基于局部双谱和深度卷积神经网络的通信电台识别研究*

曹 阳，徐程骥，狄恩彪，王金明

（1.陆军工程大学 通信工程学院，江苏 南京 210007；2.南京国电南自电网自动化有限公司，江苏 南京 211153）

0 引言

在现代战场上，如何实现对敌我双方尤其是敌方的辐射源个体进行识别，对掌握战场态势、实现重要目标的精准监控和打击具有重要意义。辐射源个体识别或称为特定辐射源识别（Specific Emitter Identification，SEI），主要根据各辐射源设备差异在发射信号上表现出来的不同特征，判断信号来源、威胁等级等[1]。近年来，深度学习技术的兴起为提高识别精度开辟了新的路径。使用卷积神经网络对辐射信号进行分类时，往往需要将一维时域信号变换到二维空间。信号双谱是一种阶数最低的高阶谱，在信号分类和辐射源个体识别上得到了广泛应用。方成[2]、刘赢[3]等人基于信号双谱特征完成了辐射信号的分类识别。

本文基于局部双谱特征和深度卷积神经网络对通信辐射源个体识别进行研究，结果表明，该方法能够实现对辐射源的分类识别，同时为降低数据维度提供了一种新思路。

1 信号双谱特征

令x(n)是均值为零的平稳随机信号，则随机序列{x(n),x(n+τ1),…,x(n+τk-1)} 的k阶累积量为ckx(τ1,τ2,…,τk-1)。若满足绝对可和条件，则定义k阶谱为ckx(τ1,τ2,…,τk-1)的(k-1)维离散傅里叶变换：

特别地，当k=3 时有三阶谱：

三阶谱又叫双谱[4]。近年来，研究人员提出了多种基于双谱的方法，如积分双谱[5-6]、选择双谱[7]等。高阶谱估计的方法可分为参数法和非参数法。因为非参数法具有简单、易于实现、可以使用FFT算法等优点，所以本文使用非参法对信号进行处理，得到辐射源信号的双谱特征。图1 为一段电台信号的三维双谱图。

图1 一段电台信号三维双谱图

2 卷积神经网络

2.1 卷积神经网络

Hinton 等人[8]基于深度置信网络（Deep Belief Network，DBN）提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来了希望，随后提出了多层自动编码器深层结构。一个典型的卷积神经网络结构是由一系列的过程组成的，一般包含输入层、卷积层、池化层、全连接层、softmax 层和输出层等，如图2 所示。池化层神经网络不会改变矩阵的深度，通常用来下采样，缩小矩阵的大小。通过池化层可以进一步缩小最后全连接层中节点的个数，从而达到减少整个神经网络中参数的目的。当前有多种池化方法，如最大池化、均值池化等。本文采用最大池化方法，即取池化范围内的最大值作为输出。

图2 典型的卷积神经网络结构

Softmax 层主要用来得到当前样例中属于不同种类的概率分布情况。令样本x的特征向量为X，将该样本判断为第j类的概率为：

激活函数是在神经网络中增加非线性操作，增加网络对非线性场景的刻画能力。常用的激活函数有Sigmoid、Tanh、ReLu 等，其中ReLu（Rectified Linear Units）因其优异的收敛性能在机器学习和计算机科学领域得到了广泛应用，函数图像如图3 所示。

图3 ReLu 函数图像

常用的损失函数有均方方差损失和交叉熵损失。

均方差刻画的是实际输出值与期望输出值的距离，若p、q分别表示真实分布和预测分布，公式如下：

交叉熵刻画的是实际输出分布与期望输出分布的差异，也就是交叉熵的值越小，两个概率分布越接近，公式如下：

2.2 VGG19 网络结构

VGGnet[9]是牛津大学视觉几何组（Visual Geometry Group）提出的，证明了增加网络的深度能够在一定程度上影响网络最终的性能。该网络通过采用小卷积核（卷积核大小全部为3×3）、小池化核（全部采用2×2 的池化核）以及使用多层卷积达到感受野不减少等方法，增加了网络深度，同时大大减少了模型参数，进而减少了计算量。如图4 所示，VGG19 神经网络有19 个隐藏层，其中卷积层16 个，全连接层3 个。该网络所有的卷积层都采用3×3 的卷积核，步长为1；共有5 个池化层，池化方式采用最大池化，大小为2×2。

图4 VGG19 网络架构

本文充分利用VGG19 网络强大的特征提取和分类识别的能力进一步提取电台信号特征，并完成辐射源个体的识别分类。参数初始化方式由标准高斯初始化调整为Xavier[10]参数初始化。高斯参数初始化是使参数初始值满足标准高斯分布的初始化方式。标准高斯分布概率密度函数为：

为了防止随着层数的增加导致梯度爆炸或消失，文献[10]基于每一层输出值的方差相等推导出Xavier参数初始化方式。该初始化方式下的参数服从均匀分布，若ni表示第i层的输入个数，则该分布可表示为：

3 实验仿真

3.1 信号采集及预处理

采集3 部超短波电台、3 个不同工作频率（频率间隔2 MHz）的辐射信号，每部电台的工作状态为有导频无语音。采集的信号为正交调制信号，若SI(t)、SQ(t)分别表示两路正交信号，取其模值作为原始时域信号，即：

对时域信号|S(t)|进行归一化处理，归一化后的信号时域和频谱图如图1 所示。在一段时域信号中，若幅值最大和最小分别为MaxA、MinA，则归一化后的信号表达式为：

由于每部电台单个频点下的时域信号长度为548 999 点，若按照每4 096 点提取一次双谱特征，则可以提取134 个双谱特征图（大小为4 096×4 096），3 部电台9 个频点共计1 206 个双谱特征数据。

将产生的1 206 份电台信号特征先随机打乱，再按照9:1 划分为训练集（1 085 个）和测试集（121个）。使用训练集的数据完成网络参数的训练，测试集的数据用于统计测试样本的正确率。用N表示待测试样本总数，n表示正确分类的样本数，则正确识别率可表示为：

图5 辐射源信号时域、频域图

3.2 辐射源识别流程

为了对辐射源信号进行分类识别，先对已经标定好的辐射源信号数据进行预处理，转化为二维特征。将所有特征划分为训练集和测试集，然后使用深度卷积神经网络对训练集数据进行训练，并保存训练好的网络参数。测试集用来验证网络识别效果的优劣。

当需要对未知信号进行分类时，先将该信号转化为二维特征，再使用训练好的网络进行分析，并输出该信号归于每一类的概率，最大的概率值对应的类别即为分类结果。识别流程如图6 所示。

图6 基于卷积神经网络的辐射源识别流程

3.3 通信电台识别实验与分析

若一段长为4 096 点时域信号的双谱特征为Bx(ω1,ω2)，根据双谱的对称性，可知：

故该双谱特征构成的矩阵为对称阵。将该矩阵划分为25 个区域，如图7 所示。结合双谱对称性，实际取图中9 个区域作为实验数据。

图7 双谱矩阵区域划分

仿真实验平台为阿里云计算，操作系统为64位Ubuntu1804，12 核vCPU，24G 内存，软件为python3.6。

采集最后30 次辐射源个体识别实验的测试正确率，均值如表1 所示。可见，基于双谱矩阵主对角线上的数据进行辐射源识别时，识别效果较差，正确识别率最低达57.93%，而基于次对角线上的数据进行识别时，识别效果较好，最高达90.38%。实验结果表明，基于信号局部双谱和深度卷积神经网络的辐射源识别方法可以对辐射源个体进行识别，且双谱数据矩阵次对角线上的数据更利于分类识别，能够实现数据降维目的。

图8 是基于9 个位置双谱数据的正确识别率随迭代次数的变化曲线。可以看出，不同位置数据的识别效果有较大差异，效果最差的位置序号是6，最好的位置序号是7。

表1 不同位置正确识别率均值

图8 不同位置的正确识别率随迭代次数变化情况

4 结语

本文针对全双谱数据维度较大、网络训练难度大的问题，研究了基于双谱特征数据多个区域的分类识别效果，构建了一种基于信号局部双谱和深度卷积神经网络的辐射源个体识别方法。实验结果表明，该方法能够在降低数据维度的同时实现对辐射源个体的分类，平均识别率达90.38%。