一种基于IQ数据时域功率图的通信辐射源识别方法*

汪 鹏，王金明，张宏瑜，孙 渊，池志伟

（1.陆军工程大学，江苏 南京 210007；2.解放军73156部队，福建 漳州 363900）

0 引 言

辐射源识别技术，是利用辐射信号时域、频域等方面的特征与性质，运用数学解析方法，对信号进行差异化的可识别的特征参数提取，并利用机器学习等科学方法对特征参数进行识别、学习、泛化，从特征参数的差异性方面对信号进行处理分类，从而达到辐射源识别的效果。它的原理在于发射机发射信号时，信号夹杂了发射机的硬件信息。不同的发射机个体发出的信号有细微的差异，这些差异性为通信辐射源个体识别提供了依据。

卷积神经网络（Convolutional Neural Network，CNN）是深度学习中最常见的方法，常用于图像识别[1]。通过多年发展，卷积神经网络发展研究比较成熟，应用广泛。在通信辐射源识别方面，它能结合信号的小波变换[2]、高阶谱特征[3]、IQ特征图[4]等图像特征进行图像识别，从而达到通信辐射源识别的目的，取得了较好的识别效果。

对于电台信号，通过接收机采样可以得到分别为I路和Q路两路数据。由于电台硬件导致的IQ不平衡性，两路数据不能呈现出理想情况下的正交性。I路和Q路数据受幅度和相位不平衡的影响，在正交性上表现出个体差异。每部电台的差异性表现不尽相同，给电台识别提供了依据[5]。

1 I/Q失配模型与特征提取

硬件制造过程自身存在不完善性和差异性，导致正交调制器产生的I/Q信号存在失配问题。I/Q失配主要有增益失配和相位失配。相位失配表现为两路信号相位差不是90°，即I、Q信号是非正交的，造成调制后的两路信号交叠。增益失配通常导致调制后信号失真。I/Q失配的调制器模型如图1所示[6]。

图1中：fc为调制器的载波频率；ε和θ为调制器的增益失配和相位失配参数；xI(t)和xQ(t)分别为输入信号的同相分量和正交分量。假设输入信号为理想的模拟信号，xI(t)和xQ(t)分别为Acoswt、Asinwt，其中w为输入信号的频率，则调制后的输出信号为：

化简式（1），整理可得：

将调制完成后的两路信号sI(t)×cos2πfct与-sQ(t)×sin2πfct通过解调器并滤波，产生解调后的I、Q信号sI(t)和sQ(t)。

化简整理，得到：

从式（5）和式（6）可以看出：I、Q两路信号波形的变化是相对应的，即若I路信号在时间t0处产生变化，则Q路信号在t0处也会产生相应的变化。I、Q两路信号的幅度变化、相位变化都只与参数ε和θ有关，即两者之间存在一定的关联性。假设任意时刻t的时域功率p(t)=sI2(t)+sQ2(t)，从式（5）和式（6）可以分析得出：在理想情况下，p(t)的值恒为一常数A2；当存在I/Q失配情形时，p(t)的值会随着参数ε和θ的变化，所以p(t)的波形图变化与参数ε和θ有关，且该变化具有唯一性，可以作为通信辐射源识别的特征。

2 辐射源信号的采集与预处理

2.1 信号数据采集

本文的实验数据来自同一型号的不同个体的4部超短波电台，共分为8组实验。每组实验中，4部电台均在同一频率和幅度下工作。第1组起始工作频率为35 MHz，以后每组工作频率间隔2 MHz。8组不同频率波形分别在4部电台上工作测试。电台调制模式为FM调制，工作模式为“小功率”。信号采集的采样频率为204.8 kHz，采集得到的部分信号如图2所示。

2.2 数据特征处理

2.2.1 数据抽样

由于I、Q两路信号在时域上存在幅度和相位的变化，且都只与参数ε和θ有关，为了保留这些特征信息，可以先对连续时间进行抽样，抽样间隔为4个单位，如图3所示。

2.2.2 画出时域功率图

对每个时间点的I、Q两路信号的采样值分别平方后求和，得到该时间点的功率，继而画出该电台的时域功率图。理想情况下，电台的时域功率恒为常数。但是，在现实情况中，由于I/Q不平衡的影响，正交的I、Q信号分量会产生幅度变化和相位偏移，使电台的时域功率偏离常数而产生规律性变化，如图4所示。从公式推导可知，现实中时域功率图变化情况只与参数ε和θ有关，每部电台的时域功率图可以通过CNN进行识别，信号的时域功率可以作为通信辐射源识别的特征。

2.2.3 对数据进行截取

针对图4中每部电台的时域功率图，每隔4 000个点取一个数据样本，每部电台取1 000个样本，如图5所示。

3 实验与分析

3.1 实验参数优化

CNN最初被用来识别数字手写体图片[7-8]。通过上文方法得到各电台的时域功率图的样本图，其特征与数字手写体类似，即利用CNN能很好地识别与区分。为了提高识别的效率和精度，进行网络参数优化实验[9]。

输入的网络训练集为4部电台的基于IQ数据的时域功率图，每部电台取1 000个样本作为训练集，再在时域功率图中其他任意部分每隔4 000个点取一个样本，共取1 000个样本作为测试集。

分别将CNN的初始学习率设为0.01、0.001、0.000 1，测试在不同迭代次数下训练集分类识别的正确率，实验结果如图6所示。通过改变不同的卷积核大小，对训练集的分类正确率进行实验，结果如表1所示。

表1 卷积核大小对实验结果的影响

通过实验，最终选择由2层卷积层和2层全连接层组成的CNN，初始学习率设定为0.000 1，卷积核大小为3，结构如图7所示。

训练样本为4部电台数据，每部电台1 000个训练样本，网络优化方法为Adam方法，卷积核大小为3，初始学习率为0.000 1，一次训练所取的样本数（batch_size值）设置为20，全部样本的训练次数（epoch值）设置为80次。在以上最优参数设置下，实验得出训练次数和训练准确率、损失函数值之间的关系，如图8所示。

训练完成后，保存训练参数，使用未训练的数据作为测试集，并用保存好的CNN对其进行测试，结果如表2所示。

表2 测试集训练实验结果

3.2 不同特征的对比实验

高阶谱分析是利用双谱运算对信号进行处理，得到三维双谱图，并利用图像处理技术提取图像的纹理特征对图像进行分类识别。作为最简单的高阶谱，双谱具有信号处理简单、信号信息丰富、能完全抑制高斯噪声的特点，适合细微特征的处理与分析[10]。

小波变化是为了克服傅里叶变换在时域中没有辨识能力的缺点，利用小波和一组带通滤波器对时域信号进行分解，对信号能量在时频平面上进行分割，使得信号转化为二维时频信息[11]。该方法将原始数据分解成低频小波系数和高频小波系数，并将低频小波系数达到最大分解。

对比双谱特征和IQ数据时域功率图特征，CNN分别使用各特征适用的最佳状态网络。分别选取同类型4部不同电台，每部电台2 000个样本。不同特征的训练集结果如图9所示。

保存好各特征训练的模型，分别制作测试集，得到测试集实验结果如表3所示。

表3 不同特征下测试集识别正确率

从实验结果可以看出，提取IQ时域功率图特征，利用CNN进行识别，能取得较好的实验效果。双谱特征训练集实验效果较好，但测试集识别结果较差，主要原因在于实验时产生了过拟合现象。

3.3 特征适用性实验

本文采用IQ数据的时域功率作为辐射源识别的特征。该特征不需要复杂的数据预处理过程，在实际工程应用中，只需要采样采集得到电台信号的IQ数据并进行图形变换即可。该变换使I路、Q路不平衡导致的差异性信息都能包含其中，能很好地保留数据的原始信息。用IQ数据的时域功率图像作为识别依据，满足CNN网络处理图片识别的基本用途，所以识别效果较好。

为了验证此种方法的普遍适用性，将本次实验分为两类，即普通电台和“健伍”手持机。每类有型号相同个体不同的4部个体。手持机工作频率为160 MHz，静噪方式为单音静噪（100 Hz），发射地点为室内。分别进行实验，得到的实验结果如图10所示。

从实验结果可以看出，在全部样本的训练次数取得一定值（大于150）时，手持机的训练集识别率也能达到98%以上，实验效果较好。模型训练完毕后，制作测试集，并用该模型对测试集进行识别实验，得出实验结果如表4所示。

表4 不同通信辐射源测试集识别正确率

通过实验发现，基于IQ数据的时域功率图特征在普通电台和手持机的识别上都有较好的效果，具有一定的泛化能力。

4 结 语

基于CNN强大的图片识别分类功能，本文提出一种基于IQ数据得到IQ数据的时域功率图，再用神经网络对特征图片进行分类的方法。由于该时域功率图包含因IQ不平衡导致的个体差异性，因此能作为辐射源识别的依据。实验结果表明，该种识别方法在普通电台的识别上正确率能达93%。对比小波变换特征、双谱特征，该方法能取得更高正确率且不易发生过拟合现象。最后，运用此种方法对手持机进行识别，识别率较高，表明该方法在其他通信辐射源方面具有一定的泛化能力。此外，该方法使用的是结构简单的CNN，技术比较成熟，特征提取方面主要对数据进行简单的处理，处理速度较快，有较高的实用性。