基于復數卷積神經網絡的輻射源識別方法*

陶夢圓，張茜茜，王禹，楊潔

（南京郵電大學通信與信息工程學院，江蘇 南京 210023）

0 引言

輻射源識別技術根據偵察技術獲取發射端的輻射源信號，通過分析信號的頻率特征、調制參數等信息，對信號特征進行測量與提取，最后，根據先驗信息對發射信號的輻射源個體進行分類與確認[1]。近年來，該技術在軍事和民用通信中的頻譜檢測與信號處理等方面發揮巨大的作用。

目前的輻射源識別方法可分為傳統識別方法與機器學習（ML,Machine Learning）方法，具體如圖1 所示：

圖1 輻射源識別方法

其中傳統的輻射源識別方法識別速度快且易于實現，但此方法依賴先驗知識且泛化能力差，難以處理如今數量龐大且形式復雜的輻射源信號[1]。ML 為一種智能的數據分析方法，可以模仿人類學習方式，從而使計算機網絡程序隨著經驗的增多而提高性能[2-4]，因此基于ML 的輻射源識別方法可以解決傳統方法難以處理的大規模復雜輻射源信號識別問題。其中基于深度學習（DL,Deep Learning）的輻射源識別方法是如今最熱門的輻射源識別研究方向，該方法通過構建深度神經網絡，如卷積神經網絡、深度置信網絡、稀疏自編碼器等自動提取信號的復雜深層特征，進而實現輻射源的精確識別[5-9]。該方法在解決數量龐大、維度高、形式復雜的輻射源識別任務上表現出了優異的識別性能，因此本文基于DL 算法，利用復數卷積神經網絡（CVCNN,Complex Value Convolutional Neural Network）對進行預處理后的信號樣本進行特征提取與分類識別，完成輻射源信號識別任務。

1 問題描述

1.1 系統模型

基于復數卷積神經網絡的輻射源識別方法系統模型如圖2 所示，在對接收到的信號樣本進行數據預處理后，輸入到CVCNN 中進行訓練，提取信號特征并存儲訓練好的網絡模型權重，最終用訓練好的網絡模型對待識別的輻射源信號樣本進行分類識別。

圖2 基于復數卷積神經網絡的輻射源識別方法系統模型

1.2 信號模型

實驗中使用的數據集為自動相關監視系統（ADS-B，Automatic Dependent Surveillance-Broadcast）信號樣本，通過圖3 信號采集系統對航空器信息進行采集[10]，具體過程如下：

第一步：利用軟件無線電設備用于檢測和捕獲ADS-B信號的基帶同相/正交（I/Q,In-phase/Quadrature）數據；

第二步：使用自動解碼算法獲取飛機的個人身份標簽（ID,Identity Document）；

第三步：使用自動聚類和標記算法將基帶I/Q 數據標以相應的飛機ID，完成ADS-B 信號收集。

圖3 ADS-B信號采集系統

采集到的ADS-B 信號數據集s(t) 如式(1)。接收到的信號為I/Q 信號，包含實部與虛部兩部分，這也是在后續的輻射源識別網絡模型中選擇復數卷積神經網絡進行訓練的原因，即避免分割復數ADS-B 信號的I/Q 數據，保留了二者耦合所帶來的信息。

其中，h(t) 表示信道脈沖響應，m(t) 表示設備接收到的ADS-B 無線信號，n(t) 表示噪聲。

1.3 問題描述

本文提出的輻射源識別方法設置在接收端，旨在將接收到的輻射源信號s(t)預處理為樣本信號S={x(0),x(1),…,x(N-1)}，N代表接收的樣本信號數，然后進一步把這些輸入信號分類為已知的不同輻射源信號k={yi,i=1,2,…,K}，K表示輻射源信號種類數量，以完成輻射源分類識別任務。輻射源信號的分類處理中用到最大后驗概率準則（MAP,Maximum-A-Posteriori），即：

2 提出的方法

2.1 復數卷積神經網絡

在進行CVCNN 模型的設計時[11-12]，本文首先使用了復數卷積對輸入ADS-B 信號進行卷積操作，將信號的I 路和Q 路聯系起來，并提取出由I 路和Q 路之間的耦合性而帶來的特征，提高識別準確率。然后考慮到網絡參數量和計算復雜度問題，采用小卷積核進行多層卷積以減少模型參數。此外，整合多個非線性激活層來代替單一非線性激活層，以增強判別能力[13]。而在特征提取過程中，使用小卷積核會帶來能力不足、視野不夠的問題，所以采用增多卷積神經網絡層數的方法來彌補這些問題。然而，神經網絡深度的增加也會導致特征維度的增加，因此本文在每一個卷積層后都設置了池化層進行特征圖壓縮，同時對神經網絡添加批標準化操作，以提升神經網絡收斂速度，并且使用相對較大的學習率[14]。

本文設計的CVCNN 結構如圖4 所示。

圖4 復數卷積神經網絡結構

與實數卷積操作相比，復數卷積操作在進行卷積工作時其卷積核會將實部與虛部聯合起來，避免特征關系丟失。輸入ADS-B 信號樣本神經網絡的復數卷積核可表示為W=A+iB，復數卷積形式如式(5)，從而實現對信號實部與虛部的聯合操作。

此外，本文設計的CVCNN 還加入了批標準化（BN,Batch Normalization）層[15]，把經線性函數映射后的特征分布轉化為均值為0、方差為1 的正態分布。同時，考慮到如果只是簡單地變換為均值為0 方差為1 的線性表達，會導致CVCNN 的表達能力下降，因此還需要進行非線性變換操作。經過非線性變換函數后的輸入值落入到對輸入比較敏感的區域，以此避免梯度消失問題。具體算法步驟如下：

2.2 復數神經網絡的訓練過程

在訓練階段，CVCNN 采用了前向傳播與反向傳播結合的算法，如圖5 所示，通過這個過程實現對權重與參數的更新，使損失函數最小化。

圖5 神經網絡訓練模式

其中前向傳播階段信號由低維到高維進行傳播，CVCNN的卷積層、池化層、全連接層的數學模型表示如下[16]：

反向傳播階段計算權重的損失函數梯度，更新權重以最小化損失函數[17-18]。本文CVCNN 使用交叉熵損失作為損失函數，其表達式為：

其中，yi為信號樣本的真實類別標簽，pi為通過CVCNN的Softmax 函數映射后的預測概率，。

確定損失函數后，根據損失函數求得梯度：

3 實驗與評估

3.1 實驗參數

實驗環境的配置與參數的設置如表1 所示：

表1 實驗環境與參數設置

3.2 實驗結果

（1）識別性能

本文選取了CNN1[19]和CNN2[20]這兩種卷積神經網絡，以及與本文所設計的CVCNN 具有相似結構的實數卷積神經網絡（RVCNN，Real Value Convolutional Neural Network）作為CVCNN 對比的網絡進行實驗。

實驗選取準確率、精確度、召回率和查全率與混淆矩陣作為評估標準對識別性能進行評估，得到表2 所示的性能與圖6 所示的混淆矩陣。由表2 可以看出，與其他神經網絡相比，本文所設計的CVCNN 在準確率、精確度、召回率和查全率這4 方面都有顯著提高；同樣地，由圖6 可以看出，CVCNN 的識別性能明顯優于3 種對比神經網絡。

表2 不同網絡模型識別性能

圖6 不同網絡模型的混淆矩陣

進而，本文分析了CVCNN 與3 種對比神經網絡的網絡復雜度，采用了模型參數量Parameters 與計算量FLOPs作為評估指標。其中神經網絡的最大池化層不含參數量，且最大池化僅僅是比較操作，其計算量可以忽略不計；批標準化層為歸一化操作，該層的參數量與計算量與卷積層、全連接層相比也可忽略不計。因此本文選取卷積層和全連接層的參數量與計算量對神經網絡的復雜度進行對比與分析。每層的參數量Pi與計算量Fi的計算方式如下：

神經網絡復雜度計算結果如表3 所示。可以看出，本文提出的基于CVCNN 的輻射源識別方法與同樣具有較高識別性能的RVCNN、CNN1 相比，模型參數量較小，且計算復雜度也沒有增加，即能在提高識別性能的同時不增加模型計算復雜度，便于實際應用部署。

表3 不同網絡模型參數量與計算復雜度

（2）模型收斂過程

本文調查了不同神經網絡模型的訓練過程，并分析了不同神經網絡的損失收斂速度，如圖7 所示。可以看出，與CNN1 和CNN2 網絡相比，本文所設計的CVCNN 的收斂速度明顯優于CNN1 和CNN2，并且損失更趨近于零。

圖7 神經網絡訓練過程

4 結束語

在無線通信環境日益復雜的大環境下，電磁戰場上的信號偵察干擾以及日常生活中的物聯網連接安全等問題都需要輻射源識別技術的支撐。本文提出基于CVCNN的輻射源識別方法，詳細闡述了復數卷積神經網絡的網絡結構與算法流程，并采用100 類民航客機ADS-B 信號作為輸入數據，對所提出的基于CVCNN 的輻射源識別方法進行仿真實驗。實驗結果表明，所提出的CVCNN識別準確率高、訓練速度快,且在一定程度上減少了網絡復雜度。在未來的工作中，考慮到模型實際部署的成本問題，將探索模型壓縮技術。在保證識別性能的前提下，通過壓縮模型參數進一步優化所提出的基于CVCNN 的輻射源識別技術，從而實現模型的低成本部署。