基于时频分析的辐射源指纹识别探究

2021-05-16黄元

科学与信息化 2021年12期

黄元

四川大学电子信息学院四川成都 610065

引言

辐射源个体识别(SEI)是基于发射信号的射频指纹对单个发射器进行识别的方法。一般情况下，发射机的畸变是由发射机部件和周围环境引起的，可以看作是识别发射机的特定特征或指纹。射频指纹反映了发射机硬件组件之间的差异。制造过程中的细微差异和不准确之处决定了传输信号中包含的独特特性，因此可以通过无线设备发送的信号来识别该设备。

SEI在军事和民用应用中得到了广泛的研究。在军事应用中，通过分析发射信号来判断敌方设备的状态[1]。在民用应用中，SEI技术经常用于提高认知无线电、自组织网络和蜂窝网络的效率和安全性。从待识别的发射器的工作状态来看，SEI方案可以分为两类：利用瞬态信号特征的方案和利用稳态信号特征的方案。张静文等人[2]利用EMD分解对辐射源信号进行识别，获得了比较好的效果。但EMD存在模态混淆的问题。刘明骞等人[3]同时利用了EMD与VMD的优势，获得了较好的效果。黄颖坤等人[4]将雷达信号变换到时频域，通过栈式编码模型来进行特征的提取。

同步压缩变换[5](WSST)能够获得比传统时频分析（如小波变换）更为“精细”的时频图，其对频率方向的能量重新分配使得辐射源特征更加准确清晰地展现出来。一般来说，时频分析使得辐射源信号更容易处理，时频分析技术处理之后还会进行二次特征提取，识别效果才会比较好。考虑到深度神经网络GoogLeNet强大的特征提取能力，因此，本文使用GoogLeNet来进行二次特征提取。使用深度神经网络GoogLeNet自动地进行特征的选择与提取，有别于传统的“手工特征提取的方式”，能够使得识别的结果更为准确。

1 同步压缩变换与GoogLeNet

1.1 同步压缩变换

式中，—尺度参数，又称尺度因子（伸缩因子），—定位参数，又称时间平移因子；—归一化常数，用来保证变换过程中的能量守恒。

1.2 GoogLeNet

GoogLeNet的创新来自于Inception结构。为了挖掘最优的局部特征，来自于CNN每一层的输出应当基于某种统计特性被聚集为不同的群组加以分析，而这种统计特性通常是构建于图像不同尺度的区域之上。因此，GoogLeNet所采取的方法是分别利用不同尺寸的卷积核对前一层的输出特征图进行卷积运算，来获得后一层的输入。但该连接方式会面临较大的问题。为了优化，Inception结构首先对输入特征图进行1×1卷积运算，同时做非线性激活，意在保持信息不损失的情况下对特征进行降维。即特征图做非线性变换后可以增加局部特征的抽象能力，在保持特征判别力的情况下能够有效地降低特征图的数目。Inception结构将CNN中常用的卷积、池化操作堆叠在一起，一方面增加了网络的宽度，另一方面也增加了网络对尺度的适应性。之后的Inception结构又进行了改进，使之降低特征图的厚度，并且经过了多个版本的发展，不断趋于完善。

2 系统模型

在一个单跳的通信系统中，发射端有K个辐射源，辐射源功率放大器的输入信号为：

3 仿真实验

下面通过仿真验证所提算法的识别性能。辐射源采用的调制方式为4QAM，训练集和测试集均为50%，采样频率为10 GHz，载频为2GHz，辐射源个数设置为3个。辐射源功率放大器的泰勒多项式系数为=(1,0.5,0.3;1,0.08,0.6;1,0.01,0.01)，其中，为辐射源K的系数向量。信道条件为加性高斯白噪声信道（AWGN）。

仿真结果如表1所示。可以看出，本文所提算法（WSST_GoogLeNet）可以达到较高的识别效果，与张静文等的研究中的算法[2]相比，识别率有了进一步的提升。