基于增強(qiáng)積分雙譜的軌道交通輻射源識別方法*

劉海川 張可欣 惠 鏸 文 璐,3

(1.軌道交通工程信息化國家重點(diǎn)試驗(yàn)室, 710043, 西安; 2.西安理工大學(xué)自動(dòng)化與信息工程學(xué)院, 710048, 西安;3.中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司, 710043, 西安)

無線通信技術(shù)的迅速發(fā)展為人類帶來極大便利,而無線傳播環(huán)境的開放性使得無線通信的安全問題日益嚴(yán)峻。在軌道交通系統(tǒng)中,列車的運(yùn)行與控制、服務(wù)與管理,大量依賴無線通信,而系統(tǒng)中存在的外部干擾對行車安全構(gòu)成重大隱患[1]。輻射源個(gè)體識別技術(shù)通過分辨輻射源特有的射頻指紋,可以從信號層面識別出非法無線用戶,近年來受到廣泛關(guān)注。

射頻指紋是指通信輻射源固有缺陷對射頻信號產(chǎn)生的特有影響,它難以被模仿或篡改,可用于對不同輻射源的識別[2]。信號雙譜[3]能夠在保留原始信號幅度、相位等信息的同時(shí)抑制高斯噪聲,有利于對無線輻射源進(jìn)行分類識別。然而雙譜維數(shù)較高、數(shù)據(jù)量較大,會(huì)導(dǎo)致算法復(fù)雜度較高。對此,學(xué)者們提出了一系列積分雙譜方法將二維雙譜數(shù)據(jù)轉(zhuǎn)化為一維以減少數(shù)據(jù)量[4-6]。其中AIB(軸向積分雙譜)[4]和SIB(矩形積分雙譜)[5]由于計(jì)算簡單、分類效果良好而得到廣泛應(yīng)用。此外,DIB(對角積分雙譜)根據(jù)雙譜的對稱性沿平行于雙譜主次對角線進(jìn)行積分,避免了特征信息點(diǎn)的重復(fù)或缺失,且包含了更多的相位和幅度信息,有效提高了識別性能[6]。上述研究均顯示出積分雙譜方法在通信輻射源個(gè)體識別領(lǐng)域的優(yōu)勢,然而在真實(shí)環(huán)境中往往缺乏魯棒性:當(dāng)接收端在噪聲或干擾影響下信噪比較低時(shí),算法識別率往往急劇下降,難以滿足應(yīng)用需求。

針對這一問題,本文提出了一種基于增強(qiáng)對角積分雙譜的通信輻射源個(gè)體識別方法——DCLIB(對角相關(guān)局部積分雙譜)方法。

1 DCLIB方法的識別原理及設(shè)計(jì)

DCLIB方法的識別過程如圖1所示,主要包括對接收信號的預(yù)處理、特征提取和分類識別3個(gè)環(huán)節(jié)。在特征提取環(huán)節(jié):首先,對輻射源信號進(jìn)行雙譜變換,并進(jìn)行對角相關(guān)計(jì)算以提取次對角線各平行線的自相關(guān)特性,該操作可以突出信號的細(xì)微特征,增大信號與噪聲或干擾之間的區(qū)別;之后,通過選取合適的積分區(qū)間獲得對角相關(guān)局部積分,在進(jìn)一步降低噪聲對指紋特征影響的同時(shí)減少運(yùn)算量;最后,將對角相關(guān)局部積分結(jié)果輸入到殘差網(wǎng)絡(luò)中,進(jìn)行輻射源識別。

圖1 DCLIB的識別過程

1.1 雙譜變換及分析

將通信輻射源發(fā)射的時(shí)域信號表示為x(n),n=1,2,…,N,則接收信號y(n)通常可建模為[3]:

y(n)=x(n)+v(n)

(1)

式中:

v(n)——高斯白噪聲。

y(n)的雙譜可表示為:

(2)

式中:

τ1、τ2——相關(guān)函數(shù)的自變量,分別代表2個(gè)延時(shí);

j——虛部;

ω1和ω2——雙譜二維平面的2個(gè)軸變量。

將y(n)分成K段,每段有M個(gè)數(shù)據(jù),對每段數(shù)據(jù)的均值進(jìn)行量綱一化處理,并依次求其三階累積量的估計(jì)。當(dāng)雙譜兩個(gè)方向上的延遲點(diǎn)數(shù)分別為p和q時(shí),有:

[xk(n+p)+vk(n+p)]·

[xk(n+q)+vk(n+q)]

(3)

k=1,2,…,K

式中:

xk(n)、vk(n)——x(n)中第k段發(fā)射信號及高斯白噪聲;

xk(n+p)、xk(n+q)——延遲點(diǎn)數(shù)分別為p、q時(shí)的第k段發(fā)射信號;

vk(n+p)、vk(n+q)——延遲點(diǎn)數(shù)分別為p、q時(shí)的第k段高斯白噪聲。

其中,分段參數(shù)M1=max(0,-p,-q),參數(shù)M2=min(M-1,M-1-p,M-1-q)。

由于信號和高斯白噪聲的均值都為0,式(3)整理化簡后可得:

(4)

式中:

WN(p,q)e-j(ω1p+ω2q)]

(5)

由式(4)可以看出,由于實(shí)際信號為有限長信號,三階累積量計(jì)算無法完全去除噪聲對信號的影響。因此,式(5)最終得到的雙譜估計(jì)值不僅包含了信號分量,也包含了噪聲分量。

圖2為高斯白噪聲和有噪信號的雙譜估計(jì)結(jié)果。由圖2可以看出,由于高階譜對具有高斯性的信號存在盲性,所以高斯白噪聲雙譜的幅值較低而信號雙譜的幅值較高,兩者存在顯著差異。且由于信號與信號之間具有較強(qiáng)的耦合性,使得信號雙譜的能量主要集中在雙頻域中心附近。

a) 高斯白噪聲雙譜

1.2 增強(qiáng)對角積分雙譜方法

圖3為量綱一化處理后的高斯白噪聲和有噪信號DIB。本文選用次對角線路徑。與之前的結(jié)論類似,圖3中有噪信號的對角積分雙譜值遠(yuǎn)高于白噪聲的對角積分雙譜值,且幅值較大的點(diǎn)主要集中在頻域中心位置附近。相較于接收信號所傳遞的信息,輻射源的特征可視為隱藏于其中的極其微弱信號,而多重相關(guān)方法是提取微弱信號的有效手段,由此提出DCIB(對角相關(guān)積分雙譜)方法以增強(qiáng)信號輻射源特征。

a) 高斯白噪聲信號

DCIB方法在積分之前通過自相關(guān)運(yùn)算來增強(qiáng)微弱信號的細(xì)微特征。其具體過程是對平行于次對角線路徑上的每條線段做自相關(guān)積分運(yùn)算,即:

(6)

式中:

θ——旋轉(zhuǎn)角度,0≤θ≤2π。

圖4為量綱一化處理后的信號DCIB。與圖3 b)相比,DCIB信號中心和邊緣部分的差異顯著增加,突出了信號的細(xì)微特征且降低了與信號不相關(guān)的噪聲部分的影響。因此以DCIB信號作為輻射源的射頻指紋有利于提高其抗干擾能力。

圖4 量綱一化處理后的信號DCIB

1.3 自適應(yīng)雙譜積分區(qū)間

鑒于DCI所反映的信號特征主要集中于幅度較高的部分,而噪聲的影響主要集中于幅度較低的部分,為進(jìn)一步突出信號特征,去除噪聲影響,降低計(jì)算復(fù)雜度,本文只選取DCIB值較高的區(qū)域做積分處理,稱為DCLIB(對角相關(guān)局部積分雙譜)。這樣雖然可能損失少量的信號特性,但去除了噪聲對指紋特征的大部分影響,有利于后續(xù)識別。

設(shè)選取門限值為T,則

(7)

式中:

α——比例因子,0<α<1;

m——對角序列個(gè)數(shù);

ddiag(i)——第i條對角序列的自相關(guān)值。

將T設(shè)為信號對角序列自相關(guān)值均值的α倍,小于該門限的值將不參與積分,α的大小可根據(jù)具體信號進(jìn)行調(diào)節(jié)使其更符合所需要求。

1.4 基于殘差網(wǎng)絡(luò)的輻射源識別

DCLIB信號為增強(qiáng)積分雙譜信號,能夠突出信號的細(xì)微特征并抑制噪聲,可作為有效的通信輻射源射頻指紋。本文據(jù)此設(shè)計(jì)用于輻射源指紋識別的深度神經(jīng)網(wǎng)絡(luò)。

不同通信源射頻指紋的差異較為細(xì)微,通常需要多層神經(jīng)網(wǎng)絡(luò)加以提取。對此,本文采用殘差網(wǎng)絡(luò)進(jìn)行輻射源識別,以克服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)存在的梯度消失問題。DCLIB通過積分有效降低了數(shù)據(jù)維度,減少了神經(jīng)網(wǎng)絡(luò)寬度,為設(shè)計(jì)深度網(wǎng)絡(luò)提供了空間。由此,本文在設(shè)計(jì)網(wǎng)絡(luò)參數(shù)時(shí),使用了一個(gè)適用于DCLIB輻射源識別的10層殘差網(wǎng)絡(luò)模型。相較于一般殘差網(wǎng)絡(luò)模型(如文獻(xiàn)[7]的ResNet152模型),該模型在降低模型容量的同時(shí)還能確保較高的識別準(zhǔn)確率。本文的殘差網(wǎng)絡(luò)主要包含1個(gè)輸入卷積層,4個(gè)殘差塊,1個(gè)全局平均池化層及1個(gè)輸出連接層。殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示,在試驗(yàn)中初始學(xué)習(xí)率設(shè)為0.001,損失函數(shù)為交叉熵函數(shù),使用SGDM優(yōu)化器,批數(shù)量為64,輪次為50。

a) 殘差網(wǎng)絡(luò)結(jié)構(gòu)

2 試驗(yàn)分析

2.1 試驗(yàn)設(shè)置

為客觀評估DCLIB方法的可行性和有效性,本文使用來自WiSig公開數(shù)據(jù)集[8]實(shí)際場景中的10臺不同WiFi發(fā)射設(shè)備前導(dǎo)碼進(jìn)行分類識別試驗(yàn)。不失一般性,每臺設(shè)備200幀。殘差網(wǎng)絡(luò)的訓(xùn)練、驗(yàn)證和測試數(shù)據(jù)集按7∶2∶1的比例隨機(jī)劃分。使用Matlab2020b軟件和Intel酷睿i7-6700 CPU(中央處理器)提取輻射源的射頻指紋并進(jìn)行訓(xùn)練和測試。

(8)

DCLIB方法試驗(yàn)部分所給信噪比ra均為實(shí)際接收信號與所添加人工噪聲的功率之比,因此加噪后信號的信噪比r

2.2 試驗(yàn)結(jié)果

為了驗(yàn)證DCLIB方法的識別效果,分別采用DCLIB方法、DCIB方法、軸向積分雙譜方法、矩形積分雙譜方法及DIB方法,在不同ra條件下進(jìn)行試驗(yàn),得到的識別準(zhǔn)確率見圖6。在DCLIB方法識別中,設(shè)定α=0.6。

圖6 不同方法的識別準(zhǔn)確率

由圖6可見,在ra=20 dB時(shí),各方法的識別準(zhǔn)確率相近,均能達(dá)到95%以上。這與采用同樣數(shù)據(jù)集的文獻(xiàn)[7]結(jié)果相吻合。而在ra<15 dB時(shí),所有方法的識別準(zhǔn)確率均隨著ra的降低而下降。經(jīng)分析,真實(shí)環(huán)境中的干擾和噪聲對所提取的射頻指紋產(chǎn)生了影響,導(dǎo)致識別性能降低。而在強(qiáng)干擾環(huán)境下DCLIB方法的性能具有顯著優(yōu)勢。圖6結(jié)果表明,當(dāng)ra≤10 dB時(shí),DCLIB方法和DCIB方法的識別準(zhǔn)確率明顯高于其他方法的識別準(zhǔn)確率。例如,當(dāng)ra=5 dB時(shí),DIB方法的識別率已降至69.0%左右,而DCLIB方法和DCIB方法的識別率仍能達(dá)到83.5%和80.0%,說明二者抗噪性明顯優(yōu)于其他3種方法。

為進(jìn)一步分析所提算法提高識別準(zhǔn)確率的原因,繪制在ra=5 dB時(shí)DCLIB方法、DCIB方法和DIB方法的分類混淆矩陣,如圖7所示。

a) DCLIB 方法

由圖7可以看出:DIB方法對不同設(shè)備之間的誤識別率較高,尤其是第1、2、3、6、9類設(shè)備;DCIB方法對設(shè)備的誤識別率明顯較小,說明通過增強(qiáng)信號的細(xì)微特征可以更好地保留輻射源本身的指紋特征;與DCIB算法相比,DCLIB算法的設(shè)備誤識別率進(jìn)一步降低。由此可見,DCLIB算法雖然損失了少量信號特性,但去除了噪聲對指紋特征的影響,從而提高了識別準(zhǔn)確率。

3 結(jié)語

針對通信輻射源射頻特征易受噪聲與干擾影響導(dǎo)致識別準(zhǔn)確率低的問題,本文提出了一種基于增強(qiáng)對角積分雙譜的輻射源個(gè)體識別方法——DCLIB方法。DCLIB方法通過對信號雙譜上次對角線各平行線做自相關(guān)計(jì)算,增強(qiáng)了信號與噪聲之間區(qū)別,突出了信號的細(xì)微特征。又通過自適應(yīng)設(shè)置門限值選擇合適的積分區(qū)間對處理后的信號進(jìn)行局部積分,在保留信號有用特征的同時(shí)減少了運(yùn)算數(shù)據(jù)量。

經(jīng)試驗(yàn)驗(yàn)證,在噪聲和干擾較強(qiáng)的場景下,本文方法的識別效果明顯優(yōu)于現(xiàn)有其他積分雙譜算法,說明DCLIB方法在復(fù)雜通信環(huán)境下有著良好的適用性。