基于特征融合的跳頻信號射頻指紋識別技術

李明笛,謝 軍,楊鴻杰,耿夢婕,未爭超,段亞楠,劉冀川

(1.中國電子科技集團公司 第54研究所， 石家莊 050081;2.河北省電磁頻譜認知與管控重點實驗室，石家莊 050011)

0 引言

跳頻通信是抗干擾性能極優的通信體制，具有截獲概率低，組網能力強等優勢，在軍事通信領域中應用廣泛。跳頻電臺識別存在兩方面難題。一是源于個體識別技術特點，隨著通信技術的快速發展，現有的通信輻射源采用穩定度極高、雜散抑制能力很強的數字式器件，電臺的一致性、穩定性表現得越來越好，導致傳統的通信輻射源個體識別方法無法從時域、頻域等方面提取到使得目標個體識別率達到一定標準的有效特征。同樣，用跳頻周期估計、測向測距、功率測量等信號參數信息實現跳頻信號個體識別對參數估計準確度依賴較高，且受噪聲干擾時的魯棒性表現較弱，不適用于戰場的復雜環境。二是跳頻電臺本身的特點。由于跳頻電臺頻率快速跳變的特點，導致跳頻電臺的指紋特征容易受到環境變化的影響，而且由于信號每個跳頻段的長度較短，個體穩態特征表現不夠充分，從而使得個體識別變得更加困難。目前對跳頻信號個體識別的研究很少，由于跳頻電臺的開機、關機、頻率切換特征表現明顯，以提取信號的暫態特征為主，常采用包絡瞬時特征提取[1]和頻域瞬時特征提取[2]的方法，提取信號的頻率切換特征[3]、瞬時相位特征[4]、分形特征[5]等,而且多以提取二維有效特征為主。這些研究多數不使用分類器或者使用機器學習的支持向量機[6]、隨機森林[7]等分類器，這使得個體識別準確率不甚理想，且只能識別少數目標，當目標數量增多時需要提升信號特征的維度，使得不同個體之間的差異更易區分。

RFID目前主要分為兩種方法，一種是機器學習的方法，另一種是深度學習方法。機器學習方法通過進行特征提取、特征融合、使用分類器進行分類來實現，此流程對提取有效特征的依賴性較強[7]，提取的特征有多種類型，有時域特征[8]、頻域特征、變換域特征[9]、圖像特征[10]等，例如LI J提取信號盒維數作為其包絡特征[11]，岳嘉穎提取雙譜特征[12]并通過降維處理進行簡化，通過提取眼圖特征[13]和特征融合實現了10 dB信噪比下識別準確率的提升。深度學習不需要過多的先驗信息，也不需要進行特征提取，而是直接將數據輸入神經網絡，通過改變網絡結構，網絡對參數的自動調整，生成適應于RFID的網絡模型。輸入網絡的可以是基帶實信號、信號包絡[7]、復信號[14]、星座圖[15]、時頻圖[16]等，也可以使用特征融合，使得網絡對特征的提取更加全面。深度學習進行RFID的主要任務為選擇合適的網絡結構與選擇輻射源的輸入形式。綜合之前國內外的研究來看，雖然深度學習調整網絡結構具有一定的隨機性、盲目性，且實時性差，需要訓練網絡耗費大量時間，但是總體上來看，深度學習具有更高的識別準確率，且不依賴于特征的提取，在對非合作未知目標的判別問題中發揮著重要作用，但是絕大多數對基于深度學習的RFID研究仍停留在對網絡結構的調整上，殘差網絡[17]在識別中表現的效果好因此備受青睞，在原始殘差網絡結構的基礎上有許多的改進方法，唐震[18]將I/Q兩路信號進行特征融合，使用數據增強技術達到擴充樣本的目的，構建了深度殘差收縮網絡的識別模型，相比于同樣復雜度的殘差網絡模型，識別準確率得到了提升；王春升[19]運用了原型學習的基本思想，提出了原型網絡模型，證明了該模型比其它模型具有更好的識別效果，但是殘差塊往往用于深層網絡，訓練時間長且容易過擬合，數據輸入形式也多為一維信號。

之前的研究工作中，耿夢婕[7]通過將信號包絡直接輸入神經網絡與提取特征后輸入分類器進行對比，證明了深度學習比基于特征提取的機器學習具有更高的識別準確率，任進[20]、侯濤[21]等進行了基于深度學習的調制方式識別，在其研究基礎上，個體識別是在其基礎之上提取更加細微的指紋特征。最近三年，很多方法都加入了差分的思想，如差分Hilbert譜圖[22]，差分復信號[14]，差分星座圖[23]等，而且進行了更多提取變換域特征的研究。PENG L[10]提取復信號的差分星座圖，從而使得信號在不需要同步等先驗條件下獲得較高的識別準確率，蔣紅亮[15]用等勢星座圖法進行了個體識別研究，為星座圖特征提取開辟新思路，楊鑫[16]基于時頻能量譜進行了三部跳頻電臺的識別，以上都是采用單一特征進行提取，呂昊遠[24]利用加權平均思想改進了偽標簽的賦值方式，得到了改進的偽標簽半監督方法在測試集的識別準確率，但是他們的識別準確率沒有超過95%，而且運用星座圖特征的識別效果普遍優于時頻圖；岳嘉穎[12]運用三維雙譜圖像進行特征提取，但是效果并不理想，通過閱讀文獻發現，雙譜大多數情況下作為一種特征參與特征融合從而提高識別準確率，由于雙譜良好的抗噪聲性能，對于信噪比較低的情況下選擇用雙譜特征來提升識別準確率是理論上可行的。

本文設計了一種簡單的卷積網絡結構和特征提取的改進方法，通過研究不同的特征融合方法對識別準確率的影響，提出了一種基于跳頻信號時頻域、改進后的星座圖、改進的雙譜域融合與深度學習的識別方法，并研究了不同圖像大小對識別準確率的影響，設計了合適的網絡結構來提升識別準確率，與之前的依靠其中某一種特征提取的方法進行了對比實驗，證明了設計合理的特征融合方法可提高識別準確率，最后仿真不同傳輸信道條件，對本文提出方法的魯棒性進行了研究。

1 信號處理

1.1 Hilbert-Huang譜獲取

HHT不受測不準原理制約，適用于非線性的突變信號分析[25]，相比于傅里葉變換，能顯示出時頻關系和各頻率分量的大小。所以選擇用HHT時頻圖來進行細微特征提取，能更好地提取信號的時頻域特征。將采集的單路基帶信號data(t)進行Hilbert變換可得到I/Q兩路的復信號：

(1)

(2)

Dataup=Data×e2πfti/fs

(3)

其中:t為采樣點序列，f取400 kHz，fs為采樣率。取中頻信號實部進行HHT變換，經驗模態分解(EMD)，得到：

(4)

其中:s(t)為中頻信號實部，如圖1所示。n為固有模態函數(IMF)的個數，imfi(t)為第i個IMF，rn(t)為剩余分量，這樣，就將中頻信號分解得到了各個頻率分量。濾波器使得信號存在延遲，截取有效部分進行分析。

圖1 中頻信號實部

對每一個IMF求Hilbert變換：

(5)

使用歐拉公式，解析信號hi(t)表示為：

hi(t)=ai(t)eiθi(t)

(6)

ai(t)為瞬時幅度，θi(t)為瞬時相位。

這樣就得到了信號的瞬時能量ai(t)2與瞬時頻率ωi=dθi(t)/dt。

將信號的ai(t)2大小用顏色表示，繪制其關于時間和頻率的函數，如圖2所示。

圖2 中頻信號時頻圖

1.2 星座圖獲取與處理

星座圖轉移軌跡可以將不同內容，不同發射時刻的信號匯聚在一起，表征PSK類信號總體上的差異，經分析得知，不同個體星座圖可能存在發散程度、偏移量大小等細微差異。由于目標發射的是8 PSK類信號，復信號Data(t)表示為:

Data(t)=

(7)

其中：ωc為信號載頻，g(t)為波形函數，Ts為符號周期，M=8為相移鍵控的相位個數。對s(t)做M次方非線性變換:

gM(t)e-jMwct,0≤t≤Ts,0≤m≤M-1

(8)

此時M倍載頻位置存在離散譜分量，對復信號Data(t)的8次方進行FFT變換，其頻譜存在峰值對應的橫坐標是快速傅里葉變換(FFT)點數，也就是等比例縮放的頻偏。如下所示：

fbias=fft(data8)

(9)

(10)

(11)

得到的頻偏曲線如圖3所示。其中fbias為頻偏，fmax為頻偏最大峰值對應的采樣點，f0為經過將fmax轉換為實際頻偏得到的值。從而使得每個數據點t的頻偏得以糾正。

圖3 八次方頻譜圖

這時星座圖還存在偏移，去除偏移，得到星座轉移軌跡圖如圖4(a)、(b)所示，由于所研究的信號為2 PSK與4 PSK調制方式的疊加，相當于8 PSK調制方式，星座圖存在方向性，這里，我們將2 PSK調制的兩個星座點的方向調整為縱向，如圖4(c)所示，這樣可以降低星座圖的朝向對識別準確率的影響。具體作法為：選用1.5倍帶寬作為窗長的升余弦濾波器進行匹配濾波去除噪聲后，通過定時同步，找到最大的同步字相關峰對應的采樣點，即最佳采樣點，得到如圖5所示的定時后聚類清晰的星座圖，再用K均值聚類算法的優化算法，即K++算法，找到各個聚類中心，進而判斷星座圖所處的方向，再進行相應角度的旋轉，即可得到方向一致的星座圖。

圖4 得到的不同方向星座圖

圖5 定時后與聚類后的星座圖

1.3 雙譜獲取

由于高階譜對高斯噪聲具有很好的抑制作用[26]，雙譜為三階累計量的二維傅里葉變換，是最簡單的高階譜，且保留了除了線性相位之外的全部信號特征，所以選擇對跳頻信號進行雙譜估計來提取信號的有效特征。雙譜估計的方法分為參量估計與非參量估計法。非參量估計不用對信號建立模型，對實際采集到的信號的分析相對簡單，非參量估計又存在直接法與間接法，間接法是先估計信號三階累積量再對其進行傅里葉變換，直接法是先進行傅里葉變換再估計信號的三階累積量。本文采用間接法進行雙譜估計。

Data的的三階累計量為：

C3x(τ1,τ2)=

E{data*(t)data(t+τ1)data(t+τ2)}

(12)

其中：data*(t)為實信號data(t)的共軛，τ1，τ2為延遲。經過傅里葉變換，得到雙譜為：

D(ω1)D(ω2)D*(ω1+ω2)

(13)

D(ω)為data(t)的傅里葉變換，設置fft長度256，窗長5，每個片段樣本數為256，重疊率50%，繪制四層等高線，得到雙譜圖如圖6所示。

圖6 四層等高線雙譜圖

由圖可見，不同個體的雙譜存在細微差異，但是很難提取某個特征去表征它們之間的差異。之前的研究中對雙譜特征提取以對角切片法為主，這會丟失雙譜的部分信息，所以本文選擇保留雙譜的二維特征，將其作為一個整體降維歸一化后進行特征提取。

2 卷積網絡設計

2.1 批量歸一化(BN)層

BN層可以在深層神經網絡訓練的過程中保證網絡中的隱藏層的輸入分布保持不變，主要思想是，對輸入數據進行白化操作，即減去均值后除以標準差，這樣可以加快網絡收斂，防止過擬合。BN層有兩個參數γ和β，可通過學習參數進行仿射變換，可得到最終的BN層輸出。

(14)

(15)

其中：μ，σ，ε分別為輸入所有元素的均值，方差和偏移量。

通常，BN層放在卷積層之后，激活函數之前，由于BN層對輸入進行歸一化后進行線性變換，這樣可以使用BN層的參數改變卷積核每一個位置的參數。

2.2 交叉熵損失函數(CrossEntropy Loss)

交叉熵是信息論中一個重要的概念，可以用來作為兩個概率分布差異性的評判指標。

相對熵可以衡量某個隨機變量的兩個概率分布P(x)和Q(x)，其中P(x)為樣本真實分布，Q(x)為模型預測的分布，將相對熵公式展開：

(16)

前面項H(p(x))是信息熵，后面項是交叉熵，交叉熵公式為：

(17)

由于在網絡訓練的過程中，輸入數據是確定的，所有輸入數據的概率分布P(x)是確定的，所有信息熵就是一個常量，我們在網絡訓練時需要減小真實概率分布與預測概率分布之間的差值，所以需要最小化相對熵，也就相當于最小化交叉熵，因為交叉熵的運算復雜度低，所以采用交叉熵作為損失函數。

2.3 網絡結構設計與特征融合

設計神經網絡，由于深度卷積網絡具有很好的分類效果，且結構相對簡單，在深度卷積網絡的基礎上使用BN層，以減小訓練誤差，增強網絡的泛化能力，防止在訓練過程中發生梯度的消失或爆炸，提高網絡的訓練速度。經過實驗發現，多層全連接層可以使得識別準確率提高，使用標簽軟化(Label-smooth)，設置標簽權值0.9，防止過擬合。

取星座圖，雙譜和Hilbert譜具有相同尺寸大小的矩陣。將三個矩陣在通道維上連接，生成的3*n*n矩陣輸入網絡訓練，其中n為樣本尺寸的長和寬。網絡結構如圖7所示，使用了三個卷積層，兩個全連接層，網絡結構相對簡單。

圖7 網絡訓練流程

輸入的數據為[1 024*3*n*n]格式的數組。其中批量大小取1 024，通道數為3，由于網絡相對簡單，訓練輪數epoch取10。樣本分為訓練集，驗證集和測試集，三部分的占比為6：2：2。分類問題中，損失函數用來表示預測結果和數據實際標簽之間差距的大小，交叉熵損失函數是將LogSofMax和NLLLoss集成到一個類中，在解決多分類問題中效果顯著，本文使用交叉熵損失函數，并使用Adam優化方法。激活函數使用Relu激活函數，最后一層為softmax層，選擇學習率自適應調整策略，隨損失函數變化調整學習率，加快訓練收斂速度。

3 實驗結果

3.1 預處理

所選取的跳頻電臺為200～240 MHz，設置采樣率1.6 M/s,中心頻率220 MHz,帶寬60 MHz對信號進行采樣。三部跳頻電臺采樣時長為3 min，每個采集時長取1.5 ms,以保證長于每個突發的時長,從而使得采樣片段完整。對采集信號進行DDC(變頻、下采樣、濾波)操作，得到基帶信號。其包絡如圖8所示。通過對Data通過UW前導碼進行定時同步：由于采樣率設置為符號速率的8倍，用37位UW字和信號每隔8位做相關，如圖9所示，找到相關峰，即為最佳采樣點，對相關峰設置閾值，去除噪聲和無用信號，將得到的信號進行歸一化處理，以方便網絡訓練。

圖8 采集到的樣本

圖9 UW字同步示意圖

取其中的30 000個突發信號片段作為樣本，由于有6部電臺，共有180 000(6*30 000)組樣本。為了證明本文方法有效性，分別將比較不同信噪比，不同數據輸入形式，相同網絡結構下個體識別準確率。信號處理使用Matlab2019,卷積神經網絡訓練與測試使用Python3.4。

3.2 有效性分析

在第一個對照實驗中，將星座轉移軌跡散點圖轉化為熱力圖[27]，如圖10所示，圖中的漸變顏色代表散點的稀疏程度，圖片包括RGB三通道，圖片大小256*256。第二個對照實驗將通道數為1的星座點圖輸入。第三個對照實驗提取HHT譜輸入[22]。第四個對照實驗將通道數為1的雙譜矩陣輸入。

圖10 星座轉移軌跡熱力圖

樣本被轉換到變化域進行特征提取時，矩陣大小選取成為一個重要的影響因素，從經驗分析的角度來看，圖像尺寸越大，分辨率越高，似乎網絡提取到的細微特征越全面，所以在一定范圍內增加圖像大小是有必要的，但是神經網絡計算復雜度會隨著圖像大小的增加而急劇增加，而且當圖像尺寸大小增加時，噪聲等無用信息可能會被當成細微特征而使得識別準確率下降。為了對本文方法的結果進行更全面的分析，實驗選取在30 dB的高斯白噪聲條件下進行，每一個樣本分別生成尺寸大小為300*300，400*400，500*500，600*600，700*700和800*800的幾種對應的變換域矩陣進行研究，為了證明特征融合的有效性，選取三個特征種的每一個單獨輸入作為對照實驗，還進行了星座熱力圖輸入作為對照實驗來研究星座圖處理的方式對識別準確率的影響。

實驗結果如圖11所示，由圖可見所有實驗在600*600分辨率時的識別準確率都是最高的，當圖像分辨率高于700*700時識別準確率降低，因為這時圖像包含了大量無用信息，改變了原始的有用信號數據分布，。本文的方法識別準確率比三種特征域中任何一種單獨輸入時的識別準確率高，在600*600的圖像大小條件下可以達到99.29%，遠高于其它方法，說明特征融合提高了個體識別準確率，分辨率降低比分辨率提高對識別準確率的影響更明顯，星座圖包含了更多有效的細微特征，在各個對比的圖像大小條件下都能達到90%以上的識別準確率，星座散點圖在低分辨率時表現出更高較高的識別準確率，雙譜特在不同圖像大小情況下差異不明顯，但星座熱力圖特征卻受圖像分辨率影響顯著。

圖11 不同輸入和圖像尺寸條件下個體識別準確率

3.3 魯棒性分析

當信號通過有線信道傳播時，信號中包含的噪聲主要是加性高斯白噪聲，當信號在無線信道中傳播時，信號中噪聲的大小服從瑞利分布，由于信噪比過低時，無法通過定時同步生成聚類相對清晰的星座圖，也就無法調整星座轉移軌跡散點圖的方向，所以為了驗證本文方法的優越性，仿真了兩種信道條件下的樣本，選擇研究SNR為5 dB、10 dB、15 dB、20 dB、25 dB、30 dB幾種情況下本文所提出方法對6個部跳頻電臺信號的識別準確率，結果如圖12所示。

圖12 不同噪聲條件下的識別準確率

由圖可知，在信噪比降低時，識別準確率快速下降，瑞利信道下識別準確率低于高斯信道下的識別準確率，尤其在信噪比降低時，瑞利信道下的識別效果迅速下降，信噪比為5 dB時，相比于高斯信道下識別準確率79.33%，瑞利信道下識別準確率只有66.93%。在高斯信噪比大于10 dB時，本文方法的識別準確率在87%以上，高于[7]中的準確率，說明本文方法具有一定的魯棒性。

本文方法在高斯信噪比為10 dB與30 dB條件下識別準確率的混淆矩陣如圖13所示，由圖可知，電臺1和2，電臺1和3，電臺3和4的相似性比較高，在識別中容易混淆，由于電臺一致性極高，硬件差異表現差異微小，本文方法依然可以得到很高的識別準確率，說明該方法具有實用性。

圖13 SNR為30 dB與10 dB時的混淆矩陣

4 結束語

本文提出了一種基于2 PSK和4 PSK混合調制的星座圖生成與預處理方法，同時還提出了一種多特征的融合方法，通過將跳頻電臺的三種特征融合，結合了各個特征在區分個體中的優勢，提升了個體識別識別準確率且具有一定的抗干擾能力。本文還研究了不同圖像尺寸和噪聲條件對識別準確率的影響。本文設計了一種相對簡單的卷積神經網絡，節約了訓練階段的運算成本，使得在無干擾的室外環境下，對三部跳頻電臺的識別準確率達到了99.29%。由于神經網絡提取的特征可解釋性差，下一步的研究計劃結合人為指紋特征提取和神經網絡提取特征，來進一步提升識別準確率，并加入更多的目標來測試識別效果。