网络化辐射源个体识别技术述评*

(中国西南电子技术研究所，成都610036)

1 引 言

辐射源个体识别(Specific Emitter Identification，SEI)是一种将收集截获的信号与信号辐射源个体本身相匹配的技术，其定义为“将辐射源电磁特征与辐射源个体关联起来的能力”[1]。

辐射源个体识别通过对辐射源信号特征的选择和特征参数高精度测量，发现信号特征所表现的辐射源个体独有的特点，从而达到对辐射源目标进行个体识别和跟踪的目的，具有重要的军用和民用价值。

自20世纪60年代中期开始，辐射源个体识别概念在美国逐步形成，应用于情报侦察和电子战行动，成为获取信号情报的重要手段，在美军各军兵种和美国情报机构得到高度重视。近年来，随着美军加速构建体系化、标准化和网络化的个体识别系统，个体识别装备大面积加装集成，目标个体数据库、识别模型库持续积累，个体识别的军事价值又得到进一步的重视和挖掘[2]。

我国自20世纪90年代开始关注辐射源个体识别技术，此后20多年，国内多家研究单位开展了针对电子和通信辐射源的个体识别技术研究，在个体特征产生机理、特征参数的选择、特征分析提取方法以及识别分类方法方面取得了一定进展[3-9]。但必须看到的是，研究的重点主要集中在特征提取和分类识别方法、算法等单项技术上，着眼于个体识别装备自身的关键技术，而在个体特征产生的机理、普适性特征的选择、特征参数的长期稳定性方面，虽有涉及但并未获得突破性进展。在技术的工程应用方面，还存在着辐射源目标个体识别模板建立困难、稳健的识别特征参数选择有限、特征参数与识别辐射源类型紧耦合、优良且稳健的识别分类算法使用受限等诸多难题。尤其是在辐射源个体识别技术的网络化体系化发展应用方面，还未见公开的研究报道。

随着个体识别的对象——各类信息化装备的迅猛发展，新体制装备日益多样化，传统的基于信号特征参数的个体识别越来越受到侦察手段自身能力的限制，即尽管个体识别技术装备的能力可能较强，但如果装备之间缺乏有效的协同运用机制，则在对目标的时域、频域、空域覆盖上均可能存在部分局限，进而在很大程度上影响侦察系统整体能力的发挥，从而不能满足现在和未来的军事应用需求。

在网络化、体系化发展的大背景下，军事行动已由单纯的武器装备能力对抗转变为信息化条件下作战体系能力对抗，因此未来个体识别技术向组网协同应用发展已经成为必然趋势。将大量个体识别装备逐步融入统一整体的信息网络之中，利用网络协同的优势开展对敌电子信息系统的侦察识别，将会大幅度提升系统整体的效能。

本文针对辐射源个体识别在网络化背景下应用的需求，分析了发展趋势，对未来辐射源个体识别组网协同应用需关注的问题进行了分析，提出了关键技术和实现途径。

2 个体识别技术网络化发展趋势

从个体识别技术实现的角度，基于信号特征参数的辐射源个体识别正确率主要取决于不同辐射源设备工作参数的个体差异和对辐射源个体信号特征先验知识的掌握程度。然而随着工业生产技术不断发展，电子器件的参数指标越来越精准，信号特征参数的差异越来越不明显，原有的识别规律和识别方法大量失效。与此同时，伴随电子技术的飞速发展，电磁空间中的信号越来越复杂，调制方式种类繁多，也大大增加了信号分析和个体识别的难度，仅仅依靠信号的特征参数来建立模板、分析和区分辐射源个体难度增大。此外，现役辐射源个体识别装备一般只针对特定频段的某一类特定信号对象，获取的信号数据只反映了目标的部分特征，不能反映目标的全貌，因此通过单一的个体识别技术手段，对侦测到的辐射源目标个体的识别变得越来越困难。

辐射源个体识别技术向网络化体系化发展，则可将部署在不同地域、不同类型的个体识别装备有机联接，通过传感器之间的组网协同，协调多种个体识别手段完成同一任务，打破分散的个体识别传感器受作用距离、作用区域、获情手段种类等自身技术能力的限制，充分发挥多源信息融合的优势，在统一的数据资源支持下，形成多视角、多手段的协同个体识别，提高对目标的个体识别概率，减少漏识、错识率。

作为辐射源个体识别技术的发源地，美军在辐射源个体识别技术网络化、体系化运用方面已做了大量工作，其中以 “舰队作战”试验(FBE-Juliet)中进行的网络化的辐射源个体识别(Networked Specific Emitter Identification in Fleet Battle Experiment Juliet)[10]尤为典型。

试验的背景是对辐射源个体识别技术的协同应用方法进行研究，目的是检验辐射源个体识别技术装备的协同作战能力。参与试验的有配备个体识别技术装备的演习指挥部、作战飞机和作战舰艇，三者间通过数据链和高速网络联接并协同工作。目标辐射源特征数据来自于海上情报监视系统通过历史积累建立的辐射源目标特征数据库。

试验过程中，配备个体识别设备的飞机和舰艇等机动作战平台通过数据链或高速网络协同，共同对模拟的敌方船只和重要目标进行信号采集处理、辐射源特征数据融合、识别定位、识别信息及位置数据上报。指挥部对来自各传感器上报的目标识别信息、位置数据、平台信息进行进一步融合处理，实现对目标的连续跟踪识别，并将识别信息融合进战场统一态势向作战系统分发。

试验数据表明，地理空间上相距很远的多个个体识别传感器能够协同工作，对雷达辐射源目标进行识别跟踪，为作战系统提供雷达目标告警和指示。通过对多个来源的辐射源特征数据融合处理，可以得到更高的辐射源个体识别准确度，为在复杂信号环境下的濒海作战提供更精确、可靠的目标属性和位置信息，增强态势感知能力。

纵观近年来美军感知装备的发展历程，在现役装备升级和新系统开发中，注重提升协同目标识别定位以及多传感器信息融合的能力。其他国家也在积极探索通过装备的组网协同，提升作战效能的新型作战概念。主要技术发展具有以下三方面特点：

(1)通过集成多种传感器从不同辐射源信号的不同特征、不同的识别维度来共同刻画目标的“个体形象”，有助于大幅度提高目标个体识别的正确率；

(2)从注重单项技术和装备的能力到引入多种识别技术向装备体系化协同运用转变；

(3)通过组网协同，扩大监视区域，提升对各类目标的感知能力，提高信号情报的准确度。

3 网络化辐射源个体识别技术架构

传统的辐射源个体识别技术架构中，个体识别传感器一般配置在各个侦察节点，传感器之间即使形成某种网络系统，也是按同类型传感器组网。与单个辐射源个体识别传感器能力相比，这种多传感器组网架构的主要特点是实现了数据共享，扩大了对目标的跟踪监视范围。但其不足之处一是工作模式预置或固化，不能根据目标和环境的动态变化而灵活地反应和调整；二是由于按同类型传感器组网，监视处理的辐射源目标种类单一，可提供的目标信息要素不齐全，难以满足信息化条件下作战对目标精确识别的需求。因此对于向网络化体系化方向发展的辐射源个体识别技术，需要有新的体系架构和工作流程，引入新的方法推动技术发展。

网络化辐射源个体识别技术概念图如图1所示，其主要思想是通过数据链、卫星通信链路或地面高速网络，将作战区域内参与个体识别的多种手段、多种平台传感器进行组网，整个组网系统按作战目标、作战区域协同工作，对关注区域内的各类辐射源目标进行全天时、全方位、全频段信号侦察，不同传感器按自身能力的不同分配不同的任务，提供不同的识别要素，在整个系统中发挥不同的作用，在后端对来自各个传感器的数据进行融合处理、识别目标，并对来源数据的质量进行评估，依据评估结果进一步对前端传感器的工作任务进行优化。

图1 网络化辐射源个体识别技术概念图Fig.1 The technology concept illustration of the networked SEI

与传统的辐射源个体识别技术架构不同，这种架构不是简单的互连互通，而是在全系统传感器资源及能力可视可控的基础上，对跨手段、跨地域的个体识别传感器资源做到包括部署区域和投入的装备在内的优化配置，根据任务规划对传感器工作进行管控，提高对目标在时间、空间和频域上的覆盖能力。针对不同类型目标有不同的处理流程，对多源数据进行融合处理，提高识别的置信度。根据融合结果对任务规划进行调整，调用性能最优、位置最好的传感器对准目标，在全系统控制区域内进行任务的交接和目标的持续监视跟踪，在感知资源有限的情况下，充分发挥传感器的最大效能。

在这种架构下，个体识别传感器将打破以往的独立工作或同类型组网的模式，而是进行跨手段的异类传感器组网协同，从识别对象和频段上对目标信号进行覆盖，相互补充，取长补短，以达到从不同区域的信号分布、不同的信号类型特征、不同的信息维度方面尽可能相对完整地获取目标个体信息的目的。在空间上，跨地域跨平台的传感器分布可以按照地面传感器覆盖沿边区域，天基、空基和海基等机动传感器则进行空间前伸、机动补盲和目标查证。数据处理系统对获取的多源信号数据进行融合印证，联合建立识别模板和识别数据库，从侦察信号类型、频段、波形特征、调制特征、时间、空间等多维信息要素提升个体识别的置信度。管控系统则可按典型联合感知识别任务管控传感器资源和通信资源，并根据信号采集和识别情况对传感器资源进行动态调整，实现传感器之间的引导、协同和识别任务交接，形成对目标在空间、时间、频段上的连续跟踪。空基和海基等机动平台更可发挥抵近的优势，对识别结果进行确认，利于个体识别模板和识别库的建立及维护。

数据处理系统对个体识别知识数据进行统一管理，并向网内个体识别传感器进行数据的分发和更新。辐射源个体识别信息可通过管控系统融合进战场态势并向作战系统进行分发。

网络化辐射源个体识别技术架构如图2所示。

图2 网络化辐射源个体识别技术架构图Fig.2 The technical architecture of the networked SEI

技术架构由基础设施层、传感器资源层、基础服务层、功能层和应用层构成。

基础设施层主要实现通信网络设施、计算存储设施、时空基准设施、信息共享服务等各类资源的接入、加载和调用等功能。

传感器资源层则集中了进行组网协同的各类信号个体识别传感器。

基础服务层主要提供传感器资源控制与访问、资源规划、数据管理、信息处理、集成框架等基础支撑服务。

功能层在基础服务支撑下，为应用层提供功能支撑，针对辐射源目标个体识别信息获取提供传感器协同管控、数据融合处理、识别信息共享服务等功能服务。

应用层在功能层的支撑下，面向应用需要开展个体识别、装备协同引导和目标跟踪等具体应用。

4 需要进一步研究的问题和关键技术

组网协同为辐射源个体识别带来巨大体系优势，而异类传感器的组网、多源数据的接入、海量复杂的数据处理也对个体识别带来了挑战，尤其需要重点研究解决多传感器协同组织、多源数据处理及应用等关键技术问题。

4.1 重点研究问题

(1)协同识别运用模式研究

在多传感器的组网协同上，由于传感器控守资源和通信能力等限制，对传感器的任务规划和传感器的协调，实际上是寻求任务需求与资源配置的合理折中。为充分发挥不同传感器资源的作用，使组网系统运行最优化，需要对有限的传感器资源进行科学合理地分配和管理。从详细分析传感器的工作方式入手，综合对比各类传感器的工作能力，分析不同传感器在辐射源个体识别能力上的差异性与互补性，研究可能的传感器协同识别运用模式，分析协同后对组网系统能力产生的增量，为系统任务筹划和协同管控提供条件。

(2)基于多源数据关联的信号特征要素重组研究

针对协同对辐射源个体识别的问题，将各类识别传感器获得的目标信号特征数据按照多维度关联方法进行关联，结合目标特征模型，建立采集数据与目标特征的映射关系，提取目标信号特征要素，探索通过对目标信号特征要素进行重组来还原目标本身的方法。

(3)人工智能技术的应用研究

传统的个体识别数据处理是靠人工选择提取信号特征，需要较高水平的专业知识和方法，在很大程度上靠经验，而且需要大量的测试。因此有必要在辐射源个体识别领域引入人工智能技术，探索利用人工智能在数据挖掘、特征提取方面的优势[11]，自主学习和训练，自适应地从信号数据中挖掘出能够有效区分不同目标的个体特征进行分类识别，解决传统个体识别技术面临的依赖先验知识和专家经验设计分类识别模型、特征参数严重依赖信号类型等问题，进而实现目标智能化识别的难题。其关键在于探索如何构建信号数据的抽象化表示方法，实现低维信号空间数据向高维信号特征空间的投影，以及如何优化和改进学习网络，降低学习网络的复杂性，提高学习过程的稳定性。

4.2 关键技术

(1)基于传感器能力特性的协同识别技术

组网协同识别的核心是在对各类传感器能力特性进行详细分析的基础上，按最优准则调用针对目标最有效的传感器，并确定其最合适的工作方式及参数。为此需要突破传感器资源虚拟化及能力仿真(包括传感器时/空/频域侦察能力精细化分析、多传感器综合能力分析评估等)、传感器动态组网(包括多传感器可能的组网方式分析、时间协同与数据抗干扰高速传输等)、传感资源协同管控(包括协同识别行为建模与侦察预案生成管理、传感器任务状态监视)等相关技术。

(2)多维度信号特征关联融合技术

异类传感器组网后，从时/空/频域等不同的维度(视角)对同一目标实现发现和识别，在更大范围内提供更丰富的目标情报信息。但不同类型的传感器对不同类型的信号有不同的处理方式，获得的信号特征迥异，由此带来信号特征选择的难题，影响到个体识别特征知识库的建立、识别算法的选择和识别性能的高低。此外，不同传感器对目标认知的维度不一定一致，可能对目标个体识别带来干扰或影响，由此带来干扰的消除问题。因此需要研究基于多维度信号特征的目标关联融合技术，梳理出各类传感器获得的信号特征与同一目标辐射信号关系的关联准则。

(3)基于元数据的智能数据处理技术

建立统一规范的个体识别元数据标准，是组网协同识别体系下数据汇集、处理的基础。

在数据智能处理技术上，一方面是将复杂的资源能力配置与任务规划分析匹配工作，由分析人员转向机器，利用机器高效、智能的处理能力，实现在合适的时间、合适的地点，应用合适的传感资源，对辐射源目标进行正确的侦察发现、识别与跟踪，提升复杂环境下对瞬间万变的信号的识别能力；另一方面，是探索将技术专家的经验与智慧与机器的高效处理能力有机结合的有效途径，以解决个体识别面临的目标对象多样复杂、识别特征选择困难等问题。

通过研究基于元数据的智能数据处理技术，有效支撑传感器资源的优化调度、数据智能处理、目标智能识别的实现。

(4)识别知识共享技术

网络化的个体识别，不仅仅是实现各传感器间共享识别数据库和识别模板库。识别模板、识别数据库的建立，离不开一线工作人员对目标信号长期观察后形成的判证知识和研判经验，而且不同的信号分析专家对信号和目标的判证有自己独到的见解。因此，除了对识别数据共享外，更重要的是研究如何总结归纳研判经验知识使之机器化的技术，并结合这些知识对信号数据进行分析归纳，充分挖掘历史积累数据的价值，这样才能有利于提高目标的快速识别发现和跟踪。

5 结束语

随着联合作战概念的发展，信息化作战平台趋于网络化，组网协同成为辐射源个体识别技术发展的必然方向。本文在分析辐射源个体识别技术遇到的瓶颈和发展趋势的基础上，提出了基于跨手段异类传感器组网协同和多维度信号特征关联融合的网络化个体识别技术架构，以及需要进一步研究的异类传感器组网协同、多源数据融合处理等关键技术问题，可对目标识别技术的发展提供基础支撑，也对现有的组网协同相关项目具有借鉴意义，具有一定的工程应用价值。

：

[1] LANGLEY L E. Specific emitter identification(SEI) and classical parameter fusion technology[C]//Proceedings of WESCON′93. San Francisco,CA,USA:IEEE,1993:377-381.

[2] TALBOT K I,DULEY P R,HYATT M H. Specific emitter identification and verification[J].Technology Review Journal,2003(3):113-133.

[3] 南建设. 信号细微特征分析技术研究[J].电讯技术,2007,47(2):68-71.

NAN Jianshe.On fine signature analysis technique[J].Telecommunication Engineering,2007,47(2):68-71.(in Chinese)

[4] MATUSZEWSKI J. Specific emitter identification[C]//Proceedings of 2008 International Radar Symposium. Wroclaw,Poland:IEEE,2008:1-4.

[5] 黄欣,郭汉伟.一种稳健的通信辐射源个体识别方法[J].电讯技术,2015,55(3):321-327.

HUANG Xin,GUO Hanwei.A robust specific communication emitter identification method[J].Telecommunication Engineering,2015,55(3):321-327.(in Chinese)

[6] 韩韬．脉冲信号辐射源个体识别技术研究[D]．长沙:国防科学技术大学,2013．

HAN Tao. Research on the techniques of specific emitter identification for pulse signals[D].Changsha:National University of Defense Technology,2013.(in Chinese)

[7] 王大海. 卫星通信辐射源细微特征提取技术研究[D].郑州:解放军信息工程大学,2015.

WANG Dahai. Research on the extraction technology of satellite communication transmitter fine features[D].Zhengzhou:PLA Information Engineering University,2015.(in Chinese)

[8] 韩洁,张涛,王欢欢,等. 基于3D-Hibert能量谱和多尺度分形特征的通信辐射源个体识别[J].通信学报,2017,38(4):99-109.

HAN Jie,ZHANG Tao,WANG Huanhuan,et al.Communication emitter individual identification based on 3D-Hibert energy spectrum and multi-scale fractal features[J].Journal on Communications,2017,38(4):99-109.(in Chinese)

[9] 骆振兴,陈仕川,杨小牛. 通信辐射源个体开集识别中的二分类SVDD算法[J].通信对抗,2017,36(2):1-6.

LUO Zhenxing,CHEN Shichuan,YANG Xiaoniu. Two-class SVDD algorithm for open-set specific emitter identification[J].Communication Countermeasures,2017,36(2):1-6.(in Chinese)

[10] TERRY I. Networked specific emitter identification in fleet battle experiment juliet [EB/OL]. [2018-03-20].https://www.nrl.navy.mil/research/nrl-review/2003/simulation-computing-modeling/terry.

[11] 金相君. 低频辐射源杂散特征提取及分类方法研究[D].南京:南京航空航天大学,2016.

JIN Xiangjun. Stray character extraction and classification technique low-frequency radiation[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2016.(in Chinese)