基于神经网络的辐射源目标快速识别

合集下载

粗神经元网络在辐射计目标识别中的应用

ＬＵＡｎ－ｏｇ，ｅｈａ，ＥＩＹｏｇｐｎＮＹｉｇｈｎＬＩＹｕ－ｕＷｎ－ｉｇ
（．ｃｏｌｆｌｃｒｎｃｎｉｅｒｇａｄＯｔｅｅｔｏｉＴｃｎｌｇ，ｎｉｇＵｎｖｒｉｆｃｅｃ１ＳｈｏｅｔｉＥｇｎｅｉｎｐｏｌｃｒｎｃｅｈｏｏｙＮａｊｉｅｓｙｏｉｅ＆ＴｃｎｌｙｏＥｏｎｎｔＳｎｅｈｏｏ，ｇＮａｊｇ２０９。ｈｎ；．ｈｎｉｅＦｎｉｅｇＥｅｔｏｃａｉｌＮＴＣａｇｈ４０２Ｃｉａｎｉ１０４Ｃｉａ２ＳａｘＢｉａｇＨｕＦｎｌｒｍｅｈｎｃＣＬＤ，ｈｎｚｉ６１，ｈｎ）ｎｃａＩ０
（．１南京理工大学电子工程与光电技术学院，苏南京江２山西北方惠丰机电有限公司，．山西长治２０９；１０４０６１）４０２
摘要：将粗糙神经元和传统神经元混合构造的粗糙神经网络，用于对毫米波辐射计回波信号的目标识别。
其中粗糙神经元包含一对重叠的普通神经元，使用一对上下值作为输入和输出。对于实际应用中变量值是范围值的情况，用粗糙神经网络来开发模型，结果优于传统神经网络。仿真实验表明，该模型提高了目标的识别
ｇｔｒｃｇｉｏｆｍｉｉｅｅｖａｉｍｅｅｉｎ１Ｒｏｇｅｒｎｃｎａｎａｒｏｖｒａｐｄｃｍｍｏｅ — ｅｅｏｎｔｎｏｌｍｔｒｗａｅｒｄｏｔｒｓｇａ．ｕｈｎｕｏｏｔｉｓａｐｉｆｏｅｌｐｅｏｉｌｎｎｕ

基于神经网络的未知雷达辐射源智能识别技术

２．ＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｉｆｎｇＩｎｓｔｉｔｕｔｅ，Ｈｅｆｅｉ２３００３７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｕｎｋｎｏｗｎｒａｄａｒｅｍｉｔｔｅｒ，ａｎｉｎｔｅｌｌｉｇｅｎｔｒｅｃｏｇｎｉｔｉｏｎｏｆｍｅｔｈｏｄｂａｓｅｄｏｎ
ＬＩＵＫａｉ一．ＷＡＮＧＪｉｅ．ｇｕｉ
（１．ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｎＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎＣｏｎｔｒｏｌＬａｂｏｒａｔｏｒｙ，Ｃｈｅｎｇｄｕ６１００３６，Ｃｈｉｎａ；
ｎｉｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｕｎｋｎｏｗｎｒａｄｒａｅｍｉｔｔｅｒ；ｎｅｕｒａｌｎｅｗｏｔｒｋ；ｒｅｃｏｎｉｇｔｉｏｎｏｆｔｈｅｗｏｒｋｉｎｇｓｔａｔｅ；ｔｒｅｈａｔｊｕｄｇｍｅｎｔ
ｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｕｎｋｎｏｗｎｒａｄａｒｅｍｉｔｔｅｒｉｓｐｒｏｐｏｓｅｄ．Ｔｏｔｒａｉｎｔｈｅｎｅｗｏｔｒｋｂｓｅａｄｏｎｔｈｅｒａｄｒａｓｉｎａｇｌ

嵌入注意力机制的通信辐射源个体识别方法

第４４卷　第１期系统工程与电子技术Ｖｏｌ．４４　Ｎｏ．１２０２２年１月ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＪａｎｕａｒｙ２０２２文章编号：１００１５０６Ｘ（２０２２）０１００２００８　网址：ｗｗｗ．ｓｙｓｅｌｅ．ｃｏｍ收稿日期：２０２１０１１８；修回日期：２０２１０５１５；网络优先出版日期：２０２１０７１２。

网络优先出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２１０７１２．１６５６．０２４．ｈｔｍｌ基金项目：安徽省自然科学基金（１９０８０８５ＭＦ２０２）资助课题通讯作者．引用格式：曲凌志，杨俊安，刘辉，等．嵌入注意力机制的通信辐射源个体识别方法［Ｊ］．系统工程与电子技术，２０２２，４４（１）：２０２７．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＱＵＬＺ，ＹＡＮＧＪＡ，ＬＩＵＨ，ｅｔａｌ．Ｍｅｔｈｏｄｆｏｒｉｎｄｉｖｉｄｕａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｃｏｍｍｕｎｉｃａｔｉｏｎｒａｄｉａｔｉｏｎｓｏｕｒｃｅｅｍｂｅｄｄｅｄｉｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２２，４４（１）：２０２７．嵌入注意力机制的通信辐射源个体识别方法曲凌志，杨俊安，刘　辉，黄科举（国防科技大学电子对抗学院，安徽合肥２３００３７）摘　要：复杂电磁环境中，针对低信噪比条件下现有神经网络识别算法对于通信电台识别准确率不高的问题，提出一种结合双层注意力机制和残差网络的通信辐射源个体识别方法。

首先，以空间注意模块和通道注意模块构成注意力机制。

其次，在一维残差网络中嵌入双层注意力机制，提高对关键特征的学习能力。

最后，在实际数据集上验证算法的有效性。

实验证明，相比于残差神经网络算法，所提方法既能保持模型较好的稳定性又在数据集上有明显的提升效果。

关键词：低信噪比；辐射源识别；注意力机制；残差学习中图分类号：ＴＮ９１１．７文献标志码：Ａ犇犗犐：１０．１２３０５／ｊ．ｉｓｓｎ．１００１５０６Ｘ．２０２２．０１．０３犕犲狋犺狅犱犳狅狉犻狀犱犻狏犻犱狌犪犾犻犱犲狀狋犻犳犻犮犪狋犻狅狀狅犳犮狅犿犿狌狀犻犮犪狋犻狅狀狉犪犱犻犪狋犻狅狀狊狅狌狉犮犲犲犿犫犲犱犱犲犱犻狀犪狋狋犲狀狋犻狅狀犿犲犮犺犪狀犻狊犿ＱＵＬｉｎｇｚｈｉ，ＹＡＮＧＪｕｎａｎ，ＬＩＵＨｕｉ，ＨＵＡＮＧＫｅｊｕ（犐狀狊狋犻狋狌狋犲狅犳犈犾犲犮狋狉狅狀犻犮犆狅狌狀狋犲狉犿犲犪狊狌狉犲狊，犖犪狋犻狅狀犪犾犝狀犻狏犲狉狊犻狋狔狅犳犇犲犳犲狀狊犲犜犲犮犺狀狅犾狅犵狔，犎犲犳犲犻２３００３７，犆犺犻狀犪）犃犫狊狋狉犪犮狋：Ｉｎｃｏｍｐｌｅｘｅｌｅｃｔｒｏｍａｇｎｅｔｉｃｅｎｖｉｒｏｎｍｅｎｔ，ａｎｏｖｅｌｃｏｍｍｕｎｉｃａｔｉｏｎｒａｄｉａｔｉｏｎｓｏｕｒｃｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｄｏｕｂｌｅｄｅｃｋａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍａｎｄｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｅｘｉｓｔｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｉｄｅｎｔｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｎｏｔａｃｃｕｒａｔｅｅｎｏｕｇｈｉｎｃｏｍｍｕｎｉｃａｔｉｏｎｓｔａｔｉｏｎｉｄｅｎｔｉｆｉｃａｔｉｏｎｕｎｄｅｒｌｏｗｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏｃｏｎｄｉｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｓｐａｔｉａｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅａｎｄｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅａｒｅｕｓｅｄｔｏｃｏｎｓｔｒｕｃｔｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ．Ｓｅｃｏｎｄｌｙ，ａｔｗｏｌａｙｅｒａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｓｅｍｂｅｄｄｅｄｉｎｔｈｅｏｎｅｄｉｍｅｎｓｉｏｎａｌｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｔｏｉｍｐｒｏｖｅｔｈｅｌｅａｒｎｉｎｇａｂｉｌｉｔｙｏｆｋｅｙｆｅａｔｕｒｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅａｌｇｏｒｉｔｈｍｉｓｖｅｒｉｆｉｅｄｏｎｔｈｅａｃｔｕａｌｄａｔａｓｅｔ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｒｅｓｉｄｕａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｎｏｔｏｎｌｙｍａｉｎｔａｉｎｓｂｅｔｔｅｒｓｔａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌ，ｂｕｔａｌｓｏｈａｓａｓｉｇｎｉｆｉｃａｎｔｉｍｐｒｏｖｅｍｅｎｔｅｆｆｅｃｔｏｎｔｈｅｄａｔａｓｅｔ．犓犲狔狑狅狉犱狊：ｌｏｗｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏ；ｒａｄｉａｔｉｏｎｓｏｕｒｃｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｒｅｓｉｄｕａｌｌｅａｒｎｉｎｇ０　引　言辐射源个体识别（ｓｐｅｃｉｆｉｃｅｍｉｔｔｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ）是指提取同型号、同批次通信辐射源信号中的个体特征来识别不同辐射源个体的过程［１］。

基于BP神经网络和贝叶斯推理的雷达辐射源识别

朱晓亮，蔡群，明亮周
（电子工程学院，肥２０３）合３０７
摘要：分析了雷达辐射源识别的发展现状和存在的问题，出了一种基于反向传播（Ｐ神经网络和贝叶斯推理的提Ｂ）
雷达辐射源目标识别方法，阐述了ＢＰ神经网络和贝叶斯推理的原理，建了相关的识别模型，过仿真实验检验了构通模型的准确性，提出了其发展前景。并
（Ｐ等相关参数作为识别属性对雷达辐射源进行ｓ）
识别。这种方法在一定程度上解决了识别速度慢、
适合复杂电磁环境下雷达对抗情报分析的要求。基于数据库的识别方法对先验知识要求高，理突发处情况受限。专家系统受专家个人主观认识等影响较
ｂａｋｐｏｐｇｔｏ（ｃｒａａｉｎＢＰ）ｎｕｒｌｎｅｎｄＢａｅｅｓｉｅａｔａｙｓｒａｏｎｎｇ，ｘｔａｅｈｅｒｎｃｐｅｏｆＢＰｅａｔｅｐａｉｔｓｔｐｉｉｌｎｕｒｌｎｅａｄＢａｅｒａｏｎｎｙｓｅｓｎｉｇ，ｃｎｓｒｔｔｅｏｒｅａｉｅｄｎｔｆｃｔｏｍｏｄｌｅｉｉｓｈｅｅａｉｙｆｈｏｔｕｃｓｈｃｒｌｔｖｉｅｉｉａｉｎｅ，ｖｒｆｅｔｖｒｃｔｏｔｅｍｏｄｌｔｏｈｔｉｕａｉｎｘｐｒｍｅｔａｒｎｇｓｆｒｒｈｖｅｏｐｅｏｒｇｒｎｄｅｈｒｕｇｈｅｓｍｌｔｏｅｅｉｎ，ｎｄｂｉｏｗａｄｔｅｄｅｌｍｎｔｆｅｏｕ．Ｋｅｒ：ａａａａｉｎｓｕｒｅ；ｕｒ１ｎｅ；ｙｓｒａｏｎｇｙｗｏｄｓｒｄｒｒｄｉｔｏｏｃｎｅａｔＢａｅｅｓｎｉ

219515743_辐射源个体识别的一种可解释性测试架构

第 21 卷第 6 期2023 年 6 月太赫兹科学与电子信息学报Journal of Terahertz Science and Electronic Information TechnologyVol.21，No.6Jun.，2023辐射源个体识别的一种可解释性测试架构刘文斌a，范平志a，李雨锴b，王钰浩b，孟华*b(西南交通大学 a.信息科学与技术学院；b.数学学院，四川成都611756)摘要：由于射频信号种类多，电磁环境复杂，特征提取难度大，现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。

数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式，但深度学习方法自身可解释性差，而且缺乏通用测试模式来评价一个深度学习方法的优劣。

本文在电磁大数据非凡挑战赛目标个体数据集的基础上，探索了基于该数据集的深度学习模型测试方法，提出面向辐射源个体识别神经网络模型的通用测试系统架构。

该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本，并把测试样本与原样本数据导入深度模型进行识别结果对比测试。

基于测试结果分析了深度模型聚焦的信号关键特征位置，分析模型的鲁棒性，揭示信道环境对识别性能的影响，从而解释了深度学习网络模型的性能。

关键词：辐射源个体识别；可解释性；生成对抗网络；无线信号欺骗中图分类号：TN92 文献标志码：A doi：10.11805/TKYDA2022243An interpretable testing architecture for specificemitter identificationLIU Wenbin a，FAN Pingzhi a，LI Yukai b，WANG Yuhao b，MENG Hua*b(a.School of Information Science & Technology; b.School of Mathematics, Southwest Jiaotong University, Chengdu Sichuan 611756, China)AbstractAbstract：：Due to the diversity of RF signals, the complexity of the electromagnetic environment, and the difficulty of feature extraction, the robustness and applicability of the existing artificial features-based RF-specific emitter identification methods cannot meet the application requirements. Althoughthe data-driven deep learning methods can provide a more flexible mode of specific emitteridentification, they are less interpretable and lack a general test mode to evaluate their advantages anddisadvantages. An evaluation method is explored for the deep learning model on the target individualdataset of the Electromagnetic Big Data Super Contest, and a general testing system architecture isproposed for the specific emitter identification model based on deep neural networks. The frameworkconstructs the simulation test samples through signal feature masking, Generative Adversarial Network(GAN), deception signal collection, channel simulation and other methods, and imports the test samplesand original data into the deep model to compare the recognition results. The test results are employed tojudge the location of the signal key features extracted by the deep model, to analyze the robustness of themodel, and to reveal the impact of the channel environment on the recognition performance, thus theperformance of the deep learning model can be interpretable.KeywordsKeywords：：specific emitter identification；interpretability；Generative Adversarial Network(GAN)；wireless signal spoofing信号识别包括信号检测、信号类型识别、辐射源个体识别(Specific Emitter Identification，SEI)3个层次[1]。

基于射频指纹的辐射源个体识别技术综述

第21卷第3期信息工程大学学报Vol.21No.32020年6月Journal of Information Engineering UniversityJun.2020㊀㊀收稿日期:2020-05-13;修回日期:2020-06-10㊀㊀基金项目:国家重点实验室主任基金项目(CEMEE2018Z0103B)㊀㊀作者简介:郑娜娥(1984-),女,讲师,博士,主要研究方向为MIMO 信号分析与处理㊂DOI :10.3969/j.issn.1671-0673.2020.03.006基于射频指纹的辐射源个体识别技术综述郑娜娥,王㊀盛,张靖志,左㊀宗(信息工程大学,河南郑州450001)摘要:辐射源个体识别技术可区分辐射源种类㊁确定辐射源身份,在军事和民用领域均具有广阔的应用前景,近来射频指纹的研究受到广泛关注㊂研究了基于射频指纹的辐射源个体识别技术㊂首先,分析了典型数字无线电发射机结构,从硬件电路的制造容差㊁漂移容差以及电路工作状态的影响等方面,探讨了辐射源射频指纹的产生机理;其次,从辐射源个体识别的一般模型出发,梳理总结了数据预处理㊁辐射源暂态和稳态特征提取以及分类识别的研究现状;最后,指出了目前研究中存在的问题和未来可能的发展方向㊂关键词:个体识别;细微特征;射频指纹;特征提取中图分类号:TN97㊀㊀㊀文献标识码:A文章编号:1671-0673(2020)03-0285-05Overview of Emitter Identification Techniques Based on Radiofrequency FingerprintingZHENG Nae,WANG Sheng,ZHANG Jingzhi,ZUO Zong(Information Engineering University,Zhengzhou 450001,China)Abstract :Specific emitter identification method can identify the categories and individuals of radiodevices,which has broad application prospect in military and civil fields.Recently the research of radiofrequency fingerprinting attracts extensive attention.This article firstly analyzes the structure of typical digital radio transmitters,then discusses the mechanism of radiofrequency fingerprinting fromaspects of circuit elements fabrication tolerance,drift tolerance and work condition of the circuit.Secondly,based on the general model of specific emitter identification,the research status of data preprocessing,transient and steady features extraction,classification and identification are st,the current research problems and the possible directions of future development are pointed out.Key words :individual identification;fine feature;radiofrequency fingerprinting;feature extraction㊀㊀随着电子信息技术的迅猛发展,无线信号调制方式越来越多,辐射源种类和数量不断增加,电磁环境愈发复杂㊂在一个集团军的作战区域内,敌我双方的无线电设备达万余部[1],这使得对辐射源个体信息的获取越来越困难,进而给电子对抗带来了极大挑战㊂传统手段识别信号的调制参数㊁载频㊁带宽㊁码元速率㊁电平等简单特征,已经难以对各种辐射源个体进行识别,无法满足现代战场的需求㊂2003年,文献[2]首次提出射频指纹这一概念,就像每个人有不同的指纹,每个无线设备的硬件差异也是一种射频指纹 ,这种差异会反映在无线信号中,通过分析接收到的射频信号就可以提取出该特征㊂根据无线信号提取设备硬件特征的方法被称为射频指纹提取 ,利用射频指纹对不同的无线设备进行识别的方法则称为射频指286㊀信息工程大学学报㊀2020年㊀纹识别 [3],又称为特定辐射源识别(Specific Emit-ter Identification,SEI)㊂通过分析特定辐射源的有效特征属性,区分敌我辐射源,确定敌方辐射源的类别㊁位置㊁威胁等级㊁性质等,具有着重要的军事应用价值㊂此外,特定辐射源识别在民用的无线网络安全㊁频谱管理和通信监视等方面也具有巨大的应用潜力[4-5]㊂根据射频设备的工作状态可以将指纹特征分为暂态特征和稳态特征㊂暂态特征指辐射源开关机,工作状态切换时的特征,具有丰富的非线性㊁非平稳特征㊂稳态特征指辐射源稳定工作时的叠加在射频信号的细微特征㊂暂态特征的提取依赖于提取到完整的暂态信号,而暂态信号难以捕捉和检测,且容易受到信道变化的影响,给特征提取带来了困难㊂稳态特征持续时间长,特征稳定,且不需要信号起点检测㊂目前的研究多针对特定调制方式和特定射频设备,经验地选择特征,根据分类识别实验验证特征的有效性㊂这些方法仅利用了指纹特征机理的现象识别辐射源,难以适应调制方式和设备的改变,缺乏通用性㊂研究辐射源指纹特征需要对辐射源建模分析,探究指纹特征机理,设计特征提取算法㊂本文从辐射源射频指纹产生机理㊁辐射源个体识别过程和方法等方面出发,研究了基于射频指纹的辐射源个体识别技术㊂首先,结合典型数字无线电发射机结构,分析硬件电路的制造容差㊁漂移容差以及电路工作状态等对发射信号的影响,探讨辐射源射频指纹的产生机理;其次,针对数据预处理㊁特征提取以及分类识别这一辐射源个体识别的一般流程,概述了目标信号提取与分离㊁辐射源暂态和稳态特征提取和分类识别方法面临的问题及相应的研究现状;最后,指出了目前研究中存在的问题,并讨论了未来可能的发展方向㊂1㊀辐射源射频指纹产生机理如图1所示是一种典型的数字无线电发射机的系统框图[6]㊂图1㊀典型数字无线电发射机结构基带信号经过数字信号处理后进入模拟电路部分,这部分模拟电路的容差是发射机射频指纹的主要来源[3]㊂模拟电路由电路器件及各种联接关系构成,电路器件由各种电子元器件组成㊂通常,电子元器件的容差可以分成制造容差和漂移容差两部分,其中,制造容差是指在生产过程中,由于设备材料㊁加工工艺等原因,电子元器件的电参数与标称值存在一定的差异㊂漂移容差则主要在元器件使用过程中产生,随着使用时间延长,或者工作环境温度湿度等因素变化,元器件退化老化,其电参数也将发生变化㊂此外,电路容差因素还包括印制电路板的材质㊁走线等㊂上述因素造成容差统称为电路的容差效应㊂容差效应导致即使是同一厂家㊁同一型号㊁同一系列甚至是同一批次的无线设备的实际硬件参数也会存在差异,包括振荡器的频偏㊁相位噪声㊁调制器的调制误差㊁功放的非线性失真以及包括中频㊁射频滤波器等滤波器的失真等㊂这些硬件容差就是产生射频指纹的基础㊂辐射源系统相比图1更加复杂㊂辐射源在启停瞬间㊁模式改变等阶段必然存在过渡状态,这个过渡状态是由整个系统的元器件合力所为,对于不同的辐射源,由于各元器件的细微差异,以及调试过程中的人为影响,这个合力有所区别,导致不同辐射源在过渡状态有不同的细微特征,这种特征称为暂态特征[7],暂态特征蕴含丰富的非线性㊁非平稳特征㊂辐射源稳定工作状态下的细微特征称为稳态特征[8-9],包括由于内部噪声和器件非线性影响生成的无意调制带来的杂散特征,如谐波㊁交叉调制㊁互相调制和寄生调制[10],频率源的不稳定性导致的载频偏差,以及调制参数等㊂一般情况下,不同的辐射源个体采用不同参数类型的晶体振荡器,即使采用相同的晶体振荡器,由于容差的存在,稳定度也不尽相同㊂并且由于噪声和干扰的存在,任何实际振荡器的幅度和相位都会存在涨落,输出频率有所波动[11]㊂由于内部元器件的差异和电路参数的不同,不同辐射源发射的信号在调制参数的准确度上也有一定偏差,如AM信号的调幅指数㊁数字通信信号的码元速率的准确度㊁调频信号的实际跳速等㊂2㊀基于射频指纹的辐射源个体识别过程和方法㊀㊀辐射源个体识别技术是信号处理领域中一项重点和难点课题,尚属新兴的研究领域㊂近年来,㊀第3期郑娜娥,等:基于射频指纹的辐射源个体识别技术综述287㊀国内外有很多研究单位都对辐射源射频指纹特征识别开展了深入研究,并取得了一定的研究成果[12-13]㊂辐射源个体识别一般模型如图2所示㊂首先对接收机接收到的射频信号进行预处理,分离出待分类识别信号,并做能量归一化㊁去噪等处理,使其适应于射频指纹特征提取㊂其次,利用系统辨识㊁高阶统计量㊁分形等手段提取出发射设备叠加在射频信号的指纹特征㊂最后将提取的特征构成一特征向量,选择合适分类器识别出不同设备㊂图2㊀辐射源个体识别一般模型2.1㊀数据预处理数据预处理的基本功能是为后续的特征提取和分类识别环节提供合适的单个信号㊂实际环境中,多个辐射源的信号通常交织混叠在一起[14]㊂因此,数据预处理首先需要完成目标信号提取或分离[15-16]㊂常用的方法包括独立分量分析(Inde-pendent Component Analysis,ICA)[17]㊁稀疏分量分析(Sparse Component Analysis,SCA)[18]和非负矩阵分解(Non-negative MatrixFactorization,NMF)[19]等㊂获得单个信号后,数据预处理还需要对信号进行下变频㊁相位补偿㊁时频域变换㊁载频估计㊁同相和正交分量分解㊁能量归一化㊁信号去噪等处理㊂通常情况下,接收机采集到的射频信号与辐射源所发射信号相比,受到了多径信道以及其他射频噪声干扰的影响,此时信号所携带的射频指纹特征可能会遭到破坏㊂因此,数据预处理的原则是尽可能地消除信道㊁射频干扰等影响,还原目标设备发射信号,以便提取目标设备的射频指纹㊂2.2㊀射频指纹特征提取目前,针对辐射源射频指纹特征提取技术的研究主要体现在两个方面[3]:一是从暂态信号提取特征;二是从稳态信号提取特征㊂早期研究多针对射频指纹的暂态特征展开㊂文献[20]提出对采集到的VHF FM 暂态信号进行小波分析,用小波系数作为暂态信号的特征,利用遗传算法和神经网络对设备分类,能够有效识别四个厂家的七个不同VHF FM 发射机㊂1997年,文献[21]首次提出采用暂态信号的多重分形轨迹作为射频指纹,利用基于信号幅度的多重分段分形维数的门限检测方法来检测瞬态信号的开始并进行信号的分离,用概率神经网络来进行分类,获得了92.5%的分类准确率㊂2003年开始,文献[2]开始关注蓝牙设备和IEEE 802.11b 设备的暂态信号,提取暂态信号的幅度㊁相位㊁同相分量㊁正交分量㊁功率以及离散小波变换系数等特征㊂第一次提出采用组合多个不同类型的特征作为设备的指纹,最终达到8%的平均错误率㊂辐射源信号暂态特征的性能非常依赖于暂态信号的完整性和一致性[22],与信号检测性能的优劣密切相关,因此辐射源暂态指纹特征的研究主要从暂态信号检测㊁暂态特征提取两个方面进行㊂暂态信号的检测方法主要有门限检测法[21]㊁贝叶斯检测法[23]㊁相位特性检测法[2]等方法㊂在检测到暂态信号之后,需要提取暂态信号的特征㊂暂态特征提取可以从幅度㊁频率等方面来进行划分㊂文献[24]用分形理论分析暂态信号幅度特征,将暂态信号的分形维数作为指纹特征进行辐射源个体识别,文献[25]对暂态信号进行离散小波变换,以小波系数为暂态信号频率细微特征㊂暂态信号持续时间很短,一般难以捕捉(尤其是在非合作条件下),并且只有在高采样率的条件下才能采集到足够多的个体信息㊂此外,暂态信号指纹特征提取容易受信道变化影响,识别率较低,鲁棒性较差㊂这些原因导致暂态特征提取十分困难,暂态特征的使用具有一定的局限性㊂相对于暂态信号,稳态信号持续时间长,表现出的特征比较稳定并且不需要起始点的检测操作㊂尤其是随着技术的不断发展,为了简化接收机的设计,几乎所有的数字通信系统都在数据段之前加入了前导序列㊂稳定的前导提供了一个稳定的可识别的稳态信号[26],因此该领域的研究重点逐渐转向稳态信号的射频指纹提取和识别技术㊂2008年,文献[22]首次进行了基于稳态信号的射频指纹提取和识别研究㊂将通用移动通信系统(Universal Mobile Telecommunications System,UMTS)的前导信号变换为频谱作为射频指纹,用于UMTS 用户设备的识别㊂实验室环境下,当SNR 为15dB 时,7个不同型号的UMTS 用户设备能获得91%的正确识别率;而包含10个同一型号设备的共20个UMTS 用户设备作为待识别对象时,识别率为85%㊂2013年,文献[27]采用于经验模态分解(Empirical Mode Decomposition,EMD)方法分离稳态信号主要成分与杂散成分,提取杂散成分频域特征作为信号细微特征,运用支持向量机(Sup-port Vector Machine,SVM)分类器对无线网卡进行识别,总的识别率达到了98.21%㊂2017年,韩洁等人提出一种基于希尔伯特黄变换(Hilbert-288㊀信息工程大学学报㊀2020年㊀Huang Transform,HHT)和多尺度分形特征的新方法㊂通过HHT得到时频能量谱,将其视为三维空间中的复杂曲面,然后利用分形理论通过多尺度分块提取差分盒维数和多重分形维数二维特征组成特征向量;最后,采用支持向量机分类器结合二维特征向量实现通信辐射源的个体分类[28]㊂该方法识别性能受信噪比㊁训练样本数量及目标种类影响小,尤其在低信噪比和训练样本数量较小的情况下识别性能突出㊂总之,基于稳态信号的射频指纹携带辐射源更多的硬件信息,信号更容易采集,识别性能好㊂但是文献中所提出的识别性能都是在一定的条件下得出的,受到信道指纹的影响,这些实验条件与实际应用还有较大距离㊂2.3㊀分类识别根据模式识别的一般过程,在完成了识别对象的特征提取之后,就进入到了模式分类阶段,该阶段包括分类器设计和分类决策两个部分㊂分类器设计就是在样本训练集基础上寻找一个最优的分界面,该分界面使得分类错误率最小或损失最小;分类决策则是利用分类器设计得到的判决准则来对新的识别对象进行分类,判决其归属于哪一类别[29],通常要求所设计的分类器具有强分类能力和强泛化能力[30]㊂目前,模式识别中的分类器主要集中在以下两个方面:第一,以统计决策理论为基础的分类器,应用非常广泛,常见的此类分类器有贝叶斯分类器㊁最近邻分类器㊁二元分类树分类器以及神经网络分类器等㊂由于利用的是经典的统计理论,此类分类器只有在训练样本数非常巨大的时候才能够逼近最优的分类性能,在实际样本数获取有限并且获取代价较高时,难以得到理想性能;但在辐射源个体别系统中,仍然存在有较多的应用;第二,以统计学习理论为基础的分类器,最主要代表就是SVM分类器,针对有限的训练样本在模型复杂性和学习能力之间取得最佳折中[31]㊂3㊀存在问题与发展方向辐射源个体识别是一个热点课题,同时也是一个难点课题,具有很高研究价值㊂射频指纹提取技术可以应用于辐射源个体识别㊁设备认证㊁无线电管理等诸多领域,拥有广阔的应用前景㊂但是,在实际应用和研究中还存在着许多问题,有待于进一步解决:①射频指纹产生机理的建模与分析㊂现有研究对辐射源指纹特征的产生机理缺乏本质的认识,仍未建立起相对完善的数学模型㊂即使采集大量实际信号用于识别分析,也囿于缺乏基本理论支撑,方法与实验结果缺乏一般性和普遍性㊂因此,需要进一步地去挖掘辐射源射频指纹特征的产生机理,建立有效的数学模型㊂②抑制信号主要成分的信号预处理㊂信号的指纹特征一般都隐藏在信号之下㊁甚至是淹没在信号之下,若直接对信号提取指纹特征,由于信号的主要成分的影响以及指纹特征的微弱性,可能所提取到的指纹特征很粗糙㊁甚至无法提取到有效的指纹特征,最后可能会导致严重的分类识别错误㊂因此,引入能够抑制或去除信号的主要成分,保留并放大信号的细微特征的数据处理方法很有必要㊂③多种指纹特征的联合选取㊂由于特征提取技术条件的限制以及发射机器件差异逐步缩小,目前所能提取到的单一特征量难以同时满足普遍性㊁唯一性㊁可检测性和稳定性的要求㊂利用单一特征量进行识别往往难以达到理想的识别效果㊂因此需要选取组合多种指纹特征,实现对辐射源的有效识别㊂④多通道设备的指纹特征提取㊂目前出现了越来越多的集成了多通道的射频设备,如MIMO天线㊁多通道雷达等㊂对这类多通道设备的射频指纹特征提取成为了新的挑战㊂一方面,多通道射频设备使用多个天线收发信号,相对于传统单通道设备,可以提供更多的特征信息,有利于高识别性能;另一方面,多个通道的信号相互混叠,给特征提取增加了难度㊂现有研究鲜有针对多通道设备指纹特征提取问题的研究,还需要进一步加强㊂4㊀结束语辐射源个体识别技术具有重要的军事意义和民用价值㊂随着数字技术的发展和硬件工艺的进步,辐射源的种类不断增加,同类型辐射源差异越来越小,基于射频指纹的辐射源个体识别日益受到重视㊂本文对辐射源射频指纹产生机理㊁基于射频指纹的辐射源个体识别过程和方法进行了深入研究,梳理了现有研究成果,并指出了研究中存在的问题及未来可能的发展方向㊂参考文献:[1]李伟,魏光辉,潘晓东,等.复杂电磁环境下通信装备干扰预测方法[J].电子与信息学报,2017,39㊀第3期郑娜娥,等:基于射频指纹的辐射源个体识别技术综述289㊀(11):2782-2789.[2]HALL J,BARBEAU M,KRANKIS E.Detection of tran-sient in radio frequency fingerprinting using signal phase [C]//Proceedings of the IASTED International Confer-ence on Wireless and Optical Communications,2003: 13-18.[3]俞佳宝,胡爱群,朱长明,等.无线通信设备的射频指纹提取与识别方法[J].密码学报,2016,3(5): 433-446.[4]DANEV B,ZANETTI D,CAPKUN S.On physical-layer identification of wireless devices[J].ACM Computing Surveys(CSUR),2012,45(1):6-14.[5]肖乐群,张玉灵,赵拥军.基于对角积分双谱的雷达辐射源信号识别[J].信息工程大学学报,2012,13(1): 95-99.[6]曹志刚,钱亚生.现代通信原理[M].北京:清华大学出版社,1992.[7]孙娜.通信电台细微特征研究[D].北京:北京邮电大学,2010.[8]YUAN J,HUANG Z,SHA Z.Specific emitter identifica-tion based on transient energy trajectory[J].Progress in Ics Research C,2013,44:67-82.[9]任黎丽.辐射源指纹识别与细微特征提取方法研究[D].哈尔滨:哈尔滨工程大学,2012.[10]许丹.辐射源指纹机理及识别方法研究[D].长沙:国防科学技术大学,2008.[11]徐书华.基于信号指纹的通信辐射源个体识别技术研究[D].武汉:华中科技大学,2007. [12]任春辉.通信电台个体特征分析[D].成都:电子科技大学,2006.[13]李文龙,梁涛,许金勇,等.跳频通信中的射频指纹识别技术[J].解放军理工大学学报(自然科学版),2009,10(S):1-5.[14]李刚,包从开.辐射源个体特征识别技术及在短波电台识别上的应用[J].信息通信,2016,11:175-178.[15]聂皞,汪连栋,曾勇虎,等.电子信息系统复杂电磁环境效应[M].北京:国防工业出版社,2013. [16]YU X,HU D,XU J.Blind source separation:theoryand application[M].Singapore:John Wiley&Sons,2014.[17]LI J,ZHANG H,ZHANG J.Fast adaptive BSS algo-rithm for independent/dependent sources[J].IEEECommunications,2016,20(11):2221-2224. [18]LI Y,AMARI S,CICHOCKI A,et al.Undeterminedblind source separation based on sparse representation[J].IEEE Trans.on Signal Processing,2006,54(2):423-437.[19]ANIL K,CHEVULA V,RAMA R.Unsupervised noiseremoval technique based on constrained NMF[J].IETSignal Processing,2017,11(7):788-795. [20]TOONSTRA J,KINSNER W.A radio transmitter fin-gerprinting system ODO-1[C]//Electrical and Comput-er Engineering,Canadian Conference on.IEEE,1996,1:60-63.[21]SHAW D,KINSNER W.Multifractal modelling of radiotransmitter transients for classification[C]//WES-CANEX97:Communications,Power and Computing.Conference.IEEE,1997:306-312.[22]KENNEDY I O,SCANLON P,MULLANY F J,et al.Radio transmitter fingerprinting:A steady state frequen-cy domain approach[C]//Vehicular Technology Confer-ence,2008.VTC2008-Fall.IEEE68th.IEEE,2008:1-5.[23]URETEN O,SERINKEN N.Bayesian detection of radiotransmitter turn-on transients[C]//NSIp.1999:830-834.[24]CHEN J,KINSNER W.Multi-fractal analysis of transi-ents in power systems[C]//Electrical and ComputerEngineering,2000Canadian Conference on.IEEE,2000,1:307-311.[25]HIPPENSTIEL R D,PAYAL Y.Wavelet based trans-mitter identification[C]//Signal Processing and Its Ap-plications,1996.ISSPA96,Fourth International Sym-posium on.IEEE,1996,2:740-742. [26]SCANLON P,KENNEDY I O,LIU Y.Feature extrac-tion approaches to RF fingerprinting for device identifi-cation in femtocells[J].Bell Labs Technical Journal,2010,15(3):141-151.[27]HUANG D,ZHAO J,SU J.Practical implementation ofHilbert-Huang transform algorithm[J].ActaOceanolog-ica Sinica-English Edition,2003,22(1):1-14. [28]韩洁,张涛,王欢欢,等.基于3D-Hibert能量谱和多尺度分形特征的通信辐射源个体识别[J].通信学报,2017,38(4):99-109.[29]周斌.信号细微特征提取及识别技术研究[D].哈尔滨:哈尔滨工业大学,2011.[30]张浩然,韩正之,李昌刚.支持向量机[J].计算机科学,2002,29(12):135-137.[31]SCH C,LAPTEV I,CAPUTO B.Recognizing humanactions:a local SVM approach[C]//International Con-ference on Pattern Recognition.IEEE,2004,3:32-36.(编辑:刘彦茹)。

基于小样本的特定辐射源个体识别方法

基于小样本的特定辐射源个体识别方法发布时间：2022-11-25T06:10:39.769Z 来源：《中国科技信息》2022年8月15期作者：潘博阳[导读] 特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，潘博阳（武警指挥学院，天津 300250）摘要：特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，因此研究小样本条件下特定辐射源个体识别成为任务部队在电磁环境中遂行作战任务亟需解决的问题。

以此为背景，本文提出了一种基于一维卷积神经网络的方法来进行辐射源个体识别。

首先通过加权融合和裁剪混合扩充数据多样性，而后使用一维卷积神经网络提取特征从而对辐射源个体进行识别。

实验结果显示，本文提出的方法在验证集上能够达到50.5%的准确率，表明该方法的识别效果优于K近邻算法。

关键词：特定辐射源个体识别; 数据增强; 机器学习1 引言特定辐射源个体识别（Specific Emitter identification, SEI）通常是指对雷达等辐射源发送的电磁信号进行建模，通过其所体现出的微小特征区分辐射源类别的技术[1]。

目前特定辐射源个体识别主要分为基于人工设计特征和基于数据驱动特征两种方法。

基于人工设计特征主要依赖于先验假设，具备一定的解释性。

基于数据驱动特征识别的方法主要利用卷积神经网络自主学习特征。

无论采用传统机器学习或者深度学习的方法都依赖于大量的标注数据，当实际环境中无法获取大量辐射源信号时，上述算法模型的精度均会产生不同程度的降低，因此如何在小样本条件下高效地实现辐射源信号个体识别成为当前研究的主要方向，同时也具有一定的工程应用价值。

本文针对小样本条件下特定辐射源个体识别进行以下创新，主要包括三个方面：首先针对数据样本匮乏的情况，本文设计了两种数据增强方法有效扩充样本的多样性。

用神经网络进行雷达辐射源识别研究

空军雷达学院学报
函数采用高斯基函数，它对输入激励产生一个局部化的响应，这个特点使高斯隐含层对输入样本有一个聚类的作用，隐含层节点数代表聚类的类数．
１径向基概率神经网络．３径向基概率神经网络（ＢＮＬ是ＲＦＮ的ＲＰＮ）ＢＮ６
输出的高度非线性映射，Ｆ：＿．即 ÷Ｒ，；
智能化的模式来处理雷达辐射源识别问题的研究 ’ 的神经网络模型．ＰＮ可看作是一个从输入到泛ＢＮ
但是基于反向传播的前传多层网络有一个缺点，
即网络与参数之间是高度非线性的．网络的学习必须基于某种非线性优化技术，但在学习阶段参
雷达辐射源信号能较为准确地分类识别Ｌ］文献３．．４
［提出了一种传统数据库查询和径向基神经网络３］
相结合的综合方法，验表明该综合方法比传统实数据库查询方法识别率要高出８％，明神经网．表７络应用于雷达辐射源识别系统中能大幅提高识别率；同时指出了下一步工作的重点是优化神经网络结构和引入其他神经网络来进・步提高识别率和完善雷达辐射源识别系统．此，为本文对径向基
— —
ＶＯ．ｌＮｏ１１．２Ｍａ＋０７ｒ２０
用神经网络进行雷达辐射源识别研究
唐健仁，朱元清，徐庆，王志斌
（．１空军雷达学院研究生管理大队，武汉４０１；２空军雷达学院电子对抗系，３０９．武汉４０１３０９３电子科技大学电子工程学院，．成都６０５）１０４

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

2
RBF 网络分析原理
RBF 网络是一种有导师的三层构成的前向网
［4］
络：第一层为输入层，节点个数等于输入的维度；第
二层为隐藏层，结点个数视问题的复杂度而定；第三层为输出层，节点个数等于输出数据的维度。它最重要的特点是中间隐藏层是非线性的，采用径向基函数作为基函数，输出层是线性的。隐藏层神经元的基函数只对输入刺激起局部反应，即只有当输入落在输入空间的一个局部区域时，基函数才产生一个重要的非零响应，而在其他情况下基函数输出很小（可近似为零）。网络结构如图 1 所示
［2］［1］
现有的 “特征提取+分类器匹配” 的目标识别固有模神经网络可以认为是一种通用的模式识别分类器，因此其可能应用的范围是十分广泛的。近年
RBF）起源于数值分析中的多变量插值的径向基函逼近特性，而且具有较快的收敛速度，不会陷入无
数方法，具有任意精度的泛函逼近能力和最优泛函
∗
收稿日期： 2017 年 5 月 9 日，修回日期： 2017 年 6 月 23 日基金项目：国家自然科学基金项目（编号： 61671167）资助。作者简介：徐雄，男，硕士，工程师，研究方向：目标识别技术、信息融合。
With the rapid development of military technology，techniques such as disguise， hidden，deception，interference，
and smaller，the original target recognition regularity is heavily damaged. In the trend of the target to be blurred，traditional“tem⁃
2017 年第 11 期
计算机与数字工程
2127
局部极小点。本文将径向基函数神经网络引入目标识别，设计了一个基于径向基函数的雷达辐射源目标识别系统。
［3］
表一种模式类别。输入向量与哪个隐藏层神经元的中心向量距离近，哪个隐藏层神经元的基函数输出就大，相应的模式类别对输出层的贡献就大，与哪个隐藏层神经元的中心向量距离远，哪个隐藏层神经元的基函数输出就小，甚至不激活，输出为零，相应的模式类别当然就不会影响 RBF 网络的输出［9］。向量和模式类别的分类由此完成。
Vol. 45 No. 11 2126
计算机与数字工程 Computer & Digital Engineering
第 45 2017 年第 11 卷期
总第 337 期
基于神经网络的辐射源目标快速识别
徐雄
成都 610036）（中国电子科技集团公司第十研究所摘要
随着军事科技的快速发展，伪装、隐蔽、欺骗、干扰等手段和技术大量应用于现代战场，以致从传感器获取的目
标特征参数的差异越来越不明显，原有的目标识别规律性被大量破坏。在目标特征逐渐模糊的发展趋势下，传统的 “特征提取和选择、模板建库、分类器设计、匹配决策” 等目标识别技术将很难准确地进行目标识别。论文研究了雷达辐射源识别的基于神经网络快速实现方法，并与传统模板匹配方法进行了效果比对，为摆脱传统目标识别思路的约束，发展智能化的目标识别技术提供了基础。关键词雷达辐射源识别；径向基网络；模式识别 TP391 DOI： 10. 3969/j. issn. 1672-9722. 2017. 11. 010 中图分类号
1
引言
针对战场目标智能化识别的需求，探索具有自
来，神经网络的应用已经深入到各个领域，例如模式识别、模糊控制、预测等。在模式识别领域，其独有的自组织、自学习和超强的容错能力使许多复杂的、难以用数学公式描述的问题迎刃而解，并显示了快速反应、准确应答的优越性能。特别适合用于军事领域中存储容量大，执行速度快的场合。在雷达对抗侦察领域中，要求对雷达脉冲进行快速处理和分类，当信号密度高、存在大量辐射源的雷达环境下，尤其如此。径向基函数神经网络（Radial Basis Function，
我学习进化、智能推理分析的目标识别新理论与方法。在综合分析与理解当前流行的各种结构神经网络的基础上，构建适应中小样本条件下目标识别的多层神经网络架构，利用识别样本数据对其进行逐层训练，实现战场目标特征、规律等以神经网络形式的固化，形成智能化目标识别的基础，颠覆式，提高目标识别的智能化水平。
are applied to the modern battlefield，so the differences in the target feature parameters obtained from the sensor are getting smaller plate match”recognition techniques will be difficult to target accurately. This paper studies radar radiation-source recognizing and the development of intelligent target recognition technology. Key Words Class Number TP391 radar radiation-source recognizing， radial basis function （RBF）， pattern recognition based on neural networks，compared with the“template match” ，it provides the basis of getting rid of traditional identifying ideas
Radar Radiating-source Recognizing Based on Neural Networks
（China Electronics ology Group Corporation No.10 Research Institute， Chengdu Abstract XU Xiong 610036）