基于深度聚類(lèi)的通信輻射源個(gè)體識(shí)別方法

賈 鑫, 蔣 磊, 郭京京, 齊子森

(1.空軍工程大學(xué)信息與導(dǎo)航學(xué)院,西安,710077;2.93184部隊(duì), 北京,100076)

隨著人工智能技術(shù)廣泛應(yīng)用于軍事領(lǐng)域,新科技將推動(dòng)戰(zhàn)爭(zhēng)形態(tài)向智能化演變,同時(shí)帶來(lái)更大機(jī)遇和挑戰(zhàn)[1]。通信輻射源個(gè)體識(shí)別是情報(bào)偵察和電子支援的前提,是跟蹤目標(biāo)輻射源位置和獲取敵方通信網(wǎng)絡(luò)的基礎(chǔ)。電磁頻譜作為連接陸、海、空、天、網(wǎng)等作戰(zhàn)空間的紐帶,隨著戰(zhàn)場(chǎng)通信設(shè)備的種類(lèi)和數(shù)量日益增多,空間電磁環(huán)境復(fù)雜度進(jìn)一步提升,通信輻射源個(gè)體識(shí)別難度不斷加大,目前已成為信號(hào)處理領(lǐng)域的研究熱點(diǎn)之一。

輻射源個(gè)體識(shí)別(specific emitter identification, SEI)技術(shù)也被稱(chēng)為射頻指紋識(shí)別技術(shù)(Radio Frequency Fingerprinting, RFF),是一種通過(guò)測(cè)量射頻信號(hào)的外部特征并提取發(fā)射器特定信息識(shí)別發(fā)射源的技術(shù)[2]。該技術(shù)不依賴(lài)信號(hào)傳輸內(nèi)容,通過(guò)直接提取發(fā)射設(shè)備硬件的細(xì)微特征進(jìn)行識(shí)別,提取的細(xì)微特征即為射頻指紋[3]。射頻指紋來(lái)源于硬件設(shè)備制造時(shí)的偏差,無(wú)法避免和偽造,具有通用性、穩(wěn)定性、唯一性、可測(cè)量性和獨(dú)立性[4]。SEI的核心在于射頻指紋信息的提取和分類(lèi)。一般情況下可分為2類(lèi):①基于人工的輻射源個(gè)體識(shí)別方法;②基于深度神經(jīng)網(wǎng)絡(luò)的輻射源個(gè)體識(shí)別方法[5]。基于人工的輻射源個(gè)體識(shí)別方法又可分為基于瞬態(tài)特征的識(shí)別方法[6-8]和基于穩(wěn)態(tài)特征的識(shí)別方法[9-11]。基于瞬態(tài)特征的識(shí)別方法,通過(guò)提取設(shè)備狀態(tài)切換過(guò)程中的瞬態(tài)特征進(jìn)行個(gè)體識(shí)別。此類(lèi)方法中提取的瞬態(tài)特征與設(shè)備指紋特征直接相關(guān),但其持續(xù)時(shí)間短,難以獲得,并且對(duì)設(shè)備的精密度以及采集條件要求較高,因此并未被廣泛應(yīng)用。基于穩(wěn)態(tài)特征的識(shí)別方法利用設(shè)備功率穩(wěn)定期間采集的穩(wěn)態(tài)特征進(jìn)行個(gè)體識(shí)別。相較于瞬態(tài)特征,該特征更易提取,但計(jì)算分析復(fù)雜度較高。基于人工的輻射源個(gè)體識(shí)別方法原理清晰、特征明確、魯棒性強(qiáng),但隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展,設(shè)備類(lèi)型和數(shù)量急劇增加,導(dǎo)致上述方法出現(xiàn)復(fù)雜度較高、泛化性較差、識(shí)別率較低等問(wèn)題,已逐漸難以滿(mǎn)足大規(guī)模數(shù)據(jù)和高實(shí)時(shí)性的要求[12]。部分學(xué)者提出了基于無(wú)監(jiān)督的通信輻射源個(gè)體識(shí)別方法以解決上述問(wèn)題。李昕等[13-14]提出了基于密度峰值算法進(jìn)行通信輻射源個(gè)體識(shí)別,在信噪比為20 dB時(shí),識(shí)別準(zhǔn)確率為64%以上,隨后其利用核密度估計(jì)及熱擴(kuò)散方程改進(jìn)算法,在信噪比為20 dB時(shí),識(shí)別準(zhǔn)確率為68%以上。

基于深度學(xué)習(xí)的通信輻射源個(gè)體識(shí)別技術(shù)按照數(shù)據(jù)預(yù)處理方法可分為3類(lèi):第1類(lèi)是數(shù)據(jù)降維處理的方法;第2類(lèi)是數(shù)據(jù)轉(zhuǎn)為圖像處理的方法;第3類(lèi)是I/Q信號(hào)直接處理的方法。第1類(lèi)方法是對(duì)原始數(shù)據(jù)特征提取后進(jìn)行降維處理,再對(duì)降維后的數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別。Ding等[15]利用CNN對(duì)降維后的矩形積分雙譜進(jìn)行個(gè)體識(shí)別,較好地實(shí)現(xiàn)了對(duì)多個(gè)通用軟件無(wú)線(xiàn)電外圍設(shè)備的識(shí)別。第2類(lèi)方法是將數(shù)據(jù)轉(zhuǎn)換成圖像,再利用CNN網(wǎng)絡(luò)進(jìn)行識(shí)別。Peng等[16]通過(guò)差分星座軌跡圖來(lái)提取ZigBee設(shè)備的射頻指紋特征,并利用K均值聚類(lèi)的方法完成分類(lèi)識(shí)別,實(shí)驗(yàn)對(duì)54個(gè)ZigBee設(shè)備在信噪比為30 dB和15 dB的情況下,識(shí)別準(zhǔn)確率分別達(dá)到99.1 %和93.8 %。第3類(lèi)方法是直接對(duì)I/Q數(shù)據(jù)進(jìn)行特征提取及分類(lèi)識(shí)別。Liu等[17]利用深度雙向長(zhǎng)短期記憶網(wǎng)絡(luò)和一維殘差卷積網(wǎng)絡(luò)的組合,對(duì)基帶I/Q信號(hào)進(jìn)行特征提取,實(shí)現(xiàn)了較低計(jì)算量下的個(gè)體識(shí)別。以上3類(lèi)方法被學(xué)者們大量研究,其中第1類(lèi)方法數(shù)據(jù)量較低,但從高維到低維特征轉(zhuǎn)換中難以避免特征損失。第2類(lèi)方法更吻合深度神經(jīng)網(wǎng)絡(luò)的特征提取要求,效率更高、魯棒性更強(qiáng),但轉(zhuǎn)換為圖像過(guò)程中存在部分特征丟失。第3類(lèi)方法無(wú)需進(jìn)行數(shù)據(jù)預(yù)處理,在保證特征信息完整的前提下可充分發(fā)揮深度神經(jīng)網(wǎng)絡(luò)的特征提取能力,因此被視為基于深度學(xué)習(xí)的通信輻射源個(gè)體識(shí)別方法的發(fā)展趨勢(shì)。

上述基于深度學(xué)習(xí)的通信輻射源個(gè)體識(shí)別方法均在有監(jiān)督條件下進(jìn)行,其前提條件是需要大量有標(biāo)簽數(shù)據(jù),但在非合作通信場(chǎng)景下,獲取未知目標(biāo)的先驗(yàn)信息極為困難,無(wú)法制作足夠的有標(biāo)簽數(shù)據(jù)樣本,導(dǎo)致基于有監(jiān)督的深度學(xué)習(xí)方法性能惡化,無(wú)法滿(mǎn)足此場(chǎng)景下的個(gè)體識(shí)別需求,因此廣大學(xué)者開(kāi)始研究基于無(wú)監(jiān)督深度學(xué)習(xí)的通信輻射源個(gè)體識(shí)別方法。深度聚類(lèi)方法作為無(wú)監(jiān)督深度學(xué)習(xí)方法的主流之一,被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué),音頻,圖形,文本等諸多領(lǐng)域,并取得巨大成功[18-20]。

深度聚類(lèi)算法通過(guò)將深度神經(jīng)網(wǎng)絡(luò)與淺層聚類(lèi)分析有效融合,實(shí)現(xiàn)了在潛在特征空間中進(jìn)行聚類(lèi)分析,使數(shù)據(jù)特征區(qū)別度擴(kuò)大,更好地進(jìn)行聚類(lèi)分析。深度聚類(lèi)算法通常分為分步深度聚類(lèi)算法和聯(lián)合深度聚類(lèi)算法2類(lèi)。第1類(lèi)是先利用深度學(xué)習(xí)模型進(jìn)行特征降維,然后再進(jìn)行聚類(lèi)分析。Tschannen等[21]通過(guò)訓(xùn)練的深度自編碼器來(lái)學(xué)習(xí)表征特征,并將這些特征作為K-means方法的輸入來(lái)完成聚類(lèi)。Huang等[22]學(xué)習(xí)關(guān)聯(lián)矩陣和實(shí)例表示,然后通過(guò)對(duì)關(guān)聯(lián)矩陣的譜聚類(lèi)來(lái)完成深度聚類(lèi),并取得較好效果。第2類(lèi)則是在模型的訓(xùn)練過(guò)程中,特征表示和聚類(lèi)標(biāo)簽同時(shí)學(xué)習(xí)優(yōu)化。張旭[23]提出聯(lián)合深度圖聚類(lèi)與目標(biāo)檢測(cè)的SLAM算法,在保證實(shí)時(shí)性的前提下,提高了SLAM系統(tǒng)的定位精度。邢若葦[24]利用實(shí)例-簇級(jí)別對(duì)比聚類(lèi)算法,在實(shí)力級(jí)別和簇級(jí)別均融合類(lèi)別信息,并同時(shí)進(jìn)行特征學(xué)習(xí)和簇分配,并取得較好聚類(lèi)效果。由于分步深度聚類(lèi)方法中特征提取和聚類(lèi)是獨(dú)立進(jìn)行的,因此特征提取和聚類(lèi)分析融合度可能較低,導(dǎo)致聚類(lèi)效果不理想;聯(lián)合深度聚類(lèi)方法同步進(jìn)行特征提取和聚類(lèi)分析,可以有效避免所提特征與聚類(lèi)網(wǎng)絡(luò)融合度低的問(wèn)題。

1 基于深度聚類(lèi)的個(gè)體識(shí)別算法

聯(lián)合深度聚類(lèi)模型中最典型的為采用自編碼器結(jié)構(gòu)的模型,其通過(guò)使輸出逼近輸入,實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的深層特征學(xué)習(xí),因其簡(jiǎn)單有效,而被廣泛應(yīng)用于聯(lián)合深度聚類(lèi)方法[25]。1986年,Rumelhart等[26]最先提出了采用編碼器結(jié)構(gòu)的聯(lián)合深度聚類(lèi)模型的相關(guān)概念。由于其本身優(yōu)異的特征學(xué)習(xí)能力,在近年來(lái)成為深度聚類(lèi)領(lǐng)域中廣泛使用的網(wǎng)絡(luò)結(jié)構(gòu)。2016年,Xie等[27]對(duì)已有方法進(jìn)行改進(jìn),提出了深度嵌入式聚類(lèi)(deep embedded clustering,DEC),通過(guò)自訓(xùn)練目標(biāo)分布迭代優(yōu)化來(lái)同時(shí)優(yōu)化表征特征和聚類(lèi)分配的整體框架,來(lái)提升效果。本文在DEC的基礎(chǔ)上,提出了基于深度聚類(lèi)的通信輻射源個(gè)體識(shí)別算法。

1.1 算法模型

本文基于聯(lián)合深度聚類(lèi)方法,設(shè)計(jì)了針對(duì)通信輻射源個(gè)體識(shí)別的算法,設(shè)計(jì)流程如圖1所示。數(shù)據(jù)預(yù)處理是通過(guò)對(duì)原始復(fù)值I/Q數(shù)據(jù)進(jìn)行切分,得到2路實(shí)值I/Q數(shù)據(jù)之后,進(jìn)行數(shù)據(jù)切割和加噪處理,并根據(jù)實(shí)際需求劃分訓(xùn)練集和測(cè)試集,完成網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集的生成。表征學(xué)習(xí)中采用了自編碼器結(jié)構(gòu),利用變分自編碼器的編碼器和解碼器完成信號(hào)樣本的特征壓縮與樣本重構(gòu),通過(guò)最小化重構(gòu)信號(hào)樣本與初始信號(hào)樣本的均方誤差實(shí)現(xiàn)網(wǎng)絡(luò)的優(yōu)化更新,完成對(duì)信號(hào)樣本的深層特征提取。分類(lèi)識(shí)別中采用了劃分聚類(lèi)算法中的K-means聚類(lèi)算法,其思想是計(jì)算樣本與聚類(lèi)中心的歐氏距離劃分各樣本所屬的聚類(lèi)簇[28],通過(guò)最小化樣本和所屬聚類(lèi)簇中心的距離實(shí)現(xiàn)樣本分類(lèi)。

圖1 基于深度聚類(lèi)的通信輻射源個(gè)體識(shí)別流程

1.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

基于深度聚類(lèi)的通信輻射源個(gè)體識(shí)別模型網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 基于深度聚類(lèi)的通信輻射源個(gè)體識(shí)別網(wǎng)絡(luò)

本文算法為實(shí)現(xiàn)對(duì)通信輻射源個(gè)體的精準(zhǔn)分類(lèi)識(shí)別,同時(shí)匹配I/Q數(shù)據(jù)的輸入,將整體網(wǎng)絡(luò)設(shè)計(jì)為表征學(xué)習(xí)和聚類(lèi)過(guò)程。采用了自編碼器結(jié)構(gòu),包含編碼器與解碼器。編碼器由輸入層、3層卷積層、1層全連接層構(gòu)成,主要完成原始I/Q數(shù)據(jù)到低維特征的提取過(guò)程。解碼器由3層反卷積層和輸出層構(gòu)成,主要完成由低維特征重構(gòu)原始數(shù)據(jù)的過(guò)程。輸入層將數(shù)據(jù)處理模塊I/Q數(shù)據(jù)樣本進(jìn)行維度變換,由m×n維轉(zhuǎn)換成m×2×n×1維。考慮到樣本維度大小,通過(guò)二維卷積conv2D,以same模式對(duì)m×2×n×1維樣本進(jìn)行卷積操作,即對(duì)每個(gè)樣本的邊緣進(jìn)行補(bǔ)零,確保卷積得到的樣本尺寸保持一致。卷積核尺寸為(1,8),特征通道數(shù)分別為32、64、128個(gè),分別提取得到m×32,m×64,m×128維特征,之后采用Relu函數(shù)進(jìn)行激活。該函數(shù)是具有分段線(xiàn)性的線(xiàn)性整流單元(deep sparse rectifier neural networks),可以促進(jìn)梯度的反向傳播,降低反向函數(shù)的運(yùn)算量,其部分激活特性相當(dāng)于對(duì)網(wǎng)絡(luò)施加了稀疏正則化,對(duì)網(wǎng)絡(luò)的魯棒性和泛化能力有一定的提升。解碼器采用3層反卷積層來(lái)重構(gòu)原始I/Q數(shù)據(jù),并通過(guò)反向傳播算法,最小化重構(gòu)I/Q數(shù)據(jù)與原始I/Q數(shù)據(jù)差異,促進(jìn)網(wǎng)絡(luò)學(xué)習(xí)到通信輻射源網(wǎng)絡(luò)個(gè)體特征。3層反卷積層的網(wǎng)絡(luò)參數(shù)與卷積層的參數(shù)對(duì)稱(chēng)布置。聚類(lèi)過(guò)程中為了簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)與降低運(yùn)算復(fù)雜度,采用了K-means算法進(jìn)行聚類(lèi)分析。首先隨機(jī)選擇要分成簇的個(gè)數(shù)k,并隨機(jī)選擇k個(gè)數(shù)據(jù)點(diǎn)作為初始質(zhì)心,隨后計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與質(zhì)心之間的距離并進(jìn)行簇分配,更新質(zhì)心位置,不斷進(jìn)行迭代,直到最后質(zhì)心穩(wěn)定后停止迭代。

1.3 網(wǎng)絡(luò)優(yōu)化更新

1.3.1 損失函數(shù)

本文深度聚類(lèi)網(wǎng)絡(luò)的損失函數(shù)為聯(lián)合損失函數(shù),由重建損失函數(shù)和聚類(lèi)損失函數(shù)共同構(gòu)建。重建損失是自編碼器原始數(shù)據(jù)和解碼器重構(gòu)出的數(shù)據(jù)之間的均方誤差,表達(dá)式為:

式中:n為樣本數(shù)量;xi為原始數(shù)據(jù)樣本;gθ(·)為解碼器函數(shù);fφ(·)為編碼器函數(shù)。通過(guò)最小化重建損失Lrec使提取到的特征盡可能接近原始數(shù)據(jù)特征[29]。

聚類(lèi)損失采用KL散度,KL散度可度量2個(gè)分布之間的差異指標(biāo),從而最大化真實(shí)分布X與擬合分布Y之間的差異,其表達(dá)式為:

(2)

式中:yij為提取特征得到的點(diǎn)Si與聚類(lèi)中心Ui的相似程度,可用t分布進(jìn)行度量,其具體表達(dá)式為:

(3)

式中:α為t分布的自由度。

真實(shí)分布X的表達(dá)式為:

(4)

1.3.2 評(píng)估指標(biāo)

為了更好地調(diào)試和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)性能,對(duì)網(wǎng)絡(luò)進(jìn)行具體性能分析,本文采用了3類(lèi)評(píng)估指標(biāo)對(duì)深度聚類(lèi)網(wǎng)絡(luò)的性能進(jìn)行評(píng)價(jià),包含識(shí)別準(zhǔn)確率(accuracy)、標(biāo)準(zhǔn)互信息指數(shù)(normalized mutual information,NMI)和調(diào)整蘭德指數(shù)(adjusted Rand index,ARI)。ACC表示正確分配的結(jié)果數(shù)量樣本占該樣本總量的百分比,其計(jì)算式為:

(5)

式中:n為樣本總數(shù);li為真實(shí)簇標(biāo)簽;ci為算法輸出的預(yù)測(cè)簇標(biāo)簽;m(ci) 為映射函數(shù)表示真實(shí)標(biāo)簽與預(yù)測(cè)標(biāo)簽之間一一映射,一般使用匈牙利算法進(jìn)行實(shí)現(xiàn)。

標(biāo)準(zhǔn)互信息指數(shù)(NMI)是利用2個(gè)數(shù)據(jù)分布的信息熵來(lái)衡量其接近程度,其計(jì)算式為:

式中:I(l;c) 為真實(shí)標(biāo)簽與預(yù)測(cè)標(biāo)簽之間的互信息程度;H(l)為真實(shí)標(biāo)簽的熵值;H(c) 為預(yù)測(cè)標(biāo)簽的熵值。

ARI表示真實(shí)類(lèi)別與聚類(lèi)劃分類(lèi)別的重疊程度,其計(jì)算式為:

以上3類(lèi)評(píng)估指標(biāo)值域是0到1,指標(biāo)越高,意味著劃分越準(zhǔn),聚類(lèi)效果越好。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)平臺(tái)和數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)基于Python下的Tensorflow、Pytorch深度學(xué)習(xí)框架完成,所使用的硬件平臺(tái)為Intel(R) Core(TM) i7-10875H CPU,GPU為NVDIA GeForce RTX 3090。

采用的數(shù)據(jù)集為5種ZigBee設(shè)備的實(shí)采信號(hào)[16],5種設(shè)備的樣本來(lái)自于各自對(duì)應(yīng)的5段原始信號(hào)(9個(gè)幀段)。將每種設(shè)備采集到的復(fù)值數(shù)據(jù)進(jìn)行切分得到I路和Q路實(shí)值數(shù)據(jù),并按列拼接后進(jìn)行加噪處理,得到2×M維數(shù)據(jù),再進(jìn)行樣本切片后得到1 441個(gè)2×256維的I/Q數(shù)據(jù)樣本。將這些I/Q數(shù)據(jù)樣本進(jìn)行混合,生成實(shí)驗(yàn)數(shù)據(jù)集。利用生成數(shù)據(jù)集中信噪比為20 dB的數(shù)據(jù),進(jìn)行網(wǎng)絡(luò)預(yù)訓(xùn)練,將訓(xùn)練好的網(wǎng)絡(luò)參數(shù)保存,并進(jìn)行實(shí)驗(yàn)。

圖3為深度聚類(lèi)網(wǎng)絡(luò)損失函數(shù)曲線(xiàn)圖,從圖中可以看到,隨著訓(xùn)練輪次增加,網(wǎng)絡(luò)損失逐漸降低并趨于穩(wěn)定,說(shuō)明深度聚類(lèi)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中收斂較好。

圖3 網(wǎng)絡(luò)損失函數(shù)曲線(xiàn)圖

2.2 不同樣本長(zhǎng)度下識(shí)別效果驗(yàn)證

圖4為不同樣本長(zhǎng)度下的識(shí)別性能曲線(xiàn)圖。圖4(a)為不同信噪比條件下,樣本長(zhǎng)度分別為64、128、256時(shí),5個(gè)通信輻射源個(gè)體的平均識(shí)別準(zhǔn)確率,從圖中可以看出,樣本長(zhǎng)度為256的識(shí)別準(zhǔn)確率最高,在信噪比為15 dB時(shí),3種樣本長(zhǎng)度的識(shí)別準(zhǔn)確率均接近一致,達(dá)到了100%。圖4(b)為不同信噪比條件下,3種樣本長(zhǎng)度下2類(lèi)評(píng)估指標(biāo)的變化,從圖中可知,樣本長(zhǎng)度為256的2類(lèi)評(píng)估指標(biāo)最高,3種樣本長(zhǎng)度下的評(píng)估指標(biāo)隨信噪比的升高逐漸增大。

圖5為10 dB信噪比下的3種樣本長(zhǎng)度分類(lèi)效果圖,通過(guò)對(duì)比圖5(a)～圖5(c),可以看出,10 dB信噪比下,長(zhǎng)度為256的分類(lèi)識(shí)別效果最好。

(a)識(shí)別準(zhǔn)確率

(b)評(píng)估指標(biāo)

(a)樣本長(zhǎng)度為64

(b)樣本長(zhǎng)度為128

(c)樣本長(zhǎng)度為256

通過(guò)以上實(shí)驗(yàn)可知:相同信噪比條件下,樣本長(zhǎng)度較長(zhǎng)的通信輻射源個(gè)體識(shí)別效果較好;隨著信噪比升高,不同樣本長(zhǎng)度的識(shí)別效果逐漸變好,并趨于100%。

2.3 不同信噪比下識(shí)別效果驗(yàn)證

圖6為0～15 dB信噪比下的分類(lèi)混淆矩陣,由圖可得:隨著信噪比的提高,5類(lèi)個(gè)體的識(shí)別準(zhǔn)確率均有所提高;在0 dB下,平均識(shí)別準(zhǔn)確率達(dá)到了85%以上,說(shuō)明了在較低信噪比下,個(gè)體識(shí)別準(zhǔn)確率仍可以保持較高;在15 dB下,5類(lèi)個(gè)體的識(shí)別準(zhǔn)確率趨于穩(wěn)定并達(dá)到100%。

圖7為不同信噪比下5類(lèi)個(gè)體的識(shí)別性能圖,由圖7(a)可知,隨著信噪比的提升,5類(lèi)個(gè)體的識(shí)別準(zhǔn)確率均有所提高,在0 dB以上時(shí),通信輻射源個(gè)體的識(shí)別準(zhǔn)確率均在85%以上,證明本文方法對(duì)5類(lèi)個(gè)體均有效;由圖7(b)可得,3類(lèi)評(píng)估指標(biāo)隨著信噪比的提升逐漸升高,在10 dB時(shí)趨于1,證明了本文方法的有效性。

圖8為0～20 dB下樣本長(zhǎng)度為128的信噪比分類(lèi)效果圖。通過(guò)對(duì)比各個(gè)子圖結(jié)果可知,樣本長(zhǎng)度為128時(shí),隨著信噪比的升高,5個(gè)通信輻射源個(gè)體識(shí)別效果逐漸變好,信噪比越高,5個(gè)通信輻射源個(gè)體的類(lèi)間距越大,分類(lèi)效果越好,直觀地證明了本文方法可以較好地完成通信輻射源個(gè)體的識(shí)別。

(a)混淆矩陣(SNR=0 dB)

(b)混淆矩陣(SNR=5 dB)

(c)混淆矩陣(SNR=10 dB)

(d)混淆矩陣(SNR=15 dB)

(a)識(shí)別準(zhǔn)確率

(b)評(píng)估指標(biāo)

(a)-5 dB (b)0 dB

(c)5 dB (d)10 dB

(e)15 dB(f)20 dB

2.4 與其他算法性能對(duì)比

將本文算法與典型的無(wú)監(jiān)督算法進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)設(shè)置:5種ZigBee設(shè)備的實(shí)采信號(hào),添加高斯白噪聲得到-5～20 dB信噪比的信號(hào),將不同信噪比下的信號(hào)數(shù)據(jù)切分為長(zhǎng)度為128的樣本,并隨機(jī)抽取其中的4 000個(gè)樣本組成實(shí)驗(yàn)數(shù)據(jù)集。

圖9為本文算法與4種無(wú)監(jiān)督算法的性能對(duì)比。其中,基于密度峰值聚類(lèi)(density peaks clustering,DPC)算法是基于傳統(tǒng)深度聚類(lèi)方法[13],K-means++[30]、Dbscan[31]是典型的無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法,infoGan方法是在Dbscan上加入先驗(yàn)特征的深度學(xué)習(xí)算法[32]。從圖9可以看出,本文所設(shè)計(jì)的算法在不同信噪比條件下較其他4種方法擁有更好的識(shí)別準(zhǔn)確率,因此本文所用的基于深度聚類(lèi)的方法較傳統(tǒng)聚類(lèi)方法和經(jīng)典無(wú)監(jiān)督機(jī)器學(xué)習(xí)方法的識(shí)別率有所提高,進(jìn)一步證明了本文設(shè)計(jì)的基于深度聚類(lèi)的通信輻射源個(gè)體識(shí)別方法的有效性和可靠性。

圖9 算法性能對(duì)比

3 結(jié)語(yǔ)

本文針對(duì)非合作通信條件下缺乏足夠有標(biāo)簽樣本的通信輻射源個(gè)體識(shí)別的問(wèn)題,提出了基于深度聚類(lèi)網(wǎng)絡(luò)的通信輻射源個(gè)體識(shí)別方法,通過(guò)自編碼器的特征提取與數(shù)據(jù)重構(gòu)能力,增強(qiáng)了對(duì)原始I/Q數(shù)據(jù)的指紋特征提取性能,并用聯(lián)合優(yōu)化的方式實(shí)現(xiàn)特征提取與聚類(lèi)分析的更新優(yōu)化,實(shí)現(xiàn)了無(wú)監(jiān)督條件下的通信輻射源個(gè)體分類(lèi),仿真結(jié)果表明文中方法在信噪比0 dB以上時(shí)可以達(dá)到85%以上的識(shí)別準(zhǔn)確率,證明了本文方法的有效性和穩(wěn)定性。