针对特定辐射源识别的高精度符号同步方法

潘一苇，彭华，李天昀，王文雅



针对特定辐射源识别的高精度符号同步方法

潘一苇，彭华，李天昀，王文雅

（信息工程大学信息系统工程学院，河南 郑州 450001）

对于特定辐射源识别的预处理环节，现有符号同步方法存在时延估计方式不妥和插值计算精度不足的问题。针对该问题，提出一种高精度的符号同步方法。对于时延估计，采用2步估计的方式，先由前向算法得到粗估计值，再利用解调得到的发送符号通过局部搜索得到精确值。对于插值计算，利用窗化法对插值滤波器进行优化设计，改善了滤波器的抗混叠特性，提高了计算精度。仿真实验表明，与常规符号同步算法相比，该算法能有效解决以上问题，且能在辐射源识别中取得更优的识别效果。

特定辐射源识别；高精度；符号同步；时延估计；插值滤波器

1 引言

特定辐射源识别（SEI, specific emitter identification），即通过提取射频信号上能够体现辐射源个体差异的细微特征，实现对目标个体的识别。由于射频指纹（RFF, radio frequency fingerprinting）特征不依赖通信内容，且难以伪造，因而在无线网络安全和通信侦察对抗等民用和军事领域均具有重要的应用价值。

SEI的本质是模式识别的问题：接收信号经过预处理后，先提取细微特征，再根据先验信息完成分类识别，其中，特征提取是问题的核心。现阶段，利用积分双谱[1]、分形理论[2]和时频分析[3-4]等方法直接对接收信号进行特征提取，所提特征容易受到调制信息的影响。为了克服该影响，Brik等[5]提出无源辐射装置识别系统（PARADIS, passive radiometric device identification system），从解调所得的星座点上提取6种调制域特征，对138个无线设备的识别率超过了80%；文献[6]将机器学习引入星座误差的特征提取，改善了识别效果；文献[7]推导并分析了I/Q不平衡失真条件下的基带信号模型，利用几何分析的方法提取RFF特征；黄渊凌等[8]建立了描述发射机相位噪声特性的自回归滑动平均（ARMA, auto-regressive and moving average）模型，通过估计ARMA参数构建特征，从而完成了个体识别。文献[5-8]均是采用先解调再处理的方式，将特征提取的对象转化为解调所得的星座点，然后将解调获得的发送符号作为先验信息，通过对比解调所得的星座点与理想星座点的差异，实现细微特征的提取，有效避免了调制信息的干扰。然而，由于对预处理环节的忽视，这类方法直接采用常规的解调算法，有些算法并不满足SEI力求精细准确的要求，在预处理环节人为地引入了不必要的误差，从而影响特征提取和分类识别的效果。

本文针对预处理环节中的符号同步，首先指出将现有方法直接应用于SEI的预处理环节会面临时延估计方式不妥和插值计算精度不足的问题。对于时延估计，本文采用2步估计的方式，先由前向算法得到粗估计值，再以解调获得的发送符号为辅助通过局部搜索得到精确值。对于插值计算，本文在详细分析插值模型的基础上，对插值滤波器进行优化设计并灵活地增加抽头个数。仿真实验表明，本文算法能够有效解决上述2个问题，且能在SEI应用中取得更优的识别效果。

2 现有符号同步方法存在的问题

全数字符号同步可以分为时延估计和插值校正这2个部分。尽管关于符号同步的研究已经相当成熟，但将现有方法直接应用于SEI的预处理环节仍会面临以下2个问题。

1) 时延的估计方式不妥

时延估计的方法主要分为前向和反馈2类。前者容易受到符号速率估计准确度和发射电路晶振稳定度的影响，估计误差较大；后者存在hang-up现象，同步速度较慢。在实际应用中，我们通常采用前向与反馈相结合的方式进行符号同步，然而这种方式并不适用于通信辐射源的细微特征提取。这是因为：反馈结构会自适应调整时延参数，解调所得的星座点将趋于标准化，这就抹除了不同个体之间的细微差异，影响了识别的效果。

2) 插值的计算精度不足

图1 分段抛物线插值造成的失真

3 改进算法

设频偏、相偏均为0，则经过匹配滤波后的基带复信号可以表示为

由于反馈结构会影响识别效果，本文算法采用前向结构。现有的前向方法均采用盲估计的方式，即使在部分发送符号已知的情况下，只要能够实现解调，便不会苛求时延估计的精度。然而对于SEI，所关注的并非信号解调，而是不同个体之间的细微差异。考虑到信号的信噪比普遍较高，可以近乎无误码解调，因此，为了更准确地提取细微特征，本文算法利用解调获得的发送符号提高时延的估计精度是必要且可行的。

文献[10]给出了数据辅助的时延估计准则，即

3.1 优化插值算法

图2 插值模型

在实际应用时，可以根据实际需求选择不同类型的窗函数，以汉明窗为例，有

3.2 设定搜索步长

由于在实际系统中，CRB很难精确获得，本文采用时延估计的修正克拉美罗界[13]（MCRB, modified Cramer-Rao bound）为

因此，搜索步长可以设定为

即时延估计标准差的最小值。

3.3 缩小搜索范围

搜索次数由所用前向算法的估计性能与MCRB共同决定，一般来说，在实际应用中遍历搜索次数不会超过10次，因此，增加的计算量也并非不可接受。

3.4 算法流程

至此，根据图3所示的原理，本文算法的流程总结如下。

图3 本文算法原理

4 仿真实验与性能分析

4.1 插值计算精度的仿真实验

插值算法的计算精度采用解调所得星座点的方差，描述为

图4 3种插值算法的方差与信噪比的关系

4.2 时延估计精度的仿真实验

图5 3种时延估计算法的方差与信噪比的关系

4.3 辐射源识别的仿真实验

4.3.1 仿真信号

为了使实验易于理解且更具可重复性，本节采用文献[7]中的I/Q不平衡模型产生仿真信号。根据上述模型，携带I/Q不平衡畸变的基带复信号可以表示为

实验首先根据式(15)仿真产生5个不同的辐射源，其畸变参数设定如表1所示。在每个信噪比下，每个辐射源包含1 000个信号样本，其中，500个用于训练，500个用于测试。采用文献[5,7]中的方法提取细微特征：文献[5]方法的特征向量由相位错误、幅度错误、错误矢量幅度和原点偏置等组成；文献[7]的特征向量由上述4个畸变参数的估计值组成。在特征提取完成之后，采用基于径向基（RBF, radial basis function）核函数的支持向量机（SVM, support vector machine）进行分类识别，分类器使用默认参数。

表1 5个辐射源的畸变参数

在接收信号的预处理环节，本节分别对常规符号同步算法（O&M算法估计时延、分段抛物线插值计算最佳采样序列）和本文符号同步算法进行对比，在得到实际的星座点之后，进行特征提取和分类识别。图6给出了上述2种符号同步算法的识别率对比。

图6 2种符号同步算法的识别率对比

由图6可以看出，尽管分别采用了文献[5]和文献[7]的方法提取细微特征，但在相同条件下，与常规符号同步算法相比，本文符号同步算法均能够带来约2%~3%识别率的提高，这是因为本文算法在时延估计精度和插值计算精度这2个方面均做出了针对性的改进，较好地解决了现有方法遇到的问题，得到的实际星座点能够更好地保持辐射源固有的个体差异，从而提高了个体的识别率。值得注意的是，虽然实验中采用的是文献[5]和文献[7]的特征提取方法，但本文所提的高精度符号同步算法通用于任何以信号解调为基础的特征提取算法。

4.3.2 实际信号

由于样本的频偏波动较大，为了避免其对特征提取算法的干扰，在实验过程中，先对每个样本估计并去除频偏。采用文献[5]的PARADIS提取细微特征，并利用RBF-SVM进行分类识别。在预处理环节，分别利用常规符号同步算法和本文符号同步算法进行对比。表2和表3分别给出了2种符号同步算法的识别结果。为了方便观察，图7给出了分别采用上述2种符号同步算法得到的部分特征的分布图，这里仅选取了相位错误、原点在I轴和Q轴上的偏置这三维特征。

表2 常规符号同步算法的识别结果

表3 本文符号同步算法的识别结果

由图7可以看出，与常规符号同步算法相比，由本文算法得到的部分特征的分布呈现出了更明显的类内聚、类间散的特点，取得了更好的识别结果。这是因为本文算法提高了符号同步的处理精度，减弱了人为引入的处理误差，更好地保持了辐射源的个体特征。表2和表3的识别结果证明本文算法具有较好的实际效果。

图7 部分特征的分布

5 结束语

本文针对现有符号同步方法直接应用于SEI预处理环节面临的问题，分别通过优化插值滤波器的设计和采用数据辅助的方式，提高了插值计算和时延估计的精度，更适用于提取辐射源的细微特征。仿真结果表明，在相同条件下，本文算法能够带来约2%~3%识别率的提高。

虽然本文只涉及解调过程的符号同步环节，但是载频、符号速率等参数的估计以及载波同步等环节同样需要引起重视，SEI的预处理流程有待规范统一。

[1] 蔡忠伟, 李建东. 基于双谱的通信辐射源个体识别[J]. 通信学报, 2007, 28(2): 75-79.

CAI Z W, LI J D. Study of transmitter individual identification based on bispectra[J]. Journal on Communications, 2007, 28(2): 75-79.

[2] 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 J, ZHANG T, WANG H H, 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.

[3] BERTONCINI C, RUDD K, NOUSAIN B, et al. Wavelet fingerprinting of radio-frequency identification (RFID) tags[J]. IEEE Transactions on Industrial Electronics, 2012, 59(12): 4843-4850.

[4] 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 & Security, 2016, 11(6): 1192-1205.

[5] BRIK V, BANERJEE S, GRUTESER M, et al. Wireless device identification with radiometric signatures[C]// ACM International Conference on Mobile Computing and Networking. 2008: 116-127.

[6] HUANG Y L, ZHENG H. Radio frequency fingerprinting based on the constellation errors[C]// Communications. 2012:900-905.

[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 D H. Research on the extraction technology of satellite communication transmitter fine features[D]. Zhengzhou: PLA Information Engineering University, 2015.

[8] 黄渊凌, 郑辉. 一种基于相噪特性的辐射源指纹特征提取方法[J]. 计算机仿真, 2013, 30(9): 182-185.

HUANG Y L, ZHENG H. Emitter fingerprint feature extraction based on characteristics of phase noise[J]. Journal of Computer Simulation, 2013, 30(9): 182-185.

[9] ERUP L, GARDNER F M, HARRIS R A. Interpolation in digital modems II Implementation and performance[J]. IEEE Transactions on Communications, 1993, 41(6): 998-1008.

[10] GOETHALS K, MOENECLAEY M. PSK symbol synchronization performance of ML-oriented data-aided algorithms for nonselective fading channels[J]. IEEE Transactions on Communications, 2002, 43(234): 767-772.

[11] GARDNER F M. Interpolation in digital modems I Fundamentals[J]. IEEE Transactions on Communications, 1993, 41(3): 501-507.

[12] 李天昀, 许漫坤, 葛临东. 取邻抽取任意倍数采样率变换算法[J]. 数据采集与处理, 2012, 27(2): 254-258.

LI T Y, XU M K, GE L D. Conversion algorithm between arbitrary sampling rate based on neighbor decimation[J]. Journal of Data Acquisition&Processing, 2012, 27(2): 254-258.

[13] D'ANDREA A N, MENGALI U, REGGIANNINI R. The modified Cramer-Rao bound and its application to synchronization problems[J]. IEEE Transactions on Communications, 1994, 42(234): 1391-1399.

[14] OERDER M, MEYR H. Digital filter and square timing recovery[J]. IEEE Transactions on Communications, 1988, 36(5): 605-612.

High-precision symbol timing algorithm for specific emitter identification

PAN Yiwei, PENG Hua, LI Tianyun, WANG Wenya

Institute of Information Systems Engineering, Information Engineering University, Zhengzhou 450001, China

The existing symbol timing algorithms have the problems that the method of delay estimation is improper and the calculation precision of the interpolation is insufficient for the pretreatment of specific emitter identification. A high-precision symbol timing algorithm was proposed to solve these problems. Aiming at the former problem, a two-step estimation method was adopted, rough estimation of delay was firstly obtained by the forward algorithm, and then the accurate value was acquired through local search with the demodulated symbols. For the latter problem, a window-based approach was used to design an interpolating filter which could optimize the anti-aliasing characteristics and improve the calculation accuracy. Simulation results show that the proposed algorithm can effectively solve the above problems and achieve better recognition results in the radiation source recognition compared with the conventional symbol timing algorithm.

specific emitter identification, high precision, symbol timing, delay estimation, interpolating filter

TN911.7

A

10.11959/j.issn.1000−436x.2018132

潘一苇（1990−），男，山东青岛人，信息工程大学博士生，主要研究方向为通信信号处理、特定辐射源识别等。

彭华（1973−），男，江西萍乡人，信息工程大学教授、博士生导师，主要研究方向为软件无线电和通信信号处理。

李天昀（1979−），男，江西萍乡人，信息工程大学副教授、硕士生导师，主要研究方向为软件无线电、通信信号处理等。

王文雅（1991−），女，湖北天门人，信息工程大学硕士生，主要研究方向为通信信号处理。

2017−12−25：

2018−04−09

国家自然科学基金资助项目（No.61401511）

The National Natural Science Foundation of China (No.61401511)