基于流形學(xué)習(xí)與稀疏描述方法的輻射源個(gè)體指紋識(shí)別技術(shù)

摘" 要：在功放非線性模型基礎(chǔ)上，從信號(hào)雙譜中提取個(gè)體指紋特征，借助流形學(xué)習(xí)中的二維監(jiān)督判決保局投影算法，降低指紋特征維度。進(jìn)而以歐氏距離和描述誤差作為稀疏準(zhǔn)則，提出2種匹配分類(lèi)算法，即K近鄰稀疏描述法和K近鄰特征空間法，對(duì)降維指紋進(jìn)行識(shí)別分類(lèi)。通過(guò)仿真驗(yàn)證流形學(xué)習(xí)和稀疏描述在個(gè)體指紋識(shí)別中的有效性。結(jié)果表明，與全局描述分類(lèi)法相比，所提出2種算法識(shí)別性能更優(yōu)；與基于希爾伯特-黃變換和基于近似熵的個(gè)體識(shí)別算法相比，所提算法規(guī)避參數(shù)選擇問(wèn)題，魯棒性更強(qiáng)，適用于復(fù)雜電磁環(huán)境。

關(guān)鍵詞：輻射源個(gè)體；指紋識(shí)別；非線性模型；流形學(xué)習(xí)；稀疏描述

中圖分類(lèi)號(hào)：TN911.7" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2025）07-0013-06

通信輻射源個(gè)體指紋識(shí)別，是指接收機(jī)所接收的無(wú)線信號(hào)中的個(gè)體細(xì)微特征，是用來(lái)識(shí)別輻射源個(gè)體的[1]，已在無(wú)線通信中的入侵檢測(cè)、Wi-Fi網(wǎng)絡(luò)、認(rèn)知無(wú)線電、蜂窩組網(wǎng)技術(shù)、干擾源定位以及城市頻譜管理中有廣泛應(yīng)用[2-4]。

提取穩(wěn)態(tài)特征指紋的算法包括頻域的高階譜分析法[5]、Hilbert-Huang變換（HHT）分析法[6]等。時(shí)域的算法包括相空間奇異譜法[7]、相空間差分法[8]等。從信號(hào)時(shí)頻域提取特征，是將時(shí)頻譜轉(zhuǎn)化為若干具有明確物理意義的特征量，會(huì)損失個(gè)體原始信息，且依賴(lài)精準(zhǔn)的物理模型和經(jīng)驗(yàn)參數(shù)。因此需探索普適性更強(qiáng)、在多種模型和多種信號(hào)環(huán)境中更穩(wěn)健的個(gè)體指紋識(shí)別方法。

人臉識(shí)別是經(jīng)典的圖像分類(lèi)問(wèn)題，先對(duì)人臉圖像樣本進(jìn)行數(shù)據(jù)降維，然后利用監(jiān)督學(xué)習(xí)訓(xùn)練和在線匹配分類(lèi)識(shí)別新樣本[9]。流形學(xué)習(xí)是其中新興的降維方法，廣泛應(yīng)用于數(shù)據(jù)挖掘和模式匹配[10-11]。基于稀疏描述[12]的分類(lèi)方法通過(guò)引入稀疏概念來(lái)去除不相關(guān)因素，既能實(shí)現(xiàn)精確分類(lèi)，又能避免傳統(tǒng)稀疏表示的計(jì)算復(fù)雜問(wèn)題。本文提出的基于流形學(xué)習(xí)和稀疏描述的個(gè)體識(shí)別系統(tǒng)如圖1所示。

用非線性模型對(duì)輻射源個(gè)體建模，從信號(hào)雙譜中提取個(gè)體指紋，然后利用流形學(xué)習(xí)中的二維判別監(jiān)督保局投影算法，對(duì)雙譜指紋進(jìn)行降維，最后依據(jù)稀疏描述思想構(gòu)造了2種算法：K近鄰稀疏描述法和K近鄰特征空間法。最終與近似熵分析法[13]、HHT分析法和全局描述分類(lèi)算法進(jìn)行對(duì)比，驗(yàn)證所提算法在正確識(shí)別概率和穩(wěn)定性上的優(yōu)勢(shì)。

1" 個(gè)體功放行為建模

一般將功放模型分為記憶模型及無(wú)記憶模型。無(wú)記憶模型中的Saleh模型、Rapp模型和Taylor級(jí)數(shù)模型[14]都屬于比較典型的模型。Hammerstein模型、記憶多項(xiàng)式模型（Memory polynomial， MP）、Volterra級(jí)數(shù)模型和Weiner模型[1]等一般是比較常見(jiàn)的記憶模型。

1.1" Taylor個(gè)體模型

功放的Taylor級(jí)數(shù)模型將放大器看成一個(gè)瞬時(shí)的非線性函數(shù)[14]

1.2" MP個(gè)體模型

MP模型可以建立同時(shí)具有記憶特性和非線性失真的個(gè)體功放模型

其實(shí)現(xiàn)結(jié)構(gòu)如圖2所示。

2" 基于二維判別監(jiān)督保局投影的指紋降維算法

二維判別監(jiān)督保局投影（Two-dimensional discriminant supervision locality preserving projection， 2DDSLPP）是流形學(xué)習(xí)中的非線性降維方法，能較好地保持原始數(shù)據(jù)局部信息[10]。

2.1" 基于雙譜的指紋特征提取

信號(hào)雙譜可以抑制高斯噪聲，對(duì)于給定的N點(diǎn)時(shí)間序列{x（n）}■■，利用直接法估計(jì)雙譜的計(jì)算步驟如下。

將所給數(shù)據(jù)分成K段，每段含M個(gè)觀測(cè)樣本，記作xk（0），xk（1），…，xk（M-1），其中k=1，…，K。

計(jì)算離散Fourier變換（DFT）系數(shù)

計(jì)算DFT系數(shù)的三重相關(guān)

式中：k=1，…，K；0≤λ2≤λ1；λ1+λ2≤fs /2；？駐0=fs /N0；N0和L1應(yīng)滿(mǎn)足M=（2L1+1）N0。

利用K段雙譜估計(jì)的平均值，計(jì)算數(shù)據(jù)x（0），x（1），…，x（N-1）的雙譜，即

式中：w1=■λ1，w２=■λ２。

2.2 二維判別監(jiān)督保局投影

保局投影（Locality preserving projection， LPP）是一種子空間分析法，其解決了主成分分析等傳統(tǒng)線性方法會(huì)破壞原始數(shù)據(jù)非線性流形的問(wèn)題，又解決了非線性方法不能低維投影新樣本的問(wèn)題[11]。

設(shè)有l(wèi)個(gè)訓(xùn)練樣本X={xi}■■？奐R■，從原樣本空間到特征空間的變換矩陣為W，則投影表達(dá)式為

式中：yj表示樣本xj在映射新空間的值。變換矩陣可以通過(guò)最小化目標(biāo)函數(shù)來(lái)得到

式中：SS表示同類(lèi)樣本之間的關(guān)系矩陣，SD表示不同類(lèi)樣本之間的關(guān)系矩陣；‖·‖指變量的二范數(shù)。SS定義為：如果xi和xj來(lái)自同一類(lèi)，則S■=exp（-‖xi-xj‖■/t），否則令其為零。SD定義為：如果xi和xj來(lái)自不同的類(lèi)別，則令S■=exp（-‖xi-xj‖■/t），否則令其為零。其中t是一個(gè)大于0的閾值常量。公式（7）可以變換為

式中：X=[x1，x2，…，xl]是所有訓(xùn)練樣本組成的矩陣，L1=D1-Ss，L2=D2-SD，D1和D2是l×l的對(duì)角矩陣，由D■=？撞■S■，D■=？撞■S■所定義對(duì)角元素，？茚為Kronecker積。

令c為非零常量，WTX（L2？茚In）XTW=c。利用Lagrange條件極值求解方法，式（8）與如下Lagrange函數(shù)同時(shí)取得極值，即

對(duì)Lagrange函數(shù)L（W，λ），其極值在■=0的條件下獲得。因此，極小值問(wèn)題（9）可以轉(zhuǎn)化為求解下式的最小特征值對(duì)應(yīng)的特征向量的問(wèn)題，即為

設(shè)d為降維度數(shù)，列向量w1，w2，…，wd是特征方程式（10）前d個(gè)最小的特征值對(duì)應(yīng)的特征向量，按照特征值由小到大排列，便可得投影矩陣W=[w1，w2，…，wd]。

3" 基于稀疏描述的指紋識(shí)別算法

稀疏描述在人臉識(shí)別領(lǐng)域[15-16]首先得到應(yīng)用。傳統(tǒng)的稀疏描述方法存在明顯的弊端，其計(jì)算復(fù)雜度非常高，難以滿(mǎn)足實(shí)時(shí)性要求。本文提出2種利用K近鄰進(jìn)行稀疏描述的分類(lèi)算法。

3.1" K近鄰稀疏描述分類(lèi)算法

K近鄰稀疏描述分類(lèi)算法（K-nearest neighbor sparse description classification， K-SDC）如下。

1）確定訓(xùn)練樣本K近鄰子集。首先從訓(xùn)練樣本中選出距離測(cè)試樣本最近的K個(gè)訓(xùn)練樣本。假設(shè)有L個(gè)類(lèi)別，如果一個(gè)訓(xùn)練樣本屬于j類(lèi)j=1，2，…，L，則將數(shù)字j作為其類(lèi)別標(biāo)簽。令測(cè)試樣本y的K個(gè)近鄰為x1，x2，…，xK，且這些近鄰的類(lèi)別標(biāo)簽對(duì)應(yīng)為ci，1≤ci≤L，i=1，…，K且ci∈N+。

2）利用K近鄰對(duì)測(cè)試樣本稀疏描述。求得K近鄰訓(xùn)練樣本后，將測(cè)試樣本表達(dá)為這K個(gè)近鄰的線性組合，并據(jù)此對(duì)測(cè)試樣本進(jìn)行分類(lèi)。稀疏描述的表達(dá)式如下

式中：ai，i=1，2，…，K為系數(shù)。式（11）認(rèn)為每個(gè)近鄰都對(duì)表達(dá)測(cè)試樣本有貢獻(xiàn)，其中，第i個(gè)近鄰的貢獻(xiàn)為aixi。可以將式（11）改寫(xiě)為如下形式

式中：A=[a1，…，aK]T；X=[x1，…，xK]。為了滿(mǎn)足泛化性能，求解過(guò)程中必須要求線性表達(dá)XA與測(cè)試樣本y之間有最小的偏差，且解向量A的范數(shù)較小。因此，選擇如下目標(biāo)函數(shù)

式中：μ表示一個(gè)很小的正常數(shù)。根據(jù)Lagrange法，最優(yōu)的A應(yīng)該滿(mǎn)足■=0。因此，K-SDC算法的最優(yōu)解對(duì)應(yīng)為

式中：I表示單位矩陣。

3）描述誤差準(zhǔn)則分類(lèi)。根據(jù)計(jì)算出來(lái)的線性描述系數(shù)A，可以用K近鄰中對(duì)應(yīng)各類(lèi)的貢獻(xiàn)大小來(lái)確定測(cè)試樣本的類(lèi)別。設(shè)測(cè)試樣本的K個(gè)近鄰中來(lái)自第r（1≤r≤L，且r∈N+）類(lèi)的所有近鄰元素為xs，…，xt，則第r類(lèi)的貢獻(xiàn)為

gr與測(cè)試樣本y之間的偏差為er=‖y-gr‖2。偏差er越小，第r類(lèi)在用K近鄰表達(dá)測(cè)試樣本中的貢獻(xiàn)越大。因此，測(cè)試樣本y最終被分到K近鄰中貢獻(xiàn)最大的類(lèi)別。

3.2" K近鄰特征空間分類(lèi)算法

K近鄰特征空間分類(lèi)（K-nearest neighbor feature space classification， K-FSC）算法如下。

1）選擇K近鄰特征空間。

設(shè)x■■，x■■，…，x■■，表示第i類(lèi)中的Ni個(gè)訓(xùn)練樣本，首先用訓(xùn)練樣本來(lái)線性表達(dá)測(cè)試樣本y，即

式中：x■=[x■■，…，x■■]，A■ 為對(duì)應(yīng)元素的系數(shù)。A■可

其中μ是一個(gè)很小的正常數(shù)，I是單位矩陣。" 表示" "中的第k個(gè)分量。用z1，…，zK表示x■■，…，x■■中任意的K個(gè)訓(xùn)練樣本，計(jì)算其對(duì)表達(dá)測(cè)試樣本的貢獻(xiàn)，即

式中：" " " " "為nbsp; " " " " " "中分別對(duì)應(yīng)z1，…，zK的K個(gè)元素，cei表示測(cè)試樣本與第i類(lèi)的線性表達(dá)結(jié)果之間的誤差。從第i類(lèi)所有的Ni個(gè)訓(xùn)練樣本中選擇出任意K個(gè)訓(xùn)練樣本，有M=C■■種不同的方式。如果cei越小，則貢獻(xiàn)越大，將x■■，…，x■■中有最大貢獻(xiàn)的K個(gè)樣本作為第i類(lèi)的特征空間，也稱(chēng)之為“代表樣本”。

2）用K近鄰特征空間稀疏描述分類(lèi)。

首先用p1，…，pKc表示所有c個(gè)類(lèi)別中的Kc個(gè)線性“代表樣本”，設(shè)如下方程近似成立，即

式中：P=[p1，…，pKc]；η=[η1，…，ηKc]T。η的求解公式為

式中：μ表示小的正常數(shù)，I為單位矩陣。第i類(lèi)對(duì)測(cè)試樣本的描述誤差表示為

式中：■i=■■，…，■■■，Gi=p■，…，p■，包含第i類(lèi)中的K個(gè)線性“代表樣本”，cai同樣表示測(cè)試樣本與第i類(lèi)“代表樣本”之間的誤差。若q=arg mini cai，那么將測(cè)試樣本分為第q類(lèi)。

4" 仿真實(shí)驗(yàn)與結(jié)果驗(yàn)證

4.1" 模型參數(shù)選擇

輻射源采用QPSK和QAM調(diào)制，信號(hào)長(zhǎng)度為10 ms，符號(hào)速率為1 MHz，采樣率為10 MHz，載頻為2 MHz，背景噪聲服從零均值高斯分布。樣本總長(zhǎng)度N=100，其中訓(xùn)練樣本Nt=50，測(cè)試樣本Npre=50，每個(gè)樣本包含1 000個(gè)采樣點(diǎn)。功放Taylor模型的非線性階數(shù)K=3，MP模型的記憶階數(shù)和非線性階數(shù)Q=P=3。

根據(jù)公式（1），設(shè)定不同個(gè)體對(duì)應(yīng)的Taylor系數(shù)向量為

根據(jù)公式（2），可以將個(gè)體模型i的參數(shù)矩陣ak表示為

式中：向量a■■=a■■ a■■ a■■■代表個(gè)體i的非線性因子向量，a■■=a■■ a■■ a■■代表個(gè)體i的記憶因子向量。構(gòu)造輸入信號(hào)向量[x（n），x（n-1），x（n-2）]T與矩陣ak相乘求和即可得到輸出信號(hào)y（n）。設(shè)定不同MP個(gè)體的系數(shù)向量

4.2" K-SDC和K-SFC中的近鄰值選擇

在基于K近鄰的稀疏描述分類(lèi)算法中，需要設(shè)定近鄰值K。對(duì)于K-FSC算法，由于其設(shè)計(jì)排列組合問(wèn)題C■■，其中Ntr為訓(xùn)練樣本數(shù)。如果選定了Ntr=50，則K過(guò)大會(huì)增加計(jì)算復(fù)雜度。因此，在K-FSC方法中，通常取經(jīng)驗(yàn)值K=3。對(duì)于K-SDC算法，在高斯白噪聲環(huán)境，信噪比SNR=20 dB時(shí)，仿真驗(yàn)證了個(gè)體識(shí)別系統(tǒng)在不同K值（3≤K≤22）下的正確識(shí)別概率，如圖3所示。

由圖3可知，對(duì)于Taylor個(gè)體或MP個(gè)體，輸入信號(hào)為QPSK信號(hào)或QAM信號(hào)，K值的變化引起的正確識(shí)別概率的波動(dòng)小于等于5%，并且當(dāng)K取值一定時(shí)，每種情況的識(shí)別性能均能達(dá)到90%以上。因此，在本實(shí)驗(yàn)中，訓(xùn)練樣本Ntr=50，對(duì)于K-SDC算法，K可在5～20之間任意取值。

4.3" 識(shí)別性能

結(jié)合2DDSLPP數(shù)據(jù)降維方法和稀疏描述分類(lèi)方法，可以得到基于流形學(xué)習(xí)與稀疏描述的個(gè)體識(shí)別算法。對(duì)采用不同調(diào)制信號(hào)（QPSK或QAM）、不同個(gè)體模型（Taylor個(gè)體模型或MP個(gè)體模型）的多種情況進(jìn)行個(gè)體識(shí)別仿真實(shí)驗(yàn)，以正確識(shí)別概率Pc為指標(biāo)，驗(yàn)證GDC、K-SDC、K-FSC算法的識(shí)別性能。如圖4和圖5所示。

由圖4和圖5可知，在以信號(hào)雙譜作為指紋提取的基礎(chǔ)上，K-SDC算法的識(shí)別性能最優(yōu)，K-FSC算法的識(shí)別性能次之，GDC算法識(shí)別性能最差。K-SDC算法在4種情況的仿真實(shí)驗(yàn)中，當(dāng)SNR=12 dB時(shí)能夠達(dá)到90%以上的識(shí)別概率，當(dāng)SNR=20 dB時(shí)能夠達(dá)到95%以上的識(shí)別概率。結(jié)果表明，基于流形學(xué)習(xí)與稀疏描述的個(gè)體識(shí)別算法具有良好的輻射源個(gè)體識(shí)別性能。

6" 結(jié)論

本文提出了基于流形學(xué)習(xí)與稀疏描述的個(gè)體指紋識(shí)別算法。從人臉識(shí)別的角度出發(fā)，將個(gè)體識(shí)別看作個(gè)體指紋匹配的過(guò)程，首先，將個(gè)體信號(hào)中具有穩(wěn)定表現(xiàn)的雙譜作為個(gè)體指紋，其包含豐富的個(gè)體信號(hào)非線性成分。其次，利用流形學(xué)習(xí)中的二維判別監(jiān)督保局投影對(duì)雙譜指紋進(jìn)行降維，最后，依據(jù)稀疏描述思想構(gòu)造了K近鄰稀疏描述算法和K近鄰特征空間分類(lèi)算法。通過(guò)計(jì)算機(jī)仿真，相比較于全局描述分類(lèi)法，K-SDC和K-FSC算法都取得了更優(yōu)的個(gè)體識(shí)別效果，證明了在個(gè)體指紋識(shí)別中的確存在稀疏性；相比較于HHT分析法和近似熵分析法，基于稀疏描述的個(gè)體識(shí)別系統(tǒng)在識(shí)別抗噪性上具有更好的性能。

參考文獻(xiàn)：

[1] 許丹.輻射源指紋機(jī)理及識(shí)別方法研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2008.

[2] YUAN Y， HUANG Z， WU H， et al. Specific emitter identification based on Hilbert-Huang transform-based time-frequency-energy distribution features[J]. Iet Communications， 2014， 8（13）：2404-2412.

[3] HALL J， BARBEAU M， KRANAKIS E. Enhancing intrusion detection in wireless networks using ratio frequency fingerprinting[C]//Proc. Third IASTED Int. Conf. on Communications，Internet and Information Technology（CIIT），2004：201-206.

[4] AFOLABI Ｒ Ｏ， ＫＩＭ Ｋ， ＡＨＭＡＤ A. On Secure Spectrum Sensing in Cognitive Radio Networks Using Emitters Electromagnetic Signature[C]//2009 Proceedings of 18th International Conference on Computer Communications and Networks.IEEE，2009

[5] 徐書(shū)華.基于信號(hào)指紋的通信輻射源個(gè)體識(shí)別技術(shù)研究[D].武漢：華中科技大學(xué)，2007.

[6] ZHANG J， WANG F， DOBRE O A， et al. Specific Emitter Identification via Hilbert-Huang Transform in Single-Hop and Relaying Scenarios[J]. IEEE Transactions on Information Forensics amp; Security， 2016， 11（6）：1192-1205.

[7] CARROLL T L. A nonlinear dynamics method for signal identification[J]. Chaos， 2007， 17（2）：023109-023109.

[8] HUANG G， YUAN Y， WANG X， et al. Specific Emitter Identification Based on Nonlinear Dynamical Characteristics[J].Canadian Journal of Electrical and Computer Engineering，2016，39（1）.

[9] 王映輝.人臉識(shí)別——原理、方法與技術(shù)[M].北京：科學(xué)出版社，2010：1-5.

[10] 劉敏，李曉東，王振海.一種新的有監(jiān)督保局投影人臉識(shí)別算法[J].計(jì)算機(jī)應(yīng)用，2009，29（5）：1416-1418.

[11] 高雷，李曉東.基于改進(jìn)的有監(jiān)督保局投影人臉識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（17）：185-187.

[12] 趙曉.基于稀疏表示的人臉識(shí)別方法研究[D].北京：北京工業(yè)大學(xué)，2013.

[13] PINCUS S. Approximate entropy （ApEn） as a complexity measure.[J]. Chaos An Interdisciplinary Journal of Nonlinear Science， 1995， 5（1）：110-117.

[14] ISAKSSON M， WISELL D， RONNOW D. A comparative analysis of behavioral models for rf power amplifiers[J]. IEEE Transactions on Microwave Theory amp; Techniques， 2007，54（1）：348-359.

[15] 徐勇，范自柱，張大鵬.基于稀疏算法的人臉識(shí)別[M].北京：國(guó)防工業(yè)出版社，2014：1-3.

[16] 劉煜，劉進(jìn)，李海峰，等.稀疏表示基礎(chǔ)理論與典型應(yīng)用[M].長(zhǎng)沙：國(guó)防科技大學(xué)出版社，2014：1-3.

Abstract： Based on the nonlinear model of the power amplifier， individual fingerprint features are extracted from the signal bispectrum， and the dimension of fingerprint features is reduced with the help of the two-dimensional supervised decision-preserving projection algorithm in manifold learning. Then， using Euclidean distance and description error as sparse criteria， two matching classification algorithms are proposed， K-nearest neighbor sparse description method and K-nearest neighbor feature space method to identify and classify dimensional-reduced fingerprints. Simulations are used to verify the effectiveness of manifold learning and sparse description in individual fingerprint identification. The results show that compared with the global description classification method， the two proposed algorithms have better recognition performance; compared with individual recognition algorithms based on Hilbert-Huang transform and approximate entropy， the proposed algorithms avoid parameter selection problems and are more robust， suitable for complex electromagnetic environments.

第一作者簡(jiǎn)介：李成（1974-），男，碩士，高級(jí)工程師。研究方向?yàn)樾盘?hào)處理。

*通信作者：蔡玉寶（1989-），男，碩士，高級(jí)工程師。研究方向?yàn)槿斯ぶ悄堋?/p>