信號源個體識別方法簡介

四川九洲空管科技有限責任公司 趙浩然 董靜霆 王 麗 陳 妹

1.引言

信號源個體識別技術(shù)，是指利用通信接收機長時間接收空中信號并形成帶有標簽的信號庫，之后當通信接收機接收到未知信號時，通過特征提取、特征匹配等過程將未知信號與信號庫中信號進行對比匹配，實現(xiàn)信號源個體識別并獲得該信號源的設(shè)備類型、用途等屬性[1]。該技術(shù)是在當代通信技術(shù)飛速發(fā)展、空中環(huán)境日趨復雜的背景下應(yīng)運而生的，它主要利用附加在發(fā)射信號上的信號源個體硬件固有物理差異形成的信號微小差別來進行理論研究（即使兩個信號源的型號相同、調(diào)制參數(shù)相同，這種差異也是存在的），其核心和關(guān)鍵是信號細微特征提取與匹配方法。由于信號源個體識別技術(shù)在電子對抗、空管監(jiān)視等領(lǐng)域中有良好的應(yīng)用前景，目前已成為一個研究熱點。

在電子對抗領(lǐng)域，當信號源為合作方時，只需要對信號進行解析即可；但是當信號為非合作方時，由于無法獲得更多的先驗信息用以解析信號，那么就難以獲得有用信息，此時若利用信號源個體識別技術(shù)對信號進行特征匹配就能夠?qū)崿F(xiàn)對該信號源的屬性判斷，獲得有利信息。又如在空管二次監(jiān)視雷達系統(tǒng)中，地面設(shè)備向空中目標發(fā)射固定格式的詢問信號進行詢問，空中目標接收到詢問信號后向地面設(shè)備發(fā)射應(yīng)答信號用以信息交互，在一次天線掃描周期中會發(fā)生多次以上過程，在地面設(shè)備處理應(yīng)答信號過程中，信號源個體識別技術(shù)可以輔助點跡凝聚、航跡關(guān)聯(lián)等數(shù)據(jù)處理過程，從而提高空管運行效率。針對信號源個體識別技術(shù)，國外從上世紀就開始系統(tǒng)研究并取得一些成果轉(zhuǎn)化為應(yīng)用，如MASINT系統(tǒng)、ISTIS系統(tǒng)及VERA-E系統(tǒng)等等；而國內(nèi)對該技術(shù)的研究起步較晚，目前還沒有成熟的應(yīng)用，因此急需加快研究步伐。

通常，信號源個體識別過程如下：

圖1 個體識別過程

接收設(shè)備接收到空間信號以后，由于距離的原因會造成信號強度不同，因此需要對信號進行幅度歸一化等預處理操作，進而對歸一化信號進行一些時頻變換并根據(jù)特征提取方法提取樣本信號特征，對特征進行分析，最終進行特征匹配與分類判決，完成個體識別。本文在分析傳統(tǒng)特征提取方法的基礎(chǔ)上發(fā)現(xiàn)傳統(tǒng)方法的一些缺點并提出基于神經(jīng)網(wǎng)絡(luò)的分類架構(gòu)，該架構(gòu)能夠更加充分利用信號特征從而能用于對傳統(tǒng)分類方法的補充改進，提高信號源個體識別準確率。

2.時頻變換與特征提取

想要對信號進行識別，必須找出每個信號獨有的特征，這需要從不同的角度去認識、分析信號，從而剖析出信號的本質(zhì)。我們最初從空中采集的信號是以時間的形式存在的，稱為時域信號，除時間外，頻率也是信號存在于這個空間的重要表現(xiàn)方式，頻率的研究方法是建立在傅里葉分析基礎(chǔ)上的。大量實踐過程中發(fā)現(xiàn)單獨在時域或者頻域分析信號都有其優(yōu)點和缺陷，時頻分析（Joint Time-Frequency Analysis）方法提供了時間域與頻率域的聯(lián)合分布信息，清楚地描述了信號頻率隨時間變化的關(guān)系從而可以彌補單獨在時域或者頻域分析的不足。時頻分析的思想是設(shè)計時間和頻率的聯(lián)合函數(shù)，用以同時描述信號在不同時間和頻率的能量密度或者強度，從而可以從各個角度剖析分解信號。這種時間和頻率的聯(lián)合函數(shù)簡稱為時頻分布。在各個領(lǐng)域的信號分析過程中，大量應(yīng)用的時頻分布有短時傅里葉變換、模糊函數(shù)、小波變換、魏格納分布以及高階譜理論等等[2-4]。本文簡單介紹一下魏格納分布和小波變換。

魏格納分布是一種二次型時頻，它已經(jīng)被廣泛應(yīng)用于很多領(lǐng)域的時頻信號分析處理并且具有很多很好的性質(zhì)。信號，的聯(lián)合魏格納分布定義為：

其中分別為信號的傅里葉變換。

信號的自魏格納分布定義為：

魏格納分布具有如下良好的性質(zhì)：

a）對稱性：

b）位移性：

c）定義域的同一性：信號的魏格納變換與信號本身處于同一范圍的時域和頻域中；

d）時域頻域的積分性：

1）對于任意固定時刻沿全頻率軸積分等于該時刻的瞬時功率，即：

3）由上面兩條可得沿時、頻兩個軸的雙重積分等于信號的能量E，即：

除魏格納分布外，小波變換也是一種重要的時頻變換，它克服了短時傅里葉變換的一些缺點并廣泛應(yīng)用于圖像處理等領(lǐng)域，同魏格納分布一樣，它能夠在時域和頻域都有表征信號的能力。小波是函數(shù)空間中滿足下述條件的一個函數(shù)或者信號

上式中，表示全體非零實數(shù)全體，是的傅里葉變換，稱為小波母函數(shù)。可以看出小波在頻率有很好的衰減性質(zhì)。

一組小波基函數(shù)是通過尺度因子和位移因子由基小波產(chǎn)生的，對于實數(shù)對，參數(shù)為非零，函數(shù)：

稱為由小波母函數(shù)生成的依賴于參數(shù)對的連續(xù)小波函數(shù)，簡稱小波。其中a稱為伸縮因子，b稱為平移因子。

信號的連續(xù)小波變換定義為：

連續(xù)小波變換具有線性性質(zhì)、平移不變性以及伸縮不變性等性質(zhì)。

完成信號變換后，需要提取每個信號的獨有特征。所謂獨有特征，即為相同信號源發(fā)射的信號具有相似的度量大小，不同信號源發(fā)射的信號具有較大的度量差異，一種提取特征常用的方法是Fisher判別比。Fisher判決比一般表示為：

其中，是第c類信號的H個訓練樣本在點的時頻變換的平均值，是第c類信號的H個訓練樣本的時頻變換在點的標準差。

以Fisher判別比較大的點作為特征完成特征提取，對特征進行距離匹配，識別目標可以達到一定的準確率，常用的距離有“閔可夫斯基距離”、“Hausdor ff距離”等。但是基于上述過程進行目標識別主要存在以下兩個問題：第一，隨著目標個數(shù)增多選擇特征的能力下降；第二，電磁環(huán)境惡化后，方法的魯棒性不強。下一章，本文將簡單介紹利用神經(jīng)網(wǎng)絡(luò)進行分類的個體識別方法。

3.基于神經(jīng)網(wǎng)絡(luò)的識別架構(gòu)

神經(jīng)網(wǎng)絡(luò)是由簡單神經(jīng)元連接構(gòu)成的大規(guī)模并行分布式處理器，它通過帶標簽的樣本對神經(jīng)元的突觸權(quán)值進行更新，經(jīng)過大量訓練學習后具備很強的泛化能力，能對未在訓練過程中遇到過的數(shù)據(jù)給出合理的輸出。在信號源個體識別的過程中，利用信號庫中的信號作為訓練樣本，經(jīng)過幅度歸一等預處理后對信號進行變換并提取特征，利用經(jīng)過標準知識標示的特征為輸入，利用神經(jīng)網(wǎng)絡(luò)對樣本進行訓練調(diào)整權(quán)值，經(jīng)過大量訓練后，使系統(tǒng)具有泛化能力從而能對新進信號進行識別。具體過程如圖2所示。

圖2 基于神經(jīng)網(wǎng)絡(luò)的識別模型

在輸入層中，可以利用特征提取方法提取大量相對優(yōu)秀特征（可以設(shè)較小的閾值從而增多數(shù)量），這樣可以充分利用其特征；同時，由于經(jīng)過了大量訓練，信號中的噪聲以及干擾突變在訓練規(guī)程中影響會逐漸降低，因此系統(tǒng)的魯棒性就會提高。綜上所述，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)在一定程度上可以彌補傳統(tǒng)方法的不足從而有可能提高個體識別準確率。

[1]Talbot K I,Duley P R,Hyatt M H. Specific emitter identification and verification[J].Technology Review Journal,2003:113-133.

[2]Sugiyama T,Shibuki M,Iwasaki K,et al.Transmitter Identification-Experimental Techniques and Results[J].Journal of Communications Research Laboratory,2002,49(1):137-153.

[3]王磊,姬紅兵,史亞.基于模糊函數(shù)特征優(yōu)化的雷達輻射源個體識別[J].紅外與毫米波學報,2011,30(1):74-79.

[4]梁百川.利用小波變換識別脈內(nèi)調(diào)制信號[J].電子對抗,1998,3:1-12.