茆旋宇，官友廉，陳永游，祁友杰，王 歡

（1.中國航天科工集團(tuán)8511研究所，江蘇南京210007；2.中國人民解放軍75798部隊(duì)，廣東汕頭515000）

0 引言

輻射源個(gè)體識(shí)別，也稱特定輻射源識(shí)別（specific emitter identification），是通過輻射源信號(hào)之間的細(xì)微差異區(qū)分不同輻射源個(gè)體的技術(shù)，在軍用和民用領(lǐng)域有著巨大的實(shí)用價(jià)值。傳統(tǒng)方法主要通過構(gòu)造并提取相關(guān)細(xì)微特征實(shí)現(xiàn)個(gè)體識(shí)別，比如文獻(xiàn)[1]提取信號(hào)的模糊函數(shù)的零點(diǎn)切片作為輻射源個(gè)體特征，實(shí)驗(yàn)證明該特征具有較好的分類性能；文獻(xiàn)[2]通過測量信號(hào)的瞬時(shí)頻率對FSK調(diào)制信號(hào)進(jìn)行個(gè)體識(shí)別；文獻(xiàn)[3]使用希爾伯特黃變換對信號(hào)進(jìn)行時(shí)頻特征分析，完成信號(hào)個(gè)體的分類；文獻(xiàn)[4-6]分別使用不同的方法獲取雙譜特征以表征信號(hào)的個(gè)體特征，得到了不錯(cuò)的識(shí)別結(jié)果；文獻(xiàn)[7-8]對輻射源的發(fā)射機(jī)進(jìn)行非線性建模，通過熵分析提取個(gè)體特征從而識(shí)別不同的輻射源個(gè)體，文獻(xiàn)[9-10]分析了信號(hào)的暫態(tài)過程并使用分形維數(shù)表示個(gè)體特征，在高信噪比條件下取得了較好的識(shí)別效果。

上述方法雖然在一些特定場景下有不錯(cuò)的效果，然而都需要人為提取特征，這需要很強(qiáng)的先驗(yàn)知識(shí)，包括對輻射源類型、信號(hào)種類、調(diào)制方式、發(fā)射機(jī)設(shè)備的工作機(jī)理、信道環(huán)境等進(jìn)行分析，這就導(dǎo)致提取特征的過程十分復(fù)雜且耗時(shí)。同時(shí)，提取何種特征、提取的特征是否有效往往沒有嚴(yán)格的理論基礎(chǔ)，一般是通過專業(yè)人員的經(jīng)驗(yàn)確定，這就導(dǎo)致提取的特征可靠性存疑、特征很難適應(yīng)不同類型的信號(hào)。隨著信號(hào)處理技術(shù)的迅速發(fā)展，提取有效輻射源細(xì)微特征愈發(fā)困難，傳統(tǒng)方法的識(shí)別效能愈發(fā)不足。

深度學(xué)習(xí)的概念最早由Hinton等于2006年提出，指基于樣本數(shù)據(jù)通過一定的訓(xùn)練方法得到包含多個(gè)層級(jí)的深度網(wǎng)絡(luò)結(jié)構(gòu)的機(jī)器學(xué)習(xí)過程。深度學(xué)習(xí)之所以被稱為“深度”，是相對支撐向量機(jī)、提升方法、最大熵方法等“淺層學(xué)習(xí)”方法而言的。深度學(xué)習(xí)所學(xué)得的模型中，非線性操作的層級(jí)數(shù)更多，淺層學(xué)習(xí)依靠人工經(jīng)驗(yàn)抽取樣本特征，網(wǎng)絡(luò)模型學(xué)習(xí)后獲得的是沒有層次結(jié)構(gòu)的單層特征；而深度學(xué)習(xí)通過對原始信號(hào)進(jìn)行逐層特征變換，將樣本在原空間的特征表示變換到新的特征空間，自動(dòng)地學(xué)習(xí)得到層次化的特征表示，從而更有利于分類或特征的可視化。

深度學(xué)習(xí)由于具有強(qiáng)大的特征學(xué)習(xí)能力，逐漸成為各個(gè)領(lǐng)域的研究熱點(diǎn)。深度學(xué)習(xí)方法通過卷積神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機(jī)、自編碼器及其變型等基礎(chǔ)模塊搭建深層神經(jīng)網(wǎng)絡(luò)，這類深層網(wǎng)絡(luò)可以自動(dòng)地學(xué)習(xí)得到層次化的特征表示，從而更有利于分類或特征的可視化，目前已經(jīng)在語音識(shí)別、信息檢索和計(jì)算機(jī)視覺等領(lǐng)域取得了突破性進(jìn)展，也越來越多地被引入到個(gè)體識(shí)別領(lǐng)域。近年來，基于深度學(xué)習(xí)的輻射源個(gè)體識(shí)別技術(shù)也得到了研究人員的關(guān)注。

1 輻射源個(gè)體特征形成機(jī)理

一般認(rèn)為，輻射源個(gè)體之間的差異是由于設(shè)備內(nèi)部元器件生產(chǎn)制造時(shí)的細(xì)微容差，人為調(diào)試，工作環(huán)境如溫度、濕度、氣壓的差異以及設(shè)備的老化等原因?qū)е碌?。以典型的輻射源發(fā)射機(jī)為例，其簡化框圖如圖1所示?；鶐盘?hào)經(jīng)過數(shù)字信號(hào)處理與模數(shù)轉(zhuǎn)換后進(jìn)入模擬電路，信號(hào)通過濾波、調(diào)制、混頻、功放、射頻天線等輻射到空間中，這些設(shè)備內(nèi)部的差異以及相互作用最終形成了輻射源的個(gè)體特征。

圖1 典型輻射源發(fā)射機(jī)結(jié)構(gòu)框圖

1.1 振蕩器不穩(wěn)定影響

任何輻射源設(shè)備都需要振蕩器獲得穩(wěn)定的頻率源，對于常見的振蕩器，其內(nèi)部的半導(dǎo)體器件由于生產(chǎn)工藝的細(xì)微差異，其產(chǎn)生的載頻不是恒定的，會(huì)存在一定偏差，甚至?xí)霈F(xiàn)頻率的不穩(wěn)定變化，這種影響可以用一個(gè)時(shí)變的相位噪聲表示，其相應(yīng)的信號(hào)表達(dá)式為：

式中，ω0表示振蕩器輸出頻率，ε為相對標(biāo)準(zhǔn)頻率的偏移，而θ(t)為振蕩器不穩(wěn)定引起的相位噪聲。

1.2 IQ調(diào)制器畸變

對于IQ正交調(diào)制，由于I路和Q路內(nèi)部器件的微小差異，信號(hào)在正交調(diào)制時(shí)會(huì)出現(xiàn)IQ2路的增益不等、相位不是嚴(yán)格正交、延遲量有細(xì)微差異等問題，而這些非線性畸變會(huì)體現(xiàn)在信號(hào)的時(shí)域波形上，表現(xiàn)為調(diào)制參數(shù)的誤差。假設(shè)基帶的IQ2路數(shù)字編碼序列為sI(n)與sQ(n)，二者首先通過基帶成型濾波器，假設(shè)濾波器為理想狀態(tài)，則輸出分別為：

式中，h(t)表示基帶成型濾波器，τI、τQ分別為這 2路的延遲誤差，bias表示2路存在的偏置差異。兩路信號(hào)經(jīng)過正交調(diào)制后形成中頻信號(hào)：式中ωc為信號(hào)中頻，εI與εQ分別為2路的相位偏差，這種偏差會(huì)導(dǎo)致符號(hào)之間的干擾，星座圖會(huì)發(fā)生形變。

1.3 內(nèi)部器件的寄生調(diào)制

對于發(fā)射機(jī)內(nèi)部諸如振蕩器、混頻器、功放等有源器件，在信號(hào)輸入輸出過程中由于器件的非線性影響，信號(hào)本身會(huì)產(chǎn)生寄生調(diào)制，一般是以寄生波疊加的形式出現(xiàn)在信號(hào)上，數(shù)學(xué)表達(dá)式為：

最終在信號(hào)主頻帶附近會(huì)出現(xiàn)寄生諧波，這種寄生諧波分量可以用于表示輻射源的個(gè)體特征。

以上部分對輻射源內(nèi)部細(xì)微特征的產(chǎn)生原因與表現(xiàn)形式進(jìn)行了分析，這些因素導(dǎo)致信號(hào)出現(xiàn)載頻抖動(dòng)、偏移、調(diào)制參數(shù)誤差、諧波分量、雜散噪聲等，而這些影響會(huì)在信號(hào)的時(shí)域波形以及頻譜、功率譜等方面體現(xiàn)出來，因此通過對原始信號(hào)的相應(yīng)處理，可將這些細(xì)微特征提取出來。

2 基于卷積網(wǎng)絡(luò)的對講機(jī)個(gè)體識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)，即一種通過構(gòu)建卷積層實(shí)現(xiàn)類似卷積運(yùn)算操作的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，已在數(shù)字圖像處理、目標(biāo)識(shí)別、自然語言處理領(lǐng)域取得了巨大成就，是當(dāng)前最成功的深度學(xué)習(xí)模型結(jié)構(gòu)，其主要由卷積層、池化層、全連接層等組成，基本結(jié)構(gòu)如圖2所示。鑒于其強(qiáng)大的實(shí)際性能與適用場景，本文將其用于對講機(jī)個(gè)體識(shí)別領(lǐng)域。

圖2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

2.1 算法與實(shí)現(xiàn)架構(gòu)

算法基本原理如圖3所示，首先通過接收設(shè)備采集輻射源中頻信號(hào)，接下來對中頻數(shù)據(jù)進(jìn)行預(yù)處理和個(gè)體類別標(biāo)注形成訓(xùn)練數(shù)據(jù)集，然后構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，使用訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型。最后采集不同場景下的輻射源信號(hào)作為測試數(shù)據(jù)集，使用該模型進(jìn)行推理識(shí)別，分析網(wǎng)絡(luò)模型的識(shí)別性能。

圖3 個(gè)體識(shí)別結(jié)構(gòu)框圖

2.2 模型結(jié)構(gòu)

本文構(gòu)建了一種基于殘差網(wǎng)絡(luò)結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層、BatchNormalization層、殘差結(jié)構(gòu)、全連接層等組成。

卷積層主要用于“空間濾波”，起到提取輸入特征的作用。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)一般用于圖像視頻等高維數(shù)據(jù)，而輻射源中頻信號(hào)為一維時(shí)間序列，因此模型選用一維卷積核構(gòu)建卷積層，考慮到輻射源信號(hào)的特點(diǎn)，使用了大尺度的一維卷積核以感知更大范圍內(nèi)的信號(hào)細(xì)微變化。

池化層用于對數(shù)據(jù)進(jìn)行降維減小模型復(fù)雜度，同時(shí)可以擴(kuò)大模型的感受野規(guī)模，提高模型的識(shí)別性能，該模型默認(rèn)使用最大池化，而最后一層池化使用GlobalAveragePooling，通過對卷積層輸出的每一個(gè)feature map進(jìn)行全局平均，可以在大幅降低網(wǎng)絡(luò)參數(shù)的同時(shí)保留空間信息[11]。

BatchNormalization層對輸入數(shù)據(jù)的分布做歸一化處理，使得輸入分布更加均勻和固定[12]，加速網(wǎng)絡(luò)收斂。其數(shù)學(xué)表達(dá)式如下：

式中，X為上一層的輸出結(jié)果，xi為其第i個(gè)節(jié)點(diǎn)的值，μ與σ2為其均值和方差，ε為一很小的正數(shù)以防σ2為零，Y為最終的輸出結(jié)果，γ與β為線性運(yùn)算的權(quán)重，可以通過訓(xùn)練得到。

引入殘差技術(shù)在增加網(wǎng)絡(luò)深度的同時(shí)減小模型的復(fù)雜度[13]，進(jìn)一步減小過擬合風(fēng)險(xiǎn)，提高網(wǎng)絡(luò)性能。本文使用了bottleneck的殘差結(jié)構(gòu)，其基本形式如圖4所示。相比傳統(tǒng)殘差結(jié)構(gòu)，其首先對數(shù)據(jù)進(jìn)行降維，尋找輸入的低維表示，然后對數(shù)據(jù)進(jìn)行升維，這樣可以去除高頻噪聲，提高模型準(zhǔn)確度。short cut將卷積前的輸入連接到卷積后的輸出上，可以在較深的網(wǎng)絡(luò)結(jié)構(gòu)中保證模型收斂。

圖4 bottleneck殘差結(jié)構(gòu)

2.3 網(wǎng)絡(luò)訓(xùn)練

由于個(gè)體識(shí)別任務(wù)的特點(diǎn)，損失函數(shù)需要使得相同個(gè)體間特征差異小，不同個(gè)體之間特征差異大，常用的損失函數(shù)如交叉熵很難滿足條件，因此本文使用AM-Softmax。對于傳統(tǒng)的Softmax交叉熵?fù)p失函數(shù)，其數(shù)學(xué)表達(dá)式為：式中，Xi為最后一層的輸入，屬于yi類，Wj為最后一層第j個(gè)神經(jīng)元的權(quán)重矩陣，cosθj代表Xi與Wj的角度余弦值。AM-Softmax通過L2歸一化范數(shù)使得||Wj||為1，為一常數(shù)s，將最大的角度余弦值變?yōu)閏osθj-m，式（10）變?yōu)椋?/p>

AM-Softmax通過對余弦距離添加約束，推動(dòng)不同個(gè)體間的決策邊界相距更遠(yuǎn)，從而提高了模型的識(shí)別能力。

優(yōu)化器選擇帶動(dòng)量的隨機(jī)梯度下降（SGD）算法，使用變化學(xué)習(xí)率訓(xùn)練網(wǎng)絡(luò)。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文提出方法的有效性，使用對講機(jī)作為測試用輻射源設(shè)備，通過采集對講機(jī)中頻信號(hào)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并另外采集一批數(shù)據(jù)用于識(shí)別驗(yàn)證。

3.1 數(shù)據(jù)概述及預(yù)處理

本文選用了4臺(tái)摩托羅拉A 1D型號(hào)對講機(jī)，這4臺(tái)對講機(jī)同型號(hào)同批次，因此理論上個(gè)體特征更為近似，更能有效驗(yàn)證模型的識(shí)別性能。該型對講機(jī)采用調(diào)頻工作方式，采集設(shè)備為IQ接收機(jī)，中心頻率為414.5 MHz，采樣率為976 k Hz。采集的中頻信號(hào)波形如圖5所示。

圖5 對講機(jī)信號(hào)波形

由于對講機(jī)信號(hào)為調(diào)頻連續(xù)波，整段信號(hào)波形基本沒有變化，因此采用等長截取的方式，以1 024個(gè)采樣點(diǎn)為周期，每一周期的信號(hào)作為一個(gè)樣本。在室內(nèi)采集一批無人講話和有人講話場景下的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，每個(gè)對講機(jī)共采集2 000條樣本。由于采集信號(hào)的幅度不等，將信號(hào)歸一化到[-1，1]之間。使用這些數(shù)據(jù)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型，batch size設(shè)為64，初始學(xué)習(xí)率設(shè)為0.025，訓(xùn)練周期數(shù)設(shè)為100。為了對比該方法與傳統(tǒng)特征提取方法識(shí)別性能的差異，對該訓(xùn)練集進(jìn)行特征提取，選用盒維數(shù)、包絡(luò)前沿高階矩、小波熵、方差維數(shù)、信息維數(shù)、灰度矩和小波能量比作為指紋特征，標(biāo)準(zhǔn)化處理后訓(xùn)練Adaboost得到識(shí)別模型。

3.2 實(shí)驗(yàn)結(jié)果

分別在室內(nèi)無人聲場景、室內(nèi)有人聲場景、戶外多人嘈雜場景下采集數(shù)據(jù)對模型進(jìn)行測試，得到識(shí)別結(jié)果如表1所示。

表1 識(shí)別結(jié)果

對于室內(nèi)無人聲場景下的測試數(shù)據(jù)，模型表現(xiàn)最好，識(shí)別率都在99%以上，而傳統(tǒng)特征方法同樣取得了優(yōu)秀的識(shí)別結(jié)果，只有第2臺(tái)對講機(jī)識(shí)別率稍微低了一些，為95.16%。當(dāng)識(shí)別室內(nèi)有人聲的信號(hào)時(shí)，模型的識(shí)別率明顯下降，但也都在91%以上，而傳統(tǒng)特征方法對第2臺(tái)對講機(jī)識(shí)別率偏低，只有70.59%。當(dāng)測試戶外嘈雜環(huán)境下的數(shù)據(jù)時(shí)，兩種方法的識(shí)別率都變得更差，傳統(tǒng)特征方法對第2臺(tái)對講機(jī)識(shí)別率已經(jīng)不足70%，而卷積神經(jīng)網(wǎng)絡(luò)仍能保持在89.31%。

3.3 結(jié)果分析

由實(shí)驗(yàn)結(jié)果可知，本文使用的深度卷積神經(jīng)網(wǎng)絡(luò)在各個(gè)測試場景下的識(shí)別率都高于特征提取的方法，同時(shí)該模型對于戶外場景有著更好的泛化能力。此外，2種方法在無人聲場景下的識(shí)別準(zhǔn)確率要遠(yuǎn)高于有人聲場景，這是由于無人聲時(shí)，對講機(jī)信號(hào)為理想正弦波，沒有語音信息的干擾，輻射源個(gè)體特征表現(xiàn)最明顯。當(dāng)有人聲時(shí)，信號(hào)加入了語音信息，個(gè)體特征容易被語音信息掩蓋，使得模型提取個(gè)體特征變得困難。而相比室內(nèi)環(huán)境，室外接收的信號(hào)信噪比更低，受到干擾的影響也更大，同時(shí)嘈雜環(huán)境帶來的語音信息更為復(fù)雜，這些都對模型產(chǎn)生了影響，從而使得識(shí)別率變差。

4 結(jié)束語

本文通過引入深度學(xué)習(xí)技術(shù)，構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)來解決對講機(jī)個(gè)體識(shí)別問題，并通過采集對講機(jī)中頻信號(hào)驗(yàn)證該方法的實(shí)際性能，驗(yàn)證結(jié)果表明，該方法在多個(gè)場景下識(shí)別率都明顯優(yōu)于傳統(tǒng)方法。然而，當(dāng)信號(hào)攜帶大量與個(gè)體特征無關(guān)的信息時(shí)，該方法的識(shí)別性能明顯受到影響，同時(shí)，當(dāng)信號(hào)受到噪聲和干擾的影響變大時(shí)，識(shí)別性能也明顯下降，說明該方法針對這些情況還需繼續(xù)優(yōu)化，進(jìn)一步提高系統(tǒng)的魯棒性?！?/p>