信号源个体识别方法简介

四川九洲空管科技有限责任公司 赵浩然 董静霆 王 丽 陈 妹

1.引言

信号源个体识别技术，是指利用通信接收机长时间接收空中信号并形成带有标签的信号库，之后当通信接收机接收到未知信号时，通过特征提取、特征匹配等过程将未知信号与信号库中信号进行对比匹配，实现信号源个体识别并获得该信号源的设备类型、用途等属性[1]。该技术是在当代通信技术飞速发展、空中环境日趋复杂的背景下应运而生的，它主要利用附加在发射信号上的信号源个体硬件固有物理差异形成的信号微小差别来进行理论研究（即使两个信号源的型号相同、调制参数相同，这种差异也是存在的），其核心和关键是信号细微特征提取与匹配方法。由于信号源个体识别技术在电子对抗、空管监视等领域中有良好的应用前景，目前已成为一个研究热点。

在电子对抗领域，当信号源为合作方时，只需要对信号进行解析即可；但是当信号为非合作方时，由于无法获得更多的先验信息用以解析信号，那么就难以获得有用信息，此时若利用信号源个体识别技术对信号进行特征匹配就能够实现对该信号源的属性判断，获得有利信息。又如在空管二次监视雷达系统中，地面设备向空中目标发射固定格式的询问信号进行询问，空中目标接收到询问信号后向地面设备发射应答信号用以信息交互，在一次天线扫描周期中会发生多次以上过程，在地面设备处理应答信号过程中，信号源个体识别技术可以辅助点迹凝聚、航迹关联等数据处理过程，从而提高空管运行效率。针对信号源个体识别技术，国外从上世纪就开始系统研究并取得一些成果转化为应用，如MASINT系统、ISTIS系统及VERA-E系统等等；而国内对该技术的研究起步较晚，目前还没有成熟的应用，因此急需加快研究步伐。

通常，信号源个体识别过程如下：

图1 个体识别过程

接收设备接收到空间信号以后，由于距离的原因会造成信号强度不同，因此需要对信号进行幅度归一化等预处理操作，进而对归一化信号进行一些时频变换并根据特征提取方法提取样本信号特征，对特征进行分析，最终进行特征匹配与分类判决，完成个体识别。本文在分析传统特征提取方法的基础上发现传统方法的一些缺点并提出基于神经网络的分类架构，该架构能够更加充分利用信号特征从而能用于对传统分类方法的补充改进，提高信号源个体识别准确率。

2.时频变换与特征提取

想要对信号进行识别，必须找出每个信号独有的特征，这需要从不同的角度去认识、分析信号，从而剖析出信号的本质。我们最初从空中采集的信号是以时间的形式存在的，称为时域信号，除时间外，频率也是信号存在于这个空间的重要表现方式，频率的研究方法是建立在傅里叶分析基础上的。大量实践过程中发现单独在时域或者频域分析信号都有其优点和缺陷，时频分析（Joint Time-Frequency Analysis）方法提供了时间域与频率域的联合分布信息，清楚地描述了信号频率随时间变化的关系从而可以弥补单独在时域或者频域分析的不足。时频分析的思想是设计时间和频率的联合函数，用以同时描述信号在不同时间和频率的能量密度或者强度，从而可以从各个角度剖析分解信号。这种时间和频率的联合函数简称为时频分布。在各个领域的信号分析过程中，大量应用的时频分布有短时傅里叶变换、模糊函数、小波变换、魏格纳分布以及高阶谱理论等等[2-4]。本文简单介绍一下魏格纳分布和小波变换。

魏格纳分布是一种二次型时频，它已经被广泛应用于很多领域的时频信号分析处理并且具有很多很好的性质。信号，的联合魏格纳分布定义为：

其中分别为信号的傅里叶变换。

信号的自魏格纳分布定义为：

魏格纳分布具有如下良好的性质：

a）对称性：

b）位移性：

c）定义域的同一性：信号的魏格纳变换与信号本身处于同一范围的时域和频域中；

d）时域频域的积分性：

1）对于任意固定时刻沿全频率轴积分等于该时刻的瞬时功率，即：

3）由上面两条可得沿时、频两个轴的双重积分等于信号的能量E，即：

除魏格纳分布外，小波变换也是一种重要的时频变换，它克服了短时傅里叶变换的一些缺点并广泛应用于图像处理等领域，同魏格纳分布一样，它能够在时域和频域都有表征信号的能力。小波是函数空间中满足下述条件的一个函数或者信号

上式中，表示全体非零实数全体，是的傅里叶变换，称为小波母函数。可以看出小波在频率有很好的衰减性质。

一组小波基函数是通过尺度因子和位移因子由基小波产生的，对于实数对，参数为非零，函数：

称为由小波母函数生成的依赖于参数对的连续小波函数，简称小波。其中a称为伸缩因子，b称为平移因子。

信号的连续小波变换定义为：

连续小波变换具有线性性质、平移不变性以及伸缩不变性等性质。

完成信号变换后，需要提取每个信号的独有特征。所谓独有特征，即为相同信号源发射的信号具有相似的度量大小，不同信号源发射的信号具有较大的度量差异，一种提取特征常用的方法是Fisher判别比。Fisher判决比一般表示为：

其中，是第c类信号的H个训练样本在点的时频变换的平均值，是第c类信号的H个训练样本的时频变换在点的标准差。

以Fisher判别比较大的点作为特征完成特征提取，对特征进行距离匹配，识别目标可以达到一定的准确率，常用的距离有“闵可夫斯基距离”、“Hausdor ff距离”等。但是基于上述过程进行目标识别主要存在以下两个问题：第一，随着目标个数增多选择特征的能力下降；第二，电磁环境恶化后，方法的鲁棒性不强。下一章，本文将简单介绍利用神经网络进行分类的个体识别方法。

3.基于神经网络的识别架构

神经网络是由简单神经元连接构成的大规模并行分布式处理器，它通过带标签的样本对神经元的突触权值进行更新，经过大量训练学习后具备很强的泛化能力，能对未在训练过程中遇到过的数据给出合理的输出。在信号源个体识别的过程中，利用信号库中的信号作为训练样本，经过幅度归一等预处理后对信号进行变换并提取特征，利用经过标准知识标示的特征为输入，利用神经网络对样本进行训练调整权值，经过大量训练后，使系统具有泛化能力从而能对新进信号进行识别。具体过程如图2所示。

图2 基于神经网络的识别模型

在输入层中，可以利用特征提取方法提取大量相对优秀特征（可以设较小的阈值从而增多数量），这样可以充分利用其特征；同时，由于经过了大量训练，信号中的噪声以及干扰突变在训练规程中影响会逐渐降低，因此系统的鲁棒性就会提高。综上所述，利用神经网络系统在一定程度上可以弥补传统方法的不足从而有可能提高个体识别准确率。

[1]Talbot K I,Duley P R,Hyatt M H. Specific emitter identification and verification[J].Technology Review Journal,2003:113-133.

[2]Sugiyama T,Shibuki M,Iwasaki K,et al.Transmitter Identification-Experimental Techniques and Results[J].Journal of Communications Research Laboratory,2002,49(1):137-153.

[3]王磊,姬红兵,史亚.基于模糊函数特征优化的雷达辐射源个体识别[J].红外与毫米波学报,2011,30(1):74-79.

[4]梁百川.利用小波变换识别脉内调制信号[J].电子对抗,1998,3:1-12.