的輸入為從極化天線采集到的擾動數據和原始數據,數據處理模塊進行維數變換、功率歸一化、切片和加噪等操作,并劃分訓練集、測試集和驗證集。參數學習模塊主要由編碼器和解碼器組成,編碼器對輸入的擾動數據進行特征提取和特征壓縮,從而得到數據的深層特征表示,解碼器利用提取出的高度抽象的特征進行數據重構。數據校正模塊通過最小化重構數據與原始數據的差異,實現網絡參數的優化更新,如圖6所示。第二階段為測試階段,即實際應用階段,主要由數據處理模塊和數據校正模塊組成。該階段利用訓練好的網絡對數據處理模塊得到的擾動數據集進行深層特征提取和數據重構,實現通道時變幅相誤差校正。在數據集準備過程中,擾動數據為極化天線在振動條件下采集到的數據,原始數據為極化天線在靜止狀態(無振動)下采集到的數據。

2.3 校正網絡結構

為實現通道時變幅相誤差校正,同時確保數據校正精度,設計了8層網絡結構:輸入層、3層卷積層、3層全連接層和輸出層,如圖7所示。數據處理模塊的輸入層將采集到的數據(擾動數據和原始數據)進行維度變換,由M×N維轉換為M×2×N×1維。考慮到數據為時序數據,將網絡參數學習模塊的編碼過程設計為3層卷積神經網絡,以便更好地提取時序信息。通過二維卷積,以same模式對M×2×N×1維擾動數據進行卷積操作,保證充分提取特征的前提下,卷積后的樣本尺度不變。卷積核尺寸都為1×4,特征通道數分別為8、4、2,分別提取出M×8維、M×4和M×2維特征,之后采用ReLU函數進行分別激活。ReLU激活函數采用具有分段線性的整流線性單元[30]促進了梯度的反向傳播,降低了激活函數的計算量,而且其部分激活特性相當于對網絡施加了稀疏正則化,一定程度上能夠提高網絡的魯棒性和泛化能力。網絡參數學習模塊的解碼過程采用3層全連接神經網絡來重構數據,并通過反向傳播算法最小化重構數據與原始數據的差異,通過輸入的擾動數據和原始數據的雙驅動,使網絡學習到原始數據的深層規律,達到對通道時變幅相誤差的實時校正。為有效利用編碼部分提取到的潛在特征并方便數據重構,將3層全連接網絡的節點數分別設計為350、250、200,前兩層的激活函數為ReLu,最后一層的激活函數為tanh。經過3層全連接層輸出的重構數據尺度為M×2×N×1維,再經過數據尺度變換得到M×N維重構數據。

圖6 極化通道時變誤差校正模型Fig.6 Time-varying error correction model for polarized channel

圖7 時變誤差校正網絡結構Fig.7 Time-varying error correction network structure

2.4 損失函數定義及優化

(33)

(34)

3 分類判決器設計

為直觀驗證極化特征對于輻射源個體識別的有效性,本文設計了基于閾值規則的硬判決分類器。分類判決分為兩步:第一步為極化幅度比或極化相位差特征閾值判決,利用提取出的極化幅度比和極化相位差兩個極化特征,根據對雙極化天線的極化特征實測數據,設置極化幅度比和極化相位差兩個判決閾值,計算特征集中樣本間的單一極化特征的歐式距離,經過與閾值比對進行硬判決,得到判決結果;第二步為雙極化特征聯合閾值判決,將極化幅度比和極化相位差兩個極化特征聯合,計算極化特征集中樣本間的歐式距離,通過與計算得出的聯合閾值進行比對判決,最終得出判決結果。具體的判決步驟如下。

4 通信輻射源個體分類識別流程

采用極化特征的通信輻射源個體分類識別主要分為3部分:極化特征分析與建模、通道時變幅相誤差校正以及輻射源分類判決。第一部分是極化特征分析與建模,首先經過極化原理分析,提出輻射源天線交叉極化鑒別度的差異性,然后通過雙極化特征表征推導出輻射源極化特征相關量,再由極化信號建模分析出極化信號在接收機前端的信號形式,最后通過雙極化接收系統實現極化信號接收與雙極化特征提取。第二部分是通道時變幅相誤差校正,設計了基于自編碼器的時變幅相誤差校正算法,利用深度神經網絡對含有時變幅相誤差擾動及噪聲的數據進行校正,重構受擾動和噪聲影響的微小極化特征。第3部分是輻射源分類判決,利用設計的基于閾值規則的硬判決器,對提取的極化幅度比和極化相位差兩個極化特征進行硬判決,通過極化幅度比或極化相位差特征判決和極化幅度比-極化相位差聯合特征判決相結合,將極化特征的差異性充分利用,從而實現通信輻射源個體的分類識別。

本文提出的采用極化特征的通信輻射源個體識別方法的流程圖如圖8所示,具體流程如下。

第1步極化特征分析與建模。

(1)通過對通信輻射源天線的交叉極化鑒別度差異性分析,推導其發射電磁波的極化特征表征。

(2)利用極化特征表征涉及的相關參數,進行極化信號建模。

(3)根據極化信號建模,設計雙極化接收系統進行極化特征提取,具體流程如下。

①通過極化分集天線實現主極化和交叉極化兩個方向的極化信號接收。

②采用可調本振對寬帶內的通信輻射源信號進行搜索測頻并實現混頻。

③采用相參振蕩器進行主極化和交叉極化信號的正交相位處理。

④經過A/D轉換實現數字采樣。

⑤利用正交雙通道線性檢波器進行包絡檢波,提取主極化和交叉極化信號的幅度值。

⑥利用單通道輸出的相干檢波器進行相位檢波,提取主極化和交叉極化信號的相位值。

⑦通過計算得出輻射源信號的極化幅度比和極化相位差兩個極化特征。

第2步通道時變幅相誤差校正。

(1)通過分析通道時變幅相誤差,建立通道時變幅相誤差模型。

(2)利用原始數據(有噪聲不含時變幅相誤差的信號數據)以及擾動數據(同時含有時變幅相誤差和噪聲的信號數據)對校正網絡進行預訓練。

(3)保存訓練好的網絡結構和參數。

(4)利用訓練好的校正網絡對擾動數據(含有時變幅相誤差和噪聲的信號數據)進行校正。

第3步輻射源分類判決。

(1)根據在暗室對某刀型天線的交叉極化鑒別度的測量結果,得出主極化和交叉極化的最小極化幅度比閾值和最小極化相位差閾值,并計算得出聯合閾值。

(2)利用樣本集中提取到的極化幅度比和極化相位差特征,分別計算一維空間中樣本間的歐式距離。

(3)利用樣本集中提取到的極化幅度比-極化相位差聯合特征,計算二維空間中樣本間的歐式距離。

(4)將計算得到的歐式距離分別與對應閾值進行比對判決,根據判決得出樣本判決結果,實現輻射源分類。

圖8 采用極化特征的通信輻射源分類識別流程Fig.8 Communication emitter classification and recognition process using polarization features

5 實驗分析

為充分驗證所提方法的有效性,對中間校正網絡和整體識別效果分別進行了實驗驗證。實驗基于仿真數據和實采數據在計算機上進行。仿真數據利用Matlab軟件生成。參照實際雙極化天線結構和通信流程,模擬生成主極化和交叉極化兩個通道的二進制相移鍵控(BPSK)調制信號,得到兩組相互正交的I/Q信號,構建實驗數據集。實采數據通過微波暗室采集得到,共有兩類數據。一類為原始數據,即在暗室中極化天線靜止狀態下采集的高信噪比數據。另一類為擾動數據,即在暗室中極化天線振動時采集到的數據。

5.1 通道時變幅相誤差校正網絡訓練驗證

為驗證在實際應用環境中采集到的數據可以用作校正網絡的有效訓練,模擬理想狀態和實際狀態中的數據采集環境,分別使用無噪聲原始數據和20 dB信噪比原始數據分別對網絡進行訓練,得到理想網絡與實際網絡。

圖9為實際網絡訓練收斂曲線。通過圖9中的(a)和(b)說明實際網絡在20 dB信噪比的數據下可以快速收斂,在主極化和交叉極化兩個通道上都可以達到很好的訓練效果,證明了網絡在不同通道上的適應性較好,可以實現對雙極化通道時變幅相誤差的校正。

(a)主極化通道

(b)交叉極化通道

按照表1中的參數采集10 dB信噪比下的擾動數據,在以上兩個完成訓練的網絡中分別進行數據重構,結果如圖10和圖11所示。

表1 模擬數據集參數

實際網絡和理想網絡在10 dB信噪比下擾動數據重構結果分別如圖10和11所示。兩圖對比說明,在實際環境中采集20 dB原始數據訓練的網絡可以基本達到與理想無噪聲原始數據訓練的網絡同等的效果,證明本文校正網絡具有消噪能力,在實際環境中可以用作數據重構和消噪處理。

(a)實部

(b)虛部

(a)實部

(b)虛部

5.2 通道時變幅相誤差校正效果驗證

為了驗證校正網絡在實際情況下對極化通道的校正效果,在表1參數前提下,將接收端增益分別設置為-5、0、5、10、15、20 dB采集數據,利用5.1小節中20 dB數據預訓練好的網絡逐一進行數據重構,100次蒙特卡羅實驗的結果如圖12～13所示。

圖12是主極化通道在10 dB信噪比下對擾動數據的重構結果。從圖12中原始數據、重構數據和擾動數據的對比可以得出,主極化通道中在信噪比10 dB下的擾動數據經過校正網絡后,可以很好地擬合原始數據,同時網絡對數據進行了一定程度的噪聲抑制,達到了比原始數據更好的效果。

(a)實部

(b)虛部

從圖13中原始數據、重構數據和擾動數據對比同樣可以得出,交叉極化通道中網絡能夠很好地壓制噪聲并對擾動數據進行重構,證明了網絡對時變幅相誤差的校正能力。

(a)實部

(b)虛部

表2是不同信噪比下主極化和交叉極化通道的歸一化實部和虛部均方誤差,表2中的數據進一步展示了校正網絡的性能。

表2 不同信噪比下各通道實部和虛部均方誤差

可以看出,-5～20 dB的范圍內,網絡能夠對主極化和交叉極化兩個通道進行不同程度的數據重構和噪聲抑制。5 dB以上時:主極化通道校正數據的實部(Ⅰ路信號)均方誤差能夠控制0.3%以內,虛部(Q路信號)均方誤差能夠基本保持在60%左右;交叉極化通道校正數據的實部(Ⅰ路信號)均方誤差能夠控制0.5%以內,虛部(Q路信號)均方誤差能夠基本保持在6%左右。證明了網絡具有較好的魯棒性,適用的信噪比范圍較大。

5.3 采用極化特征的通信輻射源個體識別效果驗證

為驗證本文方法的整體效果,通過模擬數據和實采數據分別對極化特征在通信輻射源個體識別的效果進行了驗證。對同一廠家、同一批次、同一型號的刀型天線進行交叉極化鑒別度實測,得出雙極化天線的主極化和交叉極化參數最小差異值。極化幅度比最小差異值歸一化為1/90,極化相位差最小差異值為1.5°。模擬設置兩個極化特征不同的輻射源個體,極化幅度比分別為1∶10和1∶9,極化相位差分別為2°和3.5°,其余參數完全相同。在表1參數前提下,將接收端的增益分別設置為-5、0、5、10、15、20 dB采集數據,對采集到的400 幀(40 000采樣點)數據進行100次蒙特卡羅實驗,得到輻射源分類識別結果,如圖14～16所示。個體識別準確是指個體類別分類正確,識別準確率是指個體樣本識別正確的數量占個體總樣本數的比例。

(a)極化幅度比特征

(b)極化相位差特征

在硬判決規則下分別采用極化幅度比和極化相位差特征,對不同信噪比下通信輻射源個體原始數據和校正數據進行識別,識別準確率如圖14所示。可以看出:隨著信噪比的提升,本文方法對輻射源的識別準確率逐步提高。在10 dB時,利用極化幅度比和極化相位差特征的識別準確率分別可達98%和75%以上;在20 dB時,利用幅度比極化特征的個體識別準確率達到100%。重構數據較原始數據識別效果更好,證明了本文方法的有效性和可靠性。

10 dB和20 dB信噪比下,采用極化幅度比、極化相位差以及極化幅度比和極化相位差時,個體極化特征分布情況分別如圖15和圖16所示。

由圖15和圖16可以得出,單純的極化幅度比特征相較于極化相位差特征在個體區分度上效果更好。在信噪比較低時,極化幅度比特征仍然可以清晰地區分出兩類目標,而極化相位差特征分類界限不明顯。在信噪比為10 dB以上時,綜合使用極化幅度比和極化相位差兩個特征可以較好地實現通信輻射源個體的分類識別。

(a)極化幅度比特征

(c)極化幅度比-極化相位差特征

(a)極化幅度比特征

(b)極化相位差特征

(c)極化幅度比-極化相位差特征

除此之外,在暗室理想條件下,對同一廠家、同一批次、同一型號的10副某刀型天線進行數據實采,并使用本文方法進行分類識別。結果表明,本文方法對10個天線個體的識別準確率均達到99%以上。在實采數據上疊加高斯白噪聲,模擬現實應用場景中接收機在信噪比10 dB下采集到的輻射源信號。分類識別實驗結果表明,本文方法對10個天線個體的識別率均達到了95%以上。

6 結 論

本文針對通信輻射源個體在空、時、頻、能域特征下難以準確分類識別的問題,提出了一種采用極化特征的通信輻射源個體識別方法。推導了支撐通信輻射源個體識別的雙極化特征表征方法,構建了雙極化接收系統,實現了極化信號的接收和雙極化特征的提取,并通過建模分析極化通道的時變幅相誤差,設計了基于自編碼器的通道時變幅相誤差校正算法,克服了雙極化特征對通道噪聲與時變幅相誤差敏感的問題,有效實現了采用極化特征的通信輻射源個體識別。在仿真實驗與暗室實測條件下,驗證了方法的有效性。通過分析可知,低信噪比條件和變調制樣式情況下,不同輻射源個體的極化特征混疊明顯。下一步將考慮以下3個方向的研究:①低信噪比條件下有效提取并運用極化特征進行輻射源個體的分類識別;②面對不同調制樣式場景下,采用極化特征對通信輻射源個體進行有效識別;③跳頻通信個體在不同組網方式下利用極化特征實現跳頻網臺的有效分選。