基于深度学习的通信辐射源识别综述

摘 要：非合作条件下的信号检测、调制方式识别及辐射源个体识别（Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ） 等任务，是开展战场通信侦察的重要环节。随着无线通信技术的飞速发展，辐射源种类愈加多样，信号体制愈加复杂，加之恶劣的电磁环境，给ＳＥＩ 工作带来了极大的挑战。近年来，随着深度学习的飞速发展，及其在自然语言处理和计算机视觉等领域的有效应用，学者们逐渐将其应用到ＳＥＩ 任务中，并取得了丰富的研究成果。鉴于现有文献缺乏开源数据集，汇编了可用的开源数据集，从知识驱动和数据驱动２ 个维度对ＳＥＩ 方法进行详尽梳理，包括专家系统方法和深度学习技术。通过对比分析揭示了深度学习在ＳＥＩ 任务中的优势，并针对当前深度学习在ＳＥＩ 领域面临的问题，总结了未来ＳＥＩ 的发展方向。

关键词：通信辐射源；辐射源个体识别；深度学习；数据驱动；开集识别

中图分类号：ＴＰ１８；ＴＮ９２ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０６－１３３７－０９

０ 引言

辐射源个体识别（Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ）也称特定辐射源识别，是指通过提取接收信号上能体现辐射源个体差异的特征，实现对辐射源个体的识别［１］。这种特征只与发射机器件的硬件差异有关，与信号的调制样式、信道传输特性和接收机性能等因素无关，类似于指纹唯一性，因此也称为辐射源指纹特征。辐射源指纹特征来源于发射机部件中硬件的固有损伤，例如本地振荡器的相位噪声和载波频偏、调制器的Ｉ ／ Ｑ 失配以及功率放大器的非线性失真等。

ＳＥＩ 技术应用较为广泛，在军事应用方面，该技术可在复杂多变的战场环境下，利用非合作通信信号识别辐射源个体属性，为确定目标身份、预测战略意图以及获取战场电磁态势提供重要依据，对确保通信系统安全、提高军事通信侦察和对抗能力具有重要意义［２］。在民用方面，随着物联网的不断发展，在万物互联的大背景下利用ＳＥＩ 技术可从设备的物理层开展身份认证，降低无线通信的克隆隐患，增强无线通信的安全性。由于无线通信的需求激增，频谱资源日渐紧张，ＳＥＩ 技术可用于跟踪非法占用频谱资源的用户，实现频谱资源的合理分配和高效监管［３］。

早期ＳＥＩ 方法主要基于专家经验特征开展研究，特征单一且泛化性能差。近年来，随着深度学习（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）的发展及其在各领域的广泛应用，研究人员开始探索将ＤＬ 应用到信号识别领域。２０１６ 年，Ｏ’ｓｈｅａ 等［４］将卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）应用于自动调制识别（ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ，ＡＭＲ），并在ＲＭＬ２０１６． １０ａ 数据集开展实验验证。当信噪比为０ ｄＢ 时，ＣＮＮ 的调制识别准确率可达到７８％ 。２０１８ 年，Ｍｅｒｃｈａｎｔ 等［５］利用ＺｉｇＢｅｅ 信号数据集，验证了ＣＮＮ 在ＳＥＩ 领域的性能，在测试集上达到了７７． ０１％ 的分类正确率。因此，利用神经网络提取数据的深度特征，识别信号的类别属性，在信号识别领域具有一定的研究意义与应用价值。

在以往关于ＳＥＩ 的研究综述中，对基于深度学习的辐射源识别方法关注度不足，且文献综述不够全面。此外，现有综述对相关可用数据集的系统性介绍较为缺乏，鉴于数据和算法是深度学习的２ 个核心要素，是执行ＳＥＩ 任务的基础和重要工具。针对上述局限性，本文围绕数据、算法对基于深度学习的通信ＳＥＩ 进行综述，首先概述了ＤＬ 及其在ＳＥＩ 领域应用的发展历程，提供了开源ＳＥＩ 数据集汇编，进一步综述了基于知识驱动和数据驱动的ＳＥＩ 方法，并对目前基于ＤＬ 的ＳＥＩ 研究存在的难点问题和未来的发展方向进行了深入分析。

１ 发展历程

１． １ 深度学习发展历程

１９５０ 年，被誉为“计算机科学之父”的图灵提出“图灵测试”，让机器产生智能这一想法开始进入大众视野。１９５６ 年，Ｊｏｈｎ ＭｃＣａｒｔｈｙ （图灵奖得主）、Ｍａｒｖｉｎ Ｍｉｎｓｋｙ（人工智能与认知学专家，图灵奖得主）和Ｃｌａｕｄｅ Ｓｈａｎｎｏｎ（信息论创始人）等学者以机器模拟智能为主题，在美国新罕布什尔州达特茅斯学院展开大讨论，史称“达特茅斯会议”。在此次会议上，“人工智能”的概念被首次提出。２０ 世纪７０ 年代，由于算力和理论的匮乏，人工智能的前沿应用难以实现，发展进入低谷；９０ 年代末，随着互联网技术的发展和计算能力的增强，人工智能发展提速，人工智能技术的应用已逐渐在医疗保健、电子商务和社交媒体等行业落地。

神经网络也已具有近８０ 年的发展历史。ＤＬ 源于对人工神经网络（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＡＮＮ）的研究，其本质是一个深层神经网络，前层的输出作为后层的输入，可实现对输入数据的多级表示，并从中自动学习抽象、深层次的特征。近年来，ＤＬ 在图像分类［６－７］、目标检测［８－９］及自然语言处理［１０－１１］等领域取得了较为显著的成果，将其与各领域相结合是目前较为热门的研究方向。ＤＬ 包含一系列算法，如前向神经网络、ＣＮＮ、循环神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）和自动编码器等，且算法仍在不断地被创新发展。

ＣＮＮ 是一种典型的深度前馈神经网络，一般包括卷积层、池化层、激活层和连接层，具有局部连接、权值共享和降采样等特点，可有效处理图像数据，得到了广泛研究与应用。１９８０ 年，福岛邦彦（鲍尔奖得主）提出了“Ｎｅｏｃｏｇｎｉｔｒｏｎ”，将人类视觉系统中的思想引入ＡＮＮ，创造了ＣＮＮ 的雏形。２０ 世纪８０ 年代末，ＬｅＣｕｎ 将反向传播算法引入神经网络，开发了ＬｅＮｅｔ，并在１９９８ 年将改进后的ＬｅＮｅｔ５ 成功应用到手写字符识别系统中。自１９９８ 年开始，ＬｅＮｅｔ［１２］、ＡｌｅｘＮｅｔ［１３］、ＶＧＧ［１４］、ＧｏｏｇＬｅＮｅｔ［１５］以及ＲｅｓＮｅｔ［１６］等代表性模型相继提出，并逐渐应用于ＳＥＩ 领域。ＣＮＮ 的输出只与前层输入有关，不考虑其他时刻输入的影响，因此在处理与时序相关的任务时性能会有所下降。ＲＮＮ［１７］是一种节点定向连接的递归神经网络，中间隐藏层的输出不仅与当前时刻的输入有关，还与前一时刻的输出有关，因此该网络具有记忆功能，能有效挖掘数据中的时序信息和语义信息，在语音识别、机器翻译［１８－１９］等自然语言处理领域取得了良好的效果。利用ＲＮＮ 处理长序列时，在训练过程中可能存在梯度消失和梯度爆炸的问题，由此产生了长短时记忆（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）［２０］网络。ＬＳＴＭ 引入门控单元，包括遗忘门、记忆门和输出门，以改善ＲＮＮ 长时依赖等问题，目前较为常用的ＲＮＮ 模型为ＬＳＴＭ 及其变种。

１． ２ 基于ＤＬ 的辐射源识别研究

随着无线电通信的迅猛发展，辐射源数量激增，信号调制方式繁多复杂，传统的基于专家经验的ＳＥＩ 方法已无法满足现实需求。２０ 世纪７０ 年代，为了从复杂信号中有效提取个体指纹特征，研究人员开始将ＡＩ 引入ＳＥＩ 领域。１９８５ 年，英国海军研究部将ＡＮＮ 应用于ＳＥＩ 领域，利用先验知识建立辐射源数据库，并验证了ＡＮＮ 的ＳＥＩ 识别性能［２１］，随后，ＡＮＮ、专家系统、模糊逻辑和进化计算等被逐渐应用到ＳＥＩ 领域［２２－２４］。

近年来，学者们逐渐将ＤＬ 应用到ＳＥＩ 领域，实现过程如图１ 所示。具体而言，该过程涉及对采集的辐射源信号进行预处理，以便对神经网络模型进行处理。预处理后的辐射源信号或其变换后的图片输入神经网络，通过卷积操作有效地提取信号中的隐含特征，将输出特征送入分类器，利用有监督学习的方法对输出特征进行分类，实现辐射源个体的准确识别。

２０１８ 年，文献［２５］将Ｉ ／ Ｑ 序列直接输入ＣＮＮ提取指纹特征，并证实了该方法在个体识别中的可行性。Ｍｅｒｃｈａｎｔ 等［２６］通过频率校正处理输入信号，以消除设备相关的载波频率偏移，并提出了一种基于ＣＮＮ 的时域复基带误差信号指纹特征提取的框架，该框架在ＺｉｇＢｅｅ 信号数据集上达到９２． ２９％ 的识别准确率。在后续工作中文献［２６］改进了序列预处理并在网络中引入递归分量，显著提高了模型在低信噪比环境下ＳＥＩ 性能。因此，ＤＬ 在ＳＥＩ 领域展现出了潜在的研究价值，然而该方法面临训练数据不充分、模型过拟合以及响应速度慢等问题，当前研究工作致力于解决这些问题，以进一步提升ＤＬ在ＳＥＩ 领域的应用效能。

２ 基于ＤＬ 的通信辐射源识别

２． １ 开源通信辐射源数据集

鉴于ＳＥＩ 领域的特殊性，可用的开源数据集相对匮乏，主要源于该领域对数据的敏感性和保密性要求。因此，研究者在开展ＳＥＩ 相关研究时常常面临数据获取困难的问题，也影响了模型泛化能力和实际应用的可靠性。下文简要介绍了３ 个ＳＥＩ 领域的公开数据集，以便开展相关的实验和算法验证。

（１）ＯＲＡＣＬＥ

ＯＲＡＣＬＥ 数据集来源于文章“ＯＲＡＣＬＥ：Ｏｐｔｉｍｉｚｅｄ Ｒａｄｉｏ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｔｈｒｏｕｇｈ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”。ＯＲＡＣＬＥ［２７］是一种在物理层利用ＩＱ 样本从大量位相似设备（相同的硬件、协议、物理地址和ＭＡＣ ＩＤ）中识别不同无线电设备的方法。该方法采用１６ 台Ｘ３１０ ＵＳＲＰ ＳＤＲＳ 设备发射信号，同一台Ｂ２１０ ＵＳＲＰ 设备接收信号。在实验设置中，接收机工作中心频率为２． ４５ ＧＨｚ，采样速率为５ ＭＳ ／ ｓ，采集到的Ｉ ／ Ｑ 序列被进一步划分为长度１２８ 的子序列。每台设备收集超过２ ０００ 万个样本，接收机与发射机之间的距离由０． ６ ｍ 逐步增加到１９ ｍ，步长为１． ９ ｍ。ＯＲＡＣＬＥ 数据集分为两部分：数据集１ 为ｒａｗ Ｉ ／ Ｑ 信号，数据集２ 为经过解调的Ｉ ／ Ｑ 信号，这些数据被进一步划分为训练集、测试集和验证集，以便于模型训练和评估。

（２）ＡＤＳ-Ｂ 信号集

ＡＤＳ-Ｂ 全称为广播式自动相关监视，是一种以广播方式实时传输飞机的动态飞行信息的技术，包括航迹、速度和经纬度等关键参数，并携带飞机唯一识别信息（ＩＣＡＯ 编码），以标识飞机身份，被广泛应用于实时监测飞机的状态［２８］。ＡＤＳＢ 信号集具有数据规模大、易于标注且开源的特点，作为ＳＥＩ 的数据集较为合适。ＡＤＳＢ 数据集由哈尔滨工业大学信息与通信工程实验室发布，包含１ ６６１ 种类别的飞机长信号２６ ６１３ 条，以及１ ７１３ 种类别的飞机短信号１６７ ２３４ 条［２９］。

（３）ＦＩＴ ／ Ｃｏｒｔｅ Ｘｌａｂ

ＦＩＴ ／ Ｃｏｒｔｅ Ｘｌａｂ 数据集由法国里昂国立应用科学学院发布，并得到了Ａｌｃａｔｅｌ-Ｌｕｃｅｎｔ Ｂｅｌｌ Ｌａｂｓ 的支持。该数据集利用２２ 台ＮＩ ＵＳＲＰ Ｎ２９３２ 设备生成，其中１ 台设备作为固定接收端，其余２１ 台设备负责信号发射，接收机中心频点设置为４３３ ＭＨｚ，采样率为５ ＭＳ ／ ｓ，接收信号以Ｉ ／ Ｑ 数据流的形式保存。每台设备收集约５０ ０００ 个样本［３０］，发射设备采用突发模式工作，无信号发射时放大器处于关闭状态。研究团队特别针对ＩＱ 不平衡和ＤＣ 偏移对设备进行了校准，并将本地振荡器信号泄露降至最低。发送数据类型包含３ 种：ＱＰＳＫ 调制位的固定序列、ＱＰＳＫ 随机调制位序列以及噪声序列。发送类型包括固定功率和变功率，其中变功率发射信噪比为９ ～ １４ ｄＢ［３１－３２］。

２． ２ 基于知识驱动的辐射源识别技术

知识驱动主要是指根据专业知识和经验来解决问题。早期阶段的特征提取采用基于专家经验的提取方法，即根据现有对辐射源畸变的认知，人工提取辐射源指纹特征。基于专家经验的特征提取方法可分为以下３ 类：基于信号参数、基于数学表述以及基于机理分析［１］。

由于早期辐射源制造工艺的限制，不同设备的发射信号参数存在显著差异，可通过分析信号参数进行特征提取。通信信号可分为暂态信号和稳态信号。暂态信号是指设备开关机、工作模式切换等过程中产生的信号，由于无能量较强的调制信号的覆盖，暂态信号富含细微的指纹特征，但由于其持续时间短，且易受外部噪声的影响，使得信号捕捉和特征提取变得复杂。稳态信号是指发射设备在功率稳定后发射的信号部分，相比之下，此类信号持续时间长，易于捕捉，但是细微特征往往被传输信号淹没，对特征提取方法要求较高［３３－３４］。针对暂态特征，美国空军工程学院团队的Ｗｉｌｌｉａｍｓ 等［３５］利用ＧＳＭ、ＷｉＭＡＸ、ＺｉｇＢｅｅ 等信号，提取了瞬时幅度、相位和频率等参数的多种统计指标作为特征，并在信噪比大于１２ ｄＢ 的条件下实现９０％ 以上的ＧＳＭ 信号识别正确率。Ｒｅｉｓｉｎｇ 等［３６］针对ＷｉＦｉ 信号和ＷｉＭａｘ 信号，从中导字段提取了瞬时相位的统计特征，在同型号多部手机上取得了良好的识别效果。国内陆满君等［３７］采用递归图法确定暂态信号的起止时刻，通过小波变化处理信号，并利用遗传算法筛选出具有高区分度的特征，最终利用支持向量机（Ｓｕｐｐｏｒｔ ＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）实现ＳＥＩ。然而，随着制造工艺的进步，同批次同型号的辐射源之间硬件差异越来越小，使得传统基于专家经验的特征提取方法面临挑战，亟需发展新的方法以适应当前的实际需求。

基于数学表述的ＳＥＩ 方法侧重于运用数学工具对辐射源信号的个体特征进行抽象表述。常用的工具包括小波变换［３８］、希尔伯特变换［３９－４０］、高阶谱估计［４１－４３］、经验模态分解（Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅ Ｄｅｃｏｍｐｏｓｉ-ｔｉｏｎ，ＥＭＤ）［４４］以及压缩感知［４５］等。例如，吴龙文等［３８］提出了一种基于同步压缩小波变换的主信号抑制技术，并结合分形理论中的盒维数作为信号特征，利用ＳＶＭ 实现辐射源个体分类，实验结果证明了该方法在提升ＳＥＩ 正确率方面的有效性。类似地，文献［３９］将希尔伯特－ 黄变换（Ｈｉｌｂｅｒｔ-ＨｕａｎｇＴｒａｎｓｆｏｒｍ，ＨＨＴ）与分形理论相结合，通过ＨＨＴ 获取信号时频能量谱，并基于分形理论提取差分盒维数和多重分形维数，组成特征向量输入ＳＶＭ。实验结果表明该方法在低信噪比和小样本的条件下仍具有良好的识别效果。鉴于实际通信信号的非平稳、非线性和非高斯特性，传统的功率谱与低阶谱可能无法充分表征信号的本质特征，高阶统计量可用于检测和描述系统的非线性特性，故桂云川等［４１］提出了基于双谱特征融合的ＳＥＩ 方法，将对角积分双谱与对角切片融合作为特征向量，验证了高阶谱融合特征在提高ＳＥＩ 准确率方面的有效性。２０１６ 年，文献［４４］将ＥＭＤ 引入ＳＥＩ，并验证了其相较于传统算法的性能提升，但ＥＭＤ 在运行时间和算法效率方面存在一定的局限性。尽管基于数学表述的方法能揭示更为复杂的信号特征，但识别性能受限于选取的数学工具，且所提取的特征可能仅能从特定角度反映信号特性，具有一定的局限性。此外，该方法在体现辐射源指纹特征的物理本质上存在不足，后续研究需要进一步探索如何结合物理本质和数学工具，从而更全面地捕捉辐射源的个体特征，提高ＳＥＩ 的准确性和可靠性。

机理分析能够深入探究信号产生机制，是最能揭示辐射源指纹特征本质的一种方法。此类方法从发射机的组成模块和工作原理出发，建立信号产生机理的模型，从而提取更为本质的辐射源指纹特征。文献［４６］针对自激振荡式和主振放大式２ 类基本的发射机，对核心器件建模并分析，针对主振放大式发射机，建立了基于功放泰勒级数和沃尔特拉级数的模型，并给出了相应的特征提取方法。此外，考虑到ＳＥＩ 依赖于特定接收机的局限性，文献［４７］研究了接收机畸变的机理和形式，通过理论分析，证明了发射机和接收机中的滤波器、放大器分量对信号整体畸变的影响是等价的，并通过实验验证了不同接收机对同一发射信号提取特征的差异性。实验结果显示，在不同接收机条件下，识别正确率从１００％ 、９５． ５％ 显著下降到２０％ ，该结果可为后续ＳＥＩ 研究种的接收机畸变校正提供参考依据。针对功放畸变问题，何家烁［４８］研究了功放系统的非线性特征和行为模型，并深入研究了接收端的非线性处理算法。尽管机理分析方法在ＳＥＩ 领域取得了一定的进展，但尚未解决多种畸变特征的联合提取问题，且畸变模型仅体现当前的认知水平。由于辐射源指纹特征是由多种内部器件共同作用的结果，对整个系统的精确建模和分析仍然具有难度。因此，机理分析方法在揭示辐射源指纹特征的物理本质上尚有局限，未来的研究需要进一步深化对辐射源内部机制的理解，并建立更为全面的模型和分析方法。

２． ３ 基于数据驱动的辐射源识别技术

基于数据驱动的ＳＥＩ 技术主要基于大规模的监督数据，利用ＤＬ 算法进行特征提取与识别，如图２所示。基于ＤＬ 的ＳＥＩ 任务，本质上是将辐射源识别建模为深度学习框架下的分类问题。在这一框架中，深度学习模型通过学习辐射源信号的特征表示，实现对不同个体辐射源的高精度分类。为适应无线电信号的处理需求，信号通常以Ｉ ／ Ｑ 数据格式存储。神经网络模型可以接收Ｉ ／ Ｑ 数据作为输入，这种方法无需复杂的预处理及先验知识，能够最大程度地保留信号的原始信息。另一方面，将信号转换为图像输入通常需要先验知识的支撑，在非合作条件下具有一定的局限性［４９］。

２０１６ 年，Ｏ’ｓｈｅａ 等［４］首次将Ｉ ／ Ｑ 数据输入ＣＮＮ 以实现调制方式识别，证明了ＣＮＮ 在信号识别领域的可行性，此后研究人员开始探索ＤＬ 在ＳＥＩ领域的适用性。２０１７ 年，美国国防先进研究计划局启动了射频机器学习项目，射频指纹识别是该项目的关键应用之一［５０］。在该项目支持下，２０１８ 年Ｒｉｙａｚ 等［２５］证明了直接通过Ｉ ／ Ｑ 数据提取辐射源指纹特征的可行性与有效性，不需要高精度解码、特征工程以及协议格式等先验知识的支撑，并通过收集不同发射距离下的信号，证明该方法的识别性能随距离的增大而降低。另一项研究［５１］指出Ｉ ／ Ｑ 失配参数与调制方式无关，研究者利用ＣＮＮ 从Ｉ ／ Ｑ 信号中提取失配参数来识别不同辐射源，并通过实验验证该方法相较于传统特征提取方法更有效。在国内，研究者也在利用Ｉ ／ Ｑ 数据实现ＳＥＩ 方面也取得了一系列成果，文献［５２］改进网络模型，利用深度残差网络对实测Ｉ ／ Ｑ 信号进行特征提取，并利用ＡＤＳ-Ｂ 数据集对算法性能进行了测试，结果表明当信噪比大于－３ ｄＢ 时，该模型识别性能超过９６％ ，优于传统的ＣＮＮ 和ＤＢＮ 网络模型；张敏等［５３］提出了一种基于Ｉ ／ Ｑ 失配的ＳＥＩ 方法，该方法无需解调过程，且适用于模拟和数字信号；陈悦等［５４］指出，Ｉ 路与Ｑ 路数据的变化是相对应的，因此构造ＩＱ 特征图并输入ＣＮＮ，实现了９３． ０５％ 的识别正确率。此外，通过对比ＩＱ 图特征与小波特征、双谱特征，实验结果表明ＩＱ 图特征具有最高的识别正确率和泛化能力。针对小样本学习问题，文献［５５］将数据增强引入ＳＥＩ，通过噪声扰动、幅度和时延变换、频率偏移和相位偏移的手段对Ｉ ／ Ｑ 数据进行增强，并在ＡＤＳ-Ｂ 数据集上验证了该方法的有效性。

鉴于神经网络在图像分类领域的卓越表现，研究者们探索了将信号转换为二维图像形式，作为深度学习模型的输入在ＳＥＩ 领域的应用。由于高阶谱特征能够很好地保留信号的幅度、相位等信息，文献［５６］采用一种改进的双谱特征融合的通信信号识别方法，在低信噪比条件下，识别准确率可达９５％ 。针对高阶谱特征维度较高的问题，Ｄｉｎｇ 等［５７］采用了一种监督降维方法［５８］，减少对冗余信息的识别，避免维数灾难。文献［５９］将差分星座轨迹图输入ＣＮＮ 进行特征提取，并在ＺｉｇＢｅｅ 信号集上进行实验验证，当设备个数为５４，信噪比为１５ ｄＢ 时，识别准确率达到了９３． ８％ 。针对现有方法的识别性能随时间推移而下降的问题，２０２１ 年，谢存祥等［６０］提出了一种基于ＨＨＴ 与对抗训练的识别方法，对接收信号进行希尔伯特变换后选择不同辐射源信号的希尔伯特谱区分度最高的能量值点，以此作为ＣＮＮ的输入，并通过对抗训练提高网络的抗噪性能，在辐射源个数为５、信噪比为１０ ｄＢ 时，识别正确率可达到７１％ 。针对ＨＨＴ 存在模态混叠分解不充分的问题，韦建宇等［６１］首先对信号进行差分处理，利用变分模态分解得到模态分量后进行希尔伯特变换，并通过实验验证该方法较已有的ＨＨＴ 个体识别方法，不仅计算复杂度更低，且信噪比为５ ｄＢ 时具有９０％ 以上的识别正确率。针对利用单一特征提取通信辐射源个体指纹信息不充分的问题，文献［６２］提出一种基于多域特征融合的ＳＥＩ 方法，将时域、频域和积分双谱特征组合，利用多通道卷积网络提取通信辐射源个体指纹特征，证明了该方法可在低信噪比下显著提高识别效果。文献［６３］将迁移学习思想引入ＳＥＩ，提出一种多域迁移的辐射源识别方法，将不同时间接收到的信号作为不同的域，并通过实验证明该方法识别效果较好。随着网络模型的不断更新，陈浩等［６４］采用深度残差适配网络，以时频图作为输入，基于５ 台通信辐射源数据集进行实验验证，当信噪比大于１５ ｄＢ 时，该模型的识别准确率达到了９０％ 以上。文献［６５］提出了一种基于Ｔｒａｎｓ-ｆｏｒｍｅｒ 的轻量化网络ＧＬＦｏｒｍｅｒ，包括门控局部注意力单元和门控滑动局部注意力单元，可自动过滤不相关信息，提取更为关键的辐射源指纹信息从而提高识别性能，基于５０ 艘船舶自动定位系统的瞬态和稳态信号对ＧＬＦｏｒｍｅｒ 的识别性能进行验证，识别准确率分别达到９６． ３１％ 和８９． ３８％ 。针对小样本问题，丁辰伟等［６６］将图像增强算法应用于ＳＥＩ，包括直方图修正法、灰度变换法和图像滤波法，对稀疏自编码器提取的特征进行特征增强，将原有特征与增强后的特征共同输入ＣＮＮ 训练，有效提高了小样本条件下ＳＥＩ 的准确率。ＤＬ 在图像识别领域性能优异，提取图像特征识别辐射源个体取得了良好的性能，但是该方法通常需要一定的先验知识，在非合作条件下受限，且图像依赖于特定的数学工具，可能存在泛化性和鲁棒性较差的问题。

３ 存在的问题

３． １ 大规模监督真实数据集的不现实性

ＳＥＩ 主要瞄准非合作目标，因此该任务面临的首要难题是获取大规模的真实数据。在可训练数据有限的条件下，模型容易出现过拟合，影响其在实际应用中的泛化性能；其次，由于对非合作目标缺少先验知识，对信号的识别和处理变得复杂，不仅增加了数据标注的难度，也对模型学习有效特征提出了更高的要求；再次，非合作条件下采集的数据往往存在类别不均衡问题，常见辐射源的数据规模大，低频次出现辐射源的数据规模小，可能导致模型对常见辐射源类别的识别性能较好，而对罕见类别的识别性能不足；此外，在开集识别的背景下，这种类别不均衡问题变得更加突出，当应用环境的辐射源类别数目比训练集的类别数目多时，模型难以正确识别新的类别，从而限制了ＳＥＩ 在动态和未知环境中的适用性。

３． ２ 模型泛化问题

现有基于ＤＬ 的通信辐射源识别研究，用于建立神经网络模型的训练样本与用于验证模型的测试样本来源于相同时间和空间环境，可能导致模型在测试集上表现良好。但在实际应用中，电磁信号的获取环境与训练集环境存在显著差异，因此基于ＤＬ的ＳＥＩ 方法性能会显著下降甚至可能完全失效［６７－６８］。

此外，现有ＳＥＩ 研究使用的数据集主要包括３ 类：第一类是仿真信号，利用ＧＮＵＲａｄｉｏ、Ｐｙｔｈｏｎ、Ｍａｔｌａｂ［６９－７０］等软件仿真不同辐射源信号，虽然信号各参数便于控制，但可能无法完全模拟真实电磁环境的复杂性；第二类是利用开源辐射源识别数据集进行研究；第三类是通过搭建实验环境，收集ＡＤＳ-Ｂ［５２］、电台以及ＺｉｇＢｅｅ 等辐射源信号，进行实验研究。后２ 类数据可能更接近实际应用，但数据集往往受限于特定的信道环境和噪声，当待测信号与训练数据集的信道环境噪声不一致时，网络的识别性能可能退化。

４ 发展方向

４． １ 面向弱／ 无监督数据的辐射源识别研究

当前基于ＤＬ 的ＳＥＩ 研究大多采用有监督学习方法，利用大量带标签训练数据对模型参数进行优化。但在实际ＳＥＩ 任务中，无线电信号采集困难，且缺乏非合作目标的先验知识，标注成本高；相比于其他领域的公开数据集，如包含１ ４２０ 万张图片的Ｉｍ-ａｇｅＮｅｔ 数据集，辐射源识别ＯＲＡＣＬＥ 数据集仅包含１６ 台同型号无线电设备的数据，在类别多样性和数据量上都十分不足。为了克服ＳＥＩ 领域小样本的挑战，后续研究可结合数据增强、迁移学习、度量学习、自监督学习、ｏｎｅ-ｓｈｏｔ、Ｆｅｗ-ｓｈｏｔ、半监督学习以及标签噪声学习等方法，提高模型在弱／ 无监督条件下的识别能力。

４． ２ 面向动态环境的辐射源识别研究

ＳＥＩ 任务要求在辐射源类型、通信信号调制方式、传输信道特性和接收机性能都各不相同的条件下，仍能对辐射源个体进行有效识别与分类。实际ＳＥＩ 任务中接收到的通信辐射源信号具有显著的差异性，而目前已有数据集无法充分覆盖这种多样性。此外，随着新辐射源的出现和已有辐射源设备的老用性和学习能力提出了更高要求。未来研究需要关注如何使ＳＥＩ 系统具备在线学习和实时更新的能力，以应对辐射源特征的变化，避免灾难性遗忘，并有效识别新辐射源，有助于将ＳＥＩ 技术应用于真实战场环境，为电磁态势感知提供技术支持。

５ 结束语。

非合作条件下的ＳＥＩ 对于获取战场电磁态势、制定战略战术具有重要作用，不仅能够为军事侦察提供情报，还能有效监管和分配频谱资源。本研究综述了基于知识驱动和基于数据驱动的ＳＥＩ 研究进展，系统归纳了基于信号参数、数学工具和机理分析３ 种知识驱动识别方法，并对基于输入信号序列和变换域特征的数据驱动识别方法进行了分类总结。针对非合作通信场景，特别是弱／ 无监督场景及开集条件下的ＳＥＩ 技术做出展望。

参考文献

［１］ 李润东． 基于深度学习的通信信号智能盲检测与识别技术研究［Ｄ］． 成都：电子科技大学，２０２１．

［２］ 刘剑锋． 基于深度学习的通信辐射源个体识别关键技术研究［Ｄ］． 郑州：战略支援部队信息工程大学，２０２１．

［３］ 潘一苇． 通信辐射源个体识别关键技术研究［Ｄ］． 郑州：战略支援部队信息工程大学，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］ 崔丽群，曹华维． 基于改进ＹＯＬＯｖ５ 的遥感图像目标检测［Ｊ］． 计算机工程，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］ 张葛祥． 雷达辐射源信号智能识别方法研究［Ｄ］． 成都：西南交通大学，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，赵文杰，黄永辉，等． 基于射频指纹的测控地面站身份识别方法［Ｊ］． 航天电子对抗，２０２１，３７（３）：６－９．

［３２］ 唐晓刚，冯俊豪，张斌权，等． 基于射频指纹的卫星测控地面站身份识别方法［Ｊ］． 电子与信息学报，２０２３，４５（７）：２５５４－２５６０．

［３３］ 韦建宇，俞璐． 通信辐射源个体识别中的特征提取方法综述［Ｊ］． 通信技术，２０２２，５５（６）：６８１－６８７．

［３４］ 李军，夏春秋． 基于深度学习的辐射源个体识别方法综述［Ｊ］． 舰船电子对抗，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］ 陆满君，詹毅，司锡才，等． 通信辐射源瞬态特征提取和个体识别方法［Ｊ］． 西安电子科技大学学报，２００９，３６（４）：７３６－７４０．

［３８］ 吴龙文，牛金鹏，王昭，等． 基于同步压缩小波变换的主信号抑制技术［Ｊ］． 电子与信息学报，２０２０，４２（８）：２０４５－２０５２．

［３９］ 韩洁，张涛，王欢欢，等． 基于３ＤＨｉｂｅｒｔ 能量谱和多尺度分形特征的通信辐射源个体识别［Ｊ］． 通信学报，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，杨俊安，万俊． 基于双谱特征融合的通信辐射源识别算法［Ｊ］． 探测与控制学报，２０１６，３８（５）：９１－９５．

［４２］ 任东方，张涛，韩洁． 基于双谱与特征选择的通信辐射源识别算法［Ｊ］． 信息工程大学学报，２０１８，１９ （４）：４１０－４１５．

［４３］ 王占领，张登福，王世强． 雷达辐射源信号双谱二次特征提取方法［Ｊ］． 空军工程大学学报（自然科学版），２０１４，１５（１）：４８－５２．

［４４］ 桂云川，杨俊安，吕季杰，等． 基于经验模态分解的通信辐射源分形特征提取算法［Ｊ］． 探测与控制学报，２０１６，３８（１）：１０４－１０８．

［４５］ 王志鹏，王星，田元荣，等． 基于压缩感知的辐射源信号数据级融合识别方法［Ｊ］． 兵工学报，２０１７，３８（８）：１５４７－１５５４．

［４６］ 许丹． 辐射源指纹机理及识别方法研究［Ｄ］． 长沙：国防科学技术大学，２００９．

［４７］ 乐波，王桂良，黄渊凌，等． 接收机畸变对辐射源指纹识别的影响［Ｊ］． 电讯技术，２０２０，６０（３）：２７３－２７８．

［４８］ 何家烁． 功放非线性失真的接收端处理技术研究［Ｄ］．西安：西安电子科技大学，２０２２．

［４９］ 陈翔，汪连栋，许雄，等． 基于Ｒａｗ Ｉ ／ Ｑ 和深度学习的射频指纹识别方法综述［Ｊ］． 雷达学报，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，彭进霖，何元，等． 基于深度残差网络的ＡＤＳＢ 信号辐射源个体识别［Ｊ］． 航空兵器，２０２１，２８（４）：２４－２９．

［５３］ 张敏，罗正华，黄建刚，等． 一种基于Ｉ ／ Ｑ 失配的辐射源指纹提取方法［Ｊ］． 电子学报，２０２０，４８（４）：７１７－７２２．

［５４］ 陈悦，雷迎科，李昕，等． 基于ＩＱ 图特征的通信辐射源个体识别［Ｊ］． 信号处理，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］ 王欢欢，张涛． 结合时域分析和改进双谱的通信信号特征提取算法［Ｊ］． 信号处理，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］ 谢存祥，张立民，钟兆根． 基于ＨｉｌｂｅｒｔＨｕａｎｇ 变换与对抗训练的特定辐射源识别［Ｊ］． 系统工程与电子技术，２０２１，４３（１２）：３４７８－３４８７．

［６１］ 韦建宇，彭来献，俞璐，等． 基于差分－变分模态分解与全局信息分析网络的辐射源个体识别方法［Ｊ］． 信号处理，２０２２，３８（１０）：２０９２－２１０１．

［６２］ 王检，张邦宁，张洁，等． 基于多域特征融合的通信辐射源个体识别方法［Ｊ］． 兵工学报，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］ 陈浩，杨俊安，刘辉． 基于深度残差适配网络的通信辐射源个体识别［Ｊ］． 系统工程与电子技术，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］ 丁辰伟，孙闽红，官友廉． 基于小样本条件的雷达辐射源个体识别算法［Ｊ］． 弹箭与制导学报，２０２１，４１ （３）：２５－３０．

［６７］ 桂冠，陶梦圆，王诚，等． 面向特定辐射源识别的小样本学习方法综述［Ｊ］． 南通大学学报（自然科学版），２０２３，２２（３）：１－１６．

［６８］ 姚艳艳，俞璐，武欣嵘，等． 面向个体识别的通信辐射源特征提取方法综述［Ｊ］． 计算机时代，２０２０ （９ ）：４１－４４．

［６９］ 郭恩泽，张洪德，杨雷，等． 基于改进残差网络的雷达辐射源信号识别［Ｊ］． 无线电工程，２０２２，５２ （１２ ）：２１７８－２１８５．

［７０］ 姚君宇，许小东． 一种嵌入射频指纹的半监督辐射源识别方法［Ｊ］． 无线电工程，２０１９，４９（１１）：９３９－９４４．

作者简介。

王育欣 女，（２００１—），硕士研究生。主要研究方向：辐射源个体识别、深度学习。

（*通信作者）马宏斌 男，（１９９５—），博士，讲师。主要研究方向：人工智能、电磁频谱感知等。

马 宏 男，（１９７６—），博士，教授。主要研究方向：航天测控通信系统等。

焦义文 男，（１９８５—），博士，副教授。主要研究方向：软件无线电技术等。

李雪健 男，（２０００—），硕士研究生。主要研究方向：航天测控通信系统。

侯顺虎 男，（２０００—），硕士研究生。主要研究方向：空间网络电磁安全。