栈式自编码和残差神经网络的射频信号个体识别*

高晓利，李 捷，赵火军，王 维，骆明伟

（四川九洲电器集团有限责任公司，四川 绵阳 621000）

0 引言

射频信号个体识别，又称为辐射源“指纹识别”，是指对接收的电磁信号进行特征测量，根据已有的先验信息确定产生信号的辐射源个体，并将其与辐射源个体及所属平台和武器系统关联起来，有着重要的战略和战术意义。

传统方法主要分为暂态特征分析方法和稳态特征分析方法，前者主要包括分形理论［1］、高阶谱方法［2］、时频分析方法［3］、频谱模板法［3］、模糊函数［4］等，后者主要从杂散输出、频率稳定度、信号包络、码元速率以及调制参数等方面进行研究。然而，暂态特征一般持续时间比较短，包括的射频信号个体信息有限，因而对信号捕捉设备硬件要求较高，而稳态特征表现形式多样且微小，提取难度较大。

近年来随着深度学习技术的发展和广泛应用，在传统基于特征提取的辐射源个体识别基础上，深度学习算法如人工神经网络、卷积神经网络、深度神经网络等也被引入到信号识别中。2016 年，周东青［5］等提出了基于深度限制波尔兹曼机的辐射源信号类型识别模型，通过逐层自底向上无监督学习获得初始参数，并用反向传播算法对整个模型进行有监督的参数微调，利用Softmax 进行分类识别。2018 年，郭立民［6］等提出了基于栈式稀疏自编码器的低信噪比、低截获概率雷达信号调制类型识别。同年，徐熊［7］提出改进型AlexNet 的辐射源个体识别方法，实现目标细微特征提取固化，形成了智能化识别网络模型。2019 年，叶文强［8］等提出了基于卷积神经网络辐射源信号识别算法，将一维的雷达辐射源信号转化为二维时频图像，利用数字图像处理技术进行预处理，最后利用深度学习模型完成信号的分类识别。2020 年，秦鑫［9］等提出了基于扩张残差网络的方法，将时频分析和扩张残差网络相结合实现雷达辐射源信号分类识别。

因此，本文在传统暂态特征和稳态特征提取方法的基础上，结合SEA 网络深度融合目标特征优势和ResNet 网络在解决退化问题时的优势，提出了一种基于SEA 和ResNet 网络的射频信号个体识别方法。主要包括信号时频域特征提取方法分析、多域特征拼接与融合、基于轻量化ResNetLite 网络的射频信号个体识别方法等步骤。仿真结果表明，相对于传统时频域特征提取方法和BP 分类方法，本文提出新方法的识别率有一定程度的提升。

1 信号特征提取与融合

1.1 时频域特征提取方法分析

随着现代电子对抗的日益激烈，以及电磁环境复杂性的不断增强，辐射源种类日益增多，倘若直接对原始信号进行个体识别，当敌方进行恶意欺骗或干扰时，识别率较低。而传统的脉冲上升沿的时域特征提取方法、傅里叶变换的频域特征提取方法，仅能提取时域、频域的特征，不能满足个体识别需要，因此，需要通过各种方法提取信号的时频域特征。

常见的时频表示主要有短时傅里叶变换（Short Time Fourier Transform，STFT）、小波变换、Wigner-Ville 分布、模糊函数等［10-14］，其中，STFT 实质上是加窗的傅里叶变换，随着时间窗的移动而形成信号的时频表示，其加窗宽度是固定的，适用于准稳态信号；小波变换是一种窗函数宽度可调的时频表示；Wigner-Ville 分布是双线性时频表示典型代表，能反映信号能量的时频分布；模糊函数可以实现数据在相关域下的自动对齐，其频偏切片具有时移不敏感性，鲁棒性更好。

每种方法都有其优点和缺点，如表1 所示。

表1 不同特征提取方法优缺点对比

1.2 特征融合

由于小波变换、FFT、WVD 变换等提取单一域上的特点，难以全面描述目标特性，对目标信息解析能力有限，容易丢失部分有效信息。尤其是在强杂波或低信噪比条件下，将目标数据映射到某个域上，对其解析能力有限，难以全面描述目标，导致特征区别不明显，影响个体识别率。

因此，考虑到不同辐射源信号的特征量具有不同个体表征能力，将利用不同特征的差异性和互补性进行特征融合，融合结果将作为最终特征。本文将小波变换、FFT 和WVD 变换提取的特征进行串联和拼接，通过将其串联输入到栈式自编码网络中进行融合，栈式自编码网络通过自主学习提取目标不同维度的特征，增强多维特征个体识别能力。

1.2.1 特征拼接融合方法

特征拼接融合方法的主要思想是通过小波变换降低噪声对细微特征的影响，再通过FFT 变换提取信号频域特征，而后通过WVD 变换提取信号的双线性时频特征，并将其拼接为一个新特征向量作为神经网络的输入实现目标个体识别。

具体来讲，将FFT 提取的特征向量（长度为n）拼接到相应的WVD 特征向量B（长度m）的尾部，组成长度为n+m 的新向量，即融合特征向量，而后将这些融合向量组成的训练样本送入到神经网络中训练分类，再通过测试融合向量得到分类结果。

图1 特征拼接融合方法

FFT 和WVD 在某种程度上都是人工选择特征的方法，在数据量和样本维度比较高时，人工选取的特征在一定程度上仍然存在冗余和噪声。为此，考虑引入自动提取特征的方法，使模型能够在训练时从特征样本中再次学习到更简洁、更高效的特征样本。因此，本文提出了基于二次特征提取的特征融合方法。

1.2.2 基于栈式自编码的特征融合方法

在深度学习的众多方法中，栈式自编码是一种无监督的学习网络，能通过非线性的简单模型将原始数据转化为更为抽象的表达，再利用最优化的学习算法，实现有效的特征融合。基于SAE 的特征融合，能充分减少特征之间的冗余，综合特征之间的互补信息。另外，SAE 结构相对简单，能有效适应信号快速识别需求，在样本较少的情况下训练得到网络泛化能力更强。

基于栈式自编码多域特征融合方法，即二次特征融合的基本思路是，得到的串联向量作为SAE 的输入，利用SAE 融合原始特征中的互补信息，去除冗余信息。其流程如图2 所示，其中，包含1 个输入层、3 个隐藏层以及1 个输出层。

图2 SAE 特征融合方法

2 基于改进残差神经网络的射频信号个体识别

在信号多域特征融合的基础上，借鉴图像多通道处理的思想，结合残差神经网络解决传统卷积神经网络退化问题的优势，且针对嵌入式平台对低存储的需求，本文提出了一种轻量化ResNetLite 射频信号个体识别方法。

2.1 残差神经网络

图3 残差网络学习模块

因此，在射频信号个体识别技术采用ResNet 网络时，主要采用多通道思想，即把一维输入向量改为三维输入向量（多通道输入）。

例如，假设一维输入特征向量长度分别为1 024，2 048 和4 096，则多通道输入格式可分别为（16，16，4）、（16，16，8）和（16，16，16）。当然还可以有其他输入格式，具体取值需要通过大量实验进行调整和选择。

2.2 轻量化ResNetLite 方法

为了在保证正确率的前提下减少传统神经网络参数，本文提出了深度可分离轻量化ResNetLite网络，主要思想是采用MobileNet V2 中的残差模块和取消深度可分离卷积后的线性激活方法。

多通道多尺度并行融合轻量化ResNetLite 网络的特点及流程如下：

1）设计原则是在保证输出的维度和尺寸不变的情况下，将256 个特征图分别输入到两个通道中，并采用3×3 和5×5 两种不同尺度的卷积核分别进行深度可分离卷积操作，即将普通卷积分解为组卷积和点卷积，不同尺度卷积核是为了获取更加多样和充分的特征。

2）然后通过1×1 的卷积核对输出特征进行点卷积和SAE 融合操作。

3）同时，为了防止过拟合，提取更本质的特征，引入残差学习。

4）最后再进行一轮1×1 的卷积操作，让两条支路的信息更好地融合在一起，其流程见图5 所示。

图5 轻量化ResNetLite 网络流程图

轻量化ResNetLite 网络相对于原始ResNet 网络，从理论上讲可将模型压缩7 倍～9 倍。

3 数值试验

基于150 MHz 采样率采集的30 个目标ADS-B信号，依托HP 800 G3 的Tensorflow Python 开发环境，验证本文提出的基于栈式自编码和残差神经网络的射频信号个体识别方法的有效性。

3.1 实采信号

信号实时采集平台由实时频谱分析仪RSA 6114（频率范围9 kHz～14 GHz）、滤波器、放大器以及天线等设备组成，实现空中真实ADS-B 等信号的侦收，采样率设置为150 MHz。

目前，实采信号的原始信号、同步头信号、同步头小波+FFT 变换、同步头WVD 变换，分别如下页图6 所示。

图6 原始信号及变换特征示意图

3.2 特征融合

基于实采信号的特征，验证特征拼接融合方法和基于SEA 特征融合方法的性能。

3.2.1 特征拼接融合方法

针对实采信号提取的1 024 维特征，分别对5个目标、10 个目标、20 个目标及30 个目标4 种情况，从以下两种特征输入进行仿真对比：方法1：基于小波变换和FFT 特征的方法，方法2：基于小波变换、FFT 和WVD 变换拼接特征的方法，验证特征拼接融合方法的有效性。

不同学习速率不同维数输入特征向量，不同目标数量时个体识别率仿真结果可用图7 表示。

图7 不同目标数个体识别率对比图

假设方法1 表示输入特征为小波+FFT，不同目标数量时，方法2 相对方法1 个体别率提升百分比结果如表2 所示。

表2 个体识别率提升百分比（%）

由表2 可以看出，简单拼接后的特征融合结果并不一定优于原特征，也不一定劣于原特征。分析其原因：特征FFT 和WVD 特征之间存在一定的相关性，融合后可能产生新的噪声，影响识别结果。而5 个目标时，融合后特征优于单一特征。

3.2.2 基于栈式自编码的特征融合方法

针对实采信号提取的1 024 维特征，通过与特征拼接融合方法，分别对5 个目标、10 个目标、20个目标及30 个目标4 种情况，验证基于SEA 的特征融合方法有效性和优势。

3 种不同方法仿真对比结果表3 所示，SAE 特征融合相对于原始方法、特征拼接识别率提升百分比分别如图4、图5 所示。

图4 轻量化ResNetLite 网络示意图

表3 SAE 特征融合方法个体识别率（%）

图8 SAE 识别率提升百分比

由图5（a）和图5（b）可知，SAE 融合方法相对于特征拼接方法、传统方法，识别率都有明显提升，尤其是目标数量比较多时，SAE 融合方法分别有6.24%和4.99%的提升；从整体上看，SAE 融合方法相对于传统方法、特征拼接方法至少有1.2%的提升。因此，项目后续基于SAE 特征融合方法实现个体识别。

3.3 基于ResNet 网络的方法

针对30 个目标的实采信号，每个目标400 个样本，基于实采信号的4 个同步头、同步头+DF 位特征，利用BP、VGG 和ResNet 3 种智能分类方法进行仿真。

由以上分析可知，针对实采信号4 个同步头信号，采用残差网络效果最好，其中，VGG13 效果比VGG16 效果好是因为过拟合原因，即层数增加不一定会提高识别率。

表4 基于同步头特征的仿真结果对比

表5 基于同步头+DF 特征的仿真结果对比

根据以上分析，实采信号特征提取方法采用小波变换+傅里叶变换后的特征，智能分类学习算法采用Resnet18，识别率最高，效果最好。

3.4 轻量化ResNetLite 网络的方法

仿真条件与3.3 相同，以ResNet18 网络为例，从轻量化前后模型大小、预测时间和识别率3 个角度进行仿真对比，仿真结果如表6 所示。

表6 ResNet18 网络轻量化结果对比表

从表3 可以看出，多通道轻量化ResNet 网络在几乎不损失识别率的情况下，模型压缩达7 倍，预测时间缩短了20%以上。

4 结论

本文结合栈式自编码网络深度融合目标特征优势和残差神经网络在解决退化问题时的优势，提出了一种基于SEA 和ResNet 网络的射频信号个体识别方法。主要包括信号时频域特征提取方法分析、多域特征拼接与融合、基于轻量化ResNetLite 网络的射频信号个体识别方法等步骤。仿真结果表明，相对于传统时频域特征提取方法和BP 分类方法，本文提出的新方法能够有效提取和融合信号细微、高层次及深层次特征，且识别率有一定幅度的提升。同时，对计算资源、存储资源的消耗有约7 倍的降低，可支持嵌入式设备小型化需求，便于工程实现。