基于雷達脈沖壓縮信號的輻射源個體識別技術

陸澤櫞 王凱 程超才 賀芃 朱子平

摘要：信號輻射源識別在雷達對抗和設備狀態檢測中起到重要作用。本文采用Hammerstein模型對雷達輻射源建模，采用AR模型對雷達輻射源線性記憶特性建模。然后基于AR模型從脈沖壓縮后的回波信號中提取特征，并采用概率神經網絡對不同輻射源個體開展模式識別。并通過雷達信號處理相參處理，進一步提高對信號源個體識別的準確率。基于不同信噪比和兩種特征集，仿真結果表明本文提出的方法能夠在不增加硬件成本和的條件下，以極低的信號處理開銷，有效識別雷達輻射源個體。

關鍵詞：輻射源個體識別；脈沖壓縮；概率神經元網絡

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2019）06-0173-05

Radar Emitters Identification Technology Based on Pulse Compression Signal

LU Ze-yuan， WANG Kai， CHENG Chao-cai， HE Peng， ZHU Zi-ping

（The No.38 Research Institute of CETC，Hefei 230000， China）

Abstract： Signal emitters identification technology can play an important role in radar countermeasure and radar equipment state detection. In this paper， Hammerstein model is used to describe the radar emitter and AR model is used to describe the linear memory characteristics of the radar emitter. Then， based on AR model， features are extracted from the echo signals after pulse compression， and probabilistic neural networks are used to identify individual radiation sources. Through the radar signal processing coherent method， the accuracy of individual signal source identification is further improved. The results show that the proposed method can effectively identify radar emitter individuals with very low signal processing overhead without extra hardware costs.

Keywords： Signal emitters identification； Pulse compression； Probabilistic neural network

目前對信號輻射源特征差異的定量機理研究不足。文獻主要基于現代信號處理方法提取輻射源特征信息。這些研究工作中的個體特征提取方法中經驗成分偏大，目前的研究工作傾向于根據信號觀測來歸納差異。

從特征提取方法看，現有的信號輻射源個體識別技術主要分為三種：第一種針對信號參數的統計特征；第二種聚焦信號變換域的統計特征；第三種基于發射機非線性的統計特征。這些現有方法主要針對的是通信信號而非雷達信號。

Williams等人針對通信信號暫態段、導頻段，提取瞬時幅度、瞬時相位、瞬時頻率的統計參數作輻射源個體特征[1-3]。通信輻射源識別研究可利用導頻信號，導頻信號是一種穩態信號，然而在LFM波形的雷達信號屬于非平穩信號，但本文不是直接對雷達回波做分析，而是以脈沖壓縮后信號做輸入，特征提取方法采用自回歸方法處理暫態信號。

Brik從解調星座圖畸變角度提取輻射源個體特征向量，并在對130多個發射機的識別實驗取得了超過80%的正確識別率[4]。基于時域和頻域統計參數特征的個體識別方法研究較為深入，然而這些特征受噪聲影響大，且對非高斯、非平穩信號分析能力弱。

時頻分析在輻射源特征識別得到廣泛應用[5]。Reising使用Gabor-Wigner變換，采用歸一化幅度系數序列的統計量做輻射源特征，但其通信收發實驗是在辦公室環境中開展。

Polak通過譜分析方法[6]，通過帶內畸變失真、非線性參數估計的討論鑒別無線設備獨特的特征。變換域方法計算量大，在雷達實時解算系統中可能會加重系統計算負荷。

Wang在特征建模中分析了信道對特征[7]的影響，因為通信信號在傳播過程中會受到信道影響，雷達信號不考慮多徑影響。Wang基于信息論和無線設備物理層特征[8]，討論了通信容限和輻射源個數問題，同樣雷達輻射源辨識容限也需要輻射源特征識別研究。

Zhang和Liu以無記憶模型建模了不同輻射源功放非線性特征[9]，功放非線性在模型中得到考慮，但實際存在的功放記憶效卻未在建模中體現。本文對雷達輻射源建模中既考慮到非線性，又考慮到了記憶效應。

2016年，Huang提出了發射機系統輸出信號歸一化置換熵特征，對輻射源個體識別率高達95% [10]，但該方法訓練樣本量大，泛化能力尚需進一步研究。本文采用小樣本提取輻射源特征，有助于提高雷達對復雜多目標[11]檢測性能。

1模型描述

1.1輻射源系統仿真

實際信號產生過程是由多個非線性器件配合完成的，建模描述的是輻射源系統的整體的非線性行為，提取的輻射源個體特征極的后續研究提供數據源。

實際發射過程中受隨機相位波動影響，頻率源信號輸出在頻域不再是單一譜線，而包含了許多諧波。發射過程中未完全被預失真技術補償的部分就是輻射源非線性特征來源。對功放非線性的建模采用了記憶模型，輸入為窄帶信號的功放，具有相對較弱的記憶效應。采用Hammerstein模型建模，線性記憶模塊通過低階AR模型近似。

雷達采用數字脈沖壓縮技術解決系統威力與距離分辨力的矛盾。在雷達系統中一般采用理想信號與接收機輸出的信號進行匹配，引起理想信號與接收信號之間相關性下降的因素主要有：發射通道對理想信號的無意調制；接收通道對信號的無意調制；模數轉換；為抑制副瓣而進行的幅度加權；目標運動引起的多普勒調制和脈沖寬度的變化。其中僅發射過程的無意調制對于信號源具備識別性。

1.3雷達輻射源個體識別特征

本節描述了AR模型從脈沖壓縮后的回波信號中提取特征，這樣做避免了對仿真數據描述過度擬合，雖然會降低識別率但對真實輻射源個體信號仍然具有適用性，它的模型的系數蘊含了輻射源個體的重要特征，AR 模型可以有效描述回波信號中特征。反復試驗結果表明，AR模型的系數是信號回波諸多參數中對波形形態特征描述較維數低且穩定有效的。

1.4雷達輻射源個體識別器

概率神經網絡需調整的參數較少，無需人為確定模式層數，并且模式層中具有隱層神經單元，可以依據訓練完成神經網絡的建構，不存在局部最小值。根據貝葉斯理論對不同輻射源個體開展模式識別。

概率神經網絡體系包含四層，依次是：輸入層、模式層、累加層、輸出層。

2.2仿真結果

效仿通信輻射源識別中直接對雷達回波進行輻射源識別的技術路徑，固然也是可行的，但是一方面脈沖壓縮將能量集中，提高了信噪比，另一方面不同于通信信號的連續接收，雷達信號僅在回波的目標附近具有輻射源鑒別的素材。脈沖壓縮過程的加入必然會影響到輻射源識別，但是基于數字處理的脈沖壓縮過程針對所有的輻射源都是一致的，因此在脈沖壓縮的過程中并不會引入新的無意調制。本文采用脈沖壓縮后峰值附近80個點的幅度序列信息作為輻射源特征的輸入。

如圖1所示，三種不同的顏色分別代表了三種輻射源在同一目標位置的回波脈沖壓縮曲線，從幅度序列可見差異，紅色表示雷達輻射源1，黃色表示雷達輻射源2，藍色表示雷達輻射源3。副瓣與主板比值，主瓣峰值高度等諸多參數上都存在差異。有文獻報道瞬時相位的統計參數特征分辨輻射源個體的能力很強，表1雷達脈沖壓縮信號特征參數可以看到，不同輻射源脈沖壓縮后的相位差異，但僅在1度以內，以相位作為特征并不能提高識別率。

為了刻畫這種差異采用AR建模系數作為參數，特征基于AR的5階模型參數，第2類特征基于AR的5階模型參數外加目標距離。不同于通信輻射源中的特征選擇，第2類特征參數中增加目標距離，這是雷達輻射源識別的特色。

通常在輻射源個體識別的特征選取時，特征應具備時移不變性、尺度變化性和相位保持性，由于特征具有不規則的非平穩性、非線性、和非高斯性，信號的雙譜理論上可以消除高斯白噪聲的影響，同時具備分類特征特性以及分析細微特征特性，如圖2所示的是針對同一距離的目標，不同輻射源回波信號脈沖壓縮后的雙譜圖，雙譜圖的總體趨勢基本類似，但在細節處表現出了明顯的差異，雙譜較好的刻畫輻射源個體差異性。

對于LFM的雷達信號這種非高斯信號而言，雙譜這類高階統計量包含更豐富的統計信息。

從表1雷達脈沖壓縮信號特征抽取典型參數中可以看出，AR模型系數能夠表現出三種不同輻射源在同一目標位置回波脈沖壓縮后的差異。同時通過AR模型參數計算特征所需要的時間很短，典型的一批訓練數據200個序列特征計算僅需要9.05E-04秒。

從表2 雷達輻射源個體識別表中可見，選用類型1特征作訓練時訓練樣本正確率可達96%-98%之間，而選用類型2特征作訓練時訓練樣本正確率可達75%-85%之間，這說明僅僅使用AR模型系數作輻射源特征是不夠的，也說明了目標位置對脈沖壓縮之后的波形有顯著影響。這些都是雷達信號處理不同于通信信號的特性。

從測試準確率來看，選用了目標位置作為特征量的第1類特征也遠遠優于第2類，在30dB時，差異達到了一倍。同時樣本測試識別耗時很短在0.04秒左右，由于仿真僅僅采用了200個點做樣本，其中測試樣本還不在訓練樣本中，兩者的目標距離不同。在不同信噪比條件下，建立神經元網絡所需要的時間在0.2秒左右，如果樣本量增加，則訓練時間會進一步增加，但是訓練可以提前完成，實際測試使用時耗時大大縮短。注意到本文采用的是三個不同的輻射源，不同于2分類問題，多分類在信噪比15dB時仍然能正確率達到43%，且不需要增加硬件成本，甚至不改變雷達信號處理主體流程，計算開銷小。后續通過相參雷達處理方法，可以進一步提高對信號源個體識別的準確率。

如表3所示，通過多脈沖相參處理，盡管但脈沖識別率僅僅是43% ，如果6個脈沖中有2個及以上識別出了輻射源，那么正確識別概率可以達到80.34% 。單脈沖識別率60%，如果10個脈沖中有4個及以上識別出了輻射源，那么正確識別概率可以達到93.92% 。從表3種可以看出一個相干脈沖串相參處理累計識別可以提高識別率。

3 小結

本文首先采用Hammerstein模型對雷達輻射源建模，采用AR模型對雷達輻射源線性記憶特性建模。然后基于AR模型從脈沖壓縮后的回波信號中提取特征，并概率神經網絡對不同輻射源個體開展模式識別。通過雷達信號處理相參方法，進一步提高對信號源個體識別的準確率。在不同信噪比和兩種不同特征集情況下，針對3個不同雷達輻射源個體，在15-30dB 信噪比條件下，選用類型1特征作訓練時訓練樣本正確率可達96%-98%，選用類型1特征作測試時正確率可達43%-60%。盡管單脈沖識別率僅43% ，如果6個脈沖中有2個及以上識別出了輻射源，正確識別概率可達80.34% 。結果表明本文提出的方法能夠在不增加硬件成本和的條件下，以極低的信號處理開銷，有效識別雷達輻射源個體。

參考文獻：

[1]M.D.Williams，S.A..Munns，M.A.Temple，etal. RF-DNA fingerprinting for airport WiMax communications security[C]. IEEE International Conference Network and System Security， Melbourne，2010，32-39.

[2]C.Dubendorfer，B.Ramsey，M.Temple. ZigBee device verification for securing industrial control and building automation systems[M]. Critical Infrastructure Protection：Springer，2013，47-62.

[3] C. K. Dubendorfer， B. W. Ramsey， M. A. Temple. An RF-DNA verification process for ZigBee networks[C].IEEE Military Communication Conference，Orlando. 2012，1-6.

[4] T. J. Bihl， K. W. Bauer， M. A. Temple. Feature selection for RF fingerprinting with multiple discriminant analysis and using ZigBee device emissions[J]. IEEE Transactions on Information Forensics and Security.

[5]Z. Yang， Q. Wei， H. Sun， et al. Robust radar emitter recognition based on the three-dimensional distribution feature and transfer leaming[J]. Sensors， 2016， 16（3）.

[6]A.C.Polak and D. L. Goeckel. Identification of wireless devices of users who actively fake their RF fingerprints with artificial data distortion[J]. IEEE Transactions on Wireless Communications， 2015， 14（11）： 5889-5899.

[7]W. H. Wang， Z. Sun， S. X. Piao， et al. Wireless physical-layer identification： modeling and validation[J]. IEEE Transactions on Information Forensics and Security， 2015， 11（9）： 2091-2106.

[8]W. H. Wang， Z. Sun， S. K. Ren， et al. User capacity of physical-layer identification： an information-theoretic perspective[C]. IEEE 2016 International Conference on Communications （ICC）， Kuala Lumpur， Malaysia， 2016，3317-3322.

[9]J. W. Zhang， F. G Wang， O. A. Dobre， et al. Specific emitter identification via hilbert-huang transform in single-hop and relaying scenarios[J]. IEEE Transactions on Information Forensics and Security， 2016， 11（6）： 1192-1205.

[10]G Q. Huang， Y. J. Yuan， X. Wang， et al. Specific emitter identification based on nonlinear dynamical characteristics[J]. Canadian Journal of Electrical and Computer Engineering，2016.

[11] Peng Chen， Chenhao Qi*， Lenan Wu， Xianbin Wang， Estimation of extended targets based on compressed sensing in cognitive radar system， IEEE Transactions on Vehicular Technology， Vol. 66（2）：941-951， 2017.

【通聯編輯：王力】