基于深度學習的通信輻射源識別綜述

摘 要：非合作條件下的信號檢測、調制方式識別及輻射源個體識別（Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ） 等任務，是開展戰場通信偵察的重要環節。隨著無線通信技術的飛速發展，輻射源種類愈加多樣，信號體制愈加復雜，加之惡劣的電磁環境，給ＳＥＩ 工作帶來了極大的挑戰。近年來，隨著深度學習的飛速發展，及其在自然語言處理和計算機視覺等領域的有效應用，學者們逐漸將其應用到ＳＥＩ 任務中，并取得了豐富的研究成果。鑒于現有文獻缺乏開源數據集，匯編了可用的開源數據集，從知識驅動和數據驅動２ 個維度對ＳＥＩ 方法進行詳盡梳理，包括專家系統方法和深度學習技術。通過對比分析揭示了深度學習在ＳＥＩ 任務中的優勢，并針對當前深度學習在ＳＥＩ 領域面臨的問題，總結了未來ＳＥＩ 的發展方向。

關鍵詞：通信輻射源；輻射源個體識別；深度學習；數據驅動；開集識別

中圖分類號：ＴＰ１８；ＴＮ９２ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０６－１３３７－０９

０ 引言

輻射源個體識別（Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ）也稱特定輻射源識別，是指通過提取接收信號上能體現輻射源個體差異的特征，實現對輻射源個體的識別［１］。這種特征只與發射機器件的硬件差異有關，與信號的調制樣式、信道傳輸特性和接收機性能等因素無關，類似于指紋唯一性，因此也稱為輻射源指紋特征。輻射源指紋特征來源于發射機部件中硬件的固有損傷，例如本地振蕩器的相位噪聲和載波頻偏、調制器的Ｉ ／ Ｑ 失配以及功率放大器的非線性失真等。

ＳＥＩ 技術應用較為廣泛，在軍事應用方面，該技術可在復雜多變的戰場環境下，利用非合作通信信號識別輻射源個體屬性，為確定目標身份、預測戰略意圖以及獲取戰場電磁態勢提供重要依據，對確保通信系統安全、提高軍事通信偵察和對抗能力具有重要意義［２］。在民用方面，隨著物聯網的不斷發展，在萬物互聯的大背景下利用ＳＥＩ 技術可從設備的物理層開展身份認證，降低無線通信的克隆隱患，增強無線通信的安全性。由于無線通信的需求激增，頻譜資源日漸緊張，ＳＥＩ 技術可用于跟蹤非法占用頻譜資源的用戶，實現頻譜資源的合理分配和高效監管［３］。

早期ＳＥＩ 方法主要基于專家經驗特征開展研究，特征單一且泛化性能差。近年來，隨著深度學習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）的發展及其在各領域的廣泛應用，研究人員開始探索將ＤＬ 應用到信號識別領域。２０１６ 年，Ｏ’ｓｈｅａ 等［４］將卷積神經網絡（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）應用于自動調制識別（ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ，ＡＭＲ），并在ＲＭＬ２０１６． １０ａ 數據集開展實驗驗證。當信噪比為０ ｄＢ 時，ＣＮＮ 的調制識別準確率可達到７８％ 。２０１８ 年，Ｍｅｒｃｈａｎｔ 等［５］利用ＺｉｇＢｅｅ 信號數據集，驗證了ＣＮＮ 在ＳＥＩ 領域的性能，在測試集上達到了７７． ０１％ 的分類正確率。因此，利用神經網絡提取數據的深度特征，識別信號的類別屬性，在信號識別領域具有一定的研究意義與應用價值。

在以往關于ＳＥＩ 的研究綜述中，對基于深度學習的輻射源識別方法關注度不足，且文獻綜述不夠全面。此外，現有綜述對相關可用數據集的系統性介紹較為缺乏，鑒于數據和算法是深度學習的２ 個核心要素，是執行ＳＥＩ 任務的基礎和重要工具。針對上述局限性，本文圍繞數據、算法對基于深度學習的通信ＳＥＩ 進行綜述，首先概述了ＤＬ 及其在ＳＥＩ 領域應用的發展歷程，提供了開源ＳＥＩ 數據集匯編，進一步綜述了基于知識驅動和數據驅動的ＳＥＩ 方法，并對目前基于ＤＬ 的ＳＥＩ 研究存在的難點問題和未來的發展方向進行了深入分析。

１ 發展歷程

１． １ 深度學習發展歷程

１９５０ 年，被譽為“計算機科學之父”的圖靈提出“圖靈測試”，讓機器產生智能這一想法開始進入大眾視野。１９５６ 年，Ｊｏｈｎ ＭｃＣａｒｔｈｙ （圖靈獎得主）、Ｍａｒｖｉｎ Ｍｉｎｓｋｙ（人工智能與認知學專家，圖靈獎得主）和Ｃｌａｕｄｅ Ｓｈａｎｎｏｎ（信息論創始人）等學者以機器模擬智能為主題，在美國新罕布什爾州達特茅斯學院展開大討論，史稱“達特茅斯會議”。在此次會議上，“人工智能”的概念被首次提出。２０ 世紀７０ 年代，由于算力和理論的匱乏，人工智能的前沿應用難以實現，發展進入低谷；９０ 年代末，隨著互聯網技術的發展和計算能力的增強，人工智能發展提速，人工智能技術的應用已逐漸在醫療保健、電子商務和社交媒體等行業落地。

神經網絡也已具有近８０ 年的發展歷史。ＤＬ 源于對人工神經網絡（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＡＮＮ）的研究，其本質是一個深層神經網絡，前層的輸出作為后層的輸入，可實現對輸入數據的多級表示，并從中自動學習抽象、深層次的特征。近年來，ＤＬ 在圖像分類［６－７］、目標檢測［８－９］及自然語言處理［１０－１１］等領域取得了較為顯著的成果，將其與各領域相結合是目前較為熱門的研究方向。ＤＬ 包含一系列算法，如前向神經網絡、ＣＮＮ、循環神經網絡（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）和自動編碼器等，且算法仍在不斷地被創新發展。

ＣＮＮ 是一種典型的深度前饋神經網絡，一般包括卷積層、池化層、激活層和連接層，具有局部連接、權值共享和降采樣等特點，可有效處理圖像數據，得到了廣泛研究與應用。１９８０ 年，福島邦彥（鮑爾獎得主）提出了“Ｎｅｏｃｏｇｎｉｔｒｏｎ”，將人類視覺系統中的思想引入ＡＮＮ，創造了ＣＮＮ 的雛形。２０ 世紀８０ 年代末，ＬｅＣｕｎ 將反向傳播算法引入神經網絡，開發了ＬｅＮｅｔ，并在１９９８ 年將改進后的ＬｅＮｅｔ５ 成功應用到手寫字符識別系統中。自１９９８ 年開始，ＬｅＮｅｔ［１２］、ＡｌｅｘＮｅｔ［１３］、ＶＧＧ［１４］、ＧｏｏｇＬｅＮｅｔ［１５］以及ＲｅｓＮｅｔ［１６］等代表性模型相繼提出，并逐漸應用于ＳＥＩ 領域。ＣＮＮ 的輸出只與前層輸入有關，不考慮其他時刻輸入的影響，因此在處理與時序相關的任務時性能會有所下降。ＲＮＮ［１７］是一種節點定向連接的遞歸神經網絡，中間隱藏層的輸出不僅與當前時刻的輸入有關，還與前一時刻的輸出有關，因此該網絡具有記憶功能，能有效挖掘數據中的時序信息和語義信息，在語音識別、機器翻譯［１８－１９］等自然語言處理領域取得了良好的效果。利用ＲＮＮ 處理長序列時，在訓練過程中可能存在梯度消失和梯度爆炸的問題，由此產生了長短時記憶（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）［２０］網絡。ＬＳＴＭ 引入門控單元，包括遺忘門、記憶門和輸出門，以改善ＲＮＮ 長時依賴等問題，目前較為常用的ＲＮＮ 模型為ＬＳＴＭ 及其變種。

１． ２ 基于ＤＬ 的輻射源識別研究

隨著無線電通信的迅猛發展，輻射源數量激增，信號調制方式繁多復雜，傳統的基于專家經驗的ＳＥＩ 方法已無法滿足現實需求。２０ 世紀７０ 年代，為了從復雜信號中有效提取個體指紋特征，研究人員開始將ＡＩ 引入ＳＥＩ 領域。１９８５ 年，英國海軍研究部將ＡＮＮ 應用于ＳＥＩ 領域，利用先驗知識建立輻射源數據庫，并驗證了ＡＮＮ 的ＳＥＩ 識別性能［２１］，隨后，ＡＮＮ、專家系統、模糊邏輯和進化計算等被逐漸應用到ＳＥＩ 領域［２２－２４］。

近年來，學者們逐漸將ＤＬ 應用到ＳＥＩ 領域，實現過程如圖１ 所示。具體而言，該過程涉及對采集的輻射源信號進行預處理，以便對神經網絡模型進行處理。預處理后的輻射源信號或其變換后的圖片輸入神經網絡，通過卷積操作有效地提取信號中的隱含特征，將輸出特征送入分類器，利用有監督學習的方法對輸出特征進行分類，實現輻射源個體的準確識別。

２０１８ 年，文獻［２５］將Ｉ ／ Ｑ 序列直接輸入ＣＮＮ提取指紋特征，并證實了該方法在個體識別中的可行性。Ｍｅｒｃｈａｎｔ 等［２６］通過頻率校正處理輸入信號，以消除設備相關的載波頻率偏移，并提出了一種基于ＣＮＮ 的時域復基帶誤差信號指紋特征提取的框架，該框架在ＺｉｇＢｅｅ 信號數據集上達到９２． ２９％ 的識別準確率。在后續工作中文獻［２６］改進了序列預處理并在網絡中引入遞歸分量，顯著提高了模型在低信噪比環境下ＳＥＩ 性能。因此，ＤＬ 在ＳＥＩ 領域展現出了潛在的研究價值，然而該方法面臨訓練數據不充分、模型過擬合以及響應速度慢等問題，當前研究工作致力于解決這些問題，以進一步提升ＤＬ在ＳＥＩ 領域的應用效能。

２ 基于ＤＬ 的通信輻射源識別

２． １ 開源通信輻射源數據集

鑒于ＳＥＩ 領域的特殊性，可用的開源數據集相對匱乏，主要源于該領域對數據的敏感性和保密性要求。因此，研究者在開展ＳＥＩ 相關研究時常常面臨數據獲取困難的問題，也影響了模型泛化能力和實際應用的可靠性。下文簡要介紹了３ 個ＳＥＩ 領域的公開數據集，以便開展相關的實驗和算法驗證。

（１）ＯＲＡＣＬＥ

ＯＲＡＣＬＥ 數據集來源于文章“ＯＲＡＣＬＥ：Ｏｐｔｉｍｉｚｅｄ Ｒａｄｉｏ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｔｈｒｏｕｇｈ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”。ＯＲＡＣＬＥ［２７］是一種在物理層利用ＩＱ 樣本從大量位相似設備（相同的硬件、協議、物理地址和ＭＡＣ ＩＤ）中識別不同無線電設備的方法。該方法采用１６ 臺Ｘ３１０ ＵＳＲＰ ＳＤＲＳ 設備發射信號，同一臺Ｂ２１０ ＵＳＲＰ 設備接收信號。在實驗設置中，接收機工作中心頻率為２． ４５ ＧＨｚ，采樣速率為５ ＭＳ ／ ｓ，采集到的Ｉ ／ Ｑ 序列被進一步劃分為長度１２８ 的子序列。每臺設備收集超過２ ０００ 萬個樣本，接收機與發射機之間的距離由０． ６ ｍ 逐步增加到１９ ｍ，步長為１． ９ ｍ。ＯＲＡＣＬＥ 數據集分為兩部分：數據集１ 為ｒａｗ Ｉ ／ Ｑ 信號，數據集２ 為經過解調的Ｉ ／ Ｑ 信號，這些數據被進一步劃分為訓練集、測試集和驗證集，以便于模型訓練和評估。

（２）ＡＤＳ-Ｂ 信號集

ＡＤＳ-Ｂ 全稱為廣播式自動相關監視，是一種以廣播方式實時傳輸飛機的動態飛行信息的技術，包括航跡、速度和經緯度等關鍵參數，并攜帶飛機唯一識別信息（ＩＣＡＯ 編碼），以標識飛機身份，被廣泛應用于實時監測飛機的狀態［２８］。ＡＤＳＢ 信號集具有數據規模大、易于標注且開源的特點，作為ＳＥＩ 的數據集較為合適。ＡＤＳＢ 數據集由哈爾濱工業大學信息與通信工程實驗室發布，包含１ ６６１ 種類別的飛機長信號２６ ６１３ 條，以及１ ７１３ 種類別的飛機短信號１６７ ２３４ 條［２９］。

（３）ＦＩＴ ／ Ｃｏｒｔｅ Ｘｌａｂ

ＦＩＴ ／ Ｃｏｒｔｅ Ｘｌａｂ 數據集由法國里昂國立應用科學學院發布，并得到了Ａｌｃａｔｅｌ-Ｌｕｃｅｎｔ Ｂｅｌｌ Ｌａｂｓ 的支持。該數據集利用２２ 臺ＮＩ ＵＳＲＰ Ｎ２９３２ 設備生成，其中１ 臺設備作為固定接收端，其余２１ 臺設備負責信號發射，接收機中心頻點設置為４３３ ＭＨｚ，采樣率為５ ＭＳ ／ ｓ，接收信號以Ｉ ／ Ｑ 數據流的形式保存。每臺設備收集約５０ ０００ 個樣本［３０］，發射設備采用突發模式工作，無信號發射時放大器處于關閉狀態。研究團隊特別針對ＩＱ 不平衡和ＤＣ 偏移對設備進行了校準，并將本地振蕩器信號泄露降至最低。發送數據類型包含３ 種：ＱＰＳＫ 調制位的固定序列、ＱＰＳＫ 隨機調制位序列以及噪聲序列。發送類型包括固定功率和變功率，其中變功率發射信噪比為９ ～ １４ ｄＢ［３１－３２］。

２． ２ 基于知識驅動的輻射源識別技術

知識驅動主要是指根據專業知識和經驗來解決問題。早期階段的特征提取采用基于專家經驗的提取方法，即根據現有對輻射源畸變的認知，人工提取輻射源指紋特征。基于專家經驗的特征提取方法可分為以下３ 類：基于信號參數、基于數學表述以及基于機理分析［１］。

由于早期輻射源制造工藝的限制，不同設備的發射信號參數存在顯著差異，可通過分析信號參數進行特征提取。通信信號可分為暫態信號和穩態信號。暫態信號是指設備開關機、工作模式切換等過程中產生的信號，由于無能量較強的調制信號的覆蓋，暫態信號富含細微的指紋特征，但由于其持續時間短，且易受外部噪聲的影響，使得信號捕捉和特征提取變得復雜。穩態信號是指發射設備在功率穩定后發射的信號部分，相比之下，此類信號持續時間長，易于捕捉，但是細微特征往往被傳輸信號淹沒，對特征提取方法要求較高［３３－３４］。針對暫態特征，美國空軍工程學院團隊的Ｗｉｌｌｉａｍｓ 等［３５］利用ＧＳＭ、ＷｉＭＡＸ、ＺｉｇＢｅｅ 等信號，提取了瞬時幅度、相位和頻率等參數的多種統計指標作為特征，并在信噪比大于１２ ｄＢ 的條件下實現９０％ 以上的ＧＳＭ 信號識別正確率。Ｒｅｉｓｉｎｇ 等［３６］針對ＷｉＦｉ 信號和ＷｉＭａｘ 信號，從中導字段提取了瞬時相位的統計特征，在同型號多部手機上取得了良好的識別效果。國內陸滿君等［３７］采用遞歸圖法確定暫態信號的起止時刻，通過小波變化處理信號，并利用遺傳算法篩選出具有高區分度的特征，最終利用支持向量機（Ｓｕｐｐｏｒｔ ＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）實現ＳＥＩ。然而，隨著制造工藝的進步，同批次同型號的輻射源之間硬件差異越來越小，使得傳統基于專家經驗的特征提取方法面臨挑戰，亟需發展新的方法以適應當前的實際需求。

基于數學表述的ＳＥＩ 方法側重于運用數學工具對輻射源信號的個體特征進行抽象表述。常用的工具包括小波變換［３８］、希爾伯特變換［３９－４０］、高階譜估計［４１－４３］、經驗模態分解（Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅ Ｄｅｃｏｍｐｏｓｉ-ｔｉｏｎ，ＥＭＤ）［４４］以及壓縮感知［４５］等。例如，吳龍文等［３８］提出了一種基于同步壓縮小波變換的主信號抑制技術，并結合分形理論中的盒維數作為信號特征，利用ＳＶＭ 實現輻射源個體分類，實驗結果證明了該方法在提升ＳＥＩ 正確率方面的有效性。類似地，文獻［３９］將希爾伯特－ 黃變換（Ｈｉｌｂｅｒｔ-ＨｕａｎｇＴｒａｎｓｆｏｒｍ，ＨＨＴ）與分形理論相結合，通過ＨＨＴ 獲取信號時頻能量譜，并基于分形理論提取差分盒維數和多重分形維數，組成特征向量輸入ＳＶＭ。實驗結果表明該方法在低信噪比和小樣本的條件下仍具有良好的識別效果。鑒于實際通信信號的非平穩、非線性和非高斯特性，傳統的功率譜與低階譜可能無法充分表征信號的本質特征，高階統計量可用于檢測和描述系統的非線性特性，故桂云川等［４１］提出了基于雙譜特征融合的ＳＥＩ 方法，將對角積分雙譜與對角切片融合作為特征向量，驗證了高階譜融合特征在提高ＳＥＩ 準確率方面的有效性。２０１６ 年，文獻［４４］將ＥＭＤ 引入ＳＥＩ，并驗證了其相較于傳統算法的性能提升，但ＥＭＤ 在運行時間和算法效率方面存在一定的局限性。盡管基于數學表述的方法能揭示更為復雜的信號特征，但識別性能受限于選取的數學工具，且所提取的特征可能僅能從特定角度反映信號特性，具有一定的局限性。此外，該方法在體現輻射源指紋特征的物理本質上存在不足，后續研究需要進一步探索如何結合物理本質和數學工具，從而更全面地捕捉輻射源的個體特征，提高ＳＥＩ 的準確性和可靠性。

機理分析能夠深入探究信號產生機制，是最能揭示輻射源指紋特征本質的一種方法。此類方法從發射機的組成模塊和工作原理出發，建立信號產生機理的模型，從而提取更為本質的輻射源指紋特征。文獻［４６］針對自激振蕩式和主振放大式２ 類基本的發射機，對核心器件建模并分析，針對主振放大式發射機，建立了基于功放泰勒級數和沃爾特拉級數的模型，并給出了相應的特征提取方法。此外，考慮到ＳＥＩ 依賴于特定接收機的局限性，文獻［４７］研究了接收機畸變的機理和形式，通過理論分析，證明了發射機和接收機中的濾波器、放大器分量對信號整體畸變的影響是等價的，并通過實驗驗證了不同接收機對同一發射信號提取特征的差異性。實驗結果顯示，在不同接收機條件下，識別正確率從１００％ 、９５． ５％ 顯著下降到２０％ ，該結果可為后續ＳＥＩ 研究種的接收機畸變校正提供參考依據。針對功放畸變問題，何家爍［４８］研究了功放系統的非線性特征和行為模型，并深入研究了接收端的非線性處理算法。盡管機理分析方法在ＳＥＩ 領域取得了一定的進展，但尚未解決多種畸變特征的聯合提取問題，且畸變模型僅體現當前的認知水平。由于輻射源指紋特征是由多種內部器件共同作用的結果，對整個系統的精確建模和分析仍然具有難度。因此，機理分析方法在揭示輻射源指紋特征的物理本質上尚有局限，未來的研究需要進一步深化對輻射源內部機制的理解，并建立更為全面的模型和分析方法。

２． ３ 基于數據驅動的輻射源識別技術

基于數據驅動的ＳＥＩ 技術主要基于大規模的監督數據，利用ＤＬ 算法進行特征提取與識別，如圖２所示?；冢模?的ＳＥＩ 任務，本質上是將輻射源識別建模為深度學習框架下的分類問題。在這一框架中，深度學習模型通過學習輻射源信號的特征表示，實現對不同個體輻射源的高精度分類。為適應無線電信號的處理需求，信號通常以Ｉ ／ Ｑ 數據格式存儲。神經網絡模型可以接收Ｉ ／ Ｑ 數據作為輸入，這種方法無需復雜的預處理及先驗知識，能夠最大程度地保留信號的原始信息。另一方面，將信號轉換為圖像輸入通常需要先驗知識的支撐，在非合作條件下具有一定的局限性［４９］。

２０１６ 年，Ｏ’ｓｈｅａ 等［４］首次將Ｉ ／ Ｑ 數據輸入ＣＮＮ 以實現調制方式識別，證明了ＣＮＮ 在信號識別領域的可行性，此后研究人員開始探索ＤＬ 在ＳＥＩ領域的適用性。２０１７ 年，美國國防先進研究計劃局啟動了射頻機器學習項目，射頻指紋識別是該項目的關鍵應用之一［５０］。在該項目支持下，２０１８ 年Ｒｉｙａｚ 等［２５］證明了直接通過Ｉ ／ Ｑ 數據提取輻射源指紋特征的可行性與有效性，不需要高精度解碼、特征工程以及協議格式等先驗知識的支撐，并通過收集不同發射距離下的信號，證明該方法的識別性能隨距離的增大而降低。另一項研究［５１］指出Ｉ ／ Ｑ 失配參數與調制方式無關，研究者利用ＣＮＮ 從Ｉ ／ Ｑ 信號中提取失配參數來識別不同輻射源，并通過實驗驗證該方法相較于傳統特征提取方法更有效。在國內，研究者也在利用Ｉ ／ Ｑ 數據實現ＳＥＩ 方面也取得了一系列成果，文獻［５２］改進網絡模型，利用深度殘差網絡對實測Ｉ ／ Ｑ 信號進行特征提取，并利用ＡＤＳ-Ｂ 數據集對算法性能進行了測試，結果表明當信噪比大于－３ ｄＢ 時，該模型識別性能超過９６％ ，優于傳統的ＣＮＮ 和ＤＢＮ 網絡模型；張敏等［５３］提出了一種基于Ｉ ／ Ｑ 失配的ＳＥＩ 方法，該方法無需解調過程，且適用于模擬和數字信號；陳悅等［５４］指出，Ｉ 路與Ｑ 路數據的變化是相對應的，因此構造ＩＱ 特征圖并輸入ＣＮＮ，實現了９３． ０５％ 的識別正確率。此外，通過對比ＩＱ 圖特征與小波特征、雙譜特征，實驗結果表明ＩＱ 圖特征具有最高的識別正確率和泛化能力。針對小樣本學習問題，文獻［５５］將數據增強引入ＳＥＩ，通過噪聲擾動、幅度和時延變換、頻率偏移和相位偏移的手段對Ｉ ／ Ｑ 數據進行增強，并在ＡＤＳ-Ｂ 數據集上驗證了該方法的有效性。

鑒于神經網絡在圖像分類領域的卓越表現，研究者們探索了將信號轉換為二維圖像形式，作為深度學習模型的輸入在ＳＥＩ 領域的應用。由于高階譜特征能夠很好地保留信號的幅度、相位等信息，文獻［５６］采用一種改進的雙譜特征融合的通信信號識別方法，在低信噪比條件下，識別準確率可達９５％ 。針對高階譜特征維度較高的問題，Ｄｉｎｇ 等［５７］采用了一種監督降維方法［５８］，減少對冗余信息的識別，避免維數災難。文獻［５９］將差分星座軌跡圖輸入ＣＮＮ 進行特征提取，并在ＺｉｇＢｅｅ 信號集上進行實驗驗證，當設備個數為５４，信噪比為１５ ｄＢ 時，識別準確率達到了９３． ８％ 。針對現有方法的識別性能隨時間推移而下降的問題，２０２１ 年，謝存祥等［６０］提出了一種基于ＨＨＴ 與對抗訓練的識別方法，對接收信號進行希爾伯特變換后選擇不同輻射源信號的希爾伯特譜區分度最高的能量值點，以此作為ＣＮＮ的輸入，并通過對抗訓練提高網絡的抗噪性能，在輻射源個數為５、信噪比為１０ ｄＢ 時，識別正確率可達到７１％ 。針對ＨＨＴ 存在模態混疊分解不充分的問題，韋建宇等［６１］首先對信號進行差分處理，利用變分模態分解得到模態分量后進行希爾伯特變換，并通過實驗驗證該方法較已有的ＨＨＴ 個體識別方法，不僅計算復雜度更低，且信噪比為５ ｄＢ 時具有９０％ 以上的識別正確率。針對利用單一特征提取通信輻射源個體指紋信息不充分的問題，文獻［６２］提出一種基于多域特征融合的ＳＥＩ 方法，將時域、頻域和積分雙譜特征組合，利用多通道卷積網絡提取通信輻射源個體指紋特征，證明了該方法可在低信噪比下顯著提高識別效果。文獻［６３］將遷移學習思想引入ＳＥＩ，提出一種多域遷移的輻射源識別方法，將不同時間接收到的信號作為不同的域，并通過實驗證明該方法識別效果較好。隨著網絡模型的不斷更新，陳浩等［６４］采用深度殘差適配網絡，以時頻圖作為輸入，基于５ 臺通信輻射源數據集進行實驗驗證，當信噪比大于１５ ｄＢ 時，該模型的識別準確率達到了９０％ 以上。文獻［６５］提出了一種基于Ｔｒａｎｓ-ｆｏｒｍｅｒ 的輕量化網絡ＧＬＦｏｒｍｅｒ，包括門控局部注意力單元和門控滑動局部注意力單元，可自動過濾不相關信息，提取更為關鍵的輻射源指紋信息從而提高識別性能，基于５０ 艘船舶自動定位系統的瞬態和穩態信號對ＧＬＦｏｒｍｅｒ 的識別性能進行驗證，識別準確率分別達到９６． ３１％ 和８９． ３８％ 。針對小樣本問題，丁辰偉等［６６］將圖像增強算法應用于ＳＥＩ，包括直方圖修正法、灰度變換法和圖像濾波法，對稀疏自編碼器提取的特征進行特征增強，將原有特征與增強后的特征共同輸入ＣＮＮ 訓練，有效提高了小樣本條件下ＳＥＩ 的準確率。ＤＬ 在圖像識別領域性能優異，提取圖像特征識別輻射源個體取得了良好的性能，但是該方法通常需要一定的先驗知識，在非合作條件下受限，且圖像依賴于特定的數學工具，可能存在泛化性和魯棒性較差的問題。

３ 存在的問題

３． １ 大規模監督真實數據集的不現實性

ＳＥＩ 主要瞄準非合作目標，因此該任務面臨的首要難題是獲取大規模的真實數據。在可訓練數據有限的條件下，模型容易出現過擬合，影響其在實際應用中的泛化性能；其次，由于對非合作目標缺少先驗知識，對信號的識別和處理變得復雜，不僅增加了數據標注的難度，也對模型學習有效特征提出了更高的要求；再次，非合作條件下采集的數據往往存在類別不均衡問題，常見輻射源的數據規模大，低頻次出現輻射源的數據規模小，可能導致模型對常見輻射源類別的識別性能較好，而對罕見類別的識別性能不足；此外，在開集識別的背景下，這種類別不均衡問題變得更加突出，當應用環境的輻射源類別數目比訓練集的類別數目多時，模型難以正確識別新的類別，從而限制了ＳＥＩ 在動態和未知環境中的適用性。

３． ２ 模型泛化問題

現有基于ＤＬ 的通信輻射源識別研究，用于建立神經網絡模型的訓練樣本與用于驗證模型的測試樣本來源于相同時間和空間環境，可能導致模型在測試集上表現良好。但在實際應用中，電磁信號的獲取環境與訓練集環境存在顯著差異，因此基于ＤＬ的ＳＥＩ 方法性能會顯著下降甚至可能完全失效［６７－６８］。

此外，現有ＳＥＩ 研究使用的數據集主要包括３ 類：第一類是仿真信號，利用ＧＮＵＲａｄｉｏ、Ｐｙｔｈｏｎ、Ｍａｔｌａｂ［６９－７０］等軟件仿真不同輻射源信號，雖然信號各參數便于控制，但可能無法完全模擬真實電磁環境的復雜性；第二類是利用開源輻射源識別數據集進行研究；第三類是通過搭建實驗環境，收集ＡＤＳ-Ｂ［５２］、電臺以及ＺｉｇＢｅｅ 等輻射源信號，進行實驗研究。后２ 類數據可能更接近實際應用，但數據集往往受限于特定的信道環境和噪聲，當待測信號與訓練數據集的信道環境噪聲不一致時，網絡的識別性能可能退化。

４ 發展方向

４． １ 面向弱／ 無監督數據的輻射源識別研究

當前基于ＤＬ 的ＳＥＩ 研究大多采用有監督學習方法，利用大量帶標簽訓練數據對模型參數進行優化。但在實際ＳＥＩ 任務中，無線電信號采集困難，且缺乏非合作目標的先驗知識，標注成本高；相比于其他領域的公開數據集，如包含１ ４２０ 萬張圖片的Ｉｍ-ａｇｅＮｅｔ 數據集，輻射源識別ＯＲＡＣＬＥ 數據集僅包含１６ 臺同型號無線電設備的數據，在類別多樣性和數據量上都十分不足。為了克服ＳＥＩ 領域小樣本的挑戰，后續研究可結合數據增強、遷移學習、度量學習、自監督學習、ｏｎｅ-ｓｈｏｔ、Ｆｅｗ-ｓｈｏｔ、半監督學習以及標簽噪聲學習等方法，提高模型在弱／ 無監督條件下的識別能力。

４． ２ 面向動態環境的輻射源識別研究

ＳＥＩ 任務要求在輻射源類型、通信信號調制方式、傳輸信道特性和接收機性能都各不相同的條件下，仍能對輻射源個體進行有效識別與分類。實際ＳＥＩ 任務中接收到的通信輻射源信號具有顯著的差異性，而目前已有數據集無法充分覆蓋這種多樣性。此外，隨著新輻射源的出現和已有輻射源設備的老用性和學習能力提出了更高要求。未來研究需要關注如何使ＳＥＩ 系統具備在線學習和實時更新的能力，以應對輻射源特征的變化，避免災難性遺忘，并有效識別新輻射源，有助于將ＳＥＩ 技術應用于真實戰場環境，為電磁態勢感知提供技術支持。

５ 結束語。

非合作條件下的ＳＥＩ 對于獲取戰場電磁態勢、制定戰略戰術具有重要作用，不僅能夠為軍事偵察提供情報，還能有效監管和分配頻譜資源。本研究綜述了基于知識驅動和基于數據驅動的ＳＥＩ 研究進展，系統歸納了基于信號參數、數學工具和機理分析３ 種知識驅動識別方法，并對基于輸入信號序列和變換域特征的數據驅動識別方法進行了分類總結。針對非合作通信場景，特別是弱／ 無監督場景及開集條件下的ＳＥＩ 技術做出展望。

參考文獻

［１］ 李潤東． 基于深度學習的通信信號智能盲檢測與識別技術研究［Ｄ］． 成都：電子科技大學，２０２１．

［２］ 劉劍鋒． 基于深度學習的通信輻射源個體識別關鍵技術研究［Ｄ］． 鄭州：戰略支援部隊信息工程大學，２０２１．

［３］ 潘一葦． 通信輻射源個體識別關鍵技術研究［Ｄ］． 鄭州：戰略支援部隊信息工程大學，２０１９．

［４］ Ｏ’ＳＨＥＡ Ｔ Ｊ，ＣＯＲＧＡＮ Ｊ，ＣＬＡＮＣＹ Ｔ Ｃ． ＣｏｎｖｏｌｕｔｉｏｎａｌＲａｄｉｏ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＥｎｇｉｎｅｅｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，２０１６，６２９：２１３－２２６．

［５］ ＭＥＲＣＨＡＮＴ Ｋ，ＲＥＶＡＹ Ｓ，ＳＴＡＮＴＣＨＥＶ Ｇ，ｅｔ ａｌ． ＤｅｅｐＬｅａｒｎｉｎｇ ｆｏｒ ＲＦ Ｄｅｖｉｃｅ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ ｉｎ Ｃｏｇｎｉｔｉｖｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓｉｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，１２（１）：１６０－１６７．

［６］ ＡＬＥＭ Ａ，ＫＵＭＡＲ Ｓ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌｓ ＰｅｒｆｏｒｍａｎｃｅＥｖａｌｕａｔｉｏｎｓ ｆｏｒ Ｒｅｍｏｔｅ Ｓｅｎｓｅｄ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：１１１７８４－１１１７９３．

［７］ ＧＡＯ Ｋ Ｌ，ＬＩＵ Ｂ，ＹＵ Ｘ Ｃ，ｅｔ ａｌ． Ｕｎｓｕｐｅｒｖｉｓｅｄ ＭｅｔａＬｅａｒｎｉｎｇ ｗｉｔｈ Ｍｕｌｔｉｖｉｅｗ Ｃｏｎｓｔｒａｉｎｔｓ ｆｏｒ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅ Ｓｍａｌｌ Ｓａｍｐｌｅ Ｓｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０２２，３１：３４４９－３４６２．

［８］ ＲＥＮ Ｓ Ｑ，ＨＥ Ｋ Ｍ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｆａｓｔｅｒ ＲＣＮＮ：Ｔｏｗａｒｄｓ Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｒｅｇｉｏｎ ＰｒｏｐｏｓａｌＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７－１１４９．

［９］ 崔麗群，曹華維． 基于改進ＹＯＬＯｖ５ 的遙感圖像目標檢測［Ｊ］． 計算機工程，２０２４，５０（４）：２２８－２３６．

［１０］ ＬＩＮ Ｙ Ｐ，ＶＯＳＳＥＬＭＡＮ Ｇ，ＣＡＯ Ｙ Ｐ，ｅｔ ａｌ． Ｌｏｃａｌ ａｎｄＧｌｏｂａｌ Ｅｎｃｏｄｅｒ Ｎｅｔｗｏｒｋ ｆｏｒ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ Ａｉｒｂｏｒｎｅ Ｌａｓｅｒ Ｓｃａｎｎｉｎｇ Ｐｏｉｎｔ Ｃｌｏｕｄｓ［Ｊ］． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２１，１７６：１５１－１６８．

［１１］ ＬＡＮＤＲＩＥＵ Ｌ，ＳＩＭＯＮＯＶＳＫＹ Ｍ． Ｌａｒｇｅｓｃａｌｅ Ｐｏｉｎｔ ＣｌｏｕｄＳｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ Ｓｕｐｅｒｐｏｉｎｔ Ｇｒａｐｈｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１８ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：４５５８－４５６７．

［１２］ ＬＥＣＵＮ Ｙ，ＢＯＴＴＯＵ Ｌ，ＢＥＮＧＩＯ Ｙ，ｅｔ ａｌ． ＧｒａｄｉｅｎｔｂａｓｅｄＬｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ，１９９８，８６（１１）：２２７８－２３２４．

［１３］ ＨＩＮＴＯＮ Ｇ Ｅ，ＯＳＩＮＤＥＲＯ Ｓ，ＴＥＨ Ｙ Ｗ． Ａ Ｆａｓｔ ＬｅａｒｎｉｎｇＡｌｇｏｒｉｔｈｍ ｆｏｒ Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｓ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，２００６，１８（７）：１５２７－１５５４．

［１４］ ＳＩＭＯＮＹＡＮ Ｋ，ＺＩＳＳＥＲＭＡＮ Ａ． Ｖｅｒｙ Ｄｅｅｐ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓ ｆｏｒ Ｌａｒｇｅｓｃａｌｅ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ ［ＥＢ ／ ＯＬ］．（２０１４－０９－０４）［２０２３－０８－１５］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／１４０９． １５５６．

［１５］ ＳＺＥＧＥＤＹ Ｃ，ＬＩＵ Ｗ，ＪＩＡ Ｙ Ｑ，ｅｔ ａｌ． Ｇｏｉｎｇ Ｄｅｅｐｅｒ ｗｉｔｈＣｏｎｖｏｌｕｔｉｏｎｓ［Ｃ］∥２０１５ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｂｏｓｔｏｎ：ＩＥＥＥ，２０１５：１－９．

［１６］ ＨＥ Ｋ Ｍ，ＺＨＡＮＧ Ｘ Ｙ，ＲＥＮ Ｓ Ｑ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｓｉｄｕａｌＬｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７０－７７８．

［１７］ ＥＬＭＡＮ Ｊ Ｌ． Ｆｉｎｄｉｎｇ Ｓｔｒｕｃｔｕｒｅ ｉｎ Ｔｉｍｅ［Ｊ］． Ｃｏｇｎｉｔｉｖｅ Ｓｃｉｅｎｃｅ，１９９０，１４（２）：１７９－２１１．

［１８］ ＣＨＥＮ Ｋ Ｈ，ＺＨＡＯ Ｔ Ｊ，ＹＡＮＧ Ｍ Ｙ，ｅｔ ａｌ． Ａ Ｎｅｕｒａｌ Ａｐｐｒｏａｃｈ ｔｏ Ｓｏｕｒｃｅ Ｄｅｐｅｎｄｅｎｃｅ Ｂａｓｅｄ Ｃｏｎｔｅｘｔ Ｍｏｄｅｌ ｆｏｒＳｔａｔｉｓｔｉｃａｌ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ［Ｊ］． ＩＥＥＥ ／ ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｄｉｏ，Ｓｐｅｅｃｈ，ａｎｄ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，２６（２）：２６６－２８０．

［１９］ ＡｌＩＢＲＡＨＩＭ Ｒ，ＤＵＷＡＩＲＩ Ｒ Ｍ． Ｎｅｕｒａｌ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ ｆｒｏｍ Ｊｏｒｄａｎｉａｎ Ｄｉａｌｅｃｔ ｔｏ Ｍｏｄｅｒｎ Ｓｔａｎｄａｒｄ Ａｒａｂｉｃ［Ｃ］∥２０２０ １１ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ （ＩＣＩＣＳ）． Ｉｒｂｉｄ：ＩＥＥＥ，２０２０：１７３－１７８．

［２０］ ＨＯＣＨＲＥＩＴＥＲ Ｓ，ＳＣＨＭＩＤＵＨＢＥＲ Ｊ． Ｌｏｎｇ ＳｈｏｒｔｔｅｒｍＭｅｍｏｒｙ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，１９９７，９（８）：１７３５－１７８０．

［２１］ ＲＯＥ Ａ Ｌ． Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ ＥＳＭ ＥｍｉｔｔｅｒＩｄｅｎｔｉｆｉｃａｔｉｏｎＡｎ Ｉｎｉｔｉａｌ Ｓｔｕｄｙ［Ｃ］∥ ＩＥＥ Ｃｏｌｌｏｑｕｉｕｍ ｏｎＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｓｙｓｔｅｍｓ：Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ．Ｌｏｎｄｏｎ：ＩＥＥＥ，１９９１：４ ／ １－４ ／ ３．

［２２］ ＦＯＲＤ Ｂ Ｐ，ＭＩＤＤＬＥＢＲＯＯＫ Ｖ Ｓ． Ｕｓｉｎｇ ａ ＫｎｏｗｌｅｄｇｅＢａｓｅｄ Ｓｙｓｔｅｍ ｆｏｒ Ｅｍｉｔｔｅｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ＡｍｂｉｇｕｉｔｙＲｅｓｏｌｕｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｎａｔｉｏｎａｌ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｄａｙｔｏｎ：ＩＥＥＥ，１９８９：１７３９－１７４６．

［２３］ ＲＯＥ Ｊ，ＰＵＤＮＥＲ Ａ． Ｔｈｅ Ｒｅａｌｔｉｍｅ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ＥＳＭ［Ｃ］∥ ＩＥＥ Ｃｏｌｌｏｑｕｉｕｍ ｏｎＳｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ Ｅｌｅｃｔｒｏｎｉｃ Ｗａｒｆａｒｅ． Ｌｏｎｄｏｎ：ＩＥＥＥ，１９９４：７ ／ １－７ ／ ６．

［２４］ 張葛祥． 雷達輻射源信號智能識別方法研究［Ｄ］． 成都：西南交通大學，２００６．

［２５］ ＲＩＹＡＺ Ｓ，ＳＡＮＫＨＥ Ｋ，ＩＯＡＮＮＩＤＩＳ Ｓ，ｅｔ ａｌ． ＤｅｅｐＬｅａｒｎｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｒａｄｉｏ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０１８，５６（９）：１４６－１５２．

［２６］ ＭＥＲＣＨＡＮＴ Ｋ，ＮＯＵＳＡＩＮ Ｂ． Ｅｎｈａｎｃｅｄ ＲＦ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇｆｏｒ ＩｏＴ Ｄｅｖｉｃｅｓ ｗｉｔｈ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥２０１９ ＩＥＥＥ Ｍｉｌｉｔａｒｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｎｏｒｆｏｌｋ：ＩＥＥＥ，２０１９：５９０－５９７．

［２７］ ＳＡＮＫＨＥ Ｋ，ＢＥＬＧＩＯＶＩＮＥ Ｍ，ＺＨＯＵ Ｆ，ｅｔ ａｌ． ＯＲＡＣＬＥ：Ｏｐｔｉｍｉｚｅｄ Ｒａｄｉｏ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｔｈｒｏｕｇｈ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＣｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｐａｒｉｓ：ＩＥＥＥ，２０１９：３７０－３７８．

［２８］ ＣＨＥＮ Ｓ Ｃ，ＺＨＥＮＧ Ｓ Ｌ，ＹＡＮＧ Ｌ Ｆ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｆｏｒＬａｒｇｅｓｃａｌｅ Ｒｅａｌｗｏｒｌｄ ＡＣＡＲＳ ａｎｄ ＡＤＳＢ Ｒａｄｉｏ ＳｉｇｎａｌＣｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：８９２５６－８９２６４．

［２９］ ＴＵ Ｙ，ＬＩＮ Ｙ，ＺＨＡ Ｈ，ｅｔ ａｌ． Ｌａｒｇｅｓｃａｌｅ Ｒｅａｌｗｏｒｌｄ ＲａｄｉｏＳｉｇｎａｌ Ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ［Ｊ ］． ＣｈｉｎｅｓｅＪｏｕｒｎａｌ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ，２０２２，３５（９）：３５－４８．

［３０］ ＭＯＲＩＮＥ Ｃ，ＣＡＲＤＯＳＯ Ｌ Ｓ，ＨＯＹＤＩＳ Ｊ，ｅｔ ａｌ． ＴｒａｎｓｍｉｔｔｅｒＣｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｓｕｐｅｒｖｉｓｅｄ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ［Ｊ ］．Ｃｏｇｎｉｔｉｖｅ Ｒａｄｉｏｏｒｉｅｎｔｅｄ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ，ＣｒｏｗｎＣｏｍ，２０１９，２９１：７３－８６．

［３１］ 崔天舒，趙文杰，黃永輝，等． 基于射頻指紋的測控地面站身份識別方法［Ｊ］． 航天電子對抗，２０２１，３７（３）：６－９．

［３２］ 唐曉剛，馮俊豪，張斌權，等． 基于射頻指紋的衛星測控地面站身份識別方法［Ｊ］． 電子與信息學報，２０２３，４５（７）：２５５４－２５６０．

［３３］ 韋建宇，俞璐． 通信輻射源個體識別中的特征提取方法綜述［Ｊ］． 通信技術，２０２２，５５（６）：６８１－６８７．

［３４］ 李軍，夏春秋． 基于深度學習的輻射源個體識別方法綜述［Ｊ］． 艦船電子對抗，２０２２，４５（２）：８９－９４．

［３５］ ＷＩＬＬＩＡＭＳ Ｍ Ｄ，ＴＥＭＰＬＥ Ｍ Ａ，ＲＥＩＳＩＮＧ Ｄ Ｒ． Ａｕｇｍｅｎｔｉｎｇ Ｂｉｔｌｅｖｅｌ Ｎｅｔｗｏｒｋ Ｓｅｃｕｒｉｔｙ Ｕｓｉｎｇ Ｐｈｙｓｉｃａｌ Ｌａｙｅｒ ＲＦＤＮＡ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ［Ｃ］∥２０１０ ＩＥＥＥ Ｇｌｏｂａｌ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ ＧＬＯＢＥＣＯＭ ２０１０． Ｍｉａｍｉ：ＩＥＥＥ，２０１０：１－６．

［３６］ ＲＥＩＳＩＮＧ Ｄ Ｒ，ＴＥＭＰＬＥ Ｍ Ａ，ＪＡＣＫＳＯＮ Ｊ Ａ． Ａｕｔｈｏｒｉｚｅｄａｎｄ Ｒｏｇｕｅ Ｄｅｖｉｃｅ Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ Ｕｓｉｎｇ Ｄｉｍｅｎｓｉｏｎａｌｌｙ Ｒｅｄｕｃｅｄ ＲＦＤＮＡ Ｆｉｎｇｅｒｐｒｉｎｔｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０１５，１０（６）：１１８０－１１９２．

［３７］ 陸滿君，詹毅，司錫才，等． 通信輻射源瞬態特征提取和個體識別方法［Ｊ］． 西安電子科技大學學報，２００９，３６（４）：７３６－７４０．

［３８］ 吳龍文，牛金鵬，王昭，等． 基于同步壓縮小波變換的主信號抑制技術［Ｊ］． 電子與信息學報，２０２０，４２（８）：２０４５－２０５２．

［３９］ 韓潔，張濤，王歡歡，等． 基于３ＤＨｉｂｅｒｔ 能量譜和多尺度分形特征的通信輻射源個體識別［Ｊ］． 通信學報，２０１７，３８（４）：９９－１０９．

［４０］ ＺＨＡＮＧ Ｊ Ｗ，ＷＡＮＧ Ｆ Ｇ，ＤＯＢＲＥ Ｏ Ａ，ｅｔ ａｌ． ＳｐｅｃｉｆｉｃＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｖｉａ Ｈｉｌｂｅｒｔｈｕａｎｇ Ｔｒａｎｓｆｏｒｍ ｉｎ Ｓｉｎｇｌｅｈｏｐ ａｎｄ Ｒｅｌａｙｉｎｇ Ｓｃｅｎａｒｉｏｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＩｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０１６，１１ （６ ）：１１９２－１２０５．

［４１］ 桂云川，楊俊安，萬?。?基于雙譜特征融合的通信輻射源識別算法［Ｊ］． 探測與控制學報，２０１６，３８（５）：９１－９５．

［４２］ 任東方，張濤，韓潔． 基于雙譜與特征選擇的通信輻射源識別算法［Ｊ］． 信息工程大學學報，２０１８，１９ （４）：４１０－４１５．

［４３］ 王占領，張登福，王世強． 雷達輻射源信號雙譜二次特征提取方法［Ｊ］． 空軍工程大學學報（自然科學版），２０１４，１５（１）：４８－５２．

［４４］ 桂云川，楊俊安，呂季杰，等． 基于經驗模態分解的通信輻射源分形特征提取算法［Ｊ］． 探測與控制學報，２０１６，３８（１）：１０４－１０８．

［４５］ 王志鵬，王星，田元榮，等． 基于壓縮感知的輻射源信號數據級融合識別方法［Ｊ］． 兵工學報，２０１７，３８（８）：１５４７－１５５４．

［４６］ 許丹． 輻射源指紋機理及識別方法研究［Ｄ］． 長沙：國防科學技術大學，２００９．

［４７］ 樂波，王桂良，黃淵凌，等． 接收機畸變對輻射源指紋識別的影響［Ｊ］． 電訊技術，２０２０，６０（３）：２７３－２７８．

［４８］ 何家爍． 功放非線性失真的接收端處理技術研究［Ｄ］．西安：西安電子科技大學，２０２２．

［４９］ 陳翔，汪連棟，許雄，等． 基于Ｒａｗ Ｉ ／ Ｑ 和深度學習的射頻指紋識別方法綜述［Ｊ］． 雷達學報，２０２３，１２ （１）：２１４－２３４．

［５０］ ＷＯＮＧ Ｌ Ｊ，ＨＥＡＤＬＥＹ Ｗ Ｃ，ＭＩＣＨＡＥＬＳ Ａ Ｊ． ＳｐｅｃｉｆｉｃＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋｂａｓｅｄ ＩＱ Ｉｍｂａｌａｎｃｅ Ｅｓｔｉｍａｔｏｒｓ ［Ｊ ］． ＩＥＥＥＡｃｃｅｓｓ，２０１９，７：３３５４４－３３５５５．

［５１］ ＷＯＮＧ Ｌ Ｊ，ＣＬＡＲＫ Ｗ Ｈ，ＦＬＯＷＥＲＳ Ｂ，ｅｔ ａｌ． Ａｎ ＲＦＭＬＥｃｏｓｙｓｔｅｍ：Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ ｆｏｒ ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＤｅｅｐＬｅａｒｎｉｎｇ ｔｏ Ｓｐｅｃｔｒｕｍ Ｓｉｔｕａｔｉｏｎａｌ Ａｗａｒｅｎｅｓｓ ［Ｊ］． ＩＥＥＥＯｐｅｎ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２１，２：２２４３－２２６４．

［５２］ 翁琳天然，彭進霖，何元，等． 基于深度殘差網絡的ＡＤＳＢ 信號輻射源個體識別［Ｊ］． 航空兵器，２０２１，２８（４）：２４－２９．

［５３］ 張敏，羅正華，黃建剛，等． 一種基于Ｉ ／ Ｑ 失配的輻射源指紋提取方法［Ｊ］． 電子學報，２０２０，４８（４）：７１７－７２２．

［５４］ 陳悅，雷迎科，李昕，等． 基于ＩＱ 圖特征的通信輻射源個體識別［Ｊ］． 信號處理，２０２１，３７（１）：１２０－１２５．

［５５］ ＣＡＩ Ｚ Ｒ，ＭＡ Ｗ Ｘ，ＷＡＮＧ Ｘ Ｒ，ｅｔ ａｌ． Ｔｈｅ ＰｅｒｆｏｒｍａｎｃｅＡｎａｌｙｓｉｓ ｏｆ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａ Ａｕｇｍｅｎｔａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｆｏｒＳｍａｌｌ Ｓａｍｐｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｄｅｖｉｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｒｅｌｉａｂｉｌｉｔｙ，２０２２，７２（２）：５７４－５８５．

［５６］ 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．

［５７］ ＤＩＮＧ Ｌ Ｄ，ＷＡＮＧ Ｓ Ｌ，ＷＡＮＧ Ｆ Ｇ，ｅｔ ａｌ． ＳｐｅｃｉｆｉｃＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｖｉａ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１８，２２ （１２ ）：２５９１－２５９４．

［５８］ ＸＵ Ｙ，ＦＥＮＧ Ｇ，ＺＨＡＯ Ｙ Ｎ． Ｏｎｅ Ｉｍｐｒｏｖｅｍｅｎｔ ｔｏ Ｔｗｏｄｉｍｅｎｓｉｏｎａｌ Ｌｏｃａｌｉｔｙ Ｐｒｅｓｅｒｖｉｎｇ Ｐｒｏｊｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｆｏｒ Ｕｓｅｗｉｔｈ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００９，７３（１／ ３）：２４５－２４９．

［５９］ ＰＥＮＧ Ｌ Ｎ，ＺＨＡＮＧ Ｊ Ｑ，ＬＩＵ Ｍ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇｂａｓｅｄ ＲＦ Ｆｉｎｇｅｒｐｒｉｎｔ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ ＤｉｆｆｅｒｅｎｔｉａｌＣｏｎｓｔｅｌｌａｔｉｏｎ Ｔｒａｃｅ Ｆｉｇｕｒｅ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，６９（１）：１０９１－１０９５．

［６０］ 謝存祥，張立民，鐘兆根． 基于ＨｉｌｂｅｒｔＨｕａｎｇ 變換與對抗訓練的特定輻射源識別［Ｊ］． 系統工程與電子技術，２０２１，４３（１２）：３４７８－３４８７．

［６１］ 韋建宇，彭來獻，俞璐，等． 基于差分－變分模態分解與全局信息分析網絡的輻射源個體識別方法［Ｊ］． 信號處理，２０２２，３８（１０）：２０９２－２１０１．

［６２］ 王檢，張邦寧，張潔，等． 基于多域特征融合的通信輻射源個體識別方法［Ｊ］． 兵工學報，２０２３，４４ （４ ）：９４９－９５９．

［６３］ ＬＩＵ Ｊ Ｘ，ＬＩ Ｊ Ｑ，ＷＡＮＧ Ｊ，ｅｔ ａｌ． Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｔ Ｄｉｆｆｅｒｅｎｔ Ｔｉｍｅ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉｄｏｍａｉｎ Ｍｉｇｒａｔｉｏｎ［Ｃ ］ ∥ ２０２２ ＡｓｉａＰａｃｉｆｉｃ Ｓｉｇｎａｌ ａｎｄ ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ Ａｓｓｏｃｉａｔｉｏｎ Ａｎｎｕａｌ Ｓｕｍｍｉｔ ａｎｄ Ｃｏｎｆｅｒｅｎｃｅ．Ｃｈｉａｎｇ Ｍａｉ：ＩＥＥＥ，２０２２：９１７－９２２．

［６４］ 陳浩，楊俊安，劉輝． 基于深度殘差適配網絡的通信輻射源個體識別［Ｊ］． 系統工程與電子技術，２０２１，４３（３）：６０３－６０９．

［６５］ ＤＥＮＧ Ｐ，ＨＯＮＧ Ｓ，ＱＩ Ｊ，ｅｔ ａｌ． Ａ ＬｉｇｈｔｗｅｉｇｈｔＴｒａｎｓｆｏｒｍｅｒｂａｓｅｄ Ａｐｐｒｏａｃｈ ｏｆ Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ｔｈｅ Ａｕｔｏｍａｔｉｃ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０２３，１８：２３０３－２３１７．

［６６］ 丁辰偉，孫閩紅，官友廉． 基于小樣本條件的雷達輻射源個體識別算法［Ｊ］． 彈箭與制導學報，２０２１，４１ （３）：２５－３０．

［６７］ 桂冠，陶夢圓，王誠，等． 面向特定輻射源識別的小樣本學習方法綜述［Ｊ］． 南通大學學報（自然科學版），２０２３，２２（３）：１－１６．

［６８］ 姚艷艷，俞璐，武欣嶸，等． 面向個體識別的通信輻射源特征提取方法綜述［Ｊ］． 計算機時代，２０２０ （９ ）：４１－４４．

［６９］ 郭恩澤，張洪德，楊雷，等． 基于改進殘差網絡的雷達輻射源信號識別［Ｊ］． 無線電工程，２０２２，５２ （１２ ）：２１７８－２１８５．

［７０］ 姚君宇，許小東． 一種嵌入射頻指紋的半監督輻射源識別方法［Ｊ］． 無線電工程，２０１９，４９（１１）：９３９－９４４．

作者簡介。

王育欣 女，（２００１—），碩士研究生。主要研究方向：輻射源個體識別、深度學習。

（*通信作者）馬宏斌 男，（１９９５—），博士，講師。主要研究方向：人工智能、電磁頻譜感知等。

馬 宏 男，（１９７６—），博士，教授。主要研究方向：航天測控通信系統等。

焦義文 男，（１９８５—），博士，副教授。主要研究方向：軟件無線電技術等。

李雪健 男，（２０００—），碩士研究生。主要研究方向：航天測控通信系統。

侯順虎 男，（２０００—），碩士研究生。主要研究方向：空間網絡電磁安全。