白 翔,許從方,謝 燁

(中國電子科技網(wǎng)絡(luò)信息安全有限公司,成都市 610041)

0 引 言

現(xiàn)代電子對抗中,強敵對手的軍事通信加密程度高,常規(guī)的語義信號分析和密碼破譯獲取目標(biāo)情報異常困難,影響了目標(biāo)屬性的判別。特定輻射源個體識別(specification emitter identification,SEI)的射頻指紋特征來自于輻射源硬件的無意調(diào)制,通過對電磁波的測量和特征分析,信號會產(chǎn)生畸變,該畸變與硬件條件有關(guān),具有唯一性,作為輻射源的射頻指紋特征。輻射源射頻指紋特征不依賴于信息傳輸內(nèi)容,不需要進行信息內(nèi)容的解譯,利用硬件設(shè)備與用戶個體的對應(yīng)情況實現(xiàn)對目標(biāo)個體的識別。特定輻射源識別技術(shù)在軍事領(lǐng)域具有廣泛的應(yīng)用前景[1-2],可以對敵方的輻射源個體進行偵察,從而與該輻射源所在的平臺進行關(guān)聯(lián),達到識別大型軍用平臺的目的。在民用領(lǐng)域,輻射源個體識別技術(shù)以準(zhǔn)確識別發(fā)射個體為基礎(chǔ),在物聯(lián)網(wǎng)安全、無線態(tài)勢感知、入侵檢測等方面帶動了民用無線設(shè)備安全[3]的發(fā)展。

目前,有兩種技術(shù)途徑實現(xiàn)通信輻射源射頻指紋特征的提取,即傳統(tǒng)特征提取方法和基于深度學(xué)習(xí)的特征提取方法。傳統(tǒng)特征提取方法依據(jù)專家經(jīng)驗,提取信號參數(shù)特征[4-5]、信號變換域特征[6-8]、機理特征[9-10]等。以專家經(jīng)驗為基礎(chǔ)提取的特征又包括暫態(tài)特征[11]和穩(wěn)態(tài)特征[12],并結(jié)合以機器學(xué)習(xí)為主的分類器[13],實現(xiàn)了輻射源個體識別。深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),其特征提取與分類識別方法分為兩類:一是直接將信號送入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和分類識別[14];二是對信號先通過人工提取特征處理再輸入神經(jīng)網(wǎng)絡(luò)進行特征提取與識別[15]。神經(jīng)網(wǎng)絡(luò)既作為特征提取器又作為分類器,同時完成特征提取與識別。

上述特征提取方法都沒有考慮換接收機帶來的影響。采集訓(xùn)練數(shù)據(jù)樣本的接收機和采集測試數(shù)據(jù)樣本的接收機不一致時,提取的輻射源射頻指紋會出現(xiàn)訓(xùn)練特征庫與測試特征庫不匹配的情況。接收機本質(zhì)上是發(fā)射機的逆過程,其硬件含有同輻射源畸變類似的非理想特性,采集的無線信號實際包含了發(fā)射機畸變和接收機畸變的雙重影響。由于輻射源射頻指紋在信號中的表現(xiàn)比較細(xì)微,極易受到接收機自身畸變特性的影響,因此,同一輻射源在經(jīng)過不同接收機采集之后,特征分布不同,無法直接通用。

試驗研究中發(fā)現(xiàn),換接收機后的射頻指紋特征庫會發(fā)生規(guī)律性的偏移,偏移量對樣本的聚類效果不會產(chǎn)生太大影響。本文利用該規(guī)律提出了基于聚類中心匹配校正算法,解決換接收機后的輻射源個體識別問題。

從國內(nèi)外的研究文獻來看,換接收機的個體識別技術(shù)或算法公開發(fā)表的研究成果較少[16-18]。部分研究重點放在換接收機后對輻射源個體特征的影響分析,相關(guān)的實驗局限于使用固定接收機,尚未形成應(yīng)對換接收機的輻射源個體識別解決方案。文獻[16]推導(dǎo)了接收機畸變特性與特征估計結(jié)果的準(zhǔn)確性數(shù)學(xué)模型,能夠有效地指導(dǎo)輻射源個體識別系統(tǒng)中接收機的設(shè)計,但是該方法需要按照數(shù)學(xué)模型重新設(shè)計接收機,難以實際廣泛應(yīng)用。文獻[17]分析接收機對發(fā)射機畸變特征影響的主要關(guān)鍵點,提出了接收機與發(fā)射機同分量的特征畸變作用近似等價,兩者地位相同作用相當(dāng)?shù)慕Y(jié)論。但是如何利用該結(jié)論實現(xiàn)換接收機的特征校正與識別,文獻中沒有進一步給出結(jié)果。

1 更換接收機的射頻指紋特性分析

1.1 適應(yīng)于換接收機的小波系數(shù)特征

實際無線環(huán)境中,通信輻射源射頻指紋特征極易受到環(huán)境噪聲的影響,導(dǎo)致特征出現(xiàn)彌散情況,使得個體識別率降低。為了實現(xiàn)換接收機前后的射頻指紋特征具有統(tǒng)一分布,減少環(huán)境噪聲的影響,采用小波變換去噪的方法,將小波分解后的小波系數(shù)作為信號特征。

小波變換將無限長的三角函數(shù)換成了有限長且會衰減的小波基,有利于分析非平穩(wěn)過程的信號。對于任一采樣信號x(t)∈L2(R)的離散小波變換可以表示為采樣信號與小波基函數(shù)的內(nèi)積[19],即

(1)

(1)式中:x(n)為第n個離散采樣點信號;Θi,m(n)為離散的小波基函數(shù);i為尺度參數(shù);m為平移參數(shù)。采用離散小波變換先將采樣信號分解為高頻和低頻兩部分,再將低頻部分分解為高頻和低頻兩部分,如此反復(fù)可實現(xiàn)對信號的多分辨分析。對信號進行了n尺度小波分解,可得到n個細(xì)節(jié)系數(shù)和1個近似系數(shù),分別計算細(xì)節(jié)系數(shù)以及近似系數(shù)的能量值,最終得到(n+1)個特征波段,這樣得到的(n+1)維特征向量f={fi}表示為[19]

(2)

(2)式中:K表示分解尺度為i時的小波系數(shù)個數(shù);C表示分解尺度為i時的第k個小波系數(shù);n為小波分解的最大尺度。向量f的大小為(n+1),其中包括n個小波細(xì)節(jié)系數(shù)和最終分解尺度的小波近似系數(shù)。(n+1)個特征向量表示了樣本的細(xì)微特征信息。由小波分解可以看出,有用信號表現(xiàn)為低頻部分或是比較平穩(wěn)的信號,而噪聲信號則表現(xiàn)為高頻信號。因此可以將高頻部分的信號刪除,直接將低頻率部分的信號作為換接收機信號的特征加以利用。

實際應(yīng)用的換接收機場景中,采用小波去噪的方法,可以有效地抑制環(huán)境噪聲,提高輻射源射頻指紋特征的穩(wěn)定性,是應(yīng)對接收機變化提升識別率的基礎(chǔ)。

以小波去噪及小波系數(shù)特征為基礎(chǔ)的換接收機射頻指紋特征庫校正流程如下圖1所示。信號經(jīng)過小波分解后的小波近似系數(shù)和細(xì)節(jié)系數(shù)特征能有效地反應(yīng)穩(wěn)定的信號特征。但小波系數(shù)特征在接收機變換情況下具有特征庫偏移的問題,即標(biāo)準(zhǔn)接收機形成的特征庫與換接收機后形成的特征庫不能通用,導(dǎo)致識別率下降,還需找到換接收機后的特征庫校正方法。

1.2 換接收機的射頻指紋特性分析

在輻射源個體識別中,采用同一臺接收機對目標(biāo)輻射源信號進行采集、訓(xùn)練、建立特征庫,保留了目標(biāo)輻射源射頻指紋特征的穩(wěn)定性和唯一性。在不更換接收機的前提下,同一目標(biāo)輻射源信號的特征基本穩(wěn)定,且不會發(fā)生特征偏移。

在實際應(yīng)用中,更換接收機是真實存在的情況,如對輻射源信號的多點接收、接收機老化更換等。由于不同接收機的畸變有明顯差異,導(dǎo)致在一臺接收機建立的目標(biāo)輻射源特征庫與另一臺接收機輻射源特征庫分布不匹配,無法通用。接收機濾波器畸變和功放畸變是對射頻指紋變化的主要表現(xiàn)形式。對畸變的機理分析,可以發(fā)現(xiàn)不同接收機畸變下的特征矢量偏移與彌散特點。

接收機理想的帶通濾波器在整個發(fā)射頻帶內(nèi)應(yīng)表現(xiàn)為頻譜的幅度和相位。但是,實際應(yīng)用中的濾波器頻譜的幅度卻存在傾斜,使得帶通濾波器處于非理想狀態(tài),從而導(dǎo)致接收機濾波器畸變。不同接收機的濾波器畸變特性也存在差異,從而形成接收機畸變指紋。整個采集的信號通路濾波器可以認(rèn)為是發(fā)射機濾波器fs(n)和接收機濾波器fr(n)的級聯(lián),可以表示為

f(n)=fs(n)*fr(n)

(3)

如(3)式所示,發(fā)射機濾波器和接收機濾波器的卷積,卷積前后可以互換,對信號產(chǎn)生同樣的作用。發(fā)射機功放畸變的影響分析也可以認(rèn)為是發(fā)射機功放與接收機功放的級聯(lián)。設(shè)發(fā)射機功放輸入的理想信號為:x(t)=α(t)ej(2πft+φ)。則發(fā)射機功放輸入輸出信號關(guān)系為

(4)

(4)式中,x(t)為發(fā)射機功放輸入信號,PS()為發(fā)射機功放沖激響應(yīng)函數(shù),α(t)為復(fù)基帶信號。λ為功放的泰勒級數(shù)的系數(shù),其中λ1=1,且λ3?1,|λk|隨著k值得增加而減小,因此(4)式主要表現(xiàn)為λ3的特性,可以簡化為

s(t)≈λ1[x(t)]1+λ3[x(t)]3

(5)

接收機功放輸入輸出信號的關(guān)系為

r(t)=Pr(s(t))=

θ1[s(t)]1+θ3[s(t)]3

(6)

(6)式中,r(t)為發(fā)射機功放輸入信號,θ為接收機功放為泰勒級數(shù)的系數(shù),Pr()為接收機功放沖激響應(yīng)函數(shù)。將(5)式和(6)式合并,可以得到級聯(lián)功放非線性系統(tǒng)的完整輸出信號表達式為

(7)

(7)式中:泰勒系數(shù)θ1=1,λ1=1,θ3?1,λ3?1,則超過3次的高次非線性項趨近于0。因此,(7)式可以簡化為

r(t)=pr(pS(x(t)))≈x(t)+[λ3+θ3]x(t)3

(8)

(8)式中:λ3為發(fā)射機功放泰勒系數(shù);θ3為接收機功放泰勒系數(shù)。發(fā)射機穩(wěn)定,其畸變特征穩(wěn)定。如果接收機變化,其畸變特征隨之發(fā)生變化。設(shè)置不同接收機接收同一個輻射源的信號為r1(t)和r2(t),由(8)式可以推導(dǎo)得

r1(t)≈x(t)+[λ3+θ3,1]x(t)3

(9)

r2(t)≈x(t)+[λ3+θ3,2]x(t)3

(10)

r1-r2=(θ3,1-θ3,2)x(t)3=Δθx(t)3

(11)

(9)—(11)式中,θ3,1和θ3,2為接收機1和接收機2的三次非線性系數(shù)。從(9)—(11)式可以看出,Δθ對x(t)產(chǎn)生了影響,θ3,1和θ3,2為接收機功放泰勒系數(shù)常數(shù),其Δθ實際也可以作為一個常數(shù)。因此,接收機變換后,接收信號雖然受到了不同接收機畸變的影響,但特征變化穩(wěn)定。從特征視圖上表現(xiàn)為特征偏移,與標(biāo)準(zhǔn)特征矢量之間的矢量差具有穩(wěn)定性。

為了驗證(11)式的結(jié)論,本文利用9臺軟件無線電平臺USRP,通過接收機1和接收機2提取相同9類發(fā)射機采集信號的小波系數(shù)特征,再利用線性判別分析(linear discriminant analysis,LDA)進行特征降維,二維的可視化特征如圖2所示。

圖2 換接收機對個體指紋特征影響示意圖Fig.2 Schematic diagram of influence of receiver change on individual fingerprint characteristics

從圖2可知,接收機畸變的影響主要體現(xiàn)在特征偏移,導(dǎo)致具有區(qū)分性的特征,經(jīng)過接收機畸變后,特征重合不可區(qū)分。設(shè)接收機1提取的第i類第j個樣本特征矢量為Vi,j={vi,j,1,vi,j,2,…,vi,j,n},n為特征矢量維度。接收機2第i類第j個特征矢量為Ui,j={ui,j,1,ui,j,2,…,ui,j,n}。經(jīng)過多次的試驗驗證,不同接收機提取特征的表現(xiàn)形式為發(fā)生偏移,同時也可以確定,同一類別的特征矢量偏移的方向固定,其數(shù)學(xué)表達式為

Vi,j,1-Ui,j,1=

{vi,j,1,vi,j,2,…,vi,j,n}-{ui,j,1,ui,j,2,…,ui,j,n}=

{vi,j,1-ui,j,1,vi,j,2-ui,j,2,…,vi,j,n-ui,j,n}=

{ci,j,1,ci,j,2,…,ci,j,n}

(12)

特征矢量偏移量di表示為

(13)

(13)式中:N為采集目標(biāo)輻射源信號的樣本個數(shù);{difi,j,1,difi,j,2,…,difi,j,n}為換接收機后的特征與標(biāo)準(zhǔn)特征矢量差。di趨近于常數(shù),由Δθ決定。因此,更換接收機后提取的特征偏移具有規(guī)律性,采用聚類、校正的方法,匹配兩個接收機之間的特征庫,可以實現(xiàn)接收機1訓(xùn)練的模型對接收機2采集的信號樣本進行識別與分類的目標(biāo)。

2 適應(yīng)接收機變化的射頻指紋特征校正算法

2.1 聚類中心偏移匹配

輻射源射頻指紋特征降維的方法可以分為線性和非線性兩種。線性方法主要是主成分分析(principal component analysis,PCA)和LDA,非線性方法主要是t分布隨機近鄰嵌入(t-distributed stochastic neighbour emberdding,TSNE)和神經(jīng)網(wǎng)絡(luò)。非線性方法極易受到噪聲影響而導(dǎo)致訓(xùn)練過擬合,而線性方法對模型的過擬合有較強的抑制能力。本文利用LDA模型對特征樣本進行訓(xùn)練與降維。設(shè)用于訓(xùn)練的特征樣本集(小波系數(shù)特征)為xi,換接收機后采集的測試特征樣本集為xj。基于LDA的特征樣本訓(xùn)練與降維方法如圖3所示。

圖3 基于LDA的數(shù)據(jù)樣本訓(xùn)練與特征提取Fig.3 Data sample training and feature extraction based on LDA

訓(xùn)練樣本經(jīng)過LDA降維后的特征集為vi={F(xi)},i=1,2,…,N。將訓(xùn)練好的LDA模型直接對換接收機后測試特征樣本集進行降維,得到降維后的特征為uj={F(xj)},j=1,2,…,N。

從(11)式可以得出,換接收機前后的特征發(fā)生了偏移,偏移量由接收機泰勒系數(shù)θ決定,反映到特征矢量上為di的偏移。為了解決di特征矢量的偏移,先對訓(xùn)練集降維特征vi和測試集降維特征uj聚類處理,再利用聚類中心匹配校正的方法實現(xiàn)訓(xùn)練集與測試集在特征空間上的匹配。

圖4給出了聚類中心匹配校正基本原理。從圖4可見,同一類樣本特征在不同接收機下的特征發(fā)生了偏移。在對樣本進行聚類后發(fā)現(xiàn),即使特征發(fā)生偏移,二維特征視圖上看有混淆,但是擴展到多維特征空間后,偏移的特征仍然具有可區(qū)分性,具有較好的聚類效果。通過聚類方法(聚類方法以k聚類的歐式距離作為相似性度量)找到接收機1特征庫的聚類中心矢量為

圖4 聚類中心匹配校正基本原理Fig.4 Basic principle of cluster center matching correction

cr1={c1,c2,…,ci}=

{(v1,1,v1,2,…v1,n),(v2,1,v2,2,…v2,n),…,

(vi,1,vi,2,…vi,n)}

(14)

(14)式中:ci為第i類特征矢量的聚類中心;(v1,1,v1,2,…v1,n)表示維度為n的特征矢量。對接收機2的特征庫進行聚類處理得到聚類中心,由于聚類屬于非監(jiān)督聚類,因此,得到的聚類中心需要找到與接收機特征庫中的聚類中心的匹配關(guān)系。設(shè)接收機2的聚類中心矢量為

cr2={m1,m2,…,mi}=

{(u1,1,u1,2,…u1,i),(u2,1,u2,2,…u2,i),

…,(ui,1,ui,2,…ui,n)}

(15)

由于聚類算法的非監(jiān)督特性,對接收機2特征的聚類標(biāo)識與接收機1的特征標(biāo)識沒有一一對應(yīng)關(guān)系,因此,需要利用距離度量方法,找到聚類中心最匹配的類別。聚類中心匹配算法1所示。

算法1聚類中心匹配算法

1:接收機1采集信號小波系數(shù)特征通過LDA模型訓(xùn)練和降維;

2:接收機1特征庫聚類,計算聚類中心特征矢量;

3:接收機2采集信號小波系數(shù)特征通過訓(xùn)練好的LDA模型降維;

4:接收機2特征庫聚類,計算聚類中心特征矢量;

5:whilek1<接收機2聚類中心個數(shù)

6: whilek2<接收機1聚類中心個數(shù)

7:d=計算(uk1,1,uk1,2,…,uk1,i)與(vk2,1,vk2,2,…,vk2,i)的歐式距離;

8: ifd<距離閥值

9: (uk1,1,uk1,2,…,uk1,i)與(vk2,1,vk2,2,…,vk2,i)屬于同類;

10:kl和k2序列中刪除掉當(dāng)前的值;

11: else 繼續(xù)循環(huán)

12: end while

13: end while

依據(jù)算法1,可以找到更換接收機后與每個聚類中心相匹配的換接收機前的特征聚類中心。依據(jù)(11)式可以得出

Δd=cr2-cr1=

{(m1-c1),(m2-c2),…,(mi-ci)}=

{(Δd1,1,Δd1,2,…,Δd1,n),(Δd2,1,Δd2,2,…,

Δd2,n),…,(Δdi,1,Δdi,2,…Δdi,n)}

(16)

(16)式中Δd為換接收機2特征庫聚類中心與接收機1特征庫聚類中心的矢量差。根據(jù)計算的矢量差值,可以將接收機2特征庫進行校正,校正后的特征庫聚類中心就為接收機1特征庫的聚類中心,實現(xiàn)了接收機1和接收2特征庫的匹配。接收機2第i類第j個特征矢量為Ui,j={ui,j,1,ui,j,2,…,ui,j,n},對該特征進行校正為

Unewi,j={ui,j,1,ui,j,2,…,ui,j,n}-

{Δdi,1,Δdi,2,…Δdi,n}=

{(ui,j,1-Δdi,1),(ui,j,2-Δdi,2),…,

(ui,j,n-Δdi,n)}

(17)

經(jīng)過校正后,接收機2采集信號的特征集Unewi,j將與接收機1采集信號的特征集Vi,j匹配。利用接收機1訓(xùn)練的LDA模型,就可以直接對Unewi,j進行識別。

2.2 換接收機的射頻指紋聚類匹配校正算法

根據(jù)算法1得到接收機1的特征聚類中心和接收機2的特征聚類中心,通過計算歐式距離,判斷出接收機2的特征與接收機1特征之間的關(guān)系,再將接收機2的特征按照接收機1特征的聚類中心進行校正,實現(xiàn)兩個不同接收機聚類中心的匹配,從而實現(xiàn)兩類特征分布的統(tǒng)一。這樣可以利用接收機1訓(xùn)練的分類器模型,對接收機2采集的樣本進行識別,提升識別率。

校正算法設(shè)置類別數(shù)為i類,每類樣本數(shù)為m個,特征向量集為n維,校正算法如算法2所示。

算法2換接收機的射頻指紋聚類中心校正算法

1:將已標(biāo)注接收機1的訓(xùn)練集特征n(n>10)維利用LDA.fittransform降維到10維。并利用K-means聚類方法,找到每類的聚類中心,類別數(shù)為i,分別對應(yīng)i類標(biāo)簽。

2:對接收機2的n維特征利用LDAtransform降維到10維。

3:對接收機2降到10維的特征進行聚類(聚類方法K-means),得到i類聚類標(biāo)簽。

4:完成對接收機2的10維特征聚類后,統(tǒng)計每類標(biāo)簽的個數(shù)。首先選擇聚類標(biāo)簽在m左右的類別,重新采用K-means聚類找到聚類中心。

5:如果剩余樣本數(shù),則對剩余的樣本重新進行聚類,返回第3步。否則進入第6步。

6:利用聚類中心匹配算法,將接收機2降維后聚類好的聚類中心與接收機1降維后的聚類中心進行匹配。找到接收機2聚類中心點與已標(biāo)注數(shù)據(jù)相匹配的類別。

7:將已知類別的接收機1特征庫聚類中心移動到接收機2特征庫聚類中點后,再利用LDA對接收機1特征庫進行LDA.fit_transform,利用LDA.trans form統(tǒng)計接收機2特征庫的識別率。

算法2需要利用LDA對特征數(shù)據(jù)進行2次降維。第1次降維目的是為了使用聚類中心匹配算法,對特征集進行聚類中心匹配。第2次降維實現(xiàn)接收機1和接收機2的特征匹配后的分類與識別。

3 驗證與分析

實驗驗證條件設(shè)置如下:采用QPSK調(diào)制方式,符號速率為120 ks/s,符號個數(shù)為200,載波頻率為200 kHz,采樣率為240 Ms/s。利用30臺軟件無線電平臺USRP作為輻射源采集數(shù)據(jù),由接收機1采集的數(shù)據(jù)樣本作為訓(xùn)練集,接收機2采集的樣本作為測試集。

為了減少Q(mào)PSK調(diào)制信息對射頻指紋特征的影響,利用調(diào)制符號和成型濾波器生成標(biāo)準(zhǔn)QPSK信號,在將實際采集的QPSK信號與標(biāo)準(zhǔn)QPSK信號相減,得到了只攜帶射頻特征的信號,從而避免了QPSK調(diào)制信號對射頻指紋特征的影響。

在實驗室采集的信號中隨機增加高斯白噪聲,信噪比為12～15 dB,模擬真實的應(yīng)用環(huán)境。分類器采用LDA模型。分別測試不使用與使用本文算法時的識別率。

接收機1采集的數(shù)據(jù)樣本提取小波系數(shù)特征后,隨機分割為訓(xùn)練集和測試集,利用LDA進行降維和分類識別。再將LDA模型對接收機2采集的樣本進行分類識別,測試結(jié)果如圖5所示。

圖5 換接收機后的識別結(jié)果Fig.5 The recognition after changing the receiver

從圖5可以看出,用接收機1的特征庫訓(xùn)練的LDA直接測試接收機1的測試集樣本,識別率可以達到94.8%。而測試接收機2的特征,出現(xiàn)了大量類別識別率極低的情況,整體識別率為64.3%,這是由訓(xùn)練集特征庫與接收機2特征庫分布不匹配導(dǎo)致的。利用第3小節(jié)提供的算法,對接收機2提取的特征進行聚類中心校正,實現(xiàn)與接收機1的特征庫匹配。30類終端接收機2特征的聚類中心與接收機1特征的聚類中心二維矢量對比情況如表1所示。

表1 采集樣本特征的聚類中心對比Tab.1 Comparison of cluster centers on sampled features

從表2可見,接收機2采集樣本的特征聚類中心與接收機1采集樣本的特征聚類中心基本匹配,只是由于接收機變化,大致聚類中心發(fā)生偏移,但是偏移量(歐式距離)遠小于1。因此,通過聚類中心之間的匹配關(guān)系,利用算法2,將接收機2樣本的特征聚類中心校正到接收機1樣本特征的聚類中心上,使得訓(xùn)練和測試集樣本的特征匹配。

采用聚類校正算法后的識別率與30類混淆矩陣如圖6所示。從圖6可以看出,利用特征校正算法,接收機2的樣本特征測試集識別率提升到了92.3%。

圖6 換接收機后的識別結(jié)果與混淆矩陣Fig.6 Recognition result and confusion matrix after changing receiver

4 小 結(jié)

針對換接收機的輻射源個體識別問題的解決方案,國內(nèi)外鮮有公開發(fā)表的研究文獻,但實際應(yīng)用場景中真實存在更換接收機的輻射源個體識別問題。本文提出了一種基于特征校正的換接收機輻射源個體識別方法,結(jié)合小波系數(shù)特征和聚類中心匹配機制,設(shè)計了換接收機后的射頻指紋特征聚類匹配校正算法,通過采集30類通信輻射源終端樣本進行驗證結(jié)果表明,不更換接收機時樣本識別率為94.8%,未使用校正算法時測試更換接收機后的樣本識別率僅為64.3%;通過對聚類中心的校正后,更換接收機的樣本識別率可以達到92.3%,提升了近30個百分點,驗證了聚類匹配校正算法的有效性。深度神經(jīng)網(wǎng)絡(luò)對換接收機采集樣本的特征映射是解決換接收機輻射源個體識別問題的新技術(shù)途徑,將作為下一步研究重點。