通信辐射源指纹识别技术_朱丽莉
雷达辐射源指纹识别技术综述
ｍｅ ａ ｓ ｕ ｒ ｅ ｒ ｅ ｃ ｏ ｎ ｎ ａ ｉ ｓ ｓ ａ ｎ ｃ ｅ． Ｗ ｉ ｔ ｈ ｔ ｈ ｅ ｉ ｎ ｃ ｒ ｅ ａ ｓ ｉ ｎ ｇ ｌ ｙ ｃ ｏ ｍｐ ｌ ｅ ｘ ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｍａ ｇ ｎ ｅ ｔ ｉ ｃ ｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍｅ ｎｔ ａｎ ｄ ｔ ｈ ｅ ｒ ａ ｐ ｉ ｄ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ｏ ｆ ｒ ａ ｄ ａ ｒ ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕｅ，ｒ ａ ｄ ａ ｒ ｅ ｍｉ ｔ ｔ ｅ ｒ ｉｎ ｆ ｇ ｅ ｒ ｐｒ ｉ ｎ ｔ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｐ ｌ ａ ｙ ｓ ａ ｎ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ
ｒ ｏ ｌ ｅ，ａ ｎｄ ｉ ｓ ｆ ａ ｃ ｉ ｎ ｇ ｓ ｅ ｖ ｅ ｒ ｅ ｃ ｈａ ｌ ｌ ｅ ｎｇ ｅ ｓ ． Ｔｏ ｅ ｘ ｐｏ ｕ ｎ ｄ ｔ ｈ ｅ ｍｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ ｏ ｆ ｉｎ ｆ ｇ ｅ ｒ ｐ ｒ ｉ ｎ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｔ ｉ ｃ ｓ，
Ｋｅ ｙ ｗｏ ｒ ｄｓ：ｅ ｍｉ ｔ ｔ ｅ ｒ ｉ ｄ ｅ ｎ ｔ ｉ ｉｃ ｆ ａ ｔ ｉ ｏ ｎ； ｉｎ ｆ ｇ ｅ ｐｒ ｒ ｉ ｎ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ；ｔ ｒ ａ ｎ ｓ ｍｉ ｔ ｔ ｅ ｒ ； ｕ ｎｉ ｎｔ ｅ ｎ ｔ ｉ ｏ ｎ ａ ｌ ｍｏ ｄ ｕ ｌ ａ —
Ｒｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ Ｔｅ ｃ ｈｎ ｉｑ ｕ ｅ
Ｗｕ Ｗｅ ｉ ｃ ｈ ｅ ｎ ｇ Ｐ ａ ｎ Ｊ ｉ ｆ ｅ ｉ Ｌ ｉ ｕ Ｘｉ ｎ
（ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｉ ｒ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｈ ｅ ｆ ｅ ｉ ２ ３ ０ ０ ３ ７， Ｃ ｈ ｉ ｎ ａ ）
辐射源信号指纹识别技术(2)
电子科技大学UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA 硕士学位论文MASTER DISSERTATION（电子科技大学图标）论文题目辐射源信号指纹识别技术学科专业信号与信息处理学号201021020311作者姓名徐扬指导教师吕明副教授分类号密级UDC注1学位论文辐射源信号指纹识别技术（题名和副题名）徐扬（作者姓名）指导教师吕明副教授电子科技大学成都（姓名、职称、单位名称）申请学位级别硕士学科专业信号与信息处理提交论文日期2014.03 论文答辩日期2014.05学位授予单位和日期电子科技大学2014年06月答辩委员会主席评阅人注1：注明《国际十进分类法UDC》的类号。
RESEACH ON THE SIGNAL EMITTER INDIVIDUAL IDENTIFICATION TECHNOLOGYOF THE FINGERPRINTA Master Thesis Submitted toUniversity of Electronic Science and Technology of ChinaMajor: Signal and Information ProcessingAuthor: Xu YangAdvisor: Prof. Lv MingSchool:School of Electronic Engineering独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。
据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。
作者签名：日期：年月日论文使用授权本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。
通信辐射源个体识别技术研究
通信辐射源个体识别技术研究通信辐射源个体识别技术对提升无线通信系统的安全性和提高军事通信侦察对抗能力具有重要意义。
通过提取通信辐射源发射机在设计、生产过程中产生的硬件设备差异特征,可以分辨接收的信号来自哪个通信辐射源。
然而,提取这些细微的辐射源个体差异特征非常困难,使得通信辐射源个体识别技术研究成为一项十分具有挑战性的课题。
本文系统的研究了通信辐射源个体识别的理论框架,在此基础上研究了多种具有理论及实用价值的个体识别算法,通过仿真实验和实测数据验证了算法的有效性,部分算法在实际通信辐射源个体识别系统中得到了应用。
本文主要工作包括以下几个方面:1.通信辐射源个体识别基本理论研究。
分析了通信辐射源射频指纹特征信息的传输和处理流程,构建了通信辐射源个体识别的理论框架。
在建立通信辐射源个体特征信息的编译码模型基础上,分析了辐射源个体识别系统的理论性能,指出辐射源个体识别处理流程中应尽可能减少个体特征信息的损失。
2.基于发射机非线性模型的辐射源个体识别方法研究。
在分析通信辐射源个体差异特征的生成机理基础上,研究了基于发射机功放非线性行为的辐射源个体识别方法,可以刻画辐射源发射机功放的弱记忆非线性行为。
针对单器件非线性参数特征不足以精细建模辐射源发射机的个体差异,研究了发射机正交调制器畸变和功放非线性行为联合建模的辐射源个体识别方法,得到的个体特征向量可以更好地刻画不同发射机差异。
考虑到难以精确建模和求解发射机中包含的所有模拟器件非线性行为,提出了一种基于自然测度的辐射源个体识别方法,将辐射源发射机整体视作一个非线性系统,直接提取发射机系统的非线性特征,可有效分辨不同的辐射源发射机个体。
3.基于统计学习的辐射源个体识别方法研究。
为避免辐射源个体特征提取过程中依赖人的主观经验导致的个体差异信息损失,研究了三种基于统计学习的辐射源个体识别方法。
基于信号暂态稀疏表示的辐射源个体识别方法,利用低维特征空间暂态稀疏表示,采用重构误差最小化原则训练特征提取器,并据此分辨新样本的辐射源类别属性。
基于残差原型网络的辐射源个体识别
差网络的识别方法 也' ($!) 在序列信号的识别中取得了很好
的效 果$另 外'池 化 辅 助 分 类 器 生 成 对 抗 网 络 !C6640./
2;c04021(542))0Q0+1 /+.+12*0R+ 23R+1)21024.+*A61D']NH=
和 ON9"($") 半监督特征提取的方 法 在 ($>) 解 决 小 样 本 问 题
被提出'并用于对G&Y 序列数据的识别分类'这些 方 法 利 用
深度学习的强大特征提取能力*自学习能力和相应的数据
处理方法使得分类性能得到了很大提升$针对序列信号的
特点 基于复数神经网络 '
!56,C4+c=R24;+3.+;124.+*A61D'
和 H799" 网络压缩的高效识别方法 以 ($&) 及基于深度复残
困难$
利用人工提取特征并设计分类器的辐射源个体识别方
法已经有了 大 量 研 究'如 通 过 希 尔 伯 特 黄 变 换!J04T+1*=
矩 形 积 分 双 谱 变 分 模 态 分 J;2./*12.)Q61,'JJE"(")*
* (>)
解 和差分星座轨迹图 (#)
!30QQ+1+.*02456.)*+442*06.*125+Q0/;1+'
AAA8)()=+4+856,
基于残差原型网络的辐射源个体识别
王春升$ 王永民许!华朱华丽
空军工程大学信息与导航学院陕西 西安 #<%%##
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)。
一种基于相噪特性的辐射源指纹特征提取方法
摘要 ： 辐射源指纹特征可用于实现对辐射源 目标个体 的识别 。为 了提升特征 的区分 能力和识别性 能 ， 提出 了基 于相位 噪声 特性 的辐射源指纹特征提取方法 。通过分析发射机频率源电路 的等效数学模型 ， 建立了描述发射机 相位噪声特性 的 自回归
一
滑动平均 （ Ａ Ｒ ＭＡ） 模 型， 并 提出通 过 ＡＲ ＭＡ参数估计构建辐射源指纹特征 ， 从而完成辐射源个体识 别。仿真结果证实 了上
第３ ０ 卷 第９ 期
文章编号 ： １ ０ ０ ６ — ９ ３ ４ ８ （ ２ ０ １ ３ ） ０ ９ — ０ １ ８ ２ — ０
２ ０ １ ３ 年９ 月
一
种 基 于相 噪 特 性 的辐 射 源指 纹特 征 提 取 方 法
黄渊凌， 郑 辉
（ 西南 电子 电信技术研究所盲信号处理重点实验室 ， 四川 成都 ６ １ ０ ０ ４ １ ）
ｇ ｅ ｎ ｅ ｒ ａ ｔ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｔ ｒ ａ ｎ ｓ ｍｉ ｔ ｔ ｅ ｓ ．Ｆ ｒ ｉ ｎ ｇ ｅ ｐｒ ｒ ｉ ｎ ｔ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｗ ｅ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｔ ｈ ｒ ｏ ｕ ｇ ｈ ｅ ｓ ｔ ｉ ｍａ ｔ ｉ ｎ ｇ ＡＲＭＡ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ａ ｎ ｄ ｕ ｓ ｅ ｄ ｆ ｏ ｒ
一种基于雷达信号指纹特征的辐射源识别方法[发明专利]
![一种基于雷达信号指纹特征的辐射源识别方法[发明专利]](https://img.taocdn.com/s3/m/1770e8eaac51f01dc281e53a580216fc700a5318.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201811208283.3(22)申请日 2018.10.17(71)申请人 中国航天科工集团八五一一研究所地址 210007 江苏省南京市白下区后标营35号(72)发明人 刘志武 冀贞海 王昀 李文魁 杨树树 胡新宇 徐学华 侯文栋 马琴 宋海伟 李贵显 (74)专利代理机构 南京理工大学专利中心32203代理人 朱沉雁(51)Int.Cl.G01S 7/28(2006.01)(54)发明名称一种基于雷达信号指纹特征的辐射源识别方法(57)摘要本发明公开了一种基于脉冲包络上升沿特征搜索匹配的个体特征识别方法，根据雷达信号的上升沿包络的特性，通过由有意识别引导的基于Hausdorff距离的上升沿包络匹配法，达到辐射源个体特征识别的目的。
由雷达发射机磁控管参数随机变化造成的寄生调制会导致发射信号的包络具有差异，进而形成雷达“指纹”特征，而脉冲包络上升沿具有受多径、噪声影响较小的特性，在实际应用时具有较高的可靠性，因次本发明采用通过雷达信号的上升沿包络信息作为雷达信号的“指纹”，通过结合使用有意识别引导增加实际运用时匹配的成功概率。
权利要求书1页 说明书3页 附图1页CN 109212491 A 2019.01.15C N 109212491A1.一种基于脉冲包络上升沿特征搜索匹配的个体特征识别方法，其特征在于，方法步骤如下：步骤1、接收雷达脉冲信号并对信号进行有意特征识别与分类，判断模板库中是否存在该有意识别信号类型的模板，转入步骤2；步骤2、判断指纹库是否存在该有意识别信号雷达模板：若指纹库存在该有意识别信号雷达模板，进行上升沿包络提取并计算与模板间的Hausdorff距离，转入步骤3；若指纹库中不存在该有意识别信号雷达模板，则转入步骤4；步骤3、根据上述Hausdorff距离进行阈值判决，如果小于阈值，则认为属于同一雷达辐射源，将此脉冲信号计入该辐射源对应的全脉冲库并更新模板；否则，认为该脉冲来自另一雷达辐射源，转入步骤4；步骤4、进行上升沿包络提取，形成模板入库。
基于星座误差的辐射源指纹特征提取
和 功 放 产 生 的 寄 生 谐 波 、功 放 的 非 线 性 效 应 以 及 发 射 通 路 的等 效 滤 波 器 失 真 等 。 由丁 这 些 发 射机特 性畸变是 ＿ 尤意产生且不可控制 的，Ｉ 大 １ 此
更 好 的性 能 Ｊ 。
由 于 稳 态 信 号 普 遍 存 在 ，相 比 暂 态 信 号 特
直被研 究和关注 。 由于 设 计 容 羞 、 制造误 差 、
征 ，稳 态 信 号特 征 在 辐 射 源 个 体 识 别 中 更 为 重
要 。 问题 在 ｒ如 何 有 效 地 从 稳 态 信 号 中提 取 能 反 映 发 射 机 设 备 差 异 的 信 号 特 征 。 本 文 指 出发 射机畸变将在 信号星座误差 上得到反映 ， 此 提 出从 座 误 差 信 号 上 提 取 指 纹 特 征 。不 ｊ Ｂｒ ｉ ｋ等 人 仪 考 虑 频 率 误 差 、同步 头 相 关 值 、Ｉ ／ Ｑ 偏 移 、幅 度 和 相 位 误 差 等 调 制 参 数 ，本 文 考 虑 了多 项 发 射 机 畸 变 的效 应 ， 并 设 计 了 基 丁 机 器 学 习 的特 征提 取 方 法 ， 以实 现 从 星 庳 误 筹 信 号 中提取辐射源指 纹特征 。
一
号 进行 特 征 提 取 。 Ｂ ｒ ｉ ｋ等 人 提 出 Ｐ Ａ Ｒ ＡＩ ＤＳ办 法 ， 从 信 号 的调 制 域提 取 设 备特 征＿ ６ ］ ，取 得 了 良好 的 效 果 。Ｒ ｕ ｂ ｉ ｎ ｏ对 Ｂ ｒ ｉ ｋ的Ｔ 作 进行 了拓 展 ， 从振 荡 器 的相 位 噪 声 中导 出 了一种 特 征 晕 ，并 获得 了
- 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)。
2011 年第 24 卷第 12 期 Electronic Sci. ＆ Tech. / Dec. 15，2011
电子·电路
通信辐射源指纹识别技术
朱丽莉，王爱粉，赵 星
（ 空军工程大学 电讯工程学院，陕西 西安 710077） 摘 要 通信辐射源个体识别是近来通信对抗领域的重要研究课题，不同于传统通信信号侦察中的调制模式识别 研究，通信辐射源识别主要研究体现同类辐射源之间个体差异的信号指纹的分析提取技术。文中研究分析信号指纹的 分析提取存在的技术难点和解决方案。对稳态通信信号的个体细微特征，如通信发射信号在载频和调制参数特征上的 偏差，以及信号杂散输出成分的差异，并考虑将上述特征确立为反映通信电台个体技术特点的信号指纹，提出一个基 于证据理论的通信辐射源识别方案，是实现个体识别在军事通信对抗作战计划的重要依据。 关键词 通信辐射源； 模式识别； 频率稳定度； 个体识别 中图分类号 TN971 + . 1； TP391. 4 文献标识码 A 文章编号 1007 － 7820（2011）12 － 063 － 03
通信信号指纹识别的本质是模式识别问题，识别 的过程由设计和实现组成。设计是指用一定数量的样 本进行分类器设计，实现是指用设计的分类器对待识 别的样本进行分类决策。
线性信号处理系统，具有强大的模式识别分类和泛函 逼近能力，并具有良好的容错性。
组合分类器是近年来提出的一个新课题，指通过 一个组合器对不同分类器的输出作第二次判决，由于 融合了多个分类器的决策，所以可以得到更好的分类
1 指纹及信号指纹机理分析
1. 1 通信辐射源指纹 通信辐射源个体信号的细微特征也称通信信号的
“指纹”，指信号中可以用于标识发送该信号的通信设 备身份的特征。通过通信信号处理技术，发现通信信 号上所承载的通信辐射源稳定的硬件特征信息。可以 认为信号指纹主要表现为同一通信设备在其发送的所 有信号中反复表现出的一种有规律的变化趋势，而通 信信号个体中这种重复出现的变化规律信息具有反映 信号个体特点的技术特征，可以作为“指纹”用于标识 发送该信号的通信设备的个体特征。
电子·电路
图 2 基于证据理论组合分类器的辐射源个体识别结构
D － S 证据组合分类器对独立的信息才能进行融 合，其关键在于基本概率分配函数（ BPA） 的确定。文 献［7］认 为 如 果 各 分 类 器 使 用 不 同 的 特 征 集 或 训 练 集，则可认为不同分类器结果之间是独立的。因而，文 中利用不同的辐射源个体特征训练不同的成员分类 器，并进行 D － S 证据理论组合，可以根据需要选择合 适的证据组合规则进行通信辐射源类别的判断。
体的基础上，得到信号中通信设备的工作参数和特征 参数，然后利用这些参数获取该通信设备的体制、用途 和型号等信息，进而掌握其工作状态，了解其战术运用 特点、活动规律以及作战能力的过程。
文中研究的是同型号、同批次并工作于相同调制 方式、频段的多个电台辐射信号的个体识别技术。通 信辐射源个体识别主要包括 3 个过程： 预处理、特征提 取和分类识别。
2 通信信号指纹识别方法
性能，而其中的每个分类器都不要求是最优的，为通信
2. 1 特征参数值域判别法 采用特征参数值域判别法，首先要提取一个或多
信号的识别提供了新途径。
3 一种基于证据理论的个体识别方案
个能反映通信信号个体特征的参数值，根据各特征参 数所在的值域范围，采用模式识别的方法进行个体识 别，分析处理的主要过程是在时域和频域 ［3 － 4］。
Identification Technology for Individual Radio Transmitters
ZHU Lili，WANG Aifen，ZHAO Xing （ Institute of Telecommunication Engineering，Air Force Engineering University，Xi'an 710077，China） Abstract Recently identification of individual radio transmitters is an important problem，which is different from traditional modulation identification of communication signals． Identification technology of radio transmitters is an analysis and extraction technology based on individual different signal dactylogram of the same kind of radio transmitters． The difficulties and solution are discussed in this article． The individual characters of steady radio signals， such as radio transmitters offset of carrier frequency and modulation parameter and the difference of signal hash export component，are discussed． These characters are carried as signal dactylogram reflecting the individual technical characteristic of radio transmitters． An identification project of individual radio transmitters is proposed which is important for individual identification to play a role in the military communication counter-measure program． Keywords radio transmitters； pattern recognition； frequency stabilization； individual identification
目前常用的分类器是基于统计决策理论的参数和 非参数分类算法，如线性和广义线性决策函数，k － 最 近邻算法（ K － NN） ，二元分类树等。如果待识别特征 的概率密度函数已知或可以通过样本得到精确估计， 那么这些分类算法可以得到最佳识别性能，但是在通 信信号指纹识别问题中，这些条件很难满足，传统分类 器难以获得满意的个体识别性能。主要缺点是识别率 低、稳健性差［5 － 6］。
文中对通 信 信 号 指 纹 的 研 究 主 要 采 用“机 理 研 究 － 特征分析 － 特征提取 － 分类实验”的方法，其中 由于实际通信信号信噪比变化范围大，容易导致识别 率下降，直接影响分类器的分类性能。基于 D － S 证 据组合原理进行分类器设计，可以由不同类别指纹特 征参量集进行特征提取，下面给出一种基于证据理论 组合分类器的辐射源个体识别的设计方法，其结构如 图 2所示。
体差异。（ 3） 电台的杂散输出差异。 辐射 源 可 提 取 的 特 征 参 数 可 分 为 如 下 几 类：
（ 1） 技术特 征。 调 制 方 式、载 频 精 度、频 率 稳 定 度。 （ 2） 内部特征。数字通信的信息传输速率。（ 3） 频域特 征。信号带宽、调频参数调制失真度。（ 4） 时变特征。
对于接收到的通信信号，首先通过通信信号预处 理，再进行指纹特征提取，通过确立通信信号的载频、 调制参数及杂散成分特性为稳态信号指纹，可以对上 述特征运用时域、频域分析方法和现代时频域和高阶 谱方法进行特征分析提取。在分类器设计方面，第一 级分类器可以选用特征参数值域判别法、信号模本匹 配识别法等方法实现第一级分类，第二级采用并行组 合分类器，这样将高维特征空间的判分问题转化为针
www. dianzikeji. org
63
电子·电路
朱丽莉，等： 通信辐射源指纹识别技术
瞬时包络、频率、相位。
务是根据某一准则把一个给定的由特征向量表示的输
1. 2 信号指纹机理分析
入归入到一个适当的特征类别，即实现从特征空间到
通信辐射源个体识别是指在分析截获通信信号个 决策空间的转换，从而完成特征类的分类任务。
决策理论的发展克服了传统分类器的不足，提出
了更先进的不确定性推理理论，在此基础上，分类器识
别性能得到了显著提高。其中，神经网络分类器作为
一种先进的自适应、非参数和非线性分网络是一种以
图 1 通信辐射源个体识别系统的基本组成
自组织、自适应和大规模分布式并行计算为特征的非
的某模本相匹配，即可完成个体识别。
对不同低维空间进行划分的问题，再对第一级分类器
2. 3 通信信号指纹识别分类器
的输出作第二次判决。这样，融合了多个分类器的决
在统计模式识别中，分类器即分类算法的基本任 策，能够获得较好的分类性能。
64
www. dianzikeji. org
朱丽莉，等： 通信辐射源指纹识别技术
特征参数值域判别法也可以通过计算特征类的距 离进行个体识别，其难点在于如何从原始测量数据提 取和选择合适且必要的特征向量进行计算，重点是特 征的提取和选择算法。 2. 2 信号模本匹配识别法
信号模本匹配识别法的基本思想如下： （ 1） 对同一种通信信号形式中的 N 个信号进行参 数提取，提取的特征参数为 M 个，N 个已知信号的同 一个特征参数值各不相同，这样，每一个信号就有 M 个特征参数值与其他信号相区别； （ 2） 将 N 个信号的 M × N 个特征参数存入数据 库，建立包含 N 个已知信号模本的模本库； （ 3） 提取待识别信号的 M 个特征参数，与模本库 中的模本进行比较，如果提取的特征参数与模本库中