基于深度残差网络的ADS-B信号辐射源个体识别

翁琳天然 彭进霖 何元 钟都都 彭建华 茆旋宇

摘 要：针对传统依赖于人工提取的专家特征难以表征辐射源个体信号的细微差异问题， 提出了一种基于深度残差网络（DRN）的辐射源个体识别算法。 利用深度残差网络完成分类识别任务， 将实测信号的同相分量（I路）和正交分量（Q路）输入到深度残差网络中进行训练。 在包含不同飞行目标的ADS-B信号实测数据集上进行实验以评估该算法的性能。 实验结果表明， 提出的DRN模型在不需要人工进行特征选择的情况下达到了较好的分类精度。 此外， 在信噪比上对数据集进行扩增可进一步提升模型的性能。

关键词： ADS-B; 辐射源个体识别; 深度残差网络; 深度学习

中图分类号：TJ760; TN957  文献标识码：    A  文章编号：1673-5048（2021）04-0024-06

0 引  言

随着无线通信和物联网技术的不断发展， 频谱中无线设备的数量迅速增加。 在日趋复杂的电磁环境中， 通过分析观测信号从而准确识别出信号辐射源的个体信息， 在安防領域具有非常重要的意义。 基于广播的自动相关监测系统（Automatic Dependent Surveillance-Broadcast， ADS-B）是国际民航组织推荐发展的系统，  但该系统缺乏加密和身份验证等安全防护措施， 在实际应用中存在较大的安全隐患。 攻击者可在目标发送端或地面站接收端修改消息内的设备标识地址位以欺骗识别系统， 将特定的空中目标伪装成可信目标或其他身份目标， 给空管系统造成极大的混乱。 辐射源个体识别技术可通过分析发射机信号的细微差异， 提取辐射源的“指纹”特征， 从而达到区分不同辐射源个体的目的。 信号发射机中的元器件会对信号的产生造成细微的扰动， 使发射的信号波形与理想信号间存在微小的差异。 因此， 信号的细微差异特征会与信号发射机一一对应， 这也是辐射源“指纹”特征的物理意义来源。 辐射源个体识别算法可部署在地面站， 通过分析采集信号， 准确判定空中目标身份并标记可疑目标， 提升系统的抗干扰性。

辐射源个体识别算法主要分为暂态过程识别和稳态过程识别[1-2]。 暂态过程主要包括开关机和工作模式切换等短暂状态。 此状态持续过程很短， 给提取工作造成困难， 但在此过程中发射的信号可以较好地体现辐射源元器件的非线性特性， 可分性强。 稳态过程指辐射源发射机在稳定工作时的状态。 该状态持续时间长， 数据的获取相对简单， 但此时发射机内部进入稳定工作状态， 各器件合力作用， 难以对信号复杂的细微差异进行建模， 提取“指纹”特征难度大。 传统的辐射源个体识别算法主要基于人工提取的特征， 包括瞬时频率和振幅[3]、 信号的双谱[4]、 分形维数[5]、 模糊函数切片[6]、 功率谱密度系数[7]以及接收端的信道状态信息[8]等特征。 在传统算法中， 手工提取的专家特征存在耗时且低效的

问题， 识别系统的性能依赖于专家对信号参数先验知识的理解。  此外，  传统算法缺乏足够的可移植性来适应特定研究场景之外的情况， 这也成为应用辐射源个体识别技术的一个巨大挑战。

深度学习[9]作为机器学习领域新的研究方法， 在从目标信号中高效提取并区分不同辐射源的强力特征上具有强大优势。 由于其突出的实用性能， 被广泛应用到红外目标跟踪[10-11]、 雷达目标识别[12]、 调制方式识别[13]、 信道译码[14]等领域。 近年来， 研究人员开始将深度学习方法引入到辐射源个体识别的算法研究中[15-17]。 文献[15]利用深度置信网络（Deep Belief Network， DBN）模型从雷达信号的脉冲包络前沿进行特征提取， 完成辐射源个体识别。 文献[16]引入深度强化学习算法， 根据从信号脉冲包络中提取的特征区分辐射源个体。 文献[17]将信号的切片片段输入到深度神经网络以完成识别过程， 同时证明，  深度神经网络在学习完整的ADS-B数据帧时， 会重点提取消息帧内部地址位的部分特征， 从而忽略识别算法对辐射源“指纹”特征的提取， 干扰了辐射源个体识别算法的实用性。

本文提出了一种基于深度残差网络（Deep Residual Network， DRN）的ADS-B信号辐射源识别算法。 该算法利用自定义的DRN模型挖掘I， Q信号的联合深度特征， 实现了辐射源个体信号的自动识别， 并获得了较好的识别准确率。

1 ADS-B技术概述

ADS-B系统具有出色的监测性能。 与传统雷达系统不同， 该系统允许飞机自动广播其位置和意图， 提高其态势感知能力。 ADS-B 包含以下含义： 自动（Automatic）， 无需人工干预的自动数据传输; 相关（Dependent）， 机载的设备决定了数据的可用性， 数据传输依赖于机载系统; 监视（Surveillance）， 提供监控任务所需的状态数据; 广播（Broadcast）， 通过广播方式传输数据， 所有用户都可以在适当的传输范围内接收该数据。 但当传输范围内空中目标数量显著增加时， ADS-B服务的稳定性将显著降低[18]。 随着信道环境趋于复杂、 安全需求更加迫切、 飞行范围逐渐扩大， 如何简便、 准确地辨认不同的空中辐射源， 进而为相关人员研判不明目标属性、 分析定位目标、 还原空情态势提供有价值的判定依据， 成为科研工作者的一道必须攻克的难题。

航空兵器 2021年第28卷第4期

翁琳天然， 等： 基于深度残差网络的ADS-B信号辐射源个体识别

ADS-B 系统主要分为机载部分和地面部分[16]。 机载装置通过 GNSS 卫星获得飞机的实时位置信息与三维速度信息， 并从大气数据系统获取有关该飞机的高度信息， 通过机载收发机将上述信息及其他附加信息广播至空中和地面， 以便其他飞机和地面用户接收和显示。 地面管控单位将收到的信息输入空中交通管制系统， 向空管员提供范围空域内的类雷达管制监视信息; 空中的飞机从其他飞机的机载发射机接收信息并进行处理， 将处理结果及态势信息显示在座舱显示器上。

ADS-B 技术主要基于Mode S 1090ES与UAT数据链传输方式， 采用脉冲位置（PPM）编码。 由于UAT需要安装新设备， 且使用范围有限， 因此， 大部分商用飞机采用了S模式与ADS-B的组合改进型： 1090ES。 1090ES易于安装且使用范围更加广泛， 其将ADS-B功能集成到S模式应答器中运行。

ADS-B 1090ES消息共有四个前导脉冲， 每个脉冲的持续时间为0.5 ms±0.05 ms。 ADS-B消息数据脉冲内的第一个比特位出现在相对前导脉冲的第一个脉冲位置8.0 ms处。 每条 ADS-B 消息的数据域长度均为 112 bit， 该信号通过脉冲位置编码（PPM）对消息进行编码处理[19-22]。 消息的基本结构如表1所示。

表1中， DF位为下行链路格式; CA位为S模式应答机的能力; AA位为消息的地址位， 包含国际民用航空组织提供的全球唯一的设备标识ID; ME位为ADS-B的消息域; 最后24 bit作为整个消息的校验域PI。

2 深度学习与深度残差网络

深度学习是一个发展迅速的前沿研究领域， 在计算机视觉、 自然语言处理、 生物信息学等许多科学领域都有突出的表现，  其最吸引人的优点是消除了人工提取特征的过程。 深度学习模型通常包含许多具有非线性处理单元的处理层， 每层对前一层的输入进行新的变换， 最终能够形成层结构的数据展示。

与普通神经网络相比， 卷积神经网络中的卷积层将前一层的特征映射结果作为输入， 对输入数据和1个参数可学习的过滤器进行二维卷积操作。 若给定1个二维样本x， 该样本经过二维卷积核h的卷积运算过程为

（x·h）i， j=x（i， j）·h（i， j）=

∑n∑mx（n， m）·h（i-n）（j-m）（1）

向卷积神经网络给定的固定结构输入数据， 卷积层能够从数据中抽象出细粒度和粗粒度的代表特征。 随着网络层数增加， 卷积神经网络能够提取到更抽象的维度特征。 丰富的特征将更好地帮助网络增加拟合效果， 提升识别性能。 但在实际应用中， 单一地加深网络层数， 网络的识别效果反而会下降[23]， 该问题被称为退化问题。 退化问题不是由过拟合引起的， 而是由于大量的网络层参数导致更高的训练错误。 此外， 在梯度反向传播的过程中， 越靠近输出层的参数将越容易收敛， 距离输出层越远的参数收敛得越缓慢。

为解决上述问题， He等[24]设计了残差单元的网络结构。 该结构在网络中加入Shortcut结构， 实现了数据的跨层流动， 如图1所示。 该结构并未使网络直接拟合原先的映射， 而是拟合残差映射。

假设原始的映射为H（x）， 残差网络拟合的映射为F（x）=H（x）-x。 若网络已达最优状态， 后续加深的网络中， F（x）的部分将被置为0， 只余下残差单元的输入x。 在此基础上网络将保持最优状态， 网络的性能也不会随着深度增加而降低。 普通的卷积神经网络通过简单

的堆叠层数提取更多的特征， 但必然存在部分层提取到的部分特征对识别结果无增益效果。 残差结构人为地构造了恒等映射， 可以使多余的层在训练过程中朝着恒等映射的方向去收敛， 减少模型失效的风险。 此外， Shortcut结构可以无损地传播梯度， 解决了卷积神经网络反向传播过程中由于梯度连乘导致梯度消失的问题， 同时并未增加额外的计算量。 总体来说， 残差网络结构解决了极深度条件下深度卷积神经网络性能退化的问题。 其在卷积层堆叠至一定数目时效果提升明显， 但是在模型包含少量卷积层时， 其实际性能与普通堆叠的卷积神经网络相当。

3 基于深度残差网络的ADS-B信号辐射源个体识别

3.1 系统设计

本文复现了文献[19]中的解码系统， 还原了ADS-B信号的信源信息。 提取信号内包含的设备ID码作为对应数据样本的标签。 系统将信号归一化后， 依据信号的帧结构去除设备ID码对应的信号片段， 将截取后的信号作为训练样本置入深度残差网络模型进行训练。 训练好的模型将被用于对测试集数据的预测， 以评估模型性能， 具体流程如图2所示。

系统分A和B两路实现。 A路为深度残差网络提供辐射源标签， B路为神经网络提供有效的训练样本。 具体来说， A路首先对接收机采集的信号数据进行脉冲位置（PPM）解码， 得到每条ADS-B数据的帧结构信息。 根据表1所列出的帧结构分布， 提取出地址位（AA位）内包含的设备标识ID， 作为该条ADS-B信号的辐射源个体标签。 将待分类的辐射源标识进行独热（One-Hot）编码后作为该样本的标签。 B路首先将接收机采集的同相分量（I路）和正交分量（Q路）信号进行归一化， 以控制数据集样本相互间的差异。 从归一化的I， Q信号样本中去除AA位所对应的信号部分， 使每条截取后的样本不包含设备ID信息， 保证学习算法不受地址位部分的信号数據影响， 从而能真正学习到每条样本在I， Q信号域上表征出的细微差异。 之后将数据集拆分为训练集和测试集， 将训练集数据输入到深度残差网络供模型训练， 将测试集数据输入至训练完毕的模型， 通过识别结果评估效果。

3.2 深度残差网络设计

本文使用的深度残差网络模型框架如图3所示。 为了适应二维的I， Q信号样本， 本文使用了一维卷积层（Conv 1D）和最大池化层（MaxPool 1D）。 所有模型中的一维卷积层均设置有64个卷积核， 每个卷积核大小为3。 每个卷积层后添加ReLU激活函数， 增加模型的非线性建模能力。 一维最大池化层的采样核大小为2， 采样间距为2。 本文还使用了一些操作以改善模型的分类精度和训练效率： 引入Dropout作为正则化方法。 通过将神经元的输出按照指定概率置零来减少神经元的协同， 以防止过拟合。 引入Batch Normalization（BN）层对批量数据进行归一化处理。 BN层使网络减少过拟合， 并使得训练具有快速收敛性。

样本输入到模型后， 首先经过一对卷积层和池化层对样本的底层特征进行嵌入。 输出的特征图随后被送入4个自定义的残差单元。 残差单元的内部结构如图3中右侧的子图所示， 在Shortcut结构后又设置了一对BN层和池化层。 经过4个残差单元后， 特征图被送入2个全连接层， 第1个全连接层内包含80个神经元， 设置Dropout比率为0.5， 第2个全连接层内的神经元个数与辐射源待分类的类别数相同， 采用Softmax激活函数， 将识别结果映射到（0， 1）区间， 以得到各类别的识别概率。

本文设计了深度残差网络和未采用残差单元的卷积神经网络处理ADS-B信号辐射源识别的任务。 在后续的实验中， 进行了性能度量、 模型收敛情况、 识别率曲线等多项对比， 深度残差网络的总体性能占优， 因此， 本文最终采用深度残差网络作为本任务的识别模型。

3.3 具体实现

外场采集了包含44部（类）飞行目标的ADS-B信号共12 509条。 经过预处理， 得到等数量的I， Q复值信号数据。 图4展示了其中三类实测目标的前1 000采样点的幅度信号。 从图中可以观察到， 信号前导帧头与部分帧头的波形突发位置相同， 但是不同类别信号的波形前后沿与波峰均出现不同程度的畸变， 这些细微差异可作为模型进行辐射源个体识别的依据。

本实验从采集的数据中选取Ny=30类目标共11 168条数据，各类别样本数为132～788条不等。对采集的样本进行归一化处理， 并制作标识辐射源个体类别的信号标签。实验数据集S由采集到的向量样本和对应的辐射源标签组成， 可表示为

S={（x（i）， y（i））} i∈[0， 11 167]（2）

在整个算法的实验过程中删除了样本内地址位部分的信号采样点， 在每条有效样本中保留了3 000对I， Q采样值， 每条向量样本x（i）∈綆2×3 000由I， Q信号中的同相和正交分量堆叠而成。 为了适应模型的学习过程， 将标签按照辐射源种类的差异进行整数编码， 再对整数值标签进行独热编码， 得到扩展的信号标签y（i）∈1×Ny。 按照3∶1的比例划分训练集Strain和测试集Stest。

算法的训练和测试过程在Linux服务器上使用Tensorflow框架部署。 在GPU加速库的支持下， 模型在RTX2080Ti的GPU卡上进行训练和测试。 考虑到GPU的可用计算资源， 选择将mini-batch设置为200。 设置训练轮数为600， 初始学习率为0.01。

网络的损失函数L是通过计算模型输出的类别概率y^与真实标签y的差异得到的。

本文中模型使用交叉熵损失函数， 第i个样本的损失函数可计算如下：

L（y（i）， y^（i））=∑Nyj=1y（i）jlg（y^（i）j）（3）

网络的参数θ通过最小化训练集Strain上的损失函数L来获得：

minθ∑（x（i）， y（i））∈StrainL（y（i）， y^（i））（4）

4 实验结果与分析

为验证本文提出的DRN模型的辐射源个体识别性能， 选取了三个模型进行有针对性的对比实验， 包括卷积神经网络（CNN）、  深度置信网络（DBN）[15]和选择双谱算法（BIS）[4]。 选取的卷积神经网络是DRN的简化版本， 将DRN内部的残差单元全部替换为普通的一维卷积层。 为了精确描述和比较模型的预测精度， 选择了四个评价指标， 分别是准确率、 精确率、 召回率和F1值。

在实测的30类目标样本的训练集上分别进行模型的训练， 通过比较测试样本集的预测精度来量化辐射源个体识别方法的性能。 表2展示了各模型的识别结果， 由表2可知， 本文提出的DRN模型在四个指标中都达到了最佳。 其准确率较CNN， DBN和BIS分别提高了1.69%， 2.98%和31.64%; F1值较其他三种模型分别提高了2.72%， 3.62%和37.10%。 在CNN高识别率的基础上， DRN仍能在各项指标中有进一步稳定的提升， 说明其确实对识别任务起到了增益效果。 此外， 相比传统方法（BIS）， 深度学习方法（DRN， CNN， DBN）的识别效果更加突出。

此外， 通过观察不同模型在测试集上300轮训练迭代中的识别率变化， 评估其收敛情况， 得到了图5所示的识别率对比曲线。 DRN对测试集的识别率在绝大部分迭代过程中都保持了最高水平， 且对比CNN能稳定保持1.7%左右的领先优势， 另外可以看到， DRN和CNN均在25轮迭代之内收敛到了平稳的水平， 而DBN在模型迭代过程中的识别率出现了较大的波动， BIS在收敛情况和收敛稳定后的识别率上与其他模型相比均存在较大差距。

图6给出了DRN识别30类飞行辐射源目标的准确率混淆矩阵。 结果显示， 30类目标中有24类的识别准确率均在96.72%以上。 28号目标由于和25号目标的信号存在较强相似性， 识别率为58.33%。 结果证明DRN在实測信号的个体识别中实现了较强的性能， 验证了算法的有效性。

为进一步验证算法的鲁棒性， 在实测数据集内加入仿真的加性高斯白噪声， 在完成数据扩增的同时进一步测试模型的抗噪声能力。 具体实现如下： 在Python中使用自定义方法依次向全部信号数据中添加指定大小的仿真白噪声， 噪声信噪比范围为-5～20 dB， 间隔1 dB。 该方法将输入信号的功率作为设置信噪比的依据， 使加入的仿真噪声更加贴近预设的信噪比值。 扩增后的数据集扩大了26倍， 共290 368条。 同样按照3∶1的比例分割训练集和测试集， 各模型在不同信噪比上的识别准确率曲线如图7所示。

比较可看出， 本文所提DRN在各信噪比的准确率均优于其他模型， 且识别率在-3 dB信噪比以上均超过96.70%， 其抗噪性能得到了验证。 另外， 深度学习方法（DRN， CNN， DBN）在不同噪声环境下的鲁棒性明显优于传统方法（BIS）。 此外， 所有模型的最高识别准确率在经过数据扩增后均得到了不同程度的提高， 如表3所示。

其中DRN的識别准确率获得了进一步提升， 达到了98.30%。 BIS获得了最大的准确率提升幅度， 但准确率较其他模型仍有差距。 该结果表明， 通过在信噪比上对数据进行增广， 数据集内部更加多样化， 识别模型也因此具有更强的泛化能力和更高效的识别性能。

图8展示了DRN对于单个辐射源目标在不同信噪比范围中的识别效果。 30类辐射源目标的识别准确率曲线采用不同颜色标记， 信噪比范围为-5～20 dB。 除28号目标的整体识别率未突破80%外， 其他目标在5 dB信噪比以上的识别率均超过85%，  且其中有19类目标的

识别率全程基本稳定在100%。 综合来看， 各目标在信噪比范围中获得了稳定的识别率， 证明了模型在面对噪声时具有较强的鲁棒性。

5 结论与思考

本文提出使用深度残差网络对ADS-B通信系统中的辐射源个体目标进行识别。 利用帧结构信息提取信号的设备ID作为识别标签， 将I， Q信号作为数据源， 采用改进的深度残差网络模型挖掘不同目标信号的辐射源细微指纹信息。 所提出的基于深度残差网络的算法不仅避免了人工选择特征的困难， 而且在辐射源识别的实验中展现出较好的性能。 此外， 实验证明数据增广可以进一步提升识别模型的性能。

目前基于深度残差网络的辐射源识别方法仍有改进空间。 首先， 复信号样本虽保留了信号的原始信息， 但并未使神经网络将更多的注意力权重转移到区分性强的特征上去。 其次， 神经网络的结构对分类性能有很大的影响。 因此， 未来有必要在辐射源个体识别这一课题中， 研究并使用更加贴近数据源分布规律的深度学习模型。

参考文献：

[1] 黄开平， 梁红， 李少伟. 辐射源个体识别技术研究[J]. 通信对抗， 2011（3）：  23-27.

Huang Kaiping，  Liang Hong，  Li Shaowei.  Research on Specific Emitter Identification[J].  Communication Countermeasures，  2011（3）：  23-27.  （in Chinese）

[2] 秦嘉. 基于深度学习的通信辐射源个体识别[D]. 北京： 北京邮电大学， 2019.

Qin Jia.  Individual Identification of Communication Emitter Based on Deep Learning[D].  Beijing： Beijing University of Posts and Telecommunications，  2019.  （in Chinese）

[3] Ureten O，  Serinken N.  Wireless Security through RF Fingerprinting[J].  Canadian Journal of Electrical and Computer Engineering，  2007，  32（1）：  27-33.

[4] 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 Zhongwei，  Li Jiandong.  Study of Transmitter Individual Identification Based on Bispectra[J].  Journal on Communications，  2007，  28（2）：  75-79.  （in Chinese）

[5] Dudczyk J，  Kawalec A.  Fractal Features of Specific Emitter Identification[J].  Acta Physica Polonica A，  2013，  124（3）：  406-409.

[6] 李林， 姬红兵. 基于模糊函数的雷达辐射源个体识别[J]. 电子与信息学报， 2009， 31（11）： 2546-2551.

Li Lin，  Ji Hongbing.  Specific Emitter Identification Based on Ambiguity Function[J].  Journal of Electronics & Information Technology，  2009， 31（11）： 2546-2551.  （in Chinese）

[7] Scanlon P，  Kennedy I O，  Liu Y H.  Feature Extraction Approaches to RF Fingerprinting for Device Identification in Femtocells[J].  Bell Labs Technical Journal，  2010，  15（3）：  141-151.

[8] Yu P L，  Sadler B M.  MIMO Authentication via Deliberate Fingerprinting at the Physical Layer[J].  IEEE Transactions on Information Forensics and Security，  2011，  6（3）：  606-615.

[9] Hinton G E.  To Recognize Shapes，  First Learn to Generate Images[J].  Progress in Brain Research，  2007，  165（6）： 535-547.

[10] 莊旭阳， 陈宝国， 张景山.  深度学习在红外目标跟踪中的应用展望[J].  航空兵器，  2019，  26 （1）：  47-52.

Zhuang Xuyang，  Chen Baoguo，  Zhang Jingshan.  Application Prospect of Deep Learning in Infrared Target Tracking [J].  Aero Weaponry，  2019，  26（1）：  47-52.  （in Chinese）

[11] 赵琰， 刘荻， 赵凌君.  基于YOLOv3 的复杂环境红外弱小目标检测[J].  航空兵器，  2019，  26 （6）：  29-34.

Zhao Yan，  Liu Di，  Zhao Lingjun.  Infrared Dim and Small Target Detection Based on YOLOv3 in Complex Environment[J].  Aero Weaponry，  2019，  26 （6）：  29-34. （in Chinese）

[12] 付哲泉， 李相平， 李尚生，  等.  深度学习在雷达目标高分辨距离像识别中的研究综述[J].  航空兵器，  2020，  27（3）：  37-43.

Fu Zhequan，  Li Xiangping，  Li Shangsheng，  et al.  Review of Radar HRRP Target Recognition Based on Deep Learning[J].  Aero Weaponry，  2020，  27 （3）：  37-43.  （in Chinese）

[13] Oshea T J，  Roy T，  Clancy T C.  Over-the-Air Deep Learning Based Radio Signal Classification[J].  IEEE Journal of Selected Topics in Signal Processing，  2018，  12（1）：  168-179.

[14] Nachmani E，  Marciano E，  Lugosch L，  et al.  Deep Learning Methods for Improved Decoding of Linear Codes[J].  IEEE Journal of Selected Topics in Signal Processing，  2018， 12（1）： 119-131.

[15] 徐宇恒， 程嗣怡， 董晓璇， 等. 基于DBN特征提取的雷达辐射源个体识别[J]. 空军工程大学学报（自然科学版）， 2019， 20（6）： 91-96.

Xu Yuheng，  Cheng Siyi，  Dong Xiaoxuan，  et al.  Radar Specific Emitter Identification Based on DBN Feature Extraction[J].  Journal of Air Force Engineering University （Natural Science Edition），  2019，  20（6）：  91-96.  （in Chinese）

[16] 冷鹏飞， 徐朝阳. 一种深度强化学习的雷达辐射源个体识别方法[J]. 兵工学报， 2018， 39（12）： 2420-2426.

Leng Pengfei，  Xu Chaoyang.  Specific Emitter Identification Based on Deep Reinforcement Learning[J].  Acta Armamentarii，  2018， 39（12）： 2420-2426.  （in Chinese）

[17] Jian T，  Rendon B C，  Gritsenko A，  et al.  MAC ID Spoofing-Resistant Radio Fingerprinting[C]∥IEEE Global Conference on Signal and Information Processing，  2019.

[18] Strohmeier M，  Schafer M，  Lenders V，  et al.  Realities and Challenges of Nextgen Air Traffic Management：  The Case of ADS-B[J].  IEEE Communications Magazine，  2014，  52（5）：  111-118.

[19] 王菲. 基于1 090 MHz ES數据链ADS-B关键技术研究[D]. 成都： 电子科技大学， 2009.

Wang Fei.  Research on Key Technologies of ADS-B Based on 1 090 MHz ES Data Link[D]. Chengdu： University of Electronic Science and Technology of China，  2009.  （in Chinese）

[20] 许晓. 信号交叠下S模式ADS-B信号解码仿真[D]. 广汉： 中国民用航空飞行学院， 2013.

Xu Xiao.  Based on Signal Overlap Simulation of Mode S ADS-B Signal Decoding[D]. Guanghan：  Civil Aviation Flight University of China，  2013.  （in Chinese）

[21] 戴超成. 广播式自动相关监视 （ADS-B） 关键技术及仿真研究[D]. 上海： 上海交通大学，  2011.

Dai Chaocheng.  Key Technology and Simulation Study for Automatic Dependent Surveillance-Broadcast （ADS-B） [D]. Shanghai： Shanghai Jiaotong University，  2011.  （in Chinese）

[22] RTCA DO-260A-V1[S]. 20036-5133.

[23] He K M，  Sun J. Convolutional Neural Networks at Constrained Time Cost[C]∥IEEE Conference on Computer Vision and Pattern Recognition （CVPR），   2015.

[24] He K M，  Zhang X Y， Ren S Q， et al.  Deep Residual Learning for Image Recognition[C]∥IEEE Conference on Computer Vision and Pattern Recognition，  2016.

Specific Emitter Identification of ADS-B Signal

Based on Deep Residual Network

Weng Lintianran1， Peng Jinlin2*， He Yuan3， Zhong Dudu4， Peng Jianhua1， Mao Xuanyu5

（1. PLA Strategic Support Force Information Engineering University， Zhengzhou 450002， China;

2. National Innovation Institute of Defense Technology， Beijing 100071， China;

3. Key Laboratory of Trustworthy Distributed Computing and Service， Ministry of Education，

Beijing University of Posts and Telecommunications， Beijing 100876， China;

4. Academy of the Rocket Force， Beijing 100038， China;

5. 8511st Research Institute of CASIC， Nanjing 210007， China）

Abstract：  A specific emitter identification method based on deep residual network （DRN） is proposed to solve the problem that the traditional expert features relying on artificial extraction are difficult to characterize the subtle differences of specific emitters.The DRN is used to complete the identification task. The in-phase component （I-way） and the quadrature component （Q-way） of signal sample data are inputted into the DRN for training. The performance of the proposed method is evaluated by experiments on datasets containing actual collected ADS-B signals from different planes. The results show that the proposed DRN model achieves high classification accuracy without manual feature selection. Furthermore， data augmentation on signal-to-noise ratio can further improve the performance of the model.

Key words：  ADS-B; specific emitter identification; deep residual network; deep learning