張一丹

四川大學電子信息學院 四川 成都 610065

引言

通信輻射源的個體識別是通過提取存在于發(fā)射信號中的輻射源個體差異特征（即“指紋”）實現的。因輻射源指紋特征屬于無意調制特征，不依賴于傳輸的通信內容，輻射源個體識別在電磁目標識別、網絡安全和電子對抗等領域具有重要意義[1]。

近年來，人工智能的熱度不斷上升，在輻射源個體識別問題中，AI的加入使識別效果有一定的提升[2]。但深度學習本身可解釋性較差，且指紋特征背后對應的機理問題并未完全解決，因此訓練過程中很容易陷入過擬合，面對新數據和新情景時適應性也較差。

針對上述問題，本文提出一種基于譜峰定位的積分路徑篩選算法，每個積分路徑對雙譜的值計算和特征提取的貢獻情況不同，篩選出離雙譜譜峰較近的矩形積分路徑，提取最大貢獻路徑的雙譜值。利用該篩選算法對信號的雙譜進行二次特征提取，在保證識別準確率的同時有效減少計算維度，最后采用卷積神經網絡進行分類識別。

1 基于雙譜的通信輻射源指紋特征提取算法

1.1 雙譜變換

由于實際電磁輻射的環(huán)境較為復雜，輻射信號或噪聲并不完全服從高斯分布，對信號細微特征的分析如果只有幅度信息是不充分的，還需要一定的相位信息，高階譜可以求得信號的相位信息。雙譜是高階譜分析中階數最低、運算量最小、運算效率最高、處理方法相對簡單的譜分析方法。雙譜包含了高階譜的所有特征，可以恢復、提取信號的相位和幅度特征，因而較為適合輻射源信號的細微特征分析。

1.2 基于矩形積分的雙譜特征提取

若直接對提取信號的雙譜特性進行識別，需要進行二維模板匹配，計算量較大。通過將信號的雙譜按照特定的路徑進行積分，可以將二維數據轉化為一維數據，得到局部積分雙譜，大大降低了計算量。

主要的積分路徑有：徑向積分雙譜、圓周積分雙譜、軸向積分雙譜和矩形積分雙譜。其中，矩形積分雙譜為以原點為中心依次做不同尺度的正方形，對落在正方形上的雙譜數據點求和，如（2）所示，其中，為積分路徑數，代表第條矩形積分路徑。

1.3 基于改進的矩形積分雙譜特征提取

對矩形積分雙譜算法而言，每一條路徑對指紋特征的貢獻不同，因此可以篩選出貢獻很小甚至是貢獻為負的路徑，可以在不影響識別率的同時降低特征維數。本文提出一種基于譜峰定位的矩形積分路徑篩選算法對雙譜特征進行二次特征提取。其主要思想為：針對每個積分路徑對雙譜的值計算和特征提取的貢獻情況不同，離中心譜峰近的積分路徑貢獻較大，反之則貢獻較小甚至貢獻為負，篩選出離雙譜譜峰較近的矩形積分路徑，具體流程如下所示：

2 實驗與結果分析

2.1 實驗場景設置

設置輻射源個數為5，信號的載頻為200 Hz，調制方式為4QAM，采樣頻率為1000 Hz，并使信號經過高斯白噪聲干擾的信道。為使樣本反映出輻射源的指紋特征，在信號中模擬造成輻射源指紋的因素[3]，增加I/Q正交調制器誤差、振蕩器相位噪聲、寄生諧波等誤差。

2.2 識別結果及分析

（1）基于譜峰檢測的路徑篩選算法性能評價

信噪比10 dB下，在雙譜中共選取100條矩形積分路徑。為了驗證基于譜峰檢測的路徑篩選算法的有效性，分別采用基于譜峰檢測的路徑篩選算法和均勻隨機篩選算法對所有積分路徑進行篩選，不同路徑數下識別準確率對比如圖1所示。

圖1 不同積分路徑下識別準確率對比

從圖1中可以看出，在一定范圍內，隨著積分路徑數量增加，SIB和改進后的SIB的識別率都逐漸升高；但當積分路徑數增加到一定程度后，隨著路徑數繼續(xù)增加，識別率反而下降，這一現象證明了不是所有積分路徑都對雙譜特征有正貢獻，有些路徑對指紋特征的貢獻較小，甚至為負。除此之外，在積分路徑數相同的情況下，改進的SIB算法識別效果要遠遠高于SIB識別效果，證明了基于譜峰的路徑篩選算法能夠有效篩選出對指紋特征貢獻較大的路徑，并由此設定篩選路徑數為70條。

（2）改進SIB算法和SIB算法的性能對比

圖2 不同信噪比下SIB和改進SIB的識別率對比圖

為了驗證本文提出的改進SIB算法對分類識別準確度的有效性，在不同信噪比下，分別利用改進SIB算法和SIB算法進行特征提取并識別，其中，改進SIB算法利用基于譜峰定位的積分篩選算法選取其中70條路徑對雙譜進行積分。識別率對比結果如圖2所示。隨著信噪比的增加，雙譜特征的識別率也隨之提高，改進后的積分雙譜特征識別率遠高于矩形積分雙譜特征，且其在10dB的信噪比時達到了90%的識別準確率。由此可見，改進的SIB算法能有效提升分類識別性能。

3 結束語

針對通信輻射源個體識別，本文提出了一種基于譜峰定位的矩形積分路徑篩選算法，并利用該算法對信號的雙譜進行二次特征提取，將二維數據變成一維數據，有效降低計算維度，且篩選算法能有效篩選出對指紋特征貢獻較大的雙譜值，保證學習模型的識別精度。實驗結果表明，本文提出的篩選算法能有效提高模型的識別準確率。