張宸嘉，朱 磊，陳 璞，俞 璐

（陸軍工程大學(xué)，江蘇 南京 210007）

0 引 言

輻射源個(gè)體識(shí)別，又稱為輻射源指紋識(shí)別或特定輻射源識(shí)別（Specific Emitter Identification，SEI），是電子偵察識(shí)別最重要的非合作識(shí)別手段之一，在戰(zhàn)場(chǎng)目標(biāo)識(shí)別中發(fā)揮著不可替代的作用[1]。最早從二戰(zhàn)開(kāi)始，輻射源個(gè)體識(shí)別已經(jīng)成為戰(zhàn)場(chǎng)的重要需求之一。電子偵察識(shí)別領(lǐng)域中，為了進(jìn)一步掌握電磁態(tài)勢(shì)，往往通過(guò)測(cè)量輻射源各項(xiàng)指標(biāo)與參數(shù)，經(jīng)過(guò)一定處理后用來(lái)對(duì)輻射源個(gè)體的型號(hào)、工作方式等屬性進(jìn)行識(shí)別。然而，隨著電磁環(huán)境的日益復(fù)雜與通信技術(shù)的迅猛發(fā)展，各種通信設(shè)備層出不窮，使得輻射源的信號(hào)樣式變得越來(lái)越復(fù)雜。各種不同種類的輻射源信號(hào)混雜在一起增加了識(shí)別難度，導(dǎo)致基于傳統(tǒng)的提取輻射源參數(shù)和指標(biāo)來(lái)進(jìn)行識(shí)別的方法變得愈加困難，收益也越來(lái)越差[2]。此外，要想獲取關(guān)鍵電臺(tái)所發(fā)出的電磁信息，不僅需要對(duì)型號(hào)等參數(shù)的識(shí)別，還需要對(duì)區(qū)別細(xì)微的同型號(hào)輻射源個(gè)體進(jìn)行識(shí)別。因此，輻射源個(gè)體識(shí)別技術(shù)應(yīng)運(yùn)而生，能夠準(zhǔn)確提供有關(guān)目標(biāo)輻射源配置、部署情況以及關(guān)鍵節(jié)點(diǎn)信號(hào)等重要的信息，具有廣泛的應(yīng)用前景與意義。

輻射源個(gè)體識(shí)別是提升通信網(wǎng)絡(luò)安全的重要手段。通過(guò)輻射源個(gè)體識(shí)別，可以在非協(xié)同的條件下實(shí)現(xiàn)對(duì)通信信號(hào)的合理分析，從而提供輻射源設(shè)備的有效信息，為后續(xù)的網(wǎng)絡(luò)通聯(lián)關(guān)系分析、網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)分析等打下堅(jiān)實(shí)的基礎(chǔ)。在電磁環(huán)境日益復(fù)雜的今天，如何在通信中及早確認(rèn)關(guān)鍵電臺(tái)所發(fā)出的信息顯得尤為重要。因此，研究輻射源個(gè)體識(shí)別具有重要意義和價(jià)值。

深度學(xué)習(xí)方法在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別和數(shù)據(jù)分類等領(lǐng)域都發(fā)揮著顯著作用，成為眾多分類方法的佼佼者[3]。鑒于輻射源信息的復(fù)雜性與傳輸過(guò)程中的許多干擾，輻射源的傳統(tǒng)特征如積分雙譜等無(wú)法全面表達(dá)輻射源信號(hào)的特征。深度網(wǎng)絡(luò)模型通過(guò)不斷訓(xùn)練提取數(shù)據(jù)樣本特征，可以表達(dá)復(fù)雜的非線性函數(shù)關(guān)系，得到數(shù)據(jù)豐富的本質(zhì)信息，在輻射源個(gè)體識(shí)別領(lǐng)域有著更好的識(shí)別效果[4]。

近兩年，注意力模型（Attention Model）在圖像分割、NLP、圖像識(shí)別、語(yǔ)音識(shí)別及計(jì)算機(jī)視覺(jué)等領(lǐng)域受到了大量關(guān)注，也獲得了廣泛應(yīng)用，如SANet[5]、VSG-Net[6]等，是深度學(xué)習(xí)領(lǐng)域中值得關(guān)注與探索研究的方法[7]。

視覺(jué)注意力機(jī)制是人類視覺(jué)所特有的大腦信號(hào)處理機(jī)制[8]。視覺(jué)注意力機(jī)制的思想借鑒了人類在關(guān)注圖像信息時(shí)的行為。人類關(guān)注圖像信息時(shí)，會(huì)下意識(shí)地關(guān)注整個(gè)圖像的總體，并將更多的注意力與關(guān)注的重心放于擁有更多可用有利信息上，也就是注意力焦點(diǎn)。注意力焦點(diǎn)即注意力機(jī)制思想中需要重點(diǎn)關(guān)注的目標(biāo)區(qū)域。因?yàn)槿说淖⒁饬κ怯邢薜模ㄟ^(guò)將更多的注意力資源投入到注意力焦點(diǎn)上，可以獲得更加豐富的目標(biāo)信息，同時(shí)進(jìn)一步提升獲取目標(biāo)信息的效率與速度，有利于各種任務(wù)資源投入的合理化。注意力機(jī)制是人類利用有限的注意力資源從大量信息中快速篩選出高價(jià)值信息的手段，是人類在長(zhǎng)期進(jìn)化中形成的一種生存機(jī)制。人類視覺(jué)注意力機(jī)制極大地提高了視覺(jué)信息處理的效率與準(zhǔn)確性[9]。

圖1為人類在看到一副圖像時(shí)如何將有限的注意力資源進(jìn)行合理且高效分配的實(shí)例。當(dāng)人類注視目標(biāo)時(shí)，投入更多注意力資源的區(qū)域標(biāo)為深色?？梢?jiàn)，當(dāng)面對(duì)圖1時(shí)，人們往往會(huì)把注意力更多投入到人的臉部、文本的標(biāo)題以及文章首句等關(guān)鍵并具有更多可用信息的位置。

深度學(xué)習(xí)中的注意力機(jī)制從思想上借鑒了人類的選擇性視覺(jué)注意力機(jī)制，利用人類視覺(jué)的特點(diǎn)，從眾多冗余信息中選擇出對(duì)當(dāng)前任務(wù)目標(biāo)更關(guān)鍵、效用更高的信息[10]。

本文著眼于電臺(tái)輻射源個(gè)體識(shí)別任務(wù)，以殘差網(wǎng)絡(luò)[11]為基礎(chǔ)，結(jié)合注意力機(jī)制的思想，將雙注意力機(jī)制引入預(yù)處理層與特征提取層，實(shí)現(xiàn)對(duì)神經(jīng)網(wǎng)絡(luò)的優(yōu)化。針對(duì)5臺(tái)同型號(hào)電臺(tái)進(jìn)行個(gè)體識(shí)別，對(duì)比傳統(tǒng)特征提取與深度神經(jīng)網(wǎng)絡(luò)方法，在參數(shù)量小幅上漲的代價(jià)下，大幅提升了輻射源個(gè)體分類識(shí)別的效果。

1 注意力機(jī)制設(shè)計(jì)與使用

1.1 軟閾值化中的注意力機(jī)制

為了降低信號(hào)傳播過(guò)程中的噪聲對(duì)輻射源個(gè)體識(shí)別的干擾，本文方法在識(shí)別任務(wù)前運(yùn)用軟閾值化操作對(duì)輻射源數(shù)據(jù)進(jìn)行降噪處理，同時(shí)運(yùn)用注意力機(jī)制的思想，自適應(yīng)地修改閾值，進(jìn)一步提升了輻射源數(shù)據(jù)的識(shí)別效果。

區(qū)別于傳統(tǒng)的固定閾值的方法，本文提出的軟閾值化方法中閾值設(shè)定借鑒SE-Net[12]中所采用的實(shí)現(xiàn)注意力機(jī)制的經(jīng)典方法[13]，即擠壓激勵(lì)操作（Squeeze and Excitation），結(jié)構(gòu)如圖2所示。

每張?zhí)卣鲌D通過(guò)全局平均池化操作進(jìn)行擠壓成一個(gè)實(shí)數(shù)（見(jiàn)式（1）），這個(gè)實(shí)數(shù)具有特征圖上的全局信息，每張?zhí)卣鲌D的擠壓結(jié)果組合成一個(gè)向量作為每個(gè)特征圖的權(quán)重，其中H和W分別為特征圖的高和寬，zc為卷積后的結(jié)果，將此向量通過(guò)全連接層與激活函數(shù)（見(jiàn)式（2）），訓(xùn)練結(jié)果用來(lái)放大對(duì)于識(shí)別任務(wù)更加重要特征圖的權(quán)重，縮小不重要特征圖的權(quán)重，其中σ為relu激活函數(shù)，δ為sigmoid激活函數(shù)，W1與W2代表過(guò)兩個(gè)不同的全連接層。此向量s通過(guò)式（3）激勵(lì)原特征圖，指導(dǎo)特征圖不斷向著有利于識(shí)別任務(wù)的方向更新。

本文同時(shí)借鑒ECA-Net的思想，通過(guò)一維卷積層匯總跨信道信息的方法對(duì)其進(jìn)行改進(jìn)構(gòu)建了通道注意力模塊[14]，其結(jié)構(gòu)如圖3所示。

本文首次在軟閾值化操作中引入雙路注意力的思想，匯總通道與空間兩方面的注意力信息作為閾值，并在每次訓(xùn)練時(shí)自適應(yīng)地修改閾值，提升了軟閾值化的效果。此時(shí)的閾值并不是一個(gè)確切的值，而是一個(gè)動(dòng)態(tài)生成的與特征圖同尺寸的矩陣。通過(guò)將原特征圖與閾值進(jìn)行對(duì)比，保留特征圖中注意力較高的部分，可達(dá)到提升網(wǎng)絡(luò)效果的作用。獲取閾值的過(guò)程，如圖4所示。

其中：CA模塊為通道注意力模塊（Channel Attention Module），結(jié)構(gòu)如圖5所示；SA模塊為空間注意力模塊（Spatial Attention Module），結(jié)構(gòu)如圖6所示。這兩個(gè)模塊分別從通道與空間兩個(gè)方向提取特征圖中的注意力信息，提取不同通道與空間中不同位置的權(quán)重信息，自適應(yīng)更新特征圖。

1.2 深度神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制

本文在針對(duì)輻射源個(gè)體識(shí)別任務(wù)的深度網(wǎng)絡(luò)中首次嵌入圖像分割領(lǐng)域的雙注意力模塊，從通道與空間兩個(gè)分支構(gòu)建特征圖的相關(guān)性矩陣，用此矩陣引導(dǎo)對(duì)特征圖的更新，增大關(guān)鍵特征的權(quán)重，使得將更多的注意力放在更易于進(jìn)行區(qū)分的優(yōu)秀特征上[15]。雙注意力模塊結(jié)構(gòu)如圖7所示。

PAM是空間分支，結(jié)構(gòu)如圖8所示。CAM是通道分支[16]，結(jié)構(gòu)如圖9所示。這兩個(gè)分支通過(guò)對(duì)特征圖的處理，分別構(gòu)建了關(guān)于特征圖通道與空間位置的相關(guān)性矩陣X與S，并以此矩陣來(lái)引導(dǎo)特征圖不同通道與空間位置權(quán)重的更新方向，以使得更多的資源投入到更容易對(duì)目標(biāo)進(jìn)行區(qū)分的地方。

2 深度神經(jīng)網(wǎng)絡(luò)模型搭建

由于主要目的是對(duì)電臺(tái)輻射源信息進(jìn)行分類任務(wù)，因此本文深度神經(jīng)網(wǎng)絡(luò)模型以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)模型，通過(guò)軟閾值化模塊對(duì)輸入的電臺(tái)輻射源信息進(jìn)行降噪處理，然后在軟閾值化過(guò)程和神經(jīng)網(wǎng)絡(luò)模型中分別嵌入不同的多路注意力模塊，以實(shí)現(xiàn)融合輻射源信號(hào)的多維度特征[17]，合理調(diào)整參數(shù)，提升模型效果。本文使用的深度神經(jīng)網(wǎng)絡(luò)模型，如圖10所示。本文在軟閾值化與雙注意力網(wǎng)絡(luò)中使用了兩種不同方式的雙注意力機(jī)制。相對(duì)于使用同一種注意力機(jī)制而言，使用兩種方式可以利用不同注意力提取方式的差異性，更全面和精準(zhǔn)地提取輻射源信號(hào)的關(guān)鍵信息，獲得更優(yōu)秀、利于識(shí)別任務(wù)的特征，從而進(jìn)一步提升整個(gè)識(shí)別任務(wù)的效果。

3 仿真實(shí)驗(yàn)和分析

3.1 輻射源數(shù)據(jù)采集

在實(shí)驗(yàn)室環(huán)境中，利用6臺(tái)同型號(hào)USRP設(shè)備，其中5臺(tái)作為發(fā)送設(shè)備，1臺(tái)作為接收設(shè)備。5臺(tái)輻射源設(shè)備同時(shí)發(fā)送主頻為1 GHz的輻射源信號(hào)，將所接收到的5臺(tái)輻射源設(shè)備的信號(hào)通過(guò)LabView進(jìn)行數(shù)據(jù)處理。接收端接收的信號(hào)如圖11所示。

將經(jīng)過(guò)處理后的5類輻射源信號(hào)作為數(shù)據(jù)集，分別以傳統(tǒng)手動(dòng)特征提取方法、普通深度神經(jīng)網(wǎng)絡(luò)方法和本文提出的深度注意力神經(jīng)網(wǎng)絡(luò)方法進(jìn)行輻射源個(gè)體識(shí)別實(shí)驗(yàn)。輸入網(wǎng)絡(luò)中數(shù)據(jù)的尺寸為2×128，樣本數(shù)為100 000，其中90%作為訓(xùn)練集，10%作為測(cè)試集。網(wǎng)絡(luò)的batch size為128，訓(xùn)練100輪次，損失函數(shù)為交叉熵函數(shù)，使用Adam算法來(lái)優(yōu)化網(wǎng)絡(luò)。

3.2 實(shí)驗(yàn)結(jié)果與分析

本文將傳統(tǒng)提取SIB特征、以支持向量機(jī)（Support Vector Machine，SVM）作為分類器的方法、普通神經(jīng)網(wǎng)絡(luò)方法與本文提出的方法，分別針對(duì)采集到的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖12所示。

由實(shí)驗(yàn)結(jié)果可見(jiàn)，對(duì)比傳統(tǒng)手動(dòng)特征提取方法，兩種基于深度神經(jīng)網(wǎng)絡(luò)的方法都有較高的識(shí)別率與較快的收斂速度，說(shuō)明深度神經(jīng)網(wǎng)絡(luò)在輻射源個(gè)體識(shí)別領(lǐng)域有著更好的表現(xiàn)，提升了識(shí)別效果。將提出的方法所用到的技術(shù)進(jìn)行拆分運(yùn)用于普通神經(jīng)網(wǎng)絡(luò)，以驗(yàn)證其在輻射源個(gè)體識(shí)別方向上的提升效果，實(shí)驗(yàn)結(jié)果如圖13所示。

實(shí)驗(yàn)顯示，本文所使用的軟閾值化技術(shù)與雙注意力模塊，都會(huì)在一定程度上提升對(duì)輻射源數(shù)據(jù)的識(shí)別效果，但是提升效果有限。對(duì)比普通神經(jīng)網(wǎng)絡(luò)，雙注意力模塊提升了1.82%的效果，而軟閾值化技術(shù)提升了5.53%的效果。但是，如果將兩種技術(shù)進(jìn)行結(jié)合，在輸入雙注意力網(wǎng)絡(luò)之前用軟閾值化技術(shù)對(duì)數(shù)據(jù)自適應(yīng)的生成注意力閾值，保留更加鮮明的易于識(shí)別的特征，那么特征圖輸入雙注意力網(wǎng)絡(luò)后所產(chǎn)生的相關(guān)性矩陣將更加具有針對(duì)性與更優(yōu)的指導(dǎo)作用，從而進(jìn)一步提升輻射源數(shù)據(jù)的識(shí)別效果。實(shí)驗(yàn)證明，本文所提出的輻射源個(gè)體識(shí)別方法識(shí)別率達(dá)到了87.52%，對(duì)比普通神經(jīng)網(wǎng)絡(luò)方法提升了11.17%，對(duì)比傳統(tǒng)特征提取方法提升了27.38%的識(shí)別效果。

4 結(jié) 語(yǔ)

本文借鑒注意力機(jī)制思想對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)與優(yōu)化，同時(shí)加入帶有雙注意力的軟閾值化操作對(duì)數(shù)據(jù)進(jìn)行處理。實(shí)驗(yàn)證明，對(duì)比傳統(tǒng)的手動(dòng)特征提取方法和普通深度神經(jīng)網(wǎng)絡(luò)方法，本文提出的輻射源個(gè)體識(shí)別方法顯著提升了識(shí)別效果。本文使用的注意力模塊為即插即用的輕量級(jí)模塊，顯著提升識(shí)別效果的代價(jià)僅為參數(shù)量的略微增加，同時(shí)訓(xùn)練速度也和普通神經(jīng)網(wǎng)絡(luò)基本一致。本文所提出的模型整體上在輻射源個(gè)體識(shí)別任務(wù)上對(duì)比其他方法有著更優(yōu)效果，由于輻射源個(gè)體識(shí)別任務(wù)針對(duì)同型號(hào)輻射源設(shè)備的特殊性，不同設(shè)備的輻射源信號(hào)的差異性較小。若將計(jì)算資源平均地投入所有的特征上，勢(shì)必會(huì)造成資源的大量浪費(fèi)。注意力機(jī)制思想將會(huì)提取其中具有差異性的關(guān)鍵特征，將資源投入到關(guān)鍵特征中，會(huì)明顯提升對(duì)于同型號(hào)輻射源設(shè)備的分類效果。同時(shí)，本文驗(yàn)證了注意力機(jī)制思想在輻射源個(gè)體識(shí)別領(lǐng)域的可行性，為未來(lái)輻射源個(gè)體識(shí)別方向的研究提供了一條可行的思路。