基于解调重构的跳频信号辐射源个体识别方法*

刘人玮,查 雄,李天昀,章昕亮,龚 佩

(信息工程大学 信息系统工程学院,郑州 450001)

0 引 言

特定辐射源识别(Specific Emitter Identification,SEI)是指从信号中提取出不同发射机包含的非理想特性,从而达到辐射源个体识别的目的[1]。这些非理想特性来自于发射机在制造时受到工艺、环境、材料等因素的影响,因此每个发射机难以避免地具有细微的、唯一的且难以伪造的特征,这些特征也被称为“指纹特征”。SEI技术在军用领域的目标跟踪识别方面或者民用领域的频谱管理、无线电安全方面都有较强的现实意义和应用价值[2]。

SEI技术的核心是提取稳定有效的特征以保证能够做到个体识别。为此,研究者们尝试将信号映射到不同的变换域上以完成识别任务,包括功率谱[3]、积分双谱[4-6]、循环谱[7]、EMD[8-9]等。除功率谱外,其他变换域的谱图通常在高维空间中,而这样不利于特征的表示,因此需要将其降维后再提取特征,这样的作法会对发射机自身的“指纹特征”造成损失。同时,这些方法均存在一定程度的时间-频率分辨率的矛盾。

除直接在调制信号上进行数学变换外,利用解调后的IQ数据作为特征也是研究的一个热点。文献[10]将基带信号直接送入卷积神经网络进行识别,但是其仅对I/Q不平衡进行讨论,没有考虑发射机的整体结构。文献[11]将基带信号绘制成灰度矢量图后,送入卷积神经网络以完成分类任务。针对矢量图受多普勒影响较严重的问题,文献[12]将矢量图进行分解后,利用多特征融合的方法提高识别性能。

跳频通信技术具有优秀的抗干扰、抗截获和多址组网能力,在军事通信和民用移动通信中都得到了广泛的应用[13],如CHESS系统、SINCGARS系列、蓝牙技术等。由于跳频信号存在诸多优点,研究人员对其从各个方面进行了研究,包括跳频系统设计[14-16]、跳频信号检测[17-19]、跳频参数估计[20]、跳频信号分选[21-27]等。其中,跳频信号分选可以分为跳频信号规格识别以及跳频信号辐射源个体识别。跳频信号规格识别[21-24]的主要任务是在宽带中识别出不同规格的跳频信号,这些跳频信号的跳频速率、跳频图案、信号规格等往往不同,通过参数估计或者特征提取等手段,完成跳频信号分类工作。跳频信号辐射源个体识别[25-27]是将SEI技术应用在跳频信号上,面对的跳频信号通常是规格相同甚至协议相同的信号,与跳频信号规格识别是互补关系。

文献[25]将频率跳变瞬态特征作为跳频信号的指纹特征,使用2.4 GHz的4种蓝牙信号进行测试,取得较好的效果,但是由于该文是在电磁屏蔽环境下进行实验,因此难以验证算法在低信噪比下的鲁棒性。文献[26]以跳频信号的开机瞬态包络作为研究对象,对其多个特征构造特征集并进行识别。文献[27]将跳频信号的每个跳点拆分为上升瞬态、稳态和下降瞬态,对这三个状态分别进行短时傅里叶变换后输入至各自的卷积神经网络中。目前,跳频信号辐射源个体识别大多集中于跳频信号的跳变瞬态,但是存在两点问题:一是在低信噪比下,信号瞬态的检测、捕获均存在难度;二是可提取的特征不多且容易受到环境影响。

针对以上问题,本文提出了一种基于解调重构的跳频信号辐射源个体识别方法。该方法不再对瞬态特征进行讨论,而是考虑使用跳频信号的稳态信息进行分类识别。本文主要工作如下:①对发射机畸变特征进行建模,并给出合适的畸变范围;②对跳频信号进行预处理,获得各个跳点的原始基带波形和理想基带波形;③设计适合以波形为输入的Transformer,完成辐射源个体识别工作。

1 发射机畸变模型

I/Q调制发射机的畸变模型[11-28]如图1所示,包含I/Q不平衡畸变、等效低通滤波器畸变、相位噪声和功率放大器非线性畸变。本节将对这4部分模型进行介绍,同时给出较为合理的畸变参数选取原则。

图1 I/Q调制发射机畸变模型

1.1 I/Q不平衡畸变

本文将发射机中存在的I/Q不平衡畸变均等效为基带的I/Q不平衡畸变。理想I/Q基带信号为

s(t)=I(t)+jQ(t)

(1)

即I路与Q路完全正交。但是,在实际情况下,I/Q路存在不完全正交的现象,即幅值存在偏差、相差不严格在90°。同时,I/Q路可能存在较小的直流分量。结合以上三种畸变,实际畸变信号可表示为

x(t)=(GIejφII(t)+jGQejφQQ(t))+(cI+jcQ)

(2)

式中:GI和GQ分别为I/Q路的增益偏差;φI和φQ分别为I/Q路的相位偏差;cI和cQ分别为I/Q路的直流分量。

文献[29]给出了实际I/Q调制器正交失衡畸变范围,文献[37]进一步缩小该范围,将其转换为本文的畸变模型后,可规定取值范围如下:A∈[-1,1],P∈[-3,3],cI,cQ∈[-0.015,0.015]。

1.2 等效低通滤波器畸变

在发射机中可能在基带、中频及射频均存在滤波器的畸变影响,本文将其等效为基带的低通滤波器畸变。构造滤波器畸变的频率响应[11]为

H(f)=A(f)ejφ(f)

(3)

式中:幅频响应为A(f)=a0+ancos(2παf),相频响应为φ(f)=2πb0f+bnsin(2πβf)。通常,线性参数a0=b0=1,滤波器畸变体现在与幅度和时延相关的系数α,β,an和bn上。本文借鉴文献[11]的畸变参数,规定畸变参数取值如下:α=4,β=4;an～N(0,0.052),bn～N(0,0.052),N(·)代表正态分布。

1.3 相位噪声

相位噪声主要由频率合成器产生。理想情况下,频率合成器的输出为

s(t)=ej2πfct

(4)

当存在相位噪声φn(t)时,带有畸变的载波信号为

x(t)=ej(2πfct+φn(t))

(5)

如图2所示,理想的载波信号应为一个单频信号,然而实际情况中相位噪声会使得频谱泄露,较严重的相位噪声会使星座图上的星座点在标准星座点附近振荡。

图2 理想/实际频率源的功率谱示意图

文献[30]对锁相环的相位噪声功率谱进行了详细的介绍,文献[31]则给出二阶锁相环的相位噪声可以建模为高斯白噪声经过一阶Butterworth滤波器之后的输出相位,即

(6)

求解相位噪声的自相关函数为

(7)

式中:n(k)为高斯白噪声;BPLL为环路3 dB等效噪声带宽;σφn为相位噪声均方根值;Ts为采样周期。可以看出,BPLL和σφn决定相位噪声大小。文献[31]说明了σφn的典型值为1°～3°,文献[1]给出了合理的BPLL和σφn取值,本文规定其范围如下:BPLL∈[500,1 500]Hz,σφn∈[1,3]°。

1.4 功率放大器非线性畸变

对于窄带功率放大器,通常使用Taylor级数模型描述其非线性。假设功放的输入信号为

s(t)=ρ(t)ej2πfct

(8)

则输出信号为

(9)

式中:{λ1,λ3,…,λ2K-1}是Taylor级数的系数。归一化的Taylor级数中,λ1=1,通常λ3<0且|λk|随k的增加而减小。

如Analog HMC6981放大器,增益G=26 dB,三阶截断点IP3=43.5 dBm,可以得到λ3=-0.011 9。

文献[33]给出了Taylor级数的仿真值,本文给出的Taylor级数取值范围为λ3∈[-0.03,-0.01],λ5∈[-0.01,0]。

2 跳频信号预处理

不同于常规通信信号,跳频信号单跳持续时间短,且两跳之间存在切换时间,因此在做跳频信号辐射源个体识别前,需要进行一定的预处理。本节首先对跳频信号进行建模,然后介绍本文所需的预处理流程。

2.1 信号模型

定义跳频信号的跳频周期Th,驻留时间Td,信道切换时间Tsw,则有

Th=Td+Tsw

(10)

对于跳频信号s(t),可将其表示为[17]

(11)

式中:As为跳频信号的幅度;k表示在观测时间内的第k跳;tk表示第k跳的发生时刻;fk表示第k跳的载波频率;rect为基带成型。应当注意的是,在每跳的信道切换时间内,没有信息传输,即rect=0。

在对跳频信号进行预处理时,假设跳频的载波频率个数N、载波频率集F={f1,f2,…,fN}、单跳驻留时间Td、跳频周期Th为已知量。

2.2 跳变定时

跳变定时的目的是找到每跳驻留时间的起点,可以分为3步,即信道化、能量积分和检出跳点。

步骤1 对接收到的信号r(t)进行信道化。将r(t)分别与频率为{f1,f2,…,fN}的各个本地载波进行下变频处理,然后再经过低通滤波器,得到各个信道的基带信号Y(t):

(12)

步骤2 对信道化后的各路基带信号进行能量积分。将Y(t)中的N路信号取平方,再分别进行积分得到各路短时能量E(t),每次积分长度为Td。

(13)

步骤3 得到最佳起点并检出跳点。将E(t)各路相加得到整体的能量变化EY(t),然后以Th为间隔累加,能量最大值点为单跳驻留时间的中点,该点前移Td/2即为第一个跳点的最佳起点ts,故每跳的最佳起点为{ts,ts+Th,ts+2Th…}。根据每一路在驻留时间的能量大小,判断出该时刻跳点出现的信道,即检出跳点。图3为跳变定时示意图。

图3 跳变定时示意图

于是,可以得到包含每一跳原始基带波形的信号yB(t)。对于第i跳,t∈[ts+(i-1)Th,ts+iTh],则

(14)

式中:index表示为取下标操作;ix可以理解为在该跳时间内能量最大的信道。

2.3 解调重构

为了使深度学习过程中有一定的“参考”,本文设计将解调后的结果重构成理想基带波形yI(t)作为参考波形。解调重构的过程如下:对yB(t)进行定时同步,解调出符号;根据调制方式和过采倍数,设定成型滤波后,得到yI(t)。

(15)

(16)

式中:F[·]表示非数据辅助估计非线性变换式,本文选择较为简单的绝对值非线性算法:

F[yB(n)]=|yB(n)|

(17)

于是,该跳点的每个最佳采样点nk可表示为

(18)

同时nk=mk+μk,mk是nk的整数部分,μk是nk的小数部分,使用立方插值的Farrow结构插值器计算最佳采样点的值:

yB(nk)=[μk2μk1]·

(19)

根据yB(nk)的值就可以解调出符号sym,再经过成型滤波器就可获得理想的重构基带信号yI(t)。

3 用于辐射源识别的Transformer

Transformer[35]作为与卷积神经网络、循环神经网络不同的深度学习网络,在多个领域上取得了良好的效果,本节将介绍用于辐射源识别的Transformer 架构。

3.1 整体结构

本文网络架构如图4所示,由输入端、骨干网络和输出端组成。当前,本文将重构波形作为“参考”存在,提出了应用Transformer编码器的辐射源个体识别网络。

图4 网络架构示意图

3.2 输入端

输入端由嵌入层和位置编码层构成。将原始波形yB(n)和重构波形yI(n)合并后作为网络的输入。假设每跳传输M个符号,过采率sps=Fs/RB,则每跳的采样点数len0=M×sps。

嵌入层实际上为1维卷积层。嵌入层的输入通道数为4,输出通道数设置为4×sps,卷积核大小为sps。该操作意在将每个符号长度的采样点视为一个“单词”,其长度dmodel=4×sps,即输出通道数。

实际上,跳变定时难以做到每次都精确到跳变处的采样点(尤其是低信噪比下),为此需要得到类似重叠滑动窗口的效果。设s为每次向后滑动长度占单个符号采样点数的比例(为方便叙述,后文简称为滑动比例s),则嵌入层的步进stride为

stride=⎣s×sps」

(20)

式中:⎣·」代表向下取整。由此,可得到嵌入层输出的向量长度len为

(21)

至于位置编码,本文使用了与Transformer原文相同的正弦型位置编码:

(22)

同时,输入端增加一个可学习的分类向量,长度为dmodel,该向量的网络输出即为分类结果。

3.3 骨干网络

骨干网络由Transformer编码层组成。骨干网络的参数有编码层个数nlayers,注意力头个数nheads,词向量长度dmodel和逐位前馈网络投影维度dim_feedforward。

同Transformer,dim_feedforward设置为2 048。根据多次实验,本文给出网络参数的建议取值范围:

(23)

该取值范围为建议值,可以设置超出该范围的取值,但是可能会使网络较难收敛或者参数量过大而导致效果一般。同时可以看出,不建议过采率sps≤10。

3.4 输出端

输出端即全连接层,输入通道数为dmodel,输出通道数为输出分类个数nclasses。经过输出端后,对各类计算softmax以判出分类得分,进一步得出分类结果。

4 实验

本文实验条件设置如下:采样率20 MHz;跳频信号具有8个载频,分别为[1,2,3,4,5,6,7,8]MHz;跳速500 hop/s;每跳总时长为50个符号周期,其中5个符号周期用于信道切换,45个符号周期用于传输内容。无特殊说明时,符号速率400 kBd,即sps=50;QPSK调制。20个辐射源,畸变参数如表1所示。信噪比Eb/N0为7～25 dB,步进2 dB。每个Eb/N0下,每个辐射源包含1 000个训练样本和1000个测试样本。

表1 辐射源畸变参数

本实验使用NVIDIA GeForce RTX 2080 Ti GPU在PyTorch 1.9.0上进行,学习率为10-4,所有模型均训练50轮。

4.1 分析有/无重构波形对识别准确率的影响

本文将理想的重构波形和原始波形一并输入至神经网络中,目的是使神经网络在学习发射机畸变时,能够有不受发射机畸变影响的“参考”。

图5展示了有/无重构波形时的网络识别准确率,网络参数统一设置为nheads=5,s=0.25。有重构波形的网络设置nlayers=3,与之对比的无重构波形的网络,一个设置相同层数进行对比,即nlayers=3;另一个为了平衡参数量(因为无重构波形时,输入为有重构波形时的一半,同时网络参数也减少一半),设置nlayers=6。可以看出,无论是相同层数还是相同参数量的无重构波形网络,其识别准确率均不如有重构波形时,由此可证明本方法的有效性。

图5 有/无重构波形时的识别准确率

4.2 分析网络参数对识别准确率的影响

图6展示了不同滑动比例s下的识别准确率,可以看出,采用重叠滑窗的效果会有一定提升,但是如果滑动距离过小,导致进入Transformer编码层的序列长度较大,效果小幅下降。因此,滑动比例s应该取一个适当大小的值,当单跳符号数在[30,50]之间时,建议滑动比例s取值范围为[0.2,0.5]。

图6 不同滑动比例s下的识别准确率

图7和图8展示了不同编码层个数nlayers和注意力头个数nheads下的准确率。整体来说,这两个参数对准确率影响不大。nlayers直接改变了网络参数量,而对于本文的畸变模型及参数而言,不需要过大的网络。训练时发现,nlayers=3时的网络比nlayers=4或5时更易于收敛,在训练50轮时,nlayers=3的网络收敛情况更佳,因此其准确率稍高。nheads不改变网络参数量,而是通过降低特征维度以使注意力学习到不同的模式。同样地,训练时发现,nheads较高会导致网络难以收敛。可以看出,nheads≥2时的准确率相近,且略优于nheads=1。

图7 不同编码层个数nlayers下的识别准确率

图8 不同注意力头个数nheads下的识别准确率

综上,验证了3.3节给出的网络参数建议范围的合理性。

4.3 分析过采率对识别准确率的影响

图9展示了不同过采率sps下的识别准确率,可以看出,过采率的提高对本文方法识别准确率的提高是有帮助的。造成该现象的原因可能在于更高的采样率能够刻画出更多的波形非线性特征,有利于网络的特征提取。

图9 不同过采率下的识别准确率

4.4 分析符号个数对识别准确率的影响

对于跳频信号而言,跳速是一个重要的指标。本文方法将每一跳作为一个独立的信号,因此跳速对本文算法的直接影响不大。然而,假设信号跳速很高,可能间接导致每跳的符号个数减少。

图10展示了不同符号个数nsyms下的识别准确率,可以看出,较少的符号个数可能会使识别准确率下降,但同时符号个数的持续增加不会使性能有明显提高,反而可能会在训练耗费更多的资源。因此,符号个数适中即可,在50倍过采条件下,建议符号个数尽量保持在[30,50]之间即可。

4.5 对比不同方法下的识别准确率

文献[11]提出了一种将矢量图送入神经网络进行辐射源识别的方法(后称矢量图方法),图11展示了本方法与矢量图方法的识别准确率对比。其中,矢量图方法使用 ResNet50 作为神经网络,输入使用1跳/5跳产生的、大小为224×224的矢量图。需要说明的是,本文方法和1跳矢量图方法将每一跳单独视作一个单位,不需要数据辅助;而5跳矢量图方法由于需要进行各跳间的拼接,因此需要数据辅助(如同步字头)对每一跳进行同步以消除可能由相位模糊带来的干扰。

从图11可以看出,本文方法在识别准确率优于矢量图方法,原因可能在于:一是本文方法利用重构波形,使得网络更易学习到与辐射源个体相关的非线性知识;二是本文方法将波形直接输入至网络,而非矢量图是将信号转换为图片。在信号转换为图片后,导致图片上存在较多冗余信息(如矢量图中包含较多空白区域),同时可能会对信号里的信息造成损失(如信号的浮点值转换为像素值)。但是矢量图方法对10倍过采率的信号依然有适应性,这是该方法相比本文方法的优点所在。

5 结束语

本文提出了一种基于解调重构的跳频信号辐射源个体识别方法。该方法首先对跳频信号进行各跳的跳变定时,得到各跳的原始基带波形;然后解调出各跳的符号序列,再重构出理想波形;最后将原始波形和重构波形送入网络中,得到分类结果。实验结果表明,该方法能够有效地对20类辐射源进行识别,且对跳频信号较短的序列长度有适应性,不需要同步序列作为数据辅助。但是,该方法对采样率有一定要求,过采率不宜低于10倍,对设备要求较高。在下一步工作中,可以考虑尝试使用在嵌入层后加入全连接层提高特征维度,以降低网络对采样率的需求。