一種基于IQ數據時域功率圖的通信輻射源識別方法*

汪 鵬，王金明，張宏瑜，孫 淵，池志偉

（1.陸軍工程大學，江蘇 南京 210007；2.解放軍73156部隊，福建 漳州 363900）

0 引 言

輻射源識別技術，是利用輻射信號時域、頻域等方面的特征與性質，運用數學解析方法，對信號進行差異化的可識別的特征參數提取，并利用機器學習等科學方法對特征參數進行識別、學習、泛化，從特征參數的差異性方面對信號進行處理分類，從而達到輻射源識別的效果。它的原理在于發射機發射信號時，信號夾雜了發射機的硬件信息。不同的發射機個體發出的信號有細微的差異，這些差異性為通信輻射源個體識別提供了依據。

卷積神經網絡（Convolutional Neural Network，CNN）是深度學習中最常見的方法，常用于圖像識別[1]。通過多年發展，卷積神經網絡發展研究比較成熟，應用廣泛。在通信輻射源識別方面，它能結合信號的小波變換[2]、高階譜特征[3]、IQ特征圖[4]等圖像特征進行圖像識別，從而達到通信輻射源識別的目的，取得了較好的識別效果。

對于電臺信號，通過接收機采樣可以得到分別為I路和Q路兩路數據。由于電臺硬件導致的IQ不平衡性，兩路數據不能呈現出理想情況下的正交性。I路和Q路數據受幅度和相位不平衡的影響，在正交性上表現出個體差異。每部電臺的差異性表現不盡相同，給電臺識別提供了依據[5]。

1 I/Q失配模型與特征提取

硬件制造過程自身存在不完善性和差異性，導致正交調制器產生的I/Q信號存在失配問題。I/Q失配主要有增益失配和相位失配。相位失配表現為兩路信號相位差不是90°，即I、Q信號是非正交的，造成調制后的兩路信號交疊。增益失配通常導致調制后信號失真。I/Q失配的調制器模型如圖1所示[6]。

圖1中：fc為調制器的載波頻率；ε和θ為調制器的增益失配和相位失配參數；xI(t)和xQ(t)分別為輸入信號的同相分量和正交分量。假設輸入信號為理想的模擬信號，xI(t)和xQ(t)分別為Acoswt、Asinwt，其中w為輸入信號的頻率，則調制后的輸出信號為：

化簡式（1），整理可得：

將調制完成后的兩路信號sI(t)×cos2πfct與-sQ(t)×sin2πfct通過解調器并濾波，產生解調后的I、Q信號sI(t)和sQ(t)。

化簡整理，得到：

從式（5）和式（6）可以看出：I、Q兩路信號波形的變化是相對應的，即若I路信號在時間t0處產生變化，則Q路信號在t0處也會產生相應的變化。I、Q兩路信號的幅度變化、相位變化都只與參數ε和θ有關，即兩者之間存在一定的關聯性。假設任意時刻t的時域功率p(t)=sI2(t)+sQ2(t)，從式（5）和式（6）可以分析得出：在理想情況下，p(t)的值恒為一常數A2；當存在I/Q失配情形時，p(t)的值會隨著參數ε和θ的變化，所以p(t)的波形圖變化與參數ε和θ有關，且該變化具有唯一性，可以作為通信輻射源識別的特征。

2 輻射源信號的采集與預處理

2.1 信號數據采集

本文的實驗數據來自同一型號的不同個體的4部超短波電臺，共分為8組實驗。每組實驗中，4部電臺均在同一頻率和幅度下工作。第1組起始工作頻率為35 MHz，以后每組工作頻率間隔2 MHz。8組不同頻率波形分別在4部電臺上工作測試。電臺調制模式為FM調制，工作模式為“小功率”。信號采集的采樣頻率為204.8 kHz，采集得到的部分信號如圖2所示。

2.2 數據特征處理

2.2.1 數據抽樣

由于I、Q兩路信號在時域上存在幅度和相位的變化，且都只與參數ε和θ有關，為了保留這些特征信息，可以先對連續時間進行抽樣，抽樣間隔為4個單位，如圖3所示。

2.2.2 畫出時域功率圖

對每個時間點的I、Q兩路信號的采樣值分別平方后求和，得到該時間點的功率，繼而畫出該電臺的時域功率圖。理想情況下，電臺的時域功率恒為常數。但是，在現實情況中，由于I/Q不平衡的影響，正交的I、Q信號分量會產生幅度變化和相位偏移，使電臺的時域功率偏離常數而產生規律性變化，如圖4所示。從公式推導可知，現實中時域功率圖變化情況只與參數ε和θ有關，每部電臺的時域功率圖可以通過CNN進行識別，信號的時域功率可以作為通信輻射源識別的特征。

2.2.3 對數據進行截取

針對圖4中每部電臺的時域功率圖，每隔4 000個點取一個數據樣本，每部電臺取1 000個樣本，如圖5所示。

3 實驗與分析

3.1 實驗參數優化

CNN最初被用來識別數字手寫體圖片[7-8]。通過上文方法得到各電臺的時域功率圖的樣本圖，其特征與數字手寫體類似，即利用CNN能很好地識別與區分。為了提高識別的效率和精度，進行網絡參數優化實驗[9]。

輸入的網絡訓練集為4部電臺的基于IQ數據的時域功率圖，每部電臺取1 000個樣本作為訓練集，再在時域功率圖中其他任意部分每隔4 000個點取一個樣本，共取1 000個樣本作為測試集。

分別將CNN的初始學習率設為0.01、0.001、0.000 1，測試在不同迭代次數下訓練集分類識別的正確率，實驗結果如圖6所示。通過改變不同的卷積核大小，對訓練集的分類正確率進行實驗，結果如表1所示。

表1 卷積核大小對實驗結果的影響

通過實驗，最終選擇由2層卷積層和2層全連接層組成的CNN，初始學習率設定為0.000 1，卷積核大小為3，結構如圖7所示。

訓練樣本為4部電臺數據，每部電臺1 000個訓練樣本，網絡優化方法為Adam方法，卷積核大小為3，初始學習率為0.000 1，一次訓練所取的樣本數（batch_size值）設置為20，全部樣本的訓練次數（epoch值）設置為80次。在以上最優參數設置下，實驗得出訓練次數和訓練準確率、損失函數值之間的關系，如圖8所示。

訓練完成后，保存訓練參數，使用未訓練的數據作為測試集，并用保存好的CNN對其進行測試，結果如表2所示。

表2 測試集訓練實驗結果

3.2 不同特征的對比實驗

高階譜分析是利用雙譜運算對信號進行處理，得到三維雙譜圖，并利用圖像處理技術提取圖像的紋理特征對圖像進行分類識別。作為最簡單的高階譜，雙譜具有信號處理簡單、信號信息豐富、能完全抑制高斯噪聲的特點，適合細微特征的處理與分析[10]。

小波變化是為了克服傅里葉變換在時域中沒有辨識能力的缺點，利用小波和一組帶通濾波器對時域信號進行分解，對信號能量在時頻平面上進行分割，使得信號轉化為二維時頻信息[11]。該方法將原始數據分解成低頻小波系數和高頻小波系數，并將低頻小波系數達到最大分解。

對比雙譜特征和IQ數據時域功率圖特征，CNN分別使用各特征適用的最佳狀態網絡。分別選取同類型4部不同電臺，每部電臺2 000個樣本。不同特征的訓練集結果如圖9所示。

保存好各特征訓練的模型，分別制作測試集，得到測試集實驗結果如表3所示。

表3 不同特征下測試集識別正確率

從實驗結果可以看出，提取IQ時域功率圖特征，利用CNN進行識別，能取得較好的實驗效果。雙譜特征訓練集實驗效果較好，但測試集識別結果較差，主要原因在于實驗時產生了過擬合現象。

3.3 特征適用性實驗

本文采用IQ數據的時域功率作為輻射源識別的特征。該特征不需要復雜的數據預處理過程，在實際工程應用中，只需要采樣采集得到電臺信號的IQ數據并進行圖形變換即可。該變換使I路、Q路不平衡導致的差異性信息都能包含其中，能很好地保留數據的原始信息。用IQ數據的時域功率圖像作為識別依據，滿足CNN網絡處理圖片識別的基本用途，所以識別效果較好。

為了驗證此種方法的普遍適用性，將本次實驗分為兩類，即普通電臺和“健伍”手持機。每類有型號相同個體不同的4部個體。手持機工作頻率為160 MHz，靜噪方式為單音靜噪（100 Hz），發射地點為室內。分別進行實驗，得到的實驗結果如圖10所示。

從實驗結果可以看出，在全部樣本的訓練次數取得一定值（大于150）時，手持機的訓練集識別率也能達到98%以上，實驗效果較好。模型訓練完畢后，制作測試集，并用該模型對測試集進行識別實驗，得出實驗結果如表4所示。

表4 不同通信輻射源測試集識別正確率

通過實驗發現，基于IQ數據的時域功率圖特征在普通電臺和手持機的識別上都有較好的效果，具有一定的泛化能力。

4 結 語

基于CNN強大的圖片識別分類功能，本文提出一種基于IQ數據得到IQ數據的時域功率圖，再用神經網絡對特征圖片進行分類的方法。由于該時域功率圖包含因IQ不平衡導致的個體差異性，因此能作為輻射源識別的依據。實驗結果表明，該種識別方法在普通電臺的識別上正確率能達93%。對比小波變換特征、雙譜特征，該方法能取得更高正確率且不易發生過擬合現象。最后，運用此種方法對手持機進行識別，識別率較高，表明該方法在其他通信輻射源方面具有一定的泛化能力。此外，該方法使用的是結構簡單的CNN，技術比較成熟，特征提取方面主要對數據進行簡單的處理，處理速度較快，有較高的實用性。