基于增強積分雙譜的軌道交通輻射源識別方法*

劉海川 張可欣 惠 鏸 文 璐,3

(1.軌道交通工程信息化國家重點試驗室, 710043, 西安; 2.西安理工大學自動化與信息工程學院, 710048, 西安;3.中鐵第一勘察設計院集團有限公司, 710043, 西安)

無線通信技術的迅速發展為人類帶來極大便利,而無線傳播環境的開放性使得無線通信的安全問題日益嚴峻。在軌道交通系統中,列車的運行與控制、服務與管理,大量依賴無線通信,而系統中存在的外部干擾對行車安全構成重大隱患[1]。輻射源個體識別技術通過分辨輻射源特有的射頻指紋,可以從信號層面識別出非法無線用戶,近年來受到廣泛關注。

射頻指紋是指通信輻射源固有缺陷對射頻信號產生的特有影響,它難以被模仿或篡改,可用于對不同輻射源的識別[2]。信號雙譜[3]能夠在保留原始信號幅度、相位等信息的同時抑制高斯噪聲,有利于對無線輻射源進行分類識別。然而雙譜維數較高、數據量較大,會導致算法復雜度較高。對此,學者們提出了一系列積分雙譜方法將二維雙譜數據轉化為一維以減少數據量[4-6]。其中AIB(軸向積分雙譜)[4]和SIB(矩形積分雙譜)[5]由于計算簡單、分類效果良好而得到廣泛應用。此外,DIB(對角積分雙譜)根據雙譜的對稱性沿平行于雙譜主次對角線進行積分,避免了特征信息點的重復或缺失,且包含了更多的相位和幅度信息,有效提高了識別性能[6]。上述研究均顯示出積分雙譜方法在通信輻射源個體識別領域的優勢,然而在真實環境中往往缺乏魯棒性:當接收端在噪聲或干擾影響下信噪比較低時,算法識別率往往急劇下降,難以滿足應用需求。

針對這一問題,本文提出了一種基于增強對角積分雙譜的通信輻射源個體識別方法——DCLIB(對角相關局部積分雙譜)方法。

1 DCLIB方法的識別原理及設計

DCLIB方法的識別過程如圖1所示,主要包括對接收信號的預處理、特征提取和分類識別3個環節。在特征提取環節:首先,對輻射源信號進行雙譜變換,并進行對角相關計算以提取次對角線各平行線的自相關特性,該操作可以突出信號的細微特征,增大信號與噪聲或干擾之間的區別;之后,通過選取合適的積分區間獲得對角相關局部積分,在進一步降低噪聲對指紋特征影響的同時減少運算量;最后,將對角相關局部積分結果輸入到殘差網絡中,進行輻射源識別。

圖1 DCLIB的識別過程

1.1 雙譜變換及分析

將通信輻射源發射的時域信號表示為x(n),n=1,2,…,N,則接收信號y(n)通常可建模為[3]:

y(n)=x(n)+v(n)

(1)

式中:

v(n)——高斯白噪聲。

y(n)的雙譜可表示為:

(2)

式中:

τ1、τ2——相關函數的自變量,分別代表2個延時;

j——虛部;

ω1和ω2——雙譜二維平面的2個軸變量。

將y(n)分成K段,每段有M個數據,對每段數據的均值進行量綱一化處理,并依次求其三階累積量的估計。當雙譜兩個方向上的延遲點數分別為p和q時,有:

[xk(n+p)+vk(n+p)]·

[xk(n+q)+vk(n+q)]

(3)

k=1,2,…,K

式中:

xk(n)、vk(n)——x(n)中第k段發射信號及高斯白噪聲;

xk(n+p)、xk(n+q)——延遲點數分別為p、q時的第k段發射信號;

vk(n+p)、vk(n+q)——延遲點數分別為p、q時的第k段高斯白噪聲。

其中,分段參數M1=max(0,-p,-q),參數M2=min(M-1,M-1-p,M-1-q)。

由于信號和高斯白噪聲的均值都為0,式(3)整理化簡后可得:

(4)

式中:

WN(p,q)e-j(ω1p+ω2q)]

(5)

由式(4)可以看出,由于實際信號為有限長信號,三階累積量計算無法完全去除噪聲對信號的影響。因此,式(5)最終得到的雙譜估計值不僅包含了信號分量,也包含了噪聲分量。

圖2為高斯白噪聲和有噪信號的雙譜估計結果。由圖2可以看出,由于高階譜對具有高斯性的信號存在盲性,所以高斯白噪聲雙譜的幅值較低而信號雙譜的幅值較高,兩者存在顯著差異。且由于信號與信號之間具有較強的耦合性,使得信號雙譜的能量主要集中在雙頻域中心附近。

a) 高斯白噪聲雙譜

1.2 增強對角積分雙譜方法

圖3為量綱一化處理后的高斯白噪聲和有噪信號DIB。本文選用次對角線路徑。與之前的結論類似,圖3中有噪信號的對角積分雙譜值遠高于白噪聲的對角積分雙譜值,且幅值較大的點主要集中在頻域中心位置附近。相較于接收信號所傳遞的信息,輻射源的特征可視為隱藏于其中的極其微弱信號,而多重相關方法是提取微弱信號的有效手段,由此提出DCIB(對角相關積分雙譜)方法以增強信號輻射源特征。

a) 高斯白噪聲信號

DCIB方法在積分之前通過自相關運算來增強微弱信號的細微特征。其具體過程是對平行于次對角線路徑上的每條線段做自相關積分運算,即:

(6)

式中:

θ——旋轉角度,0≤θ≤2π。

圖4為量綱一化處理后的信號DCIB。與圖3 b)相比,DCIB信號中心和邊緣部分的差異顯著增加,突出了信號的細微特征且降低了與信號不相關的噪聲部分的影響。因此以DCIB信號作為輻射源的射頻指紋有利于提高其抗干擾能力。

圖4 量綱一化處理后的信號DCIB

1.3 自適應雙譜積分區間

鑒于DCI所反映的信號特征主要集中于幅度較高的部分,而噪聲的影響主要集中于幅度較低的部分,為進一步突出信號特征,去除噪聲影響,降低計算復雜度,本文只選取DCIB值較高的區域做積分處理,稱為DCLIB(對角相關局部積分雙譜)。這樣雖然可能損失少量的信號特性,但去除了噪聲對指紋特征的大部分影響,有利于后續識別。

設選取門限值為T,則

(7)

式中:

α——比例因子,0<α<1;

m——對角序列個數;

ddiag(i)——第i條對角序列的自相關值。

將T設為信號對角序列自相關值均值的α倍,小于該門限的值將不參與積分,α的大小可根據具體信號進行調節使其更符合所需要求。

1.4 基于殘差網絡的輻射源識別

DCLIB信號為增強積分雙譜信號,能夠突出信號的細微特征并抑制噪聲,可作為有效的通信輻射源射頻指紋。本文據此設計用于輻射源指紋識別的深度神經網絡。

不同通信源射頻指紋的差異較為細微,通常需要多層神經網絡加以提取。對此,本文采用殘差網絡進行輻射源識別,以克服傳統卷積神經網絡存在的梯度消失問題。DCLIB通過積分有效降低了數據維度,減少了神經網絡寬度,為設計深度網絡提供了空間。由此,本文在設計網絡參數時,使用了一個適用于DCLIB輻射源識別的10層殘差網絡模型。相較于一般殘差網絡模型(如文獻[7]的ResNet152模型),該模型在降低模型容量的同時還能確保較高的識別準確率。本文的殘差網絡主要包含1個輸入卷積層,4個殘差塊,1個全局平均池化層及1個輸出連接層。殘差網絡結構如圖5所示,在試驗中初始學習率設為0.001,損失函數為交叉熵函數,使用SGDM優化器,批數量為64,輪次為50。

a) 殘差網絡結構

2 試驗分析

2.1 試驗設置

為客觀評估DCLIB方法的可行性和有效性,本文使用來自WiSig公開數據集[8]實際場景中的10臺不同WiFi發射設備前導碼進行分類識別試驗。不失一般性,每臺設備200幀。殘差網絡的訓練、驗證和測試數據集按7∶2∶1的比例隨機劃分。使用Matlab2020b軟件和Intel酷睿i7-6700 CPU(中央處理器)提取輻射源的射頻指紋并進行訓練和測試。

(8)

DCLIB方法試驗部分所給信噪比ra均為實際接收信號與所添加人工噪聲的功率之比,因此加噪后信號的信噪比r

2.2 試驗結果

為了驗證DCLIB方法的識別效果,分別采用DCLIB方法、DCIB方法、軸向積分雙譜方法、矩形積分雙譜方法及DIB方法,在不同ra條件下進行試驗,得到的識別準確率見圖6。在DCLIB方法識別中,設定α=0.6。

圖6 不同方法的識別準確率

由圖6可見,在ra=20 dB時,各方法的識別準確率相近,均能達到95%以上。這與采用同樣數據集的文獻[7]結果相吻合。而在ra<15 dB時,所有方法的識別準確率均隨著ra的降低而下降。經分析,真實環境中的干擾和噪聲對所提取的射頻指紋產生了影響,導致識別性能降低。而在強干擾環境下DCLIB方法的性能具有顯著優勢。圖6結果表明,當ra≤10 dB時,DCLIB方法和DCIB方法的識別準確率明顯高于其他方法的識別準確率。例如,當ra=5 dB時,DIB方法的識別率已降至69.0%左右,而DCLIB方法和DCIB方法的識別率仍能達到83.5%和80.0%,說明二者抗噪性明顯優于其他3種方法。

為進一步分析所提算法提高識別準確率的原因,繪制在ra=5 dB時DCLIB方法、DCIB方法和DIB方法的分類混淆矩陣,如圖7所示。

a) DCLIB 方法

由圖7可以看出:DIB方法對不同設備之間的誤識別率較高,尤其是第1、2、3、6、9類設備;DCIB方法對設備的誤識別率明顯較小,說明通過增強信號的細微特征可以更好地保留輻射源本身的指紋特征;與DCIB算法相比,DCLIB算法的設備誤識別率進一步降低。由此可見,DCLIB算法雖然損失了少量信號特性,但去除了噪聲對指紋特征的影響,從而提高了識別準確率。

3 結語

針對通信輻射源射頻特征易受噪聲與干擾影響導致識別準確率低的問題,本文提出了一種基于增強對角積分雙譜的輻射源個體識別方法——DCLIB方法。DCLIB方法通過對信號雙譜上次對角線各平行線做自相關計算,增強了信號與噪聲之間區別,突出了信號的細微特征。又通過自適應設置門限值選擇合適的積分區間對處理后的信號進行局部積分,在保留信號有用特征的同時減少了運算數據量。

經試驗驗證,在噪聲和干擾較強的場景下,本文方法的識別效果明顯優于現有其他積分雙譜算法,說明DCLIB方法在復雜通信環境下有著良好的適用性。