王檢, 張邦寧, 張潔, 魏國(guó)峰, 郭道省

(陸軍工程大學(xué) 通信工程學(xué)院, 江蘇 南京 210007)

0 引言

近年來5G通信技術(shù)迅猛發(fā)展,越來越多的無線智能終端與智能物聯(lián)網(wǎng)設(shè)備投入使用,為人們的生活提供了極大的便利。但隨著無線智能終端的獲取途徑越來越豐富以及智能物聯(lián)網(wǎng)技術(shù)的普及,往往會(huì)出現(xiàn)假冒設(shè)備、身份欺騙等重大安全隱患。通信輻射源個(gè)體識(shí)別技術(shù)是根據(jù)輻射源通信發(fā)射機(jī)發(fā)射電磁波獨(dú)有的射頻指紋特征(RFF)[1],將其唯一地與輻射源發(fā)射機(jī)關(guān)聯(lián)的技術(shù)。該技術(shù)可以有效區(qū)分同廠家、同批次并且發(fā)射同規(guī)格信號(hào)的不同輻射源,在區(qū)分假冒設(shè)備和不明輻射源個(gè)體的場(chǎng)景中具有重大意義。

先前的研究中,通信輻射源的RFF往往從信號(hào)的變換域信息、調(diào)制域信息[2-3]、信號(hào)圖像信息[4]、基本參數(shù)信息[5]等方面提取,信號(hào)部分則是從發(fā)射機(jī)發(fā)送功率穩(wěn)定的穩(wěn)態(tài)部分[6]選擇,其中,提取信號(hào)變換域信息的方法主要從時(shí)域[7-8]、頻域[9-10]、高階頻域[11-13]和時(shí)頻域[14-15]中選擇。相較于其他方面的特征提取方法,變換域信息包含了信號(hào)在對(duì)應(yīng)域內(nèi)的完整信息,在近期的研究中普遍采用。而隨著近幾年深度神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展,許多學(xué)者將變換域信息與神經(jīng)網(wǎng)絡(luò)相結(jié)合,利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的細(xì)微特征提取能力,對(duì)深層的射頻特征進(jìn)行了有效挖掘。Wong等[7]采用了直接將時(shí)域同相/正交(I/Q)數(shù)據(jù)送入卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)輻射源設(shè)備進(jìn)行識(shí)別,并通過實(shí)驗(yàn)和理論分析證明了該方法的有效性。與其做法類似,文獻(xiàn)[7-15]中分別將不同的變換域特征送入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別,均取得了良好的分類效果。變換域信息與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法顯著提升了輻射源個(gè)體識(shí)別的準(zhǔn)確率,但僅采用一種變換域信息的識(shí)別方法在不同場(chǎng)景、不同信道和噪聲條件下的識(shí)別性能表現(xiàn)各異,同時(shí)也不能保證人為挑選某一域特征即是最優(yōu)特征,因此常會(huì)出現(xiàn)識(shí)別效果次優(yōu)的現(xiàn)象。因此,選取單一的變換域特征并不能有效表征通信發(fā)射機(jī)的完整特性,具有很大的局限性。

為解決上述問題,本文方法將多種變換域信息融合,定義融合的特征為輻射源的射頻指紋,避免因特征選擇不佳導(dǎo)致識(shí)別效果不理想的問題。另一方面,將融合的特征送入構(gòu)建的多通道卷積神經(jīng)網(wǎng)絡(luò),通過并行的卷積運(yùn)算獨(dú)立地提取各個(gè)變換域特征,后將運(yùn)算結(jié)果求和,有效解決了融合特征提取、融合不平衡、不充分的問題。在變換域特征的選擇上,選擇取一維的時(shí)域I/Q數(shù)據(jù)[7]、頻域的功率譜數(shù)據(jù)[9]、高階頻域的積分雙譜數(shù)據(jù)[11]組合成多路特征。構(gòu)建的多通道一維卷積神經(jīng)網(wǎng)絡(luò)類似用于彩色圖像識(shí)別的R、G、B多通道卷積神經(jīng)網(wǎng)絡(luò),使每個(gè)維度特征可以獨(dú)享一個(gè)通道并行卷積,充分發(fā)揮了卷積神經(jīng)網(wǎng)絡(luò)多維度特征提取、融合的優(yōu)勢(shì)。為證明本文所提方法的優(yōu)越性,搭建了由20個(gè)基于ZigBee協(xié)議CC2530設(shè)備組成的測(cè)試平臺(tái)。經(jīng)實(shí)驗(yàn)表明,基于多域特征融合和多通道卷積神經(jīng)網(wǎng)絡(luò)的通信輻射源個(gè)體識(shí)別方法,在瑞利信道及低信噪比場(chǎng)景下的識(shí)別效果優(yōu)于基于單域特征方法以及目前常見的基于神經(jīng)網(wǎng)絡(luò)算法,并且神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輪次更少,收斂更迅速。

1 多域特征融合識(shí)別模型

本文設(shè)計(jì)的基于多域特征融合和多通道卷積神經(jīng)網(wǎng)絡(luò)的輻射源個(gè)體識(shí)別模型如圖1所示。

圖1 基于多域特征的輻射源個(gè)體識(shí)別模型Fig.1 Specific communication emitter identification model based on multi-domain features

實(shí)際場(chǎng)景中,通常較易獲取不明輻射源信號(hào)的中心頻率、碼率、通信協(xié)議等各項(xiàng)通信參數(shù),這是因?yàn)榉欠ㄓ脩艋蚣倜霸O(shè)備往往與己方用戶采用相同通信協(xié)議及通信手段。因此基于上述先驗(yàn)知識(shí),可以對(duì)通信輻射源信號(hào)進(jìn)行有效地采集和存儲(chǔ)。對(duì)經(jīng)過截取和濾噪等預(yù)處理的數(shù)據(jù)進(jìn)行多個(gè)變換域特征提取,并將各域特征融合,把融合特征送入多通道卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最終,通過分析測(cè)試數(shù)據(jù)集的識(shí)別結(jié)果得出整個(gè)模型的分類性能。

2 數(shù)據(jù)采集及預(yù)處理

選取20個(gè)基于ZigBee協(xié)議的CC2530物聯(lián)網(wǎng)設(shè)備作為通信輻射源研究對(duì)象。CC2530是當(dāng)前常見的智能物聯(lián)網(wǎng)設(shè)備[16],其工作的中心頻率為2.405 GHz,帶寬5 MHz,物理層協(xié)議是基于美國(guó)電氣與電子工程師協(xié)會(huì)標(biāo)準(zhǔn)IEEE 802.15.4[17]的ZigBee協(xié)議。當(dāng)CC2530設(shè)備間建立通信后,物理層幀的二進(jìn)制數(shù)據(jù)先進(jìn)行比特-符號(hào)變換,接著經(jīng)過直接序列擴(kuò)頻映射為數(shù)據(jù)碼片,最后采用偏移四相移鍵控技術(shù)(Offset-QPSK,O-QPSK)進(jìn)行調(diào)制,最終的碼片速率為1 Mcps。對(duì)輻射源信號(hào)的采集基于美國(guó)Signal-Hound公司產(chǎn)BB60C實(shí)時(shí)頻譜分析儀完成,通過有線方式以10 MS/s的采樣率對(duì)CC2530設(shè)備的1 000次通信進(jìn)行采集,采集的信號(hào)經(jīng)頻譜分析儀下變頻至基帶,最終以I/Q數(shù)據(jù)的形式儲(chǔ)存至終端。通信輻射源設(shè)備以及采集系統(tǒng)如圖2所示。

圖2 輻射源及數(shù)據(jù)采集系統(tǒng)Fig.2 Emitter and data acquisition system

在IEEE 802.15.4協(xié)議標(biāo)準(zhǔn)的規(guī)范下,物理層中的前同步碼[18]部分包含了相同的數(shù)據(jù)成分,提取該部分信號(hào)的特征可有效避免因數(shù)據(jù)成分不同而帶來的非指紋特征影響,截取CC2530設(shè)備信號(hào)的前同步碼部分用于特征提取與分類。本文選用的CC2530設(shè)備信號(hào)的前同步碼為發(fā)送數(shù)據(jù)的前4B共128 μs[19],因此截取每次通信前128 μs共1 280個(gè)樣本點(diǎn)的數(shù)據(jù),并將截取部分進(jìn)行幅度標(biāo)準(zhǔn)化,避免不同設(shè)備發(fā)送信號(hào)功率不同引入的非指紋特征。標(biāo)準(zhǔn)化的前同步碼I/Q數(shù)據(jù)如圖3所示。

圖3 標(biāo)準(zhǔn)化的前同步碼I/Q數(shù)據(jù)Fig.3 Standardized preamble I/Q data

3 變換域特征提取及特征融合

融合特征的選擇主要出于以下3個(gè)方面考慮:首先,本文直接選用信號(hào)的I/Q數(shù)據(jù)作為輻射源的時(shí)域特征;I/Q數(shù)據(jù)[20]作為前信號(hào)采集和存儲(chǔ)的主流方式,包含了信號(hào)時(shí)域的全部信息;其次,頻域特征選用信號(hào)的功率譜[9]數(shù)據(jù),功率譜不但反映了信號(hào)功率隨頻率變化的情況,包含了頻域的信息,且與信號(hào)的頻譜相比,功率譜在低信噪比條件下方差更小;最后,高階頻域(或高階譜)中選擇積分雙譜[11]作為信號(hào)特征,積分雙譜是降維后的雙譜信息,雙譜又稱為3階譜,是信號(hào)3階自相關(guān)函數(shù)二重傅里葉變換,雙譜中含有功率譜未包含的相位信息,且對(duì)噪聲不敏感,可將信號(hào)中的零均值高斯噪聲濾除。

以上4種變換域信息在先前的研究中被證明是可靠的變換域指紋特征,但常用的變換域信息還包括時(shí)頻域信息,如短時(shí)傅里葉變換[14]、維格納分布[15]等。由于目前投入使用的大部分智能通信設(shè)備,其射頻信號(hào)頻譜大多是平穩(wěn)的,頻率不隨時(shí)間的變化而變化,因此時(shí)頻域攜帶的信息量不大。同時(shí),時(shí)頻域信息為二維信息,難以與其他幾種一維信息組合,因此本文的多域特征融合方法中不融入時(shí)頻域的特征。

3.1 時(shí)域特征提取

當(dāng)前對(duì)通信輻射源信號(hào)的分析研究多基于實(shí)時(shí)頻譜分析儀采集并下變頻至基帶的I/Q數(shù)據(jù),這些數(shù)據(jù)中包含著輻射源信號(hào)在時(shí)域內(nèi)的所有特征。由于通信發(fā)射機(jī)的振蕩器、混頻器、無源器件和差分對(duì)線路等通常是非理想的[1],這些非理想性常會(huì)引起調(diào)制器的I/Q分量不正交,就會(huì)導(dǎo)致復(fù)信號(hào)的實(shí)部和虛部相互干擾,從而造成I/Q不平衡。由通信發(fā)射機(jī)硬件特性非理想引起的I/Q不平衡是提取時(shí)域特征的關(guān)鍵,輻射源理想的基帶I/Q信號(hào)模型如下:

x(t)=xI(t)+jxQ(t)

(1)

式中:xI(t)和xQ(t)分別為I路、Q路實(shí)值的時(shí)變基帶信號(hào)。真實(shí)場(chǎng)景的信號(hào)中必將出現(xiàn)I/Q不平衡的現(xiàn)象,模型為

x(t)=(1+α)cos (2πf0t+θ)xI(t)-
jsin (2πf0t)xQ(t)

(2)

式中:α為發(fā)射機(jī)的增益不平衡;f0為載波頻率;θ為發(fā)射機(jī)處的相位不平衡。當(dāng)α=0、θ=0°時(shí)為沒有I/Q不平衡的理想發(fā)射機(jī)。信號(hào)中混入加性高斯白噪聲時(shí),接收的信號(hào)由式(3)給出:

(3)

式中:nI、nQ分別為I路、Q路采樣點(diǎn)數(shù);v(t)為0均值高斯白噪聲。

3.2 頻域特征提取

功率譜描述了信號(hào)功率在頻域中的分布,定義為單位頻率的信號(hào)功率[21],功率譜的經(jīng)典計(jì)算方法包括周期圖法和自相關(guān)法,但這些方法有兩個(gè)明顯缺點(diǎn):首先,在低信噪比條件下它們的方差較大;另一方面,當(dāng)數(shù)據(jù)長(zhǎng)度過長(zhǎng)時(shí)功率譜存在嚴(yán)重的起伏,數(shù)據(jù)長(zhǎng)度過短時(shí)功率譜的分辨率較差。而Welch功率譜算法[22]很好地解決了這兩項(xiàng)問題,其通過將信號(hào)分段,并將相鄰兩段重疊以減小方差,同時(shí)通過使用非矩形窗消除相鄰序列的譜失真和增加之間的相關(guān)性,使得功率譜的分辨率更高。Welch功率譜算法具有良好的性能,在通信和機(jī)械工程中有廣泛應(yīng)用。計(jì)算過程如下:

xi(n)=x[n+(i-1)k], 0≤n≤M-1,1≤i≤L

(4)

式中:0

第i段的信號(hào)功率譜為

(5)

圖4 Welch算法的分段方法Fig.4 Segmentation method of the Welch algorithm

式中:U為歸一化因子;w(n)為非矩形窗函數(shù);ω為角頻率。信號(hào)的Welch功率譜則定義為

(6)

Welch功率譜算法在信號(hào)含噪聲的情況下依然具有較小的方差,Welch算法定義譜估計(jì)的方差為

(7)

如果含噪聲x(n)的信號(hào)為平穩(wěn)隨機(jī)過程,則式(7)的協(xié)方差僅取決于r,r=i-j。式(7)可簡(jiǎn)寫為求和表達(dá)式,即

(8)

(9)

根據(jù)式(9)可知,Welch功率譜算法的方差減少至每個(gè)分段方差的1/L。然而,這些分段在實(shí)際中往往具有相關(guān)性,因此Welch功率譜算法的真實(shí)方略差大于式(9)。

在高噪聲條件下,頻譜雖然是直接對(duì)信號(hào)進(jìn)行快速傅里葉變換(FFT),擁有更多的累積增益。但是這些增益多為高斯白噪聲的累積,往往會(huì)將射頻信號(hào)的細(xì)微特征湮沒,不利于輻射源的識(shí)別。而Welch功率譜算法是對(duì)信號(hào)序列每小段進(jìn)行FFT,并計(jì)算信號(hào)序列分割后的平均值,增強(qiáng)了分段之間的相關(guān)性,具有較小的方差。同時(shí)高斯白噪聲的二階矩不相關(guān),因此Welch功率譜不僅可以減小高斯噪聲的影響,且能良好保留信號(hào)的細(xì)微特征。

利用Welch功率譜算法得到了前同步碼的功率譜,并用歸一化幅度表示相對(duì)功率的大小。將功率譜與采用相同點(diǎn)數(shù)FFT的頻譜進(jìn)行對(duì)比(全頻段功率信噪比0 dB時(shí)),結(jié)果如圖5所示。對(duì)比的結(jié)果表明分割信號(hào)序列可以明顯減小方差,證明了式(9)的結(jié)論。

圖5 0 dB信噪比前同步碼的功率譜及頻譜Fig.5 Power spectrum and spectrum of preamble with SNR of 0 dB

3.3 高階頻域特征提取

高階譜可以良好保留信號(hào)的幅度和相位信息,并且能夠抑制高斯白噪聲帶來的影響。由于雙譜具有時(shí)移、尺度不變性以及相位保持特性,在高階譜特征提取方法中得到了廣泛應(yīng)用[11-13]。功率譜通常表示為信號(hào)能量隨頻率分布的情況,但是雙譜的物理定義相對(duì)模糊,零時(shí)延的二階矩是信號(hào)方差,3階矩是信號(hào)的偏斜度,結(jié)合通信信號(hào)的特性,雙譜的物理定義可以近似為信號(hào)偏斜度在頻域中的分解[23]。因此,雙譜可以用來描述信號(hào)的不對(duì)稱和非線性程度,并測(cè)量信號(hào)偏離高斯分布的程度[24]。

但是使用雙譜特征時(shí)需要計(jì)算復(fù)雜的二維匹配模板,造成運(yùn)算量顯著增加,限制了雙譜在特征識(shí)別上的應(yīng)用。因此,研究人員提出了積分雙譜這一概念,將二維雙譜轉(zhuǎn)換為一維函數(shù)。矩形積分雙譜[11]憑借其優(yōu)異性能在輻射源識(shí)別領(lǐng)域得到了廣泛應(yīng)用,同時(shí)一維的積分雙譜數(shù)據(jù)便于與時(shí)域、頻域的數(shù)據(jù)組合成多通道特征。

雙譜定義如下:設(shè)高階累積量ckx(τ1,…,τk-1)絕對(duì)可和,即

ckx(τ1,…,τk-1)=E{x*(n)x(n+τ1)…x(n+τk-1)}

(10)

(11)

式中:x(n)為信號(hào);*表示共軛運(yùn)算;τ1,…,τk-1表示時(shí)延;E{·}表示均值;k階譜Skx(ω1,…,ωk-1)是k階累積量ckx(τ1,…,τk-1)的k-1階一維傅里葉變換,

(12)

ω1,…,ωk-1表示頻率。

雙譜定義為

(13)

式中:c3x(τ1,τ2)表示3階累積量。

由于離散時(shí)間能量有限,可確定信號(hào)的雙譜為

Bx(ω1,ω2)=X(ω1)X(ω2)X*(ω1,ω2)

(14)

式中:X(ω1)、X(ω2)表示信號(hào)的一維傅里葉變換;X(ω1,ω2)為信號(hào)的二維傅里葉變換。輻射源前同步碼信號(hào)的雙譜估計(jì)二維等高線圖如圖6所示。

圖6 前同步碼雙譜等高線圖Fig.6 Bispectrum contour map of preamble

矩形積分雙譜按照如圖7的積分路徑提取,圖中每個(gè)點(diǎn)代表信號(hào)的雙譜值,虛線表示了積分路徑。按照積分路徑積分可良好保持雙譜信息的完整性,并且不會(huì)引起部分雙譜值的重復(fù)使用,得到的計(jì)算結(jié)果為

yx(l)=∮SlBx(ω1,ω2)dω1dω2

(15)

式中:Sl為如圖7顯示的積分路徑;l為積分路徑個(gè)數(shù)。所得結(jié)果yx與時(shí)域和功率譜數(shù)據(jù)同為一維向量。

圖7 矩形積分路徑Fig.7 Rectangle integration path

3.4 多域特征融合

如何將多個(gè)變換域的特征充分融合,需要分析各個(gè)變換域特征的特點(diǎn)。由式(3)可知,時(shí)域I/Q數(shù)據(jù)以復(fù)數(shù)形式表達(dá),它由實(shí)部(I路)和虛部(Q路)構(gòu)成。若要把代表時(shí)域特征的I/Q數(shù)據(jù)送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作,則必須要將實(shí)部和虛部數(shù)據(jù)單獨(dú)分開或者使用信號(hào)的模值代替,而經(jīng)過實(shí)驗(yàn)驗(yàn)證,將信號(hào)的模值送入神經(jīng)網(wǎng)絡(luò)的識(shí)別效果遠(yuǎn)不如將I路和Q路并行送入卷積神經(jīng)網(wǎng)絡(luò),因此將I/Q數(shù)據(jù)的I路和Q路信號(hào)分開,得到維度為2×1 280×1的數(shù)據(jù)以表征信號(hào)時(shí)域的特征。

對(duì)于頻域的功率譜數(shù)據(jù)而言,信號(hào)功率譜具有明確的物理定義,功率譜數(shù)據(jù)可直接作為一種變換域特征使用。由于功率譜數(shù)據(jù)的維度和FFT運(yùn)算點(diǎn)數(shù)密切相關(guān),為了使融合特征的數(shù)據(jù)維度保持一致,采用基于1 280點(diǎn)FFT運(yùn)算的Welch功率譜方法,得出信號(hào)維度為1×1 280×1的功率譜數(shù)據(jù)。綜上,采用維度為1×1 280×1的功率譜數(shù)據(jù)表征信號(hào)的頻域特征。

高階譜數(shù)據(jù)與時(shí)域I/Q數(shù)據(jù)類似,由信號(hào)模值運(yùn)算得出的積分雙譜和由I、Q兩路分別進(jìn)行積分雙譜運(yùn)算后并行送入網(wǎng)絡(luò)的識(shí)別效果相差甚遠(yuǎn),且高階譜的物理定義相對(duì)模糊,因此選用I路、Q路分別求得的積分雙譜數(shù)據(jù)表征其在該域的特征。雙譜數(shù)據(jù)的維度與FFT運(yùn)算點(diǎn)數(shù)同樣緊密相關(guān)。為保持維度的一致性,首先對(duì)I路數(shù)據(jù)進(jìn)行基于2 560點(diǎn)FFT的雙譜運(yùn)算,得到維度為2 560×2 560的雙譜數(shù)據(jù)。其次通過圖7中積分路徑的對(duì)稱性可知,若雙譜的維度為2 560×2 560,那么積分路徑個(gè)數(shù)l則為2 560/2=1 280,因此對(duì)雙譜數(shù)據(jù)進(jìn)行l(wèi)=1 280的矩形積分運(yùn)算,得到維度為1×1 280×1的積分雙譜數(shù)據(jù)。Q路數(shù)據(jù)的運(yùn)算過程同理。經(jīng)過上述的積分雙譜提取過程,本文最終采用維度2×1 280×1的積分雙譜數(shù)據(jù)表征信號(hào)的高階頻域特征。

通過對(duì)4種變換域數(shù)據(jù)的分析,將多個(gè)變換域的域數(shù)據(jù)組合封裝為并行的5路數(shù)據(jù),而不是進(jìn)行簡(jiǎn)單的首尾相接。融合后的數(shù)據(jù)維度為5×1 280×1,如圖8所示,這種組合方法的優(yōu)勢(shì)是便于神經(jīng)網(wǎng)絡(luò)并行處理每一路數(shù)據(jù),各路數(shù)據(jù)獨(dú)享一個(gè)通道互不影響。經(jīng)過第1層卷積運(yùn)算對(duì)各路運(yùn)算結(jié)果求和,求和后的數(shù)據(jù)則可更全面表征通信輻射源的多域細(xì)微特征。

圖8 特征融合數(shù)據(jù)示意圖Fig.8 Schematic diagram of feature fusion data

4 多通道一維卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

為對(duì)多域特征進(jìn)行更充分地提取和高效識(shí)別,本文構(gòu)建了一種多通道一維卷積伸進(jìn)網(wǎng)絡(luò)模型,該模型可對(duì)通信輻射源的多個(gè)域射頻指紋特進(jìn)行深度挖掘并有機(jī)融合。多通道一維卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)模型如圖9所示。圖9中“輸入5@1280×1”表示輸入數(shù)據(jù)為5個(gè)1280×1維度的數(shù)據(jù),“卷積核5×32@3×1”表示5路32個(gè)3×1的卷積核,“卷積核64@3×1” 表示64個(gè)3×1卷積核,“卷積核128@3×1”表示128個(gè)3×1卷積核。

輸入層數(shù)據(jù)是維度為5×1 280×1的多域特征融合數(shù)據(jù)。每個(gè)通道依次對(duì)應(yīng)I路數(shù)據(jù)、Q路數(shù)據(jù)、功率譜數(shù)據(jù)、I路積分雙譜數(shù)據(jù)、Q路積分雙譜數(shù)據(jù)。

圖9 多通道一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.9 Model of multi-channel one-dimensional CNN structure

卷積層0的目的是并行提取單通道特征后將各通道特征進(jìn)一步融合。為實(shí)現(xiàn)對(duì)多路特征的有效提取,針對(duì)不同通道數(shù)據(jù)特征需要單獨(dú)匹配卷積核進(jìn)行卷積運(yùn)算。對(duì)每個(gè)卷積運(yùn)算后的結(jié)果進(jìn)行求和,即可得到多通道融合特征。因此,與單一通道卷積神經(jīng)網(wǎng)路相比,多通道卷積神經(jīng)網(wǎng)絡(luò)不但能夠更充分提取每個(gè)變換域特征,并將多種特征融合。該位置的卷積輸出結(jié)果為

(16)

每個(gè)卷積層之后均有一個(gè)池化層,其目的是對(duì)卷積運(yùn)算后的特征圖進(jìn)行降采樣操作:

yo=downsample(x,g(·)) [o]=g(x(o-1)a+1:oa)

(17)

式中:yo為第o個(gè)元素的輸出;x為輸入;a為池化帶寬;downsample(x,g(·)) [o]代表downsample(x,g(·))的第o個(gè)元素,g(·)為池化函數(shù);這里使用最大池化,因此g(x)=max(x)。

卷積層1和卷積層2為正常的一維卷積層。卷積層1有64個(gè)3×1的卷積核;卷積層2有128個(gè)3×1的卷積核。

全連接層的作用是將經(jīng)過卷積層和池化層提取的特征組合成新的數(shù)組,其輸出為

δα=f(wαpα+bα)

(18)

式中:δα表示第α個(gè)輸出,α=1,2,…,A;f(·)為激活函數(shù)ReLU;pα為上一層的輸出;wα和bα分別為第α個(gè)神經(jīng)元的權(quán)重及閾值。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的過程中,過擬合現(xiàn)象一直是影響訓(xùn)練和識(shí)別結(jié)果的關(guān)鍵問題不容忽視。為抑制過擬合現(xiàn)象,本文在全連接層采用Dropout,有效抑制了過擬合的出現(xiàn)。

輸出層利用Softmax分類器可以直接完成每一組輸出的分類任務(wù),每個(gè)輻射源識(shí)別概率為

(19)

式中:B為通信輻射源設(shè)備的總個(gè)數(shù),且所有識(shí)別概率之和為1。

卷積神將網(wǎng)絡(luò)的損失函數(shù)通過Softmax的輸出向量與實(shí)際的標(biāo)簽做交叉熵計(jì)算而來,損失函數(shù)的公式為

(20)

式中:y′α表示實(shí)際標(biāo)簽中的第α個(gè)值;yα為Softmax輸出向量中的第α個(gè)值。

神經(jīng)網(wǎng)絡(luò)反向傳播的過程中,使用Adam算法對(duì)參數(shù)進(jìn)行優(yōu)化,利用參數(shù)的1階矩估計(jì)和2階矩估計(jì)動(dòng)態(tài)調(diào)整各個(gè)參數(shù)的學(xué)習(xí)率,進(jìn)而更新權(quán)值并求得最優(yōu)解。

5 實(shí)驗(yàn)分析

為驗(yàn)證基于多域特征融合的輻射源個(gè)體識(shí)別方法在實(shí)際場(chǎng)景中的識(shí)別性能,將努力還原通信輻射源號(hào)在真實(shí)場(chǎng)景下傳播的射頻信號(hào)。

依據(jù)文獻(xiàn)[25]中提供的典型城區(qū)信道模型路徑時(shí)延以及路徑增益等參數(shù),基于MATLAB軟件的comm.RayleighChannel函數(shù)構(gòu)建了典型城區(qū)瑞利衰落下的信道模型函數(shù)。文獻(xiàn)[26]中的研究表明,加性高斯白噪聲信道條件下有效的許多識(shí)別模型,很難在瑞利信道條件下發(fā)揮優(yōu)異的性能。這是因?yàn)槿鹄ヂ涞碾S機(jī)性干擾了模型對(duì)射頻指紋的細(xì)微特征的提取,降低了方法的魯棒性。因此,有必要分析所提方法在瑞利衰落這種復(fù)雜信道條件下對(duì)輻射源的識(shí)別性能,以驗(yàn)證模型的魯棒性。因此,將有線方式采集的輻射源信號(hào)通過瑞利信道函數(shù)的運(yùn)算,仿真出了通信輻射源在典型城區(qū)瑞利衰落下傳播的信號(hào)數(shù)據(jù)。輻射源個(gè)體識(shí)別技術(shù)所研究的對(duì)象通常屬于非合作目標(biāo),在非合作通信條件下可采用盲均衡[27]技術(shù)矯正瑞利衰落帶來的負(fù)面影響[28],但是本文為了驗(yàn)證模型本身應(yīng)對(duì)瑞利信衰落的適應(yīng)性,不再對(duì)經(jīng)過瑞利衰落影響的輻射源信進(jìn)行盲均衡處理。

同時(shí),為盡可能還原出在實(shí)際場(chǎng)景傳播下的信號(hào),本文在信號(hào)中還添加了高斯白噪聲。在性能分析的場(chǎng)景中,信噪比一直是衡量不同方法性能優(yōu)劣的關(guān)鍵指標(biāo),不同定義下的信噪比對(duì)實(shí)驗(yàn)方法的性能評(píng)估結(jié)果往往有較大的差別[29]。在通信輻射源個(gè)體識(shí)別領(lǐng)域中,通常使用全頻段功率信噪比作為信噪比的衡量標(biāo)準(zhǔn),同時(shí)附上信號(hào)帶寬Bs與噪聲帶寬Bn的比值。通過仿真,最終得到瑞利信道條件下,全頻段功率信噪比為0～25 dB(信噪比以5 dB為間隔)、信號(hào)帶寬與噪聲帶寬比值為1∶5的標(biāo)準(zhǔn)化I/Q數(shù)據(jù)如圖10(a)(以0 dB為例)所示。為避免信號(hào)帶外噪聲對(duì)識(shí)別效果的影響,本文利用了低通濾波器對(duì)I/Q數(shù)據(jù)進(jìn)行了濾噪處理,濾噪后的數(shù)據(jù)如圖10(b)所示。

圖10 瑞利信道條件下的I/Q數(shù)據(jù)Fig.10 I/Q data in Rayleigh Channel

5.1 多特征融合與單域特征方法識(shí)別性能對(duì)比

將基于多域特征融合和多通道卷積神經(jīng)網(wǎng)絡(luò)的方法與基于單變換域和單通道神經(jīng)網(wǎng)絡(luò)方法的識(shí)別結(jié)果進(jìn)行對(duì)比,得到網(wǎng)絡(luò)在不同訓(xùn)練輪次對(duì)0 dB信號(hào)的識(shí)別結(jié)果(見表1和圖11(a))以及網(wǎng)絡(luò)在訓(xùn)練輪次epoch=20時(shí)對(duì)不同信噪比信號(hào)的識(shí)別結(jié)果(見表2和圖11(b))。

表1 不同訓(xùn)練輪次對(duì)0 dB信號(hào)的識(shí)別結(jié)果

圖11 單個(gè)變換域與多域特征融合的識(shí)別效果對(duì)比Fig.11 Comparison of identification effect between single transform domain and multi-domain feature fusion

表2 20輪次單個(gè)變換域與多域特征融合的識(shí)別結(jié)果

神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集為20個(gè)CC2530設(shè)備產(chǎn)生的1 000次通信信號(hào)的前同步碼數(shù)據(jù),共20 000組。網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集按5∶1劃分,訓(xùn)練參數(shù)批量大小batch-size為512,Dropout比率為0.5,學(xué)習(xí)率0.001。

表1、表2中的數(shù)據(jù)均為經(jīng)10次實(shí)驗(yàn)所得出結(jié)果的平均值。通過實(shí)驗(yàn)結(jié)果分析可得,網(wǎng)絡(luò)在不同訓(xùn)練輪次條件下,基于多域特征融合識(shí)別方法對(duì)0 dB信號(hào)的驗(yàn)證識(shí)別結(jié)果均優(yōu)于基于單域特征的方法,驗(yàn)證了所提方法在低信噪比條件下的性能。同時(shí),當(dāng)訓(xùn)練輪次epoch=20時(shí),所提方法在不同信噪比條件下均表現(xiàn)出較高的識(shí)別率,優(yōu)于單域特征。在信噪比為25 dB時(shí),網(wǎng)絡(luò)的識(shí)別率高達(dá)98.98%;當(dāng)信噪比為0 dB時(shí),識(shí)別率依然達(dá)到了91.01%。

在后續(xù)進(jìn)行的實(shí)驗(yàn)結(jié)果中得出,所提方法在epoch=20驗(yàn)證識(shí)別率已經(jīng)收斂,而單域特征的方法需要訓(xùn)練至100輪,且識(shí)別率依然不及多域特征融合的方法。因此基于多域特征融合的方法不僅在識(shí)別結(jié)果上優(yōu)于單域特征的方法,同時(shí)還大大減少了訓(xùn)練輪次,提升了時(shí)效性。

5.2 本文方法與其他方法性能對(duì)比

為對(duì)比驗(yàn)證本文方法的識(shí)別效果,實(shí)驗(yàn)2在網(wǎng)絡(luò)訓(xùn)練輪次epoch=20時(shí)對(duì)不同信噪比信號(hào)識(shí)別的實(shí)驗(yàn)中還分析比較了近年來學(xué)者研究的3種識(shí)別方法作為對(duì)比:基于短時(shí)傅里葉變換[14]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方法、基于希爾波特-黃變換[30]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方法、基于I/Q數(shù)據(jù)圖像結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別方法[31]。以上的3種方法均是將二維特征送入二維卷積網(wǎng)絡(luò)進(jìn)行識(shí)別的方法,但是基于短時(shí)傅里葉變換與希爾伯特黃變換結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方法是將運(yùn)算后得到的二維數(shù)據(jù)作為射頻指紋送入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別,而I/Q數(shù)據(jù)圖像結(jié)合卷積神經(jīng)網(wǎng)絡(luò)則是直接將I/Q數(shù)據(jù)的二維圖片作為射頻指紋送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別,它們?cè)赗FF的表征方式上有所不同。各方法得出的識(shí)別結(jié)果如圖12所示。

圖12 不同算法的識(shí)別效果對(duì)比Fig.12 Comparison of identification effects of different algorithms

經(jīng)過對(duì)比可得,本文所采用的算法在不同信噪比下的識(shí)別率均優(yōu)于其他算法,且在低信噪比時(shí)效果更優(yōu)。得益于本文方法優(yōu)異性能的同時(shí),也分析了部分算法識(shí)別率提升受限的原因。一方面,當(dāng)通信輻射源信號(hào)噪聲較大、信噪比較低時(shí),高維變換對(duì)信號(hào)本身的完整性要求較高,在信號(hào)完整性受損時(shí)高維變換信息的可靠性降低;另一方面,經(jīng)過一些高維變換得到的高維信息在數(shù)據(jù)體量上相較一維數(shù)據(jù)更大,對(duì)于大部分頻率時(shí)不變的通信信號(hào)而言并沒有增加有效信息量,因此在高維特征提取時(shí)也常會(huì)應(yīng)用到如主成分分析(PCA)等降維方法;最后,相同體量的神經(jīng)網(wǎng)絡(luò)對(duì)高維特征的提取效率顯然不如低維度數(shù)據(jù),同時(shí)高維的數(shù)據(jù)會(huì)增加神經(jīng)網(wǎng)絡(luò)負(fù)擔(dān),致使網(wǎng)絡(luò)訓(xùn)練時(shí)長(zhǎng)增加,影響時(shí)效性。因此,在相同數(shù)據(jù)體量下,使用低維的數(shù)據(jù)在深度神經(jīng)網(wǎng)絡(luò)中能發(fā)揮更好的優(yōu)勢(shì)。

5.3 計(jì)算復(fù)雜度分析

基于多域特征的通信輻射源個(gè)體識(shí)別方法的計(jì)算量主要集中在Welch功率譜運(yùn)算、雙譜運(yùn)算以及多通道卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算中。

Welch功率譜與雙譜的計(jì)算復(fù)雜度可通過執(zhí)行FFT運(yùn)算次數(shù)進(jìn)行估計(jì),計(jì)算單次FFT運(yùn)算的時(shí)間復(fù)雜度為O(Nlog2N)[32],其中N為FFT運(yùn)算點(diǎn)數(shù)。在3.2節(jié)中提到,Welch功率譜算法是對(duì)分割后的每段信號(hào)進(jìn)行FFT運(yùn)算,因此Welch功率譜算法需要進(jìn)行L次的N點(diǎn)FFT運(yùn)算。同時(shí)依據(jù)文獻(xiàn)[32]中所的分析,本文采用的直接法雙譜計(jì)算量為P次Q點(diǎn)FFT運(yùn)算,P為雙譜運(yùn)算的分段數(shù),Q為每個(gè)分段進(jìn)行FFT運(yùn)算的點(diǎn)數(shù)。在進(jìn)行多域特征融合時(shí),令P=L=2,為了保持融合特征數(shù)據(jù)維度的一致性,雙譜運(yùn)算的FFT點(diǎn)數(shù)是功率譜運(yùn)算的兩倍即Q=2N=2 560,由此得出進(jìn)行一次Welch功率譜運(yùn)算的時(shí)間復(fù)雜度為O(L·Nlog2N)=2.64×104,進(jìn)行一次雙譜運(yùn)算的時(shí)間復(fù)雜度為O(L·2Nlog22N)=5.80×104。由計(jì)算結(jié)果得出雙譜的計(jì)算復(fù)雜度略高于Welch功率譜算法,但是這兩種算法的計(jì)算復(fù)雜度不存在數(shù)量級(jí)差異。

多通道卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度集中在卷積層以及全連接層的運(yùn)算中[33]。網(wǎng)絡(luò)在卷積層運(yùn)算的時(shí)間復(fù)雜度約為

(21)

網(wǎng)絡(luò)在全連接層的計(jì)算復(fù)雜度為

(22)

網(wǎng)絡(luò)的總體計(jì)算復(fù)雜度為

(23)

式中:T為網(wǎng)絡(luò)迭代的次數(shù)。

輸入多通道卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)維度為5×1 280×1,同時(shí)依據(jù)上文提供的網(wǎng)絡(luò)參數(shù)得出網(wǎng)絡(luò)迭代一次的計(jì)算復(fù)雜度為1.24×107。

本文所提基于多域特征融合的通信輻射源個(gè)體識(shí)別方法,雖然在相同的訓(xùn)練輪次的識(shí)別性能優(yōu)于基于單域特征的方法,但基于Welch功率譜結(jié)合單通道一維卷積的方法在訓(xùn)練輪次epoch=100時(shí)的識(shí)別效果與所提方法在訓(xùn)練輪次epoch=20的識(shí)別效果差距較小,因此需要對(duì)兩種方法的計(jì)算復(fù)雜度進(jìn)行對(duì)比分析。

利用式(23)計(jì)算出單通道一維卷積神經(jīng)網(wǎng)絡(luò)迭代一次所需的運(yùn)算量約為1.19×107,與多通道卷積神經(jīng)網(wǎng)絡(luò)相比計(jì)算復(fù)雜度相差不大,這是因?yàn)閱瓮ǖ谰矸e神經(jīng)網(wǎng)絡(luò)僅在第1個(gè)卷積層簡(jiǎn)化了多通道卷積步驟,而后續(xù)的卷積操作并未缺少。但是單通道卷積神經(jīng)網(wǎng)絡(luò)迭代一次的計(jì)算復(fù)雜度卻比Welch功率譜與雙譜運(yùn)算多出3個(gè)數(shù)量級(jí),因此本文采用的基于多域特征融合的輻射源個(gè)體識(shí)別方法通過加入雙譜與時(shí)域特征,可以避免網(wǎng)絡(luò)迭代次數(shù)過多所帶來的龐大計(jì)算量,是一種高效的方法。

6 結(jié)論

本文提出了一種基于多域特征融合的通信輻射源別方法,將時(shí)域I/Q數(shù)據(jù)、頻域功率譜數(shù)據(jù)、高階頻域積分雙譜數(shù)據(jù)組合成多域特征,結(jié)合多通道卷積神經(jīng)網(wǎng)絡(luò)對(duì)輻射源設(shè)備進(jìn)行了有效分類。經(jīng)實(shí)驗(yàn)證明,本文方法在瑞利信道不同信噪比條件下對(duì)20個(gè)CC2530設(shè)備的識(shí)別效果均優(yōu)于其他方法,在低信噪比情況下也有較高識(shí)別率。因此,本文提出方的方法可推廣到各種通信輻射源個(gè)體識(shí)別的場(chǎng)景中,具有良好的適用性。在后續(xù)研究中,則會(huì)將研究重點(diǎn)放在神經(jīng)網(wǎng)絡(luò)的優(yōu)化和更新上,提升神經(jīng)網(wǎng)絡(luò)對(duì)高維特征的提取能力,使網(wǎng)絡(luò)識(shí)別效率更高、收斂速度更快,同時(shí)控制神經(jīng)網(wǎng)絡(luò)體量保持在較小規(guī)模。