輻射源識別技術發展研究

徐晉凱，謝 鈞

(陸軍工程大學 指揮控制工程學院，江蘇 南京 210007)

0 引言

20 世紀60 年代美國基于對移動信號目標追蹤與確認的需求，提出發展輻射源個體識別技術或稱特定輻射源識別。 經過多年的研究發展，2003 年由Talbot 等人[1]首次提出了輻射源個體識別系統的結構，其主要包括三個部分：(1)信號的接收與預處理部分，包含射頻系統、數據采集系統和信號處理系統。 (2)信號的特征提取部分，特征提取系統。 (3)分類與識別部分，包含分類器、驗證系統、類管理系統和輻射源數據庫。輻射源個體識別是指對空間中傳播的信號進行特征測量，根據已有的先驗信息確定產生信號的輻射源個體。指紋特征是由發射機內硬件工作時產生，若提取的指紋特征滿足普遍性、唯一性、穩定性、獨立性和可測性，將有利于個體識別的準確率提高，因此大量的學者進行指紋提取的研究。輻射源個體識別對于頻譜資源管理和無線網絡安全等方面有著重大的研究意義。本文將從三個方面進行回顧分析輻射源個體識別現狀：(1)針對輻射源設備類型進行分析。 (2)針對接收信號類型進行分析。 (3)針對指紋特征提取方法進行分析。

1 輻射源識別分類

1.1 基于通信設備類型分類

相較于通信輻射源個體識別，雷達輻射源個體識別起步更早。早期雷達輻射源個體識別通過雷達信號參數來實現，如載頻、脈寬、脈幅、到達時間、到達方位和脈沖重復間隔等。由于雷達信號的發射體制越來越復雜，工作頻段不斷拓寬等原因，僅使用信號參數作為特征已無法滿足個體識別的需求。因此對雷達脈沖信號特征信息需要進一步深入研究。 基于此研究人員提出了脈沖包絡前沿[2]、脈沖樣本圖[3]和脈沖包絡上升沿[4]等指紋特征。 同時文獻[5]參考生物基因表征模型構建雷達信號基因特征提取模型。 文獻[6]作者提出基于此頻率漂移現象，定義了頻率漂移曲線的幾何特征，以幾何特征作為信號的指紋特征來實現發射機的識別。

通信輻射源識別相較于雷達輻射源識別起步稍晚。 通信信號類型多種多樣，包括如移動通信信號、無線網絡 WLAN 信號和衛星信號等。 通信信號包含有調制信息與數據信息等內容，而信號中攜帶的大量信息會對細微特征提取產生嚴重干擾，因此對于通信輻射源識別來說指紋特征提取更困難。 為了降低干擾，研究人員利用通信知識從信號中提取特征來實現識別。 文獻[7]對時域信號的時間序列進行計算，使用計算得到置換熵作為識別特征。 文獻[8]對時域信號進行變換，將信號變換到調制域中，利用硬件缺陷構建PARADIS 特征矢量進行識別。

1.2 基于信號狀態分類

暫態信號又稱瞬時信號，會在輻射源開機、關機和模式切換的瞬間產生。 暫態信號可以很好的體現輻射源的非線性與非穩定性，使用暫態信號可以實現較高的識別率。 對暫態信號進行特征提取首先要完成信號的起始與中止檢測,然后提取暫態信號特征。 暫態信號特點：(1)信號持續時間短，對信號采集設備要求高。 (2)信號捕捉難度大，無法準確估計暫態信號的起止時間。 (3)易受復雜電磁環境的影響。

穩態信號是指發射機經過啟動或切換階段后，信號不再隨時間變化而改變。 相比于暫態信號，穩態信號具有持續時間長獲取簡單等特點。 但是信號中攜帶有數據信息等內容，指紋特征容易隱藏于數據信號或環境噪聲信號中，不易被提取。 在樣本數較少時，很難消除數據與噪聲信號的干擾。

2 輻射源識別特征提取方法

輻射源特征提取方法主要分為：(1)人工特征提取。(2)深度學習特征提取。 本文將根據特征提取的思路，對特征提取結構進行梳理。 人工特征提取主要為對時域信號提取特征與結合信號處理技術提取特征兩個方面，深度學習特征提取也包括結合信號處理技術與深度學習模型提取兩個方面。 如圖1所示。

圖1 特征提取方法框架示意圖

2.1 人工特征提取方法

輻射源指紋特征提取方法可分為人工特征提取與深度學習特征提取兩類。 人工特征提取主要基于研究人員的通信領域知識，對時間序列信號進行計算或變換來獲取指紋信息。 人工提取主要從信號的時域、頻域、時頻平面和非線性硬件建模等方面進行。

從時域信號中提取到個體指紋信息主要為參數特征、脈沖包絡特征等。 參數特征是指通過對輻射源信號進行測量或者進行概率估計得到特征，常用參數特征包括：載頻、脈沖寬度，脈沖幅度，脈沖方位角等。而如今，電磁環境愈加復雜，輻射源個體差異不斷縮小，使用參數特征已經很難實現個體的精確識別。 由于個體特征來自于輻射源設備中硬件的不穩定特性，這種微小的差異會在脈沖包絡中得到體現。 因此學者基于信號的脈沖包絡波形進行相關研究。 在時域信號中常見瞬時頻率特性[9]、脈沖包絡上升角與下降角[10]和包絡的分形維數[11]等作為輻射源識別特征，同時不少學者結合了信號處理技術對接收信號中的細微特征進行提取，文獻[12]使用小波分析進行包絡分析，文獻[13]對信號進行短時傅里葉變換，獲得瞬時瞬變信號的能量包絡。

對信號脈沖進行特征提取對于信號采集設備要求較高，并且脈沖波形易受到信道條件的影響，進而影響到個體識別的準確度。 在對時域信號進行特征提取研究的基礎上，可以對信號進行預處理，從預處理的信號中提取出個體指紋特征，如：傅里葉變換、時頻分析、高階譜、希爾伯特-黃變換、固有時間尺度分解與變分模態分解等。

(1)將時域信號變換到頻域或調制域，進行特征提取。 將信號變換到頻域提取頻譜圖分布特征,在文獻[14]中提到信號滿足時間反向不變性會具有對稱頻譜，通過測量頻譜圖的分布特征，同時通過測量距離與互相關性來實現信號的識別。 調制域誤差指紋特征是由 Brik 等人[8]在 2008 年提出，又稱星座圖誤差特征，通過接收信號變換到調制域進行特征提取。 而調制域提取的特征具有更好的結構性和代表性特點，因而取得不錯效果。 文獻[15]利用樣本與核的相似性度量，進行動態聚類重構星座圖，進行星座圖匹配完成分類工作。

(2)時頻分析即信號的時間頻率聯合域分析，是一種提供了信號時域與頻域的聯合分布信息的信號處理方法，描述了信號的頻率隨著時間的一個變化關系。 時頻分析有線性時頻表示與非線性時頻表示，線性時頻方法有Gabor 變換、短時傅里葉變換和小波變換，非線性時頻變換常見的有魏格納威利分布和Choi-Willianms 分布等。 時頻分析方法應用于雷達輻射源個體識別研究中較多。 葉文強與俞志富二位學者[16]基于雷達信號的短時傅里葉變換進行特征的提取。 文獻[17]使用 Choi-Willianms 分布將信號轉換為二維時頻圖像，在此基礎上使用主成分分析(Principal Components Analysis，PCA)選取特征實現識別。 時頻分析是分析非平穩、非高斯信號的重要工具，但是時頻分析在針對不同的信號不同的應用場景時，很難把握核函數的選擇，其對于輻射源識別分析有著較大影響。

(3)高階譜是信號的能量譜，包含有多個頻率分量，高階譜是通過k 階累積的k-1 維傅里葉變換得到的。由于有非高斯信號的存在，對于非高斯信號，高階統計量可以包含豐富的信息。 而高階譜具有計算復雜的問題，其中雙譜是最簡單的高階譜，雙譜是三階譜，基于雙譜引入積分雙譜來簡化雙譜的計算，常見的積分雙譜方法有選擇雙譜、徑向積分雙譜、軸向積分雙譜和矩形積分雙譜等，雙譜的優點是能夠提供豐富的相位和幅度信息，且抗高斯噪聲能力強，雙譜具有時移不變性、尺度變化性和相位保持性特點[18]。 王歡歡等人[19]提出了改進積分雙譜特征和時頻分析相結合的特征來進行個體識別。文獻[20]使用非線性流形方法約簡雙譜特征，防止直接使用高階譜參數常出現“維數災”現象。 蔡忠偉與李建東[21]二位選擇雙譜作為特征向量。 文獻[22]采用局部積分雙譜并結合輻射源特征參數構成特征向量。

(4)希爾伯特譜是基于希爾伯特-黃變換，將信號進行經驗模態分解后得到本征模態函數，對本征模態函數進行希爾伯特變換后，可以得到本征模態函數的時域、頻域和振幅之間的一個關系，這三者構成的分布圖即為希爾伯特譜。

經驗模態分解由 Norden 等人[23]于 1998 年提出，其目的是將非平穩非線性的時間序列信號分解為線性穩態信號。 梁江海等學者[24]研究了雜散成分中頻域特征，利用經驗模態分解(Empirical Mode Decomposition，EMD)方法從信號中分離出雜散成分，通過雜散成分提取頻域特征作為輻射源的指紋特征進行識別分類。 文獻[25]在單跳與中繼場景中使用經驗模態分解進行SEI 技術的研究，作者提出EM2算法通過能量熵和希爾伯特譜一階與二階矩作為識別特征，使用相關性算法度量不同希爾伯特譜的相似度，利用費舍爾判別算法選擇強識別特征。 文獻[26]通過經驗模態分解得到本征模態函數，利用本征模態函數的分形維數、 瞬時頻率、Hilbert 邊緣譜對稱系數與分形維數構成分類特征集，將此特征集輸入分類器中訓練，進行個體識別。 文獻[27]基于希爾伯特-黃變換提出改進的HHT 算法進行計算，得到希爾伯特譜中的指紋特征。 文獻[28]中先對接收機接收信號進行希爾伯特-黃變換得到時頻能量譜，利用分形理論提取差分盒維數、多尺度維數、稀疏變化率和三維希爾伯特能量熵來構成特征向量。

(5)固有時間尺度分解(Intrinsic Time-scale Decomposition，ITD)于 2007 年 由 Frei 等 人[29]提 出 ,是 將 原始信號分解為一系列旋轉信號分量與一個基線信號分量，通過對每層信號分量的計算，得到原始信號的時頻信息。 文獻[30]將輻射源看作一個非線性動力系統，使用固有時間尺度分解(ITD)對信號進行處理，來提取輻射源間的細微特征來進行個體識別。 同時文獻[31]使用 ITD 對信號進行分解得到信號的時頻能量分布，將時頻能量分布轉化為圖像，利用圖像紋理特征對信號的細微差異進行特征提取。

(6)變分模態分解是由 Konstantin 和 Dominique[32]于2014 年提出，變分模態分解對本征模態函數進行了重新定義，變分模態分解方法對于信號分解中的模態混疊問題有很好的適應性。 文獻[33]提取了變分模態分解方法的頻譜特征與時域特征，并與經驗模態分解方法時域特征進行對比，取得了不錯的識別效果。

現有對于指紋特征的認知是由于輻射源元器件的制造工藝、工作環境、安裝調試以及其本身的功能等會使得輻射信號帶有區別于其他輻射源個體的指紋特征。 現在大部分對輻射源個體識別的研究都是基于先進的信號處理技術，通過對接收到的信號進行相應的預處理，進而對處理過的信號通過各種統計參數、信號變換與應用信號處理方法等方式提取到個體指紋特征。 有學者對發射機器件進行研究，研究人員認為發射機器件會產生大量的非線性變化，這些非線性變化會以各種形式體現到接收信號中。 現有的指紋研究主要是通過對信號進行擬合來實現。 文獻[34]提出一種由于非線性設備造成的非線性電路相關性的評估方法來作為發射機的區分特征。 許丹等人[35]通過研究磁控管信號，提取起振的初始階段自激指數、脈沖下降沿尾段信號幅度衰減指數、磁控管頻推系數、非線性自由振蕩的自激指數和恢復出的驅動電壓包絡構成輻射源指紋特征量。 徐志軍等人[36]基于功率放大器構建非線性模型，使用泰勒級數對功放的非線性特性進行分析，構建距離變換函數作為輻射源的個體指紋特征。 黃淵凌等人[37]通過對發射機相位噪聲產生模型進行分析，采用自回歸-滑動平均模型來描述相噪特性，利用自回歸-滑動平均參數構建輻射源的指紋特征。 由于發射機硬件工藝的完善通過對發射機硬件進行建模提取輻射源的指紋特征的難度不斷增加。 文獻[38]基于實際信號中的固有非線性動態特性，提取排列熵作為指紋特征。 文獻[39]對無線電發射器產生的5 種硬件誤差進行研究，并基于這些硬件對于星座圖的影響進行輻射源的識別研究。文獻[40]針對射頻功放器3 種非線性行為模型進行比較研究。 文獻[41]基于信號的非線性特性進行輻射源個體識別的研究，使用接收信號的瞬時幅度、相位和頻率構成水平可見度圖，得到這些參數的分布度，使用歸一化Shannon 熵和參數分布獲得的費舍爾信息測度構成射頻指紋。

人工特征提取方法其結合了通信領域知識，并應用了信號處理技術，個體指紋特征明顯，可識別性強。目前人工特征提取方法的研究只能適應有限的輻射源設備類型，出現新的信號形式時，需要結合通信領域知識重新探尋特征，從而實現識別。同時在面對新的場景，原有的人工特征可能會出現識別效果低下甚至無效的情況。

2.2 深度學習特征提取方法

使用人工特征提取方法，需要較高的通信領域知識。由于特征需要人為設計，其普適性不強。而近幾年，深度學習在語音識別、計算機視覺與自然語言處理等方面取得了巨大的進展，常見的深度學習網絡有：深度置信網絡、自編碼器、卷積神經網絡、循環神經網絡、長短時記憶網絡和生成式對抗網絡等。 早期將深度學習方法引入到輻射源識別領域中是將深度學習用于輻射源識別的分類器中，深度學習的輸入結合了領域知識的人工特征。

將深度學習應用于輻射源識別中主要分為兩大類：(1)結合信號處理技術，對接收信號進行預處理， 將預處理的信號作為深度學習的輸入，進行指紋提取與分類識別。 文獻[42]使用短時傅里葉變換獲取雷達信號的時頻分布，使用卷積神經網絡(Convolutional Neural Network，CNN)提取信號中的特征并識別。 文獻[43]中對接收信號先進性希爾伯特-黃變換對接收信號進行預處理，之后將希爾伯特頻譜轉換為灰度圖像，將這個灰度圖像作為神經網絡的輸入，訓練網絡模型，進而實現分類識別。文獻[44]使用Choi-Williams 分布對雷達波形進行時頻分布，獲得二維時頻圖像，送入深度預處理模型中，使用深度卷積網絡進行特征進行提取。 文獻[45]提取信號的雙譜，對雙譜進行降維并送入卷積神經網絡中進行訓練學習。 文獻[46]使用 IQ 不平衡參數送入神經網絡實現分類識別。 文獻[47]將信號包絡前沿作為神經網絡的輸入，用卷積神經網絡來提取輻射源包絡特征，由強化學習完成雷達輻射源個體識別任務。

(2)特征提取與分類識別兩個過程整合，構建新的網絡模型，實現輻射源識別。 文獻[48]提出深度置信網絡與邏輯回歸組合成的深度學習架構，由多層深度置信網絡完成發射器的特征提取，由邏輯回歸實現個體識別。 文獻[49]對信號進行了Bispectrum-Randon 變換，用降噪自動編碼器與深度置信網絡組合構成一個深度網絡模型進行網絡的特征提取與識別。 文獻[50]使用稀疏自編碼器(Sparse AutoEncoder，SAE)提取輻射源信號中的內在調制信息構成特征雙向量。 黃健航與雷迎科二位對自編碼器在輻射源識別中進行了深入研究，分別研究了使用堆棧自編碼器[51]、基于Fisher 邊際深度自編碼器[52]和半監督矩形網絡[53]進行特征提取。 文獻[54]使用對抗共享專用網絡(Adversarial Shared-Private Networks，ASPN)對在第一象限中正交的雙譜幅值分量和雙譜相位分量進行特征提取。 文獻[55]提出一種基于變分自編碼器對雷達輻射源的時頻圖像提取特征，并由主成分分析對提取特征進行降維。

深度學習的特征提取并不依靠人工，其可以提取到更細微、更高維的指紋特征，不需要較高的領域知識，同時深度學習具有學習能力強、適應性與可移植性較好的優點。 深度學習對于算力的要求較高，需要GPU 等硬件進行運算，并且深度學習提取的特征可解釋性差，很難理解設計的模型提取了什么特征，有沒有可能被干擾。

3 結論

隨著對輻射源個體識別問題的不斷深入研究，現有的輻射源識別依賴于采用的指紋特征與特征提取方法。 本文對輻射源識別的分類與特征提取方法進行了梳理，重點介紹了人工特征提取與深度學習特征方法。 其中深度學習在輻射源識別領域的應用已經極大地提高了特征提取與分類識別的效率。 但輻射源識別還是存在以下3 個方面的問題：

(1)輻射源指紋產生機理不明確?，F有的研究表明輻射源的指紋信息是由發射機硬件工作的非線性與非穩定性產生的。 目前學者通過構建數學模型擬合某個指紋特征，了解認識指紋特征。 對于指紋產生機理仍需深入研究，充分認識指紋的表現形式與形成機理。

(2)指紋特征泛化能力需要進一步提高。大部分的指紋特征適用范圍不明確，出現新的場景或信號形式時，需要重新結合領域知識提取特征，原有的特征對新場景的識別效果會劇烈下降，甚至出現失效的情況。隨著科技快速發展，電磁環境愈加復雜，對于指紋特征的要求也越來越高，指紋特征也將向著普適性更強、層次更深、更加智能的方向發展。

(3)深度學習應用于輻射源識別中，大大提高了輻射源識別的整體效率。 但是深度學習特征提取可解釋性差，網絡模型可能學習到信號中環境噪聲的特征和數據信息的特征，降低模型的泛化能力。 而結合少量通信領域知識，通過信號處理方法，有意地引導深度學習模型特征提取方向，才能更好地發揮智能計算的優勢。