通信輻射源個(gè)體識(shí)別中的特征提取方法綜述*

韋建宇，俞 璐

（中國(guó)人民解放軍陸軍工程大學(xué)，江蘇 南京 210007）

0 引言

輻射源個(gè)體識(shí)別，又稱射頻指紋識(shí)別，旨在通過(guò)提取發(fā)射機(jī)發(fā)射的模擬信號(hào)中獨(dú)有的特征來(lái)識(shí)別發(fā)射機(jī)。輻射源個(gè)體識(shí)別技術(shù)因?yàn)榫哂心軌驕?zhǔn)確識(shí)別發(fā)射個(gè)體的功能，所以其在頻譜管理[1]、電子偵查[2]、物聯(lián)網(wǎng)安全[3]、故障診斷[4]以及態(tài)勢(shì)感知等領(lǐng)域受到了高度的重視。在日益復(fù)雜的電磁環(huán)境以及電子戰(zhàn)的背景之下，特定輻射源識(shí)別（Specific Emitter Identification，SEI）技術(shù)可以有效地偵察到敵方的輻射源個(gè)體并且將其與所在武器平臺(tái)、戰(zhàn)略目標(biāo)相互關(guān)聯(lián)[5]。Talbot等人[5]在2003年提出了典型的SEI結(jié)構(gòu)，如圖1所示。由圖1可知特征提取的過(guò)程是SEI的重要過(guò)程，這些具有區(qū)分性的特征主要是發(fā)射器組件中硬件存在細(xì)微差異的結(jié)果。為此，本文通過(guò)對(duì)特征提取的方法進(jìn)行歸納總結(jié)，分析各種方法的優(yōu)點(diǎn)和不足，并將傳統(tǒng)的特征提取方法與深度學(xué)習(xí)相結(jié)合，研究基于深度學(xué)習(xí)分類方法應(yīng)用的射頻指紋識(shí)別技術(shù)。

圖1 輻射源個(gè)體識(shí)別經(jīng)典系統(tǒng)結(jié)構(gòu)

1 輻射源指紋特征概述

輻射源發(fā)射組件的非線性使得發(fā)射信號(hào)中存在著偏差，故發(fā)射信號(hào)攜帶有一些非調(diào)制信號(hào)，而不同的輻射源個(gè)體的發(fā)射組件之間存在著細(xì)微的差異，使得信號(hào)的非調(diào)制部分有一部分的“個(gè)體信息”，這種細(xì)微的差異存在于發(fā)射信號(hào)中，難以人工偽造，即為“輻射源指紋”。

特征提取是十分關(guān)鍵的一步，SEI技術(shù)需要對(duì)特征提取這個(gè)步驟進(jìn)行更加深入的研究，找到更加有效的特征或者方法去逼近真實(shí)存在的射頻指紋。用于進(jìn)行輻射源個(gè)體識(shí)別的指紋特征必須滿足以下5個(gè)基本要求[6-8]。

（1）普遍性：在采集的所有樣本中，此輻射源的指紋特征應(yīng)普遍存在。

（2）唯一性：不同的輻射源的指紋特征必須是不同的，并且存在明顯的區(qū)分性。

（3）短時(shí)不變性：同一個(gè)輻射源的指紋特征在一定的時(shí)間段內(nèi)是不變的。

（4）獨(dú)立性：輻射源的指紋特征只與發(fā)射機(jī)硬件有關(guān)，與數(shù)據(jù)信號(hào)無(wú)關(guān)。

（5）可測(cè)性：指紋特征能夠從各樣本中檢測(cè)出來(lái)，并且檢測(cè)值的誤差控制在一定的范圍之內(nèi)。

2 輻射源指紋特征常見(jiàn)分類

輻射源指紋特征種類多樣，根據(jù)信號(hào)的類型可以分為雷達(dá)輻射源指紋特征和通信輻射源指紋特征，根據(jù)信號(hào)的狀態(tài)可以分為暫態(tài)特征和穩(wěn)態(tài)特征。本文主要研究通信輻射源指紋特征，如圖2所示，其主要是因?yàn)榘l(fā)射機(jī)各組件的硬件存在著細(xì)微的差異，導(dǎo)致信號(hào)在發(fā)射過(guò)程中存在著各種細(xì)微的指紋特征，這些特征如同指紋一樣能夠代表該發(fā)射設(shè)備的身份信息。通信輻射源指紋特征研究與雷達(dá)輻射源指紋特征相比，時(shí)間較晚[9]、難度更大。通信信號(hào)的調(diào)制類型多樣并且攜帶大量的調(diào)制信息，調(diào)制信號(hào)的能量較大，細(xì)微的指紋特征通常都“淹沒(méi)”在調(diào)制信號(hào)中，故難以直接發(fā)現(xiàn)并提取。本文從多變換域、多維度等角度出發(fā)分析并總結(jié)了通信輻射源特征提取的常見(jiàn)方法。

圖2 通信輻射源信號(hào)產(chǎn)生原理

3 通信輻射源特征提取方法

目前，針對(duì)通信輻射源射頻指紋特征提取技術(shù)的研究主要有兩個(gè)方向：一是提取傳統(tǒng)特征進(jìn)行分類識(shí)別；二是使用深度學(xué)習(xí)提取深度特征進(jìn)行分類識(shí)別。傳統(tǒng)特征提取一般根據(jù)信號(hào)處理領(lǐng)域的專家經(jīng)驗(yàn)提取不同變換域的特征，分為暫態(tài)特征和穩(wěn)態(tài)特征，一般是將特征提取和分類器設(shè)計(jì)分成兩步進(jìn)行。深度特征提取方法分為兩類：一是直接通過(guò)深度學(xué)習(xí)框架進(jìn)行端到端的識(shí)別；二是通過(guò)信號(hào)處理的手段進(jìn)行變換，再通過(guò)深度學(xué)習(xí)框架進(jìn)行進(jìn)一步的特征提取與識(shí)別。深度學(xué)習(xí)框架使用一般分為訓(xùn)練部分和測(cè)試部分，從訓(xùn)練集中學(xué)習(xí)到通信輻射源的相關(guān)特征，然后在測(cè)試集上進(jìn)行測(cè)試從而識(shí)別出輻射源個(gè)體。

3.1 傳統(tǒng)特征方法

3.1.1 暫態(tài)特征提取

一般而言，接收端的通信信號(hào)分為暫態(tài)部分、握手部分和穩(wěn)態(tài)部分。暫態(tài)特征就是處于信號(hào)的暫態(tài)部分的特征，信號(hào)的暫態(tài)部分是發(fā)射機(jī)切換工作狀態(tài)時(shí)產(chǎn)生的，不包含發(fā)送的調(diào)制信號(hào)內(nèi)容，不受傳輸信道以及接收端設(shè)備的影響，并且其只與發(fā)射機(jī)內(nèi)部結(jié)構(gòu)和元器件的工藝有關(guān)，因此不同的輻射源個(gè)體之間的暫態(tài)信號(hào)存在獨(dú)有特征，能夠代表發(fā)射機(jī)的硬件特性，從而研究者能夠從中提取出射頻指紋。

早期人們主要針對(duì)輻射源指紋的暫態(tài)特征展開(kāi)研究。1996年文獻(xiàn)[10]提出使用小波變換對(duì)頻率調(diào)制（Frequency Modulation，F(xiàn)M）信號(hào)的暫態(tài)部分進(jìn)行分析，取其小波系數(shù)作為暫態(tài)信號(hào)的特征，使用神經(jīng)網(wǎng)絡(luò)對(duì)7個(gè)不同型號(hào)的FM發(fā)射機(jī)進(jìn)行分類，得到良好的結(jié)果。2001年文獻(xiàn)[11]直接提取暫態(tài)復(fù)包絡(luò)信號(hào)中的振幅和相位作為指紋特征。2008年文獻(xiàn)[12]將信號(hào)頻譜的相關(guān)性作為指紋特征。2016年文獻(xiàn)[13]使用暫態(tài)信號(hào)的平均功率和幅度的比值作為指紋特征。2019年文獻(xiàn)[14]采集發(fā)射機(jī)從開(kāi)機(jī)到關(guān)機(jī)的暫態(tài)突變信號(hào)，并將其分為上升暫態(tài)信號(hào)和下降暫態(tài)信號(hào)，使用一種基于稀疏表示的方法進(jìn)行分類識(shí)別并取得了良好的結(jié)果。2020年文獻(xiàn)[15]提出一種基于雙樹(shù)復(fù)小波和多重分形的暫態(tài)特征提取方法，該特征具有很高的穩(wěn)定性。

輻射源的暫態(tài)信號(hào)沒(méi)有能量較強(qiáng)的調(diào)制信號(hào)的覆蓋，并存在大量的細(xì)微特征，非常適合提取射頻指紋信息進(jìn)行個(gè)體識(shí)別。然而，輻射源的暫態(tài)信號(hào)持續(xù)時(shí)間極短，需要采集設(shè)備具有較高的采樣率和準(zhǔn)確的截取精度，并且發(fā)射機(jī)大部分時(shí)間都處于休眠和關(guān)機(jī)狀態(tài)，所以在現(xiàn)實(shí)情況下很難捕捉到暫態(tài)信號(hào)。此外，經(jīng)過(guò)長(zhǎng)時(shí)間研究表明，暫態(tài)信號(hào)的指紋特征容易受到外部環(huán)境噪聲、信道變化的影響，相對(duì)來(lái)說(shuō)魯棒性較差。基于這些不足，大量研究人員轉(zhuǎn)向了基于穩(wěn)態(tài)信號(hào)特征提取的射頻指紋識(shí)別研究。

3.1.2 穩(wěn)態(tài)特征提取

穩(wěn)態(tài)信號(hào)是指輻射源的發(fā)射信號(hào)在功率穩(wěn)定后的部分，其內(nèi)容主要包括信道噪聲、發(fā)射機(jī)內(nèi)部噪聲以及通信數(shù)據(jù)信息。相對(duì)于暫態(tài)信號(hào)而言，穩(wěn)態(tài)信號(hào)的持續(xù)時(shí)間較長(zhǎng)，不需要對(duì)信號(hào)進(jìn)行起始點(diǎn)同步檢測(cè)操作，并且存在著大量的發(fā)射機(jī)的射頻指紋信息可供提取。因此該領(lǐng)域的研究重點(diǎn)逐漸向基于穩(wěn)態(tài)信號(hào)的特征提取方向轉(zhuǎn)變。

2008年文獻(xiàn)[16]首次提出對(duì)穩(wěn)態(tài)信號(hào)特征提取的研究，將移動(dòng)通信系統(tǒng)（Universal Mobile Telecommunications System，UMTS）的前導(dǎo)信號(hào)的頻譜作為指紋，用于用戶設(shè)備的識(shí)別，在信噪比為15 dB時(shí)，10個(gè)同一型號(hào)的識(shí)別率能達(dá)到85%，具有良好的識(shí)別效果。2011年文獻(xiàn)[17]采取調(diào)制域波形中的特征來(lái)識(shí)別MIMO設(shè)備，取得了良好的識(shí)別效果，并且該特征相對(duì)于時(shí)間的漂移具有較好的適應(yīng)能力。2012年文獻(xiàn)[18]使用動(dòng)態(tài)小波系數(shù)作為指紋提取特征，并使用監(jiān)督模式分類技術(shù)來(lái)進(jìn)行設(shè)備識(shí)別，準(zhǔn)確率達(dá)到99%。2014年文獻(xiàn)[19]首次提出利用I/Q不平衡特性作為設(shè)備的指紋特征。2016年文獻(xiàn)[20]采用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）方法分離穩(wěn)態(tài)信號(hào)，提取并且除去它的數(shù)據(jù)部分，將剩余信號(hào)的熵和一階、二階矩作為識(shí)別特征，并且在單跳和中繼場(chǎng)景下進(jìn)行個(gè)體識(shí)別，取得了良好的識(shí)別效果，但是存在計(jì)算成本較大的缺點(diǎn)。2018年文獻(xiàn)[21]采用變分模態(tài)分解（Variational Mode Decomposition，VMD）方法對(duì)穩(wěn)態(tài)信號(hào)進(jìn)行分析，并且提取多個(gè)頻譜特征如頻譜平坦度、頻譜亮度和頻譜衰減度作為指紋特征進(jìn)行個(gè)體識(shí)別，結(jié)果不僅提升了識(shí)別率，而且也降低了計(jì)算成本。2017年文獻(xiàn)[22]提出一種基于希爾伯特—黃變換（Hilbert and Huang Transform，HHT）和多尺度分形特征的新方法。通過(guò)HHT得到時(shí)頻能量譜，視其為三維空間中的復(fù)雜曲面，即3D-Hilbert能量譜，并將其作為指紋特征，該方法在低信噪比和小樣本的條件下具有良好的效果。2017年文獻(xiàn)[23]提出了一種基于正交調(diào)制信號(hào)I/Q不平衡的射頻指紋特征提取方法，利用I/Q調(diào)制器模型研究了星座圖中存在的射頻指紋，仿真結(jié)果表明該方法比雙譜變換和HHT變換具有更好的性能。2017年文獻(xiàn)[24]提出了一種基于多維排列熵的射頻指紋識(shí)別方法，用它去表征發(fā)射信號(hào)中存在的非線性成分，結(jié)果表明其存在較高的分類精度。2017年文獻(xiàn)[25]提出了一種基于圖像處理的射頻指紋星座軌跡圖的提取與識(shí)別方法，該文章利用圖像處理的方法對(duì)星座軌跡圖進(jìn)行圖像增強(qiáng)與形態(tài)學(xué)處理，隨后提取其輪廓和高密度分布集中區(qū)等特征進(jìn)行識(shí)別，結(jié)果表明該方法得到的無(wú)線設(shè)備識(shí)別率達(dá)到90%。2018年文獻(xiàn)[26]對(duì)雙譜提取特征存在的問(wèn)題進(jìn)行了改進(jìn)，選擇巴氏距離選擇雙譜和改進(jìn)矩形積分雙譜進(jìn)行實(shí)驗(yàn)，驗(yàn)證了該算法的有效性。2020年文獻(xiàn)[27]提出了一種基于同步壓縮小波變換的主信號(hào)抑制技術(shù)，在主信號(hào)抑制的基礎(chǔ)上，利用分形理論中的盒維數(shù)完成對(duì)信號(hào)的特征提取，實(shí)驗(yàn)結(jié)果表明，相對(duì)于抑制之前個(gè)體的識(shí)別率提升了10%左右，進(jìn)而驗(yàn)證了該算法的有效性。2021年文獻(xiàn)[28]提出了一種基于穩(wěn)態(tài)循環(huán)譜特征的通信輻射源識(shí)別方法，該方法對(duì)高斯噪聲具有強(qiáng)的魯棒性，并且在低信噪比的條件下具有較高的識(shí)別精度。2021年文獻(xiàn)[29]提出了一種基于功率譜特征的Wi-Fi射頻指紋提取方法，通過(guò)計(jì)算信號(hào)中短導(dǎo)碼符號(hào)和長(zhǎng)導(dǎo)碼符號(hào)的功率譜比值，并以此作為指紋特征，在室內(nèi)環(huán)境下采用27臺(tái)Wi-Fi路由器進(jìn)行實(shí)驗(yàn)，識(shí)別率達(dá)到93.3%。2021年文獻(xiàn)[30]提出了一種基于IQ數(shù)據(jù)時(shí)域功率譜的個(gè)體識(shí)別方法，經(jīng)實(shí)驗(yàn)表明該方法在普通電臺(tái)上識(shí)別率為93%，并在個(gè)人設(shè)備上提升了其泛化能力。

總之，穩(wěn)態(tài)信號(hào)的持續(xù)時(shí)間較長(zhǎng)，相對(duì)于暫態(tài)信號(hào)更容易獲取，所以對(duì)接收機(jī)的精度要求較低。穩(wěn)態(tài)信號(hào)攜帶了大量的硬件指紋信息，具有個(gè)體識(shí)別的可操作性與可行性，但是細(xì)微的指紋特征往往被傳輸信號(hào)的數(shù)據(jù)部分淹沒(méi)，所以對(duì)特征提取的方法要求較高。同時(shí)平穩(wěn)信號(hào)中指紋特征的維度較高，一般可以采用降維的方法降低其特征維度，從而減少后續(xù)的計(jì)算成本。

3.2 深度特征方法

傳統(tǒng)特征提取方法過(guò)度依賴專家領(lǐng)域的經(jīng)驗(yàn)知識(shí)，通常對(duì)信號(hào)進(jìn)行降噪、不同變換等處理[31]，從而在不同的變換域提取相關(guān)特征，然而這種方法很難提取出最合適的特征。由于特征提取是個(gè)體識(shí)別的重要步驟，所以特征提取方法的好壞也直接影響了識(shí)別率的高低。最重要的是這些“經(jīng)驗(yàn)特征”普遍存在泛化能力差的問(wèn)題，一般只能針對(duì)特定的輻射源信號(hào)和特定的環(huán)境進(jìn)行識(shí)別。

深度學(xué)習(xí)與傳統(tǒng)識(shí)別方法的最大不同在于它是從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，故深度神經(jīng)網(wǎng)絡(luò)可以自主從數(shù)據(jù)中學(xué)習(xí)不同層次的特征，這樣可以提取出更加完備的特征來(lái)進(jìn)行個(gè)體識(shí)別，從而彌補(bǔ)了傳統(tǒng)特征提取方法的不足。深度學(xué)習(xí)在圖像處理、語(yǔ)音識(shí)別、自動(dòng)駕駛等領(lǐng)域已經(jīng)有了成功的應(yīng)用[32-35]，因此可以將其引入到輻射源個(gè)體識(shí)別應(yīng)用中[36,37]。

2018年文獻(xiàn)[38]采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）對(duì)變換后的壓縮雙譜進(jìn)行識(shí)別。文獻(xiàn)[39]通過(guò)增強(qiáng)局部學(xué)習(xí)對(duì)原始信號(hào)進(jìn)行特征提取以及降維處理，然后輸入深度學(xué)習(xí)識(shí)別框架進(jìn)行無(wú)線網(wǎng)點(diǎn)的識(shí)別。文獻(xiàn)[40]針對(duì)小樣本條件下個(gè)體識(shí)別問(wèn)題，設(shè)計(jì)了一種堆棧自編碼網(wǎng)絡(luò)進(jìn)行細(xì)微特征提取，并在此基礎(chǔ)上通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行個(gè)體識(shí)別。文獻(xiàn)[41]通過(guò)對(duì)典型無(wú)線通信處理鏈中的操作模塊進(jìn)行修改，以研究特定射頻指紋如IQ不平衡、載波頻率、相位偏移的識(shí)別效果，并通過(guò)輸入CNN框架進(jìn)一步提取特征進(jìn)行個(gè)體識(shí)別。2019年文獻(xiàn)[42]提出了一種多采樣卷積神經(jīng)網(wǎng)絡(luò)（Multi-Scale Convolutional Neural Networks，MSCNN）框架，用于對(duì)ZigBee設(shè)備進(jìn)行分類，在54個(gè)ZigBee設(shè)備中達(dá)到了97%的識(shí)別率。文獻(xiàn)[43]提出了基于深度學(xué)習(xí)射頻指紋（Radio Frequency Fingerprint，RFF）技術(shù)的通用去噪自動(dòng)編碼器（Denoising Auto Encoder，DAE）模型，實(shí)驗(yàn)結(jié)果表明，與CNN相比，DAE在含有加性高斯白噪聲的信道中，在低信噪比下可以將識(shí)別精度提高14%到23.5%，即使在信噪比為10 dB時(shí)，識(shí)別精度也可達(dá)到97.5%。2020年文獻(xiàn)[44]提出了一種基于深度學(xué)習(xí)的差分星座跟蹤圖（Differential Constellation Trace Figure，DCTF）射頻指紋識(shí)別方法，由于CNN框架對(duì)圖像處理具有顯著的優(yōu)勢(shì)，故將DCTF輸入到CNN中進(jìn)行特征的自動(dòng)提取，實(shí)驗(yàn)表明DCTF-CNN有識(shí)別率高和計(jì)算成本低的優(yōu)點(diǎn)。文獻(xiàn)[45]提出了一種基于矢量圖的SEI方法，將信號(hào)表示為矢量灰度圖，構(gòu)建深度殘差網(wǎng)絡(luò)提取該圖中的隱藏特征。實(shí)驗(yàn)表明其具有識(shí)別率高和計(jì)算成本低的特點(diǎn)。文獻(xiàn)[46]提出了一種基于深度殘差網(wǎng)絡(luò)（Deep Residual Network，DRN）的輻射源個(gè)體識(shí)別算法，將現(xiàn)實(shí)環(huán)境下測(cè)量的信號(hào)的同相分量（I路）和正交分量（Q路）輸入到DRN框架中進(jìn)行訓(xùn)練。此模型達(dá)到了很好的識(shí)別效果。2021年文獻(xiàn)[47]提出了一種基于遷移學(xué)習(xí)的自適應(yīng)算法，使得該神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征與信道的噪聲即信號(hào)的信噪比無(wú)關(guān)，因此大大提升了該算法在復(fù)雜的信道噪聲中的識(shí)別準(zhǔn)確率和泛化能力。文獻(xiàn)[48]將卷積神經(jīng)網(wǎng)絡(luò)與中心損失函數(shù)相結(jié)合，對(duì)目標(biāo)的數(shù)據(jù)進(jìn)行訓(xùn)練，實(shí)驗(yàn)證明該方法的識(shí)別率高達(dá)99%。

以上大部分研究都是將神經(jīng)網(wǎng)絡(luò)直接作為分類器，對(duì)前一階段的變換進(jìn)行特征的再提取。目前人們嘗試將特征提取和分類識(shí)別相融合，直接輸入IQ數(shù)據(jù)進(jìn)行端到端的個(gè)體識(shí)別[49]，也具有很好的效果，但是此類方法不考慮網(wǎng)絡(luò)中自動(dòng)提取的是什么指紋特征，存在泛化能力較差的問(wèn)題。深度學(xué)習(xí)是黑盒模型，對(duì)提取特征的過(guò)程缺乏理論上的解釋，故容易陷入過(guò)擬合狀態(tài)。

4 問(wèn)題分析和發(fā)展趨勢(shì)

4.1 問(wèn)題總結(jié)

經(jīng)過(guò)上文的整理，發(fā)現(xiàn)輻射源個(gè)體識(shí)別的研究中特征提取是一個(gè)很重要的步驟，它直接影響了實(shí)驗(yàn)的識(shí)別效果。特征提取也有很多種方法，但是普遍存在著以下問(wèn)題：

（1）人工提取特征單一無(wú)法完全代表輻射源之間的硬件差別。由于輻射源硬件構(gòu)成的復(fù)雜性導(dǎo)致了射頻指紋的準(zhǔn)確表征存在很大的困難，因此單一的特征無(wú)法滿足準(zhǔn)確表征輻射源指紋的要求。

（2）人工特征的泛化能力太差。一般而言，根據(jù)專家知識(shí)提取的指紋特征只能滿足特定的問(wèn)題以及特定的調(diào)制信號(hào)，但是通信輻射源信號(hào)的調(diào)制方式多樣，信道的實(shí)際情況復(fù)雜，所以人工特征雖然在實(shí)驗(yàn)室中得到了較好的效果，但是在實(shí)際的應(yīng)用中存在效率低、效果差的問(wèn)題。

（3）深度特征提取存在過(guò)擬合現(xiàn)象。雖然采用深度學(xué)習(xí)提高了特征提取的效率，但在實(shí)際情況下缺乏理論支撐，不考慮特征的物理意義，所以依然存在泛化能力差的問(wèn)題，更易出現(xiàn)過(guò)擬合現(xiàn)象。

4.2 發(fā)展方向

4.2.1 多特征多域聯(lián)合提取

由于單一的特征無(wú)法完全表征輻射源的指紋，因此可以從多個(gè)變換域提取多個(gè)組合特征，實(shí)現(xiàn)對(duì)實(shí)際指紋的精確表示。

4.2.2 建立有效的深度學(xué)習(xí)網(wǎng)絡(luò)模型

隨著深度學(xué)習(xí)的快速發(fā)展，可以針對(duì)指紋特征細(xì)微隱蔽的特點(diǎn)，構(gòu)造更加適合細(xì)微特征提取的網(wǎng)絡(luò)模型，如在卷積網(wǎng)絡(luò)中添加注意力機(jī)制，給不同的特征附上相應(yīng)的權(quán)重，使其在特征空間中提取出指紋相對(duì)應(yīng)的特征向量，從而提高通信輻射源的個(gè)體識(shí)別的準(zhǔn)確度。

4.2.3 抑制有用信號(hào)部分

由于射頻指紋是硬件受非線性成分的影響所生成的，所以在傳輸信號(hào)的數(shù)據(jù)部分不存在射頻指紋，并且通信輻射源的主信號(hào)能量較大，會(huì)淹沒(méi)射頻指紋信息從而影響指紋特征的提取，因此可以使用信號(hào)處理的手段去除或者抑制信號(hào)的主要部分，從而放大信號(hào)的細(xì)微特征。

4.2.4 建立有效的數(shù)學(xué)模型

由于射頻指紋的產(chǎn)生機(jī)理比較復(fù)雜，所以使用數(shù)學(xué)模型對(duì)其解釋依然存在較大的困難，但是如果沒(méi)有完善的數(shù)學(xué)模型的支持，那么實(shí)驗(yàn)的結(jié)果會(huì)存在缺乏普遍性和一般性等問(wèn)題。因此還需深入挖掘其產(chǎn)生機(jī)理，建立準(zhǔn)確全面的數(shù)學(xué)模型。

5 結(jié)語(yǔ)

本文介紹了通信輻射源個(gè)體識(shí)別技術(shù)的基本原理，重點(diǎn)討論了其傳統(tǒng)特征提取方法、深度特征提取方法和信號(hào)處理與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的特征提取方法，概括了近幾年來(lái)在RFF領(lǐng)域主要使用的網(wǎng)絡(luò)模型。指出了深度學(xué)習(xí)在處理RFF任務(wù)時(shí)的優(yōu)點(diǎn)和不足之處，并且提出了改進(jìn)的方案，為接下來(lái)的研究打下了良好的基礎(chǔ)。