雷達輻射源個體識別綜述

史 亞 張文博 朱明哲 王 磊 徐勝軍

①(西安建筑科技大學信息與控制工程學院 西安 710055)

②(西安電子科技大學電子工程學院 西安 710071)

1 引言

輻射源個體識別，又稱為特定輻射源識別(Specific Emitter Identification, SEI)，其通過對截獲的電磁信號進行外部特征測量來獲取個體特征，繼而根據情報庫實現對感興趣無線電輻射源個體的唯一識別[1-6]。SEI在電子情報、電子支援措施、認知無線電、無線網絡身份認證等領域均有重要應用，可大致分為雷達輻射源個體識別和通信輻射源個體識別兩類[2]，本文僅關注前者，實則在方法論上二者可以相互借鑒。雷達輻射源個體識別是電子對抗領域的研究熱點，它對雷達信號進行特征分析與分類識別，從而區分不同的雷達個體，為電子對抗系統在復雜環境中進行威脅分析和告警提供有力支撐。

SEI始于20世紀60年代，國外起步較早[1,7-9]，國內從20世紀90年代開始展開研究[10,11]。雷達輻射源個體識別屬于雷達輻射源識別(Radar Emitter Recognition, RER)的高級任務[6,11-13]，而RER還包括調制類型識別和波形識別[13-19]。個體識別更大的挑戰是：當輻射源類型、參數相同時(如同一流水線生產的同型號、同批次的不同雷達)仍能被正確區分，這正是“identification”與“recognition”的微妙差異。SEI的關鍵問題可概括為：(1)個體特征的產生機理；(2)個體特征提??；(3)分類識別。其中，機理分析為特征提取提供指南，特征提取則決定著整個系統的性能優劣。雷達輻射源個體識別系統如圖1所示。

圖1 雷達輻射源個體識別系統框圖

隨著雷達技術的不斷發展，早期基于脈沖描述字、脈沖重復間隔(Pulse Repetition Interval,PRI)等傳統特征的個體識別方法已無法適應復雜的電磁環境，因此各種新特征、新方法應運而生。文獻[17,18]對RER技術的研究現狀進行了綜述，但對個體識別的綜述不夠全面。文獻[4,6,14,16,20,21]的相關章節對雷達輻射源個體識別的研究現狀進行了較詳細的總結，但止于2013年。更重要的是，自2016年周東青等人[22]將深度學習[23]引入RER領域后，近5年來基于深度學習的RER和SEI方法備受青睞，但尚缺綜述論文(而通信輻射源個體識別方向已有較新穎的綜述[24])。因此，針對雷達輻射源個體識別問題，本文從個體特征機理分析、基于手工特征的識別方法、基于深度學習的識別方法和數據集構建4個方面著手開展系統、全面的文獻綜述工作，并進行總結與展望，期冀推動雷達輻射源個體識別理論和方法研究的進一步發展。需要說明的是，關于雷達信號的降噪、分選可參考文獻[6,25]，本文不予展開。此外，與最新發表的“輻射源指紋特征提取方法述評”[26]一文相比，本文的不同之處在于：(1)聚焦于雷達輻射源個體識別問題，個體特征提取方法的歸類方式更簡潔；(2)還涉及分類器、融合識別以及用于性能驗證的數據集構建方法，更加系統化；(3)對基于深度學習的雷達輻射源個體識別方法進行了詳細的展開，并給出了評述。

2 個體特征機理分析

個體特征只有具備唯一性、獨立性和穩定性等特性[1,4]，才不容易受發射信號波形、有意調制類型、復雜電磁環境、接收機性能等影響。自20世紀80年代起，脈內無意調制(Unintentional Modulation On Pulse, UMOP)被普遍認為是個體特征的產生機理[3,4,7,10,14,27-33]。UMOP屬于雷達發射機的固有屬性，是由發射管、功放等發射機關鍵器件產生的寄生調制，無法避免、消除和偽造，而調制形式和調制量對于不同發射機又有差異，從而使得個體識別成為可能[27]。因此，目前的機理分析工作主要基于UMOP而展開。

輻射源信號從生成到被截獲的整個過程與很多因素有關，但附加在信號上的無意調制本質上只和發射機有關?；诖?，現有方法主要從發射機的結構著手，先建立關鍵器件的簡化模型，進而通過數學建模將機理與特征關聯起來，由此指導個體特征的提取。文獻[3]將功放視為非線性動力學系統，利用相空間分析法區分雷達個體。文獻[4]分別對發射機的磁控管和功放進行數學或物理建模分析，推導出了自激指數、頻推系數等特征。文獻[27]將UMOP分為脈內無意調幅(Unintentional Amplitude MOP, UAMOP)和脈內無意調相(Unintentional Phase MOP, UPMOP)兩類，并定性地認為UPMOP更穩定。文獻[14]將發射機的相位噪聲(簡稱相噪)視為產生UMOP的主要因素，其通過分析發射機頻率合成器和射頻放大鏈的相噪特性得出：相噪的外在表現形式為包絡起伏、載頻漂移等，故而提取了包絡、載頻均值與方差等作為個體特征。文獻[20,34]將發射機振蕩器的相噪建模為正弦信號，繼而對含不同相噪的雷達信號進行雙譜分析以尋找個體差異。在文獻[34,35]的基礎上，文獻[6]深入分析了模糊函數與相噪之間的對應關系。此外，發射機在發射有用信號的同時還不可避免地會輸出各種獨特且穩定的雜散信號，也是產生UMOP的因素之一[35,36]。

無意調制是多種因素的綜合效應，所以為了降低機理研究難度，上述方法通常先簡化雷達發射機的結構，并假設發射機各關鍵器件相互獨立[14]，而相位噪聲也簡單地建模為正弦信號?？梢哉f，現有研究成果都是對個體特征產生機理的近似分析，并且與特征提取方法之間的關聯性不夠強[6]。很多文獻都是通過實驗結果來驗證個體特征的有效性[4]，而即使實驗結果能夠表明個體差異的存在，也無法完全證明這種差異就是來自所構建的機理分析模型。隨著雷達技術的發展，以發射機為研究對象而開展的機理分析工作越來越難，從而導致以機理分析為依據的個體特征提取工作也變難，因此亟需轉變機理研究思路。所截獲的雷達信號本身包含了個體差異的全部有用信息[28]，因此將復雜的發射機作為“黑盒子”而深度挖掘信號本身所蘊含的個體差異信息，不失為一條可行途徑。雖然該思路弱化了個體特征機理的物理本質，但已經證明能夠進一步提升個體識別性能；正是基于此，基于深度學習的雷達輻射源個體識別方法日益流行。

3 基于手工特征的雷達輻射源個體識別

在深度學習流行之前[37]，手工特征提取和分類器設計是解決模式識別問題的兩大基本步驟。本節從手工特征提取、分類器和融合識別3個方面闡述基于手工特征的雷達輻射源個體識別研究進展。

3.1 手工特征提取

(1)時域特征。雷達輻射源信號的UAMOP曲線(或稱為瞬時幅度、包絡)、脈內無意調頻(Unintentional Frequency MOP, UFMOP)曲線(或稱為瞬時頻率)和UPMOP曲線(或稱為瞬時相位)均為時域特征。文獻[21,31,38]指出，信號的瞬時幅度、瞬時頻率和瞬時相位富含個體差異信息，所以可作為無意特征。文獻[38]分別對UFMOP曲線和UPMOP曲線進行了類內類間可分性分析，對比結果表明UPMOP特征更優。文獻[39]提取了UAMOP曲線和UPMOP曲線對雷達信號進行聚類分析。文獻[40]先利用貝塞爾曲線對UPMOP曲線進行平滑降噪，然后采用深度學習實現個體識別。文獻[41]對民航2次雷達數據進行分析，結果表明UAMOP曲線和UFMOP曲線的前后沿具有穩定性，并且UFMOP特征的判別能力優于UAMOP特征。文獻[42]將信號的瞬時頻率波形和瞬時幅度波形作為個體特征，進而通過模板分段尋優與匹配實現個體識別。文獻[8]通過分析脈沖前沿的頻率結構而提取了頻率偏差曲線特征，其屬于UFMOP特征。文獻[43]先通過瞬時頻率估計獲取信號的頻率漂移曲線，提取該曲線的幾何特征后用支持向量機(Support Vector Machine, SVM)完成分類。文獻[14,20]將載頻均值與方差或載頻偏移值作為個體特征。從機理角度而言，發射機頻率源的制作工藝存在偏差，不同雷達的載頻穩定度不盡相同，因此載頻差異可用于區分雷達個體[14]。

從性能上來說，UPMOP曲線特征最優，UFMOP次之。從特征獲取的難易程度而言，UPMOP曲線特征需首先建立相位觀測模型[38]，UFMOP特征需利用頻率估計算法精確估計瞬時頻率或載頻，而UAMOP曲線特征雖易受大氣傳播效應和噪聲影響但獲取相對容易[27]，所以使用較多。文獻[30]將包絡的上升/下降時間、上升/下降角度、上升與下降交點、頂降時間、UFMOP曲線及其回歸線等拼接后作為個體特征，并利用主成分分析(Principal Component Analysis, PCA)和線性判別分析進行降維。文獻[14]提出一種利用Morlet小波分層提取信號包絡的方法，并將每層包絡的上升沿、下降沿、頂降和脈寬作為個體特征。包絡的上升沿較為穩定[41]，不易受多徑影響，因此可只選取包絡上升沿和部分脈頂(統稱為包絡前沿)作為個體特征。文獻[44,45]將包絡前沿作為初級特征，利用深度信念網絡(Deep Belief Network, DBN)[44]或深度強化學習[45]提取高級特征。文獻[46]對包絡前沿進行2次特征提取，從而得到高階矩特征。包絡的前后沿或上升/下降沿包含雷達開關機時的瞬態信息，因此也可視為瞬態特征。

(2)頻域特征。頻譜和功率譜[6,31]是最常用的頻域特征，但不能有效區分有意調制和無意調制[31]。文獻[31]提取了頻域分布密度特征，其在零頻附近聚集且關于零頻呈非對稱性，性能優于頻譜和功率譜。無意調制同樣會破壞頻譜的對稱性，所以文獻[47]先用快速傅里葉變換(Fourier Transform,FT)求得頻譜，繼而將頻譜左右兩部分之間的歐氏距離、互相關和偏度作為個體特征，由此區分單頻、線性調頻(Linear Frequency Modulation, LFM)和二進制相移鍵控(Binary Phase Shift Keying,BPSK)信號。文獻[48]將頻譜作為初級特征，利用1維卷積神經網絡(Convolutional Neural Network,CNN)同時實現深層特征提取與分類。

考慮發射機器件的非理想性和相噪，文獻[14]將高階統計量方法引入輻射源識別中。其中，雙譜最為常用，它的兩個自變量均為譜頻率，所以屬于頻域特征。文獻[14]利用非參數法估計雙譜，并對比了兩類實測信號雙譜的幅度譜、對角切片、能量幅度與頻率等特征之間的差異。文獻[49]將信號的雙譜幅度譜看作圖像，對其向量化后再利用層次極限學習機(Extreme Learning Machine, ELM)自動學習特征，實現了對4類有意調制類型的識別。雙譜幅度譜是2維特征，為降低冗余性可進一步提取1維特征[14,20,34,50-52]，或進行2維數據壓縮[53-55]。文獻[50]沿平行于雙譜主對角或次對角的直線路徑積分而得到對角積分雙譜特征；文獻[51]提取了雙譜的正、反對角切片作為個體特征，并利用PCA進行降維。對角切片或對角積分會損失很多有用的譜信息，因此文獻[34,20]按圍線路徑積分提取了圍線積分雙譜的波形熵、能量熵、圍線雙譜均值作為個體特征。文獻[52]提出了雙譜-拉東變換(Bispectrum-Radon Transform, BRT)，即沿任意角度的直線路徑求積分，然后設計了降噪自編碼器(Denoising Auto-Encoder, DAE)與受限玻爾茲曼機(Restricted Boltzmann Machine, RBM)混合的深度學習模型。文獻[53]采用2維局部保持投影對雙譜進行2維壓縮后輸入CNN模型，文獻[54,55]則取雙譜第1象限的幅度和相位輸入至對抗網絡，均能減輕深度模型的計算開銷?？紤]無意調制的周期性和信號的循環平穩性，文獻[36]將循環平穩理論引入SEI中以捕捉更多的信號細節。為了降低運算量，文獻[36]提取了譜頻率為0的1維循環譜切片(即循環譜零頻切片)作為個體特征，在仿真和實測數據上均獲得了較優的結果。結合高階統計量，文獻[50]進一步提出了基于循環雙譜的RER方法。

(3)時頻域特征。時頻分析從時間和頻率兩個角度對信號進行刻畫，在RER中占據重要地位。文獻[27]利用魏格納-威利分布(Wigner-Ville Distribution, WVD)和喬伊-威廉斯分布(Choi-Williams Distribution, CWD)對多種調制信號進行脈內細微特征分析。文獻[29]對正弦信號、LFM信號和多分量信號分別進行了短時傅里葉變換(Short Time Fourier Transform, STFT)、小波變換(Wavelet Transform, WT)和WVD分析，由此所得的窗口傅里葉脊、小波脊和WVD對信號的脈內細微特征具有良好的分辨能力。文獻[56,57]先用STFT獲取信號的2維時頻表示，再通過隨機投影和PCA聯合降維[56]或能量累積量計算[57]獲得1維特征，最后由深度學習實現分類。信號的時頻表示也可視為圖像，從而將時頻分析與圖像處理、機器學習結合起來。文獻[13]先獲取信號的STFT圖像(可看作初級特征)，進而用尺度不變特征變換(Scale-Invariant Feature Transform, SIFT)提取尺度特征和位置特征作為SVM的輸入；文獻[58,59]利用深度學習從信號的STFT圖像中提取特征。與STFT相比，WT屬于多分辨分析方法。文獻[14]采用Harr小波提取LFM, BPSK等4類有意調制信號的脈內特征；文獻[60]將Morlet小波時頻圖作為初級特征，然后輸入至深度學習模型中。小波包變換對信號的高低頻都進行分解，所以對頻率成分的刻畫更為精細。文獻[33,61]將小波包分解的系數作為個體特征；文獻[62]先對信號進行多層小波包分解，進而計算各系數的能量作為特征。

STFT, WT和小波包變換的時頻聚集性有限，文獻[63]利用同步壓縮變換(SynchroSqueezing Transform, SST)提升時頻圖的能量聚集性，其首先對信號的STFT進行SST，然后提取了瞬時頻率和能量特征，進而利用深度學習實現個體識別。此外，雙線性時頻分析也能獲得更高的時頻聚集性，典型代表包括WVD和Cohen類。WVD具有理想的時頻分辨率，但存在嚴重的交叉項干擾。通過優化Cohen類的核函數能夠在抑制交叉項的同時保持較高的分辨率，代表方法包括平滑偽WVD(Smoothing Pseudo WVD, SPWVD), CWD、改進的B分布(Modified B Distribution, MDB)等[50]。文獻[50]提取了信號SPWVD的各階Rényi熵作為特征向量，采用SVM對各種調制信號進行分類。文獻[64]先分別沿時間軸、頻率軸和時頻2維平面對CWD進行條紋狀或塊狀劃分，基于各子塊的能量提取了熵、峰度、偏度等構成信號特征。文獻[50]將信號的MDB看作圖像，提取了中心矩、偽Zernike矩和局部二值模式(Local Binary Pattern, LBP)直方圖作為特征。

近年來，模糊函數(Ambiguity Function, AF)特征在RER中受到較多關注。對信號進行AF變換，可獲得其在時延和頻偏2維平面上的聯合表示[6]。針對分選問題，文獻[65]提取了AF主脊切面的旋轉角、重心和慣性半徑構成特征向量。單頻信號的AF能量主要集中于頻偏為0、正負兩倍載頻的位置，因此文獻[35]提取了AF零頻偏切片(Zero-Doppler-slice of AF, AF0)作為個體特征。進一步，文獻[6]提出了AF代表性頻偏切片(Representative-Doppler-slice of AF, AFR)特征，其性能優于AF0特征但頻偏位置需通過搜索獲得。考慮噪聲影響，文獻[66]提出了基于導數約束平滑的AF最大能量切片波形提取算法，并將波形的對稱系數與AF最大能量角度作為特征。文獻[67,68]將AF切片作為初級特征，繼而利用深度學習實現分類。

較之FT, WT等基于特定基分解的方法，稀疏時頻分析旨在從過完備的時頻原子庫中選取與信號內在結構最匹配且盡量少的原子表示信號，自適應能力較強。文獻[69]構造了多尺度Spectrum原子庫，利用匹配追蹤獲得最佳原子并將其關鍵參數作為信號特征。經驗模態分解(Empirical Mode Decomposition, EMD)則無需預設基函數或原子庫，能夠完全根據信號的自身特點分解信號。利用EMD可以先將給定信號分解為若干固有模態函數(Intrinsic Mode Function, IMF)，然后對每個IMF進行希爾伯特變換，由此可得希爾伯特-黃變換(Hilbert-Huang Transform, HHT)。文獻[70]將雷達信號各IMF的能量作為神經網絡的輸入；文獻[71]從信號的HHT時頻圖中分別提取了主成分、相關系數、熵和深度特征，然后利用SVM評價各種特征的性能。針對EMD存在的端點效應、模態混疊等問題，進一步發展出了固有時間尺度分解(Intrinsic Time-scale Decomposition, ITD)和變分模態分解(Variational Mode Decomposition,VMD)等方法。文獻[72]先用ITD進行信號分解與重構，繼而將重構信號的樣本熵作為個體特征；文獻[32,73]利用VMD提取信號特征。

對于上述時頻域識別方法有如下評述：

(1) 一些方法只開展了調制類型識別實驗，未進行個體識別實驗。但是，時頻特征對信號的描述更為全面，能夠發掘體現個體差異的細節信息，所以這些方法理論上也適用于SEI問題。

(2) 較之時域特征和頻域特征，時頻域特征與個體識別機理之間的關聯度不夠緊密。但就識別性能而言，時頻域特征往往更優，這得益于其良好的信號表示能力。該結論進一步印證了前文觀點，即弱化機理分析而從信號本身著手深挖有用信息是可行的。

(3) 輻射源信號的時頻表示可視為圖像，從而可以自然而然地借鑒圖像處理、計算機視覺等領域的特征提取方法，尤其是為深度學習的引入提供了堅實基礎。

(4)其他特征。本節最后簡要介紹一些上述特征之外的特征，統稱為其他特征。輻射源信號包括正常工作部分和開機瞬態部分[4,6]，前文主要基于信號的正常工作部分提取特征。發射機的開機瞬間包含無意輻射特征，可提取脈沖的上升時間、上升角度、曲線面積、峰值功率、偏度、峰度、標準差、熵、分形維等作為個體特征[14,30,74]?；谶@些瞬態特征，文獻[74]對比了多種判別分析算法的性能。文獻[4]基于發射機模型推導出自激指數和頻推系數特征；文獻[3,4]基于非線性動力學提取了相空間特征；文獻[75]基于分形理論提取了盒維數等特征。

為方便參考，表1匯總了本文介紹的所有手工特征提取方法。實際應用中，需結合各種特征提取方法的適用場景來選取合適的特征。時域特征(尤其是包絡)通常適用于中、高信噪比及輻射源個數較少的情形，頻域及時頻域特征通常不受此限制，穩定性優于時域特征。瞬態特征、分形特征等其他特征的穩定性較難保證，較少單獨使用。時域及頻域特征的硬件實現簡單、高效，因此更適用于實時系統。各種時頻特征能夠從不同的視角感知雷達個體間的差異，較難預先判斷哪種特征具有絕對優勢。在當前復雜的電磁環境下，單一特征的判別能力通常有限，而特征的多樣性則為系統后端進行多特征融合識別奠定了基礎。還需要特別指出的是，對于RER問題而言，將1維時間序列信號直接作為深度模型輸入的方法比較少見，更普遍且有效的做法是“手工特征+深度學習模型”。因此，本節也是第4節的預備知識。

表1 雷達輻射源信號手工特征提取方法匯總

3.2 分類器

不論是有意調制識別、SEI還是其他分類任務，很多分類器都可以共用。因此，本節只簡要梳理RER中常用的分類器，更全面的總結見文獻[6,14,16,76]。文獻[16]將RER技術的發展分為3個階段，其中第1階段主要采用模板匹配法。文獻[8,20,42]采用了“波形曲線特征+模板匹配”的方法，文獻[77]提取了雷達信號的5維個體特征或射頻、脈寬等傳統特征，然后用模板匹配、K近鄰(K-Nearest Neighbor, KNN)或神經網絡進行分類。20世紀90年代初正值神經網絡的第2次高潮，RER技術由此邁入第2階段。文獻[77]分別設計了4層和3層的網絡對17類輻射源進行個體識別；隨后，文獻[78]將PRI、射頻和脈寬3種特征作為3層感知器的輸入。與國外基本同步，肖先賜[28]于1991年指明了神經網絡在電子對抗方向的應用前景。早期主要采用“傳統特征+神經網絡”的方法，如文獻[79]將PRI、射頻和脈寬參數輸入至模糊自適應共振理論映射網絡；文獻[80]將PRI、射頻和脈寬的區間值作為向量神經網絡的輸入；基于傳統特征，文獻[81]還利用極限梯度提升(eXtreme Gradient Boosting, XGBoost)算法對50類雷達信號進行分類。受限于傳統特征本身的表征能力，該階段的分類算法難以充分發揮優勢。接著，RER技術進入“脈內特征+各種分類器”的第3階段。鑒于脈內特征良好的表示能力，文獻[41,47]采用KNN作為分類器；文獻[70]將IMF特征作為徑向基神經網絡的輸入。20世紀90年代中后期開始，統計機器學習蓬勃發展，因此基于SVM[6,13,14,16,33,35,43,50,71], ELM[49,82]等分類器的RER方法成為近十年的主流。隨著神經網絡的再次復興，基于深度學習的RER方法于2016年興起，本文認為當前RER技術已進入“脈內特征+深度學習”的第4階段，詳見第4節。

3.3 融合識別

雷達信號的不同特征具有不同的表示能力，不同分類器的決策能力也不同，這為多特征、多分類器融合奠定了基礎。決策層融合利用了不同分類器之間的決策差異，如文獻[14]利用D-S(Dempster-Shafer)證據理論組合多個神經網絡的結果；文獻[60]先將提取的深度特征送入不同核函數下的SVM，然后進行線性組合；文獻[82]提出基于自適應權值的多個概率SVM或概率ELM的組合方法。特征層融合主要利用不同特征表示之間的互補性，如文獻[30]將瞬態特征和UFMOP曲線特征直接串聯；文獻[6]分別利用典型相關分析(Canonical Correlation Analysis, CCA)、判別CCA、多集CCA和多集判別CCA提取兩特征集或多特征集的相關特征，對雷達信號的模糊函數切片特征進行融合。此外，還有一種介于特征層融合和決策層融合之間的核層融合方法[83,84]，其理論基礎是多核學習(Multiple Kernel Learning, MKL)，當各基核對應于不同特征時便可將MKL視為一種融合工具。文獻[83]率先將MKL引入雷達輻射源個體識別中，針對信號的時域、頻域和時頻域特征先分別構建基核，然后利用多核SVM實現融合識別。文獻[84]將MKL和CCA相結合，提出了基于融合核CCA的雷達輻射源融合識別方法。融合識別是提升SEI系統性能的有效途徑之一，不同融合方式可以相互結合以充分發揮各自的優勢，從而獲得更加可靠、魯棒的識別結果。

4 基于深度學習的雷達輻射源個體識別

深度學習可以實現不同層次的特征表示和知識抽象[23]，已成功應用于計算機視覺[37]、雷達目標識別[85]、通信信號識別[24,53]等領域。對雷達輻射源個體識別而言，如果將基于現有機理分析方法所提取的UMOP特征輸入深度網絡，經過層層學習不斷增強其特征表示能力進而提升識別性能，則有望弱化個體特征產生機理與提取方法之間的關聯度，從而降低機理分析的難度。因此，基于深度學習的雷達輻射源個體識別成為最近5年的研究熱點。本節針對24篇代表性文獻進行歸納總結，脈絡如圖2所示。下面分別介紹基于深度RBM/自編碼器(Auto-Encoder, AE)網絡、基于卷積網絡和基于對抗網絡的RER(含個體識別)方法。

圖2 基于深度學習的雷達輻射源識別方法示意圖

4.1 基于深度RBM/AE網絡的方法

AE以重構輸入為目標，由1個輸入層、1個隱層和1個輸出層組成[37]，增加隱層數量即可得深度自編碼器網絡(Deep Auto-encoder Network, DAN)。RBM由1個可見層和1個隱層構成，堆疊多個RBM即可得DBN。DBN和DAN對輸入數據進行層層抽象，最終可獲得壓縮或低維的特征表示，因此他們常被用作特征提取器。文獻[22]最先將DBN用于調制類型識別，其將輻射源信號直接作為DBN的輸入，并添加了Softmax輸出層，從而同時實現了特征提取與分類。雖然算法性能得以驗證，但仍需探討的是原始時間序列直接作為網絡輸入是否合適。針對雷達輻射源個體識別，文獻[44]將包絡前沿作為DBN的輸入。包絡特征有明確的機理支撐，再借助DBN則理論上可以挖掘出其包含的個體差異信息。文獻[44]不僅測試了算法的識別率，還對輸入、第1～2個隱層輸出的類別可分性進行了可視化對比，所得結果很好地呼應了理論推斷。因此，以3.1節的手工特征作為初級特征并利用DBN或DAN提取深度特征，已成為目前的主流方案之一。文獻[68]將模糊函數主脊切片作為初級特征，用DBN實現調制類型識別；文獻[52]將BRT特征先輸入至DAE，然后再經過兩層RBM，最后由邏輯斯蒂層實現分類；文獻[56]將信號的STFT圖像作為初級特征，經降維和向量化后送入堆疊自編碼器網絡(Stacked Auto-encoder Network, SAN)提取高級特征，最后由邏輯回歸分類器完成分類識別；文獻[57]將STFT的能量累積量特征作為強化DBN(Reinforced DBN, RDBN)模型的輸入，對8種有意調制類型進行分類；文獻[60]提出“WT+堆疊DAE”的調制類型識別方法；文獻[63]提出“SST+SAN”的個體識別方法?？梢?，這些方法大多采用時頻特征作為初級特征。如前所述，雖然很多時頻特征背后的機理支撐不夠明確，但在DBN, DAN等深度學習模型的“努力”下輻射源個體間的差異信息能夠被進一步放大。因此，從雷達信號本身出發不斷增強個體差異的研究思路切實可行。

4.2 基于卷積網絡的方法

卷積神經網絡(CNN)起源于最早的LeNet-5模型，目前已經在結構設計、模型訓練、應用等方面取得了豐富的成果[37]。相比之下，近年來DAN, DBN等模型的進展比較緩慢。CNN最初用于2維圖像，之后衍生出針對1維信號的1D-CNN模型，在RER中均有應用(本文中CNN針對2維數據)。文獻[86]先將射頻、脈寬和PRI特征分別經過3個并列的1維卷積-池化模塊，拼接后再經過2個全連接層，最后接至輸出層，對67種雷達類型進行了分類，屬于1D-CNN模型。文獻[45]提出了基于深度強化學習的雷達輻射源個體識別方法，其將包絡前沿作為初級特征，Q函數用設計的1D-CNN(含2個卷積層、2個池化層和3個全連接層)進行擬合。文獻[48]將頻譜特征輸入至由2個卷積層、1個池化層和2個全連接層組成的1D-CNN模型來實現個體識別，并對比了原始時間序列作為網絡輸入時模型的性能，結果表明直接將時間序列作為網絡輸入的方法不可行。文獻[87]以原始時間序列為輸入，設計了基于注意力機制的1D-CNN模型。文獻[48]與[87]的實驗結果相互對立，本文將在后文予以討論。文獻[67]將模糊函數切片作為初級特征，輸入至由5個卷積層、3個池化層和2個全連接層組成的1D-CNN模型。文獻[88]設計了具有3個卷積層、3個池化層和2個全連接層的1D-CNN模型，分別將包絡、頻譜、功率譜、循環譜零頻切片、模糊函數切片等個體特征輸入所設計的網絡。這些1D-CNN模型的主要區別是卷積層、池化層和全連接層的數量不同。

雷達輻射源信號的時頻表示可視作圖像，從而可以直接設計CNN模型。該策略無需先將2維特征向量化或切片化，從而較好地保留了時頻特征的空間結構信息。文獻[58]針對STFT的實部和實虛部雙通道分別搭建了兩種CNN模型對8種調制類型進行分類。文獻[89]將信號的STFT譜作為初級特征，先利用第1個CNN模型和顯著性檢測方法獲得STFT譜的顯著圖，然后將顯著圖輸入至另一個結構相同的CNN模型。文獻[89]嘗試從認知的角度解譯CNN模型：即使兩類信號的STFT譜極為相似，他們的顯著圖差異仍肉眼可見，從而利用分類。文獻[15]設計了與LeNet-5相似的CNN模型，并采用新的Cohen類核函數計算信號的時頻特征，對其濾波和二值化處理后作為CNN的輸入。除了將時頻表示作為初級特征，還可以先將1維特征變形為圖像后再使用CNN，如文獻[90]將射頻、脈寬和PRI特征轉化為圖像。此外，文獻[91]則將雷達脈沖的波形當作圖像，即相當于通過拍攝原始時間序列來創建圖像數據集，然后設計了含4個卷積層、2個池化層和3個全連接層的CNN模型實現個體識別，實質等同于將原始時間序列作為初級特征。

本節最后對不同深度學習模型相結合的RER方法進行簡要介紹，如將CNN與DAE、長短時記憶(Long Short-Term Memory, LSTM)網絡等聯合起來以提升性能。文獻[59]將STFT向量化特征先輸入至DAE，接著將DAE的輸出向量重新調整為矩陣形式后作為CNN的輸入，實現對幾種調制類型的識別。其中，DAE的主要作用是對STFT進行降噪處理。LSTM擅長分析時間序列[23,37]，文獻[40]將信號的UPMOP曲線作為初級特征，然后設計了LSTM與1D-CNN并行的網絡結構用于輻射源個體識別。

4.3 基于對抗網絡的方法

上述基于深度學習的RER方法普遍假設訓練樣本充足，但實際中往往會遇到小樣本問題，因此還需考慮小樣本情形下的輻射源深度特征學習和識別方法。生成式對抗網絡(Generative Adversarial Network, GAN)能夠通過生成器和判別器之間的對抗博弈來生成新數據，因此可用于數據擴增而緩解小樣本問題[92]。文獻[93]將信號的雙譜直方圖作為初級特征，然后利用信息最大化GAN(Information maximizing GAN, InfoGAN)實現通信輻射源個體識別；該文獻是GAN模型用于小樣本條件下輻射源識別問題的初步嘗試，還有待深入研究。受對抗思想的啟發，文獻[54]提出了基于對抗式共享-私有網絡(Adversarial Shared-Private Network,ASPN)的SEI方法，其出發點是：輻射源信號包含所有輻射源之間共享的公共特征和每個輻射源各自私有的個體特征兩部分，但個體特征容易淹沒在公共特征中。ASPN由1個共享子卷積網絡和1個私有子卷積網絡組成，其采用正交約束和對抗式訓練將個體特征從輸入信號中完全剝離出來，從而用于區分輻射源個體。接著，文獻[55]又提出與ASPN相似的判別對抗網絡模型，旨在將輻射源信號中包含的有意調制信息和無意調制信息完全區分開來。文獻[54,55]巧妙地將深度模型與輻射源個體特征的機理聯系起來，頗具獨創性。

為方便參考，表2匯總了本文介紹的基于深度學習的雷達輻射源個體識別方法，且有如下評述：

表2 基于深度學習的雷達輻射源個體識別方法匯總

(1) 卷積網絡因引入了局部感受野、權值共享、池化等機制而更容易訓練，并且可以根據實際需求靈活調整網絡層數。綜合考慮訓練效率和深度特征的表征能力，卷積神經網絡無疑是RER中的主流模型，比基于深度RBM/AE網絡的方法具有更廣泛的適用性。

(2) 本節24篇文獻中針對個體識別的文獻為14篇，其余為有意調制類型識別。在“初級特征+深度學習”的RER框架下，無論是個體識別還是調制類型識別，利用深度學習能夠挖掘出輻射源個體之間的細微差異或有意調制方式之間的差異，目的不同但方法相通，故本節對二者未做嚴格區分。

(3) 以原始時間序列作為網絡輸入的相關文獻有4篇[22,48,87,91]，其中文獻[48]為對比反例，文獻[91]將時間序列轉化為波形圖像。本文認為，即使采用深度學習也較難直接從雷達脈沖信號中挖掘出細微的個體差異信息。因此，對于雷達輻射源個體識別而言，以UMOP特征作為初級特征更為合理，識別系統同時依靠手工提取的初級特征和學習到的高級特征來提升性能。需要指出的是，LSTM本身擅長處理時間序列，所以“原始時間序列+LSTM”的方法則值得繼續研究。

5 雷達輻射源個體識別數據集現狀

從獲取方式來看，現有的個體識別數據集主要包括計算機模擬和實驗室/外場實測兩大類。由于領域的特殊性，雷達輻射源個體識別沒有公開的標準數據集可用，因此本文對這兩大類數據集僅做簡要說明。

5.1 計算機模擬數據集

機理分析模型是生成模擬數據集的主要依據。文獻[4]根據所建立的發射機功放模型構造了兩個功放作為待區分的輻射源個體，并在相同激勵下加入強度不同的高斯白噪聲以獲得各種信噪比條件下的觀測樣本。相位噪聲可建模為正弦函數，因此文獻[34-36,40,51]將相噪加至各種調制信號而生成個體識別數據集。文獻[43]將輻射源開機啟動時溫度變化所引起的頻率漂移建模為復指數函數，生成3個輻射源的仿真數據開展實驗。文獻[38]根據建立的信號輸出模型和相位觀測模型生成實驗數據，文獻[44]基于假設的脈沖包絡函數生成實驗數據。這些數據集構建方法與第2節闡述的特征機理密切相關，易于實現且無硬件成本。但是，仿真條件過于簡單化和理想化，不能很好地契合真實場景中存在的各種復雜情形[12]。

5.2 實驗室/外場實測數據集

在完全相同的采集條件下，文獻[4]在微波暗室實驗室采集了4個輻射源的數據。信號發生器可用來模擬雷達輻射源，故文獻[20,40,43,63,75,89]均利用信號發生器獲取實驗數據。此外，文獻[32]采集了同一生產線生產的4個固態雷達功放的數據。在實驗室環境下，數據采集平臺易于搭建，采集條件和采集數量均可控，從而有利于克服客觀因素的影響而聚焦于發射信號本身，有助于機理研究和個體特征的差異分析。但是，實驗室環境偏理想化，且輻射源個數較少，難以體現真實電磁環境的復雜性。國防科技大學的研究團隊[21,38,41,72]和西安電子科技大學的研究團隊[6,35,36,63,83,84,88,89]采用外場實測的2次雷達數據開展實驗，該數據便于獲取且數據量較大，可以充分驗證UMOP特征的唯一性和穩定性。近年來，廣播式自動相關監視(Automatic Dependent Surveillance-Broadcast, ADS-B)技術受到大力推廣，文獻[12,48,52]采集了ADS-B信號開展實驗。除民用數據外，文獻[32,45,91]利用軍用數據進行實驗。文獻[14,31,42,44,46,61,74]也采用實測數據驗證個體識別方法的性能，但文獻中未明確是在實驗室還是外場獲取的數據。外場數據最契合真實環境，所以最能夠用于個體識別性能的驗證，而聯合使用模擬和實測數據則可以更加全面地驗證方法性能。由于實測數據集的私有性及篇幅原因，本文未給出具體的實驗性能對比，但各特征域下代表性手工特征的性能對比可直接參考文獻[6,35,83,88]。目前，基于深度學習的個體識別方法之間尚缺系統性的實驗比對。

6 結束語

6.1 當前現狀

當前，電子對抗環境日趨復雜，雷達輻射源個體識別研究面臨的挑戰主要體現在以下方面：

(1)雷達新技術的發展必然導致圍繞雷達發射機而進行的機理研究工作難度加大。弱化機理與個體特征之間的關聯度，以雷達信號本身為研究對象，運用各種信號處理方法提取個體特征，并結合深度學習進一步挖掘個體差異信息是目前的主流策略，既繞開了瓶頸局限，也達到了提升個體識別性能的目的。

(2)基于深度學習的雷達輻射源個體識別是近年來SEI領域的研究熱點，但對于深度特征的可解釋性研究不足。將深度學習引入SEI，一方面期冀降低機理研究難度，更重要的是如果能夠對通過深度學習所獲取的個體差異信息從認知角度予以解釋，無疑能夠突破SEI機理研究困境。

(3)SEI系統在非合作方式下訓練樣本有限，但現有的數據集幾乎沒有考慮實際中常見的小樣本和不平衡問題。文獻[93]嘗試利用GAN模型緩解小樣本問題，文獻[12]提出了一種新的平衡機制克服不平衡問題，都取得了初步成功，有待繼續研究。

6.2 未來展望

基于當前研究現狀，未來雷達輻射源個體識別技術將沿著以下幾個方面繼續發展：

(1)隨著數據量的積累以及深度學習方法、可解釋性研究的不斷深入，基于深度學習的雷達輻射源個體識別還有很大研究空間。例如，考慮效率和實時性需求，如何設計更高效、輕量的深度模型；如何將人工智能領域廣義的模型可解釋性[94]遷移至SEI領域具體的模型可解釋性，進而建立可解釋性與個體可區分性機理之間的聯系。這些方向都值得深入研究和探討，從而完善深度學習在SEI領域的應用。

(2)小樣本、不平衡條件下雷達輻射源信號的深度特征學習和分類尚處于起步階段。文獻[95]對小樣本學習問題進行了詳盡的綜述，我們可以借鑒一些現有方法，如GAN及其各種變體、孿生網絡等，讓SEI系統在合作和非合作方式下均能夠利用深度學習提升識別性能。

(3)從技術層面考慮，簡單性和實用性對于SEI系統的運行余部署至關重要，因此傳統的“手工特征+分類器”的個體識別方法以及多特征融合識別的方法仍值得繼續關注，而不是唯深度學習不用。