辐射源识别技术发展研究

徐晋凯，谢 钧

(陆军工程大学 指挥控制工程学院，江苏 南京 210007)

0 引言

20 世纪60 年代美国基于对移动信号目标追踪与确认的需求，提出发展辐射源个体识别技术或称特定辐射源识别。 经过多年的研究发展，2003 年由Talbot 等人[1]首次提出了辐射源个体识别系统的结构，其主要包括三个部分：(1)信号的接收与预处理部分，包含射频系统、数据采集系统和信号处理系统。 (2)信号的特征提取部分，特征提取系统。 (3)分类与识别部分，包含分类器、验证系统、类管理系统和辐射源数据库。辐射源个体识别是指对空间中传播的信号进行特征测量，根据已有的先验信息确定产生信号的辐射源个体。指纹特征是由发射机内硬件工作时产生，若提取的指纹特征满足普遍性、唯一性、稳定性、独立性和可测性，将有利于个体识别的准确率提高，因此大量的学者进行指纹提取的研究。辐射源个体识别对于频谱资源管理和无线网络安全等方面有着重大的研究意义。本文将从三个方面进行回顾分析辐射源个体识别现状：(1)针对辐射源设备类型进行分析。 (2)针对接收信号类型进行分析。 (3)针对指纹特征提取方法进行分析。

1 辐射源识别分类

1.1 基于通信设备类型分类

相较于通信辐射源个体识别，雷达辐射源个体识别起步更早。早期雷达辐射源个体识别通过雷达信号参数来实现，如载频、脉宽、脉幅、到达时间、到达方位和脉冲重复间隔等。由于雷达信号的发射体制越来越复杂，工作频段不断拓宽等原因，仅使用信号参数作为特征已无法满足个体识别的需求。因此对雷达脉冲信号特征信息需要进一步深入研究。 基于此研究人员提出了脉冲包络前沿[2]、脉冲样本图[3]和脉冲包络上升沿[4]等指纹特征。 同时文献[5]参考生物基因表征模型构建雷达信号基因特征提取模型。 文献[6]作者提出基于此频率漂移现象，定义了频率漂移曲线的几何特征，以几何特征作为信号的指纹特征来实现发射机的识别。

通信辐射源识别相较于雷达辐射源识别起步稍晚。 通信信号类型多种多样，包括如移动通信信号、无线网络 WLAN 信号和卫星信号等。 通信信号包含有调制信息与数据信息等内容，而信号中携带的大量信息会对细微特征提取产生严重干扰，因此对于通信辐射源识别来说指纹特征提取更困难。 为了降低干扰，研究人员利用通信知识从信号中提取特征来实现识别。 文献[7]对时域信号的时间序列进行计算，使用计算得到置换熵作为识别特征。 文献[8]对时域信号进行变换，将信号变换到调制域中，利用硬件缺陷构建PARADIS 特征矢量进行识别。

1.2 基于信号状态分类

暂态信号又称瞬时信号，会在辐射源开机、关机和模式切换的瞬间产生。 暂态信号可以很好的体现辐射源的非线性与非稳定性，使用暂态信号可以实现较高的识别率。 对暂态信号进行特征提取首先要完成信号的起始与中止检测,然后提取暂态信号特征。 暂态信号特点：(1)信号持续时间短，对信号采集设备要求高。 (2)信号捕捉难度大，无法准确估计暂态信号的起止时间。 (3)易受复杂电磁环境的影响。

稳态信号是指发射机经过启动或切换阶段后，信号不再随时间变化而改变。 相比于暂态信号，稳态信号具有持续时间长获取简单等特点。 但是信号中携带有数据信息等内容，指纹特征容易隐藏于数据信号或环境噪声信号中，不易被提取。 在样本数较少时，很难消除数据与噪声信号的干扰。

2 辐射源识别特征提取方法

辐射源特征提取方法主要分为：(1)人工特征提取。(2)深度学习特征提取。 本文将根据特征提取的思路，对特征提取结构进行梳理。 人工特征提取主要为对时域信号提取特征与结合信号处理技术提取特征两个方面，深度学习特征提取也包括结合信号处理技术与深度学习模型提取两个方面。 如图1所示。

图1 特征提取方法框架示意图

2.1 人工特征提取方法

辐射源指纹特征提取方法可分为人工特征提取与深度学习特征提取两类。 人工特征提取主要基于研究人员的通信领域知识，对时间序列信号进行计算或变换来获取指纹信息。 人工提取主要从信号的时域、频域、时频平面和非线性硬件建模等方面进行。

从时域信号中提取到个体指纹信息主要为参数特征、脉冲包络特征等。 参数特征是指通过对辐射源信号进行测量或者进行概率估计得到特征，常用参数特征包括：载频、脉冲宽度，脉冲幅度，脉冲方位角等。而如今，电磁环境愈加复杂，辐射源个体差异不断缩小，使用参数特征已经很难实现个体的精确识别。 由于个体特征来自于辐射源设备中硬件的不稳定特性，这种微小的差异会在脉冲包络中得到体现。 因此学者基于信号的脉冲包络波形进行相关研究。 在时域信号中常见瞬时频率特性[9]、脉冲包络上升角与下降角[10]和包络的分形维数[11]等作为辐射源识别特征，同时不少学者结合了信号处理技术对接收信号中的细微特征进行提取，文献[12]使用小波分析进行包络分析，文献[13]对信号进行短时傅里叶变换，获得瞬时瞬变信号的能量包络。

对信号脉冲进行特征提取对于信号采集设备要求较高，并且脉冲波形易受到信道条件的影响，进而影响到个体识别的准确度。 在对时域信号进行特征提取研究的基础上，可以对信号进行预处理，从预处理的信号中提取出个体指纹特征，如：傅里叶变换、时频分析、高阶谱、希尔伯特-黄变换、固有时间尺度分解与变分模态分解等。

(1)将时域信号变换到频域或调制域，进行特征提取。 将信号变换到频域提取频谱图分布特征,在文献[14]中提到信号满足时间反向不变性会具有对称频谱，通过测量频谱图的分布特征，同时通过测量距离与互相关性来实现信号的识别。 调制域误差指纹特征是由 Brik 等人[8]在 2008 年提出，又称星座图误差特征，通过接收信号变换到调制域进行特征提取。 而调制域提取的特征具有更好的结构性和代表性特点，因而取得不错效果。 文献[15]利用样本与核的相似性度量，进行动态聚类重构星座图，进行星座图匹配完成分类工作。

(2)时频分析即信号的时间频率联合域分析，是一种提供了信号时域与频域的联合分布信息的信号处理方法，描述了信号的频率随着时间的一个变化关系。 时频分析有线性时频表示与非线性时频表示，线性时频方法有Gabor 变换、短时傅里叶变换和小波变换，非线性时频变换常见的有魏格纳威利分布和Choi-Willianms 分布等。 时频分析方法应用于雷达辐射源个体识别研究中较多。 叶文强与俞志富二位学者[16]基于雷达信号的短时傅里叶变换进行特征的提取。 文献[17]使用 Choi-Willianms 分布将信号转换为二维时频图像，在此基础上使用主成分分析(Principal Components Analysis，PCA)选取特征实现识别。 时频分析是分析非平稳、非高斯信号的重要工具，但是时频分析在针对不同的信号不同的应用场景时，很难把握核函数的选择，其对于辐射源识别分析有着较大影响。

(3)高阶谱是信号的能量谱，包含有多个频率分量，高阶谱是通过k 阶累积的k-1 维傅里叶变换得到的。由于有非高斯信号的存在，对于非高斯信号，高阶统计量可以包含丰富的信息。 而高阶谱具有计算复杂的问题，其中双谱是最简单的高阶谱，双谱是三阶谱，基于双谱引入积分双谱来简化双谱的计算，常见的积分双谱方法有选择双谱、径向积分双谱、轴向积分双谱和矩形积分双谱等，双谱的优点是能够提供丰富的相位和幅度信息，且抗高斯噪声能力强，双谱具有时移不变性、尺度变化性和相位保持性特点[18]。 王欢欢等人[19]提出了改进积分双谱特征和时频分析相结合的特征来进行个体识别。文献[20]使用非线性流形方法约简双谱特征，防止直接使用高阶谱参数常出现“维数灾”现象。 蔡忠伟与李建东[21]二位选择双谱作为特征向量。 文献[22]采用局部积分双谱并结合辐射源特征参数构成特征向量。

(4)希尔伯特谱是基于希尔伯特-黄变换，将信号进行经验模态分解后得到本征模态函数，对本征模态函数进行希尔伯特变换后，可以得到本征模态函数的时域、频域和振幅之间的一个关系，这三者构成的分布图即为希尔伯特谱。

经验模态分解由 Norden 等人[23]于 1998 年提出，其目的是将非平稳非线性的时间序列信号分解为线性稳态信号。 梁江海等学者[24]研究了杂散成分中频域特征，利用经验模态分解(Empirical Mode Decomposition，EMD)方法从信号中分离出杂散成分，通过杂散成分提取频域特征作为辐射源的指纹特征进行识别分类。 文献[25]在单跳与中继场景中使用经验模态分解进行SEI 技术的研究，作者提出EM2算法通过能量熵和希尔伯特谱一阶与二阶矩作为识别特征，使用相关性算法度量不同希尔伯特谱的相似度，利用费舍尔判别算法选择强识别特征。 文献[26]通过经验模态分解得到本征模态函数，利用本征模态函数的分形维数、 瞬时频率、Hilbert 边缘谱对称系数与分形维数构成分类特征集，将此特征集输入分类器中训练，进行个体识别。 文献[27]基于希尔伯特-黄变换提出改进的HHT 算法进行计算，得到希尔伯特谱中的指纹特征。 文献[28]中先对接收机接收信号进行希尔伯特-黄变换得到时频能量谱，利用分形理论提取差分盒维数、多尺度维数、稀疏变化率和三维希尔伯特能量熵来构成特征向量。

(5)固有时间尺度分解(Intrinsic Time-scale Decomposition，ITD)于 2007 年 由 Frei 等 人[29]提 出 ,是 将 原始信号分解为一系列旋转信号分量与一个基线信号分量，通过对每层信号分量的计算，得到原始信号的时频信息。 文献[30]将辐射源看作一个非线性动力系统，使用固有时间尺度分解(ITD)对信号进行处理，来提取辐射源间的细微特征来进行个体识别。 同时文献[31]使用 ITD 对信号进行分解得到信号的时频能量分布，将时频能量分布转化为图像，利用图像纹理特征对信号的细微差异进行特征提取。

(6)变分模态分解是由 Konstantin 和 Dominique[32]于2014 年提出，变分模态分解对本征模态函数进行了重新定义，变分模态分解方法对于信号分解中的模态混叠问题有很好的适应性。 文献[33]提取了变分模态分解方法的频谱特征与时域特征，并与经验模态分解方法时域特征进行对比，取得了不错的识别效果。

现有对于指纹特征的认知是由于辐射源元器件的制造工艺、工作环境、安装调试以及其本身的功能等会使得辐射信号带有区别于其他辐射源个体的指纹特征。 现在大部分对辐射源个体识别的研究都是基于先进的信号处理技术，通过对接收到的信号进行相应的预处理，进而对处理过的信号通过各种统计参数、信号变换与应用信号处理方法等方式提取到个体指纹特征。 有学者对发射机器件进行研究，研究人员认为发射机器件会产生大量的非线性变化，这些非线性变化会以各种形式体现到接收信号中。 现有的指纹研究主要是通过对信号进行拟合来实现。 文献[34]提出一种由于非线性设备造成的非线性电路相关性的评估方法来作为发射机的区分特征。 许丹等人[35]通过研究磁控管信号，提取起振的初始阶段自激指数、脉冲下降沿尾段信号幅度衰减指数、磁控管频推系数、非线性自由振荡的自激指数和恢复出的驱动电压包络构成辐射源指纹特征量。 徐志军等人[36]基于功率放大器构建非线性模型，使用泰勒级数对功放的非线性特性进行分析，构建距离变换函数作为辐射源的个体指纹特征。 黄渊凌等人[37]通过对发射机相位噪声产生模型进行分析，采用自回归-滑动平均模型来描述相噪特性，利用自回归-滑动平均参数构建辐射源的指纹特征。 由于发射机硬件工艺的完善通过对发射机硬件进行建模提取辐射源的指纹特征的难度不断增加。 文献[38]基于实际信号中的固有非线性动态特性，提取排列熵作为指纹特征。 文献[39]对无线电发射器产生的5 种硬件误差进行研究，并基于这些硬件对于星座图的影响进行辐射源的识别研究。文献[40]针对射频功放器3 种非线性行为模型进行比较研究。 文献[41]基于信号的非线性特性进行辐射源个体识别的研究，使用接收信号的瞬时幅度、相位和频率构成水平可见度图，得到这些参数的分布度，使用归一化Shannon 熵和参数分布获得的费舍尔信息测度构成射频指纹。

人工特征提取方法其结合了通信领域知识，并应用了信号处理技术，个体指纹特征明显，可识别性强。目前人工特征提取方法的研究只能适应有限的辐射源设备类型，出现新的信号形式时，需要结合通信领域知识重新探寻特征，从而实现识别。同时在面对新的场景，原有的人工特征可能会出现识别效果低下甚至无效的情况。

2.2 深度学习特征提取方法

使用人工特征提取方法，需要较高的通信领域知识。由于特征需要人为设计，其普适性不强。而近几年，深度学习在语音识别、计算机视觉与自然语言处理等方面取得了巨大的进展，常见的深度学习网络有：深度置信网络、自编码器、卷积神经网络、循环神经网络、长短时记忆网络和生成式对抗网络等。 早期将深度学习方法引入到辐射源识别领域中是将深度学习用于辐射源识别的分类器中，深度学习的输入结合了领域知识的人工特征。

将深度学习应用于辐射源识别中主要分为两大类：(1)结合信号处理技术，对接收信号进行预处理， 将预处理的信号作为深度学习的输入，进行指纹提取与分类识别。 文献[42]使用短时傅里叶变换获取雷达信号的时频分布，使用卷积神经网络(Convolutional Neural Network，CNN)提取信号中的特征并识别。 文献[43]中对接收信号先进性希尔伯特-黄变换对接收信号进行预处理，之后将希尔伯特频谱转换为灰度图像，将这个灰度图像作为神经网络的输入，训练网络模型，进而实现分类识别。文献[44]使用Choi-Williams 分布对雷达波形进行时频分布，获得二维时频图像，送入深度预处理模型中，使用深度卷积网络进行特征进行提取。 文献[45]提取信号的双谱，对双谱进行降维并送入卷积神经网络中进行训练学习。 文献[46]使用 IQ 不平衡参数送入神经网络实现分类识别。 文献[47]将信号包络前沿作为神经网络的输入，用卷积神经网络来提取辐射源包络特征，由强化学习完成雷达辐射源个体识别任务。

(2)特征提取与分类识别两个过程整合，构建新的网络模型，实现辐射源识别。 文献[48]提出深度置信网络与逻辑回归组合成的深度学习架构，由多层深度置信网络完成发射器的特征提取，由逻辑回归实现个体识别。 文献[49]对信号进行了Bispectrum-Randon 变换，用降噪自动编码器与深度置信网络组合构成一个深度网络模型进行网络的特征提取与识别。 文献[50]使用稀疏自编码器(Sparse AutoEncoder，SAE)提取辐射源信号中的内在调制信息构成特征双向量。 黄健航与雷迎科二位对自编码器在辐射源识别中进行了深入研究，分别研究了使用堆栈自编码器[51]、基于Fisher 边际深度自编码器[52]和半监督矩形网络[53]进行特征提取。 文献[54]使用对抗共享专用网络(Adversarial Shared-Private Networks，ASPN)对在第一象限中正交的双谱幅值分量和双谱相位分量进行特征提取。 文献[55]提出一种基于变分自编码器对雷达辐射源的时频图像提取特征，并由主成分分析对提取特征进行降维。

深度学习的特征提取并不依靠人工，其可以提取到更细微、更高维的指纹特征，不需要较高的领域知识，同时深度学习具有学习能力强、适应性与可移植性较好的优点。 深度学习对于算力的要求较高，需要GPU 等硬件进行运算，并且深度学习提取的特征可解释性差，很难理解设计的模型提取了什么特征，有没有可能被干扰。

3 结论

随着对辐射源个体识别问题的不断深入研究，现有的辐射源识别依赖于采用的指纹特征与特征提取方法。 本文对辐射源识别的分类与特征提取方法进行了梳理，重点介绍了人工特征提取与深度学习特征方法。 其中深度学习在辐射源识别领域的应用已经极大地提高了特征提取与分类识别的效率。 但辐射源识别还是存在以下3 个方面的问题：

(1)辐射源指纹产生机理不明确。现有的研究表明辐射源的指纹信息是由发射机硬件工作的非线性与非稳定性产生的。 目前学者通过构建数学模型拟合某个指纹特征，了解认识指纹特征。 对于指纹产生机理仍需深入研究，充分认识指纹的表现形式与形成机理。

(2)指纹特征泛化能力需要进一步提高。大部分的指纹特征适用范围不明确，出现新的场景或信号形式时，需要重新结合领域知识提取特征，原有的特征对新场景的识别效果会剧烈下降，甚至出现失效的情况。随着科技快速发展，电磁环境愈加复杂，对于指纹特征的要求也越来越高，指纹特征也将向着普适性更强、层次更深、更加智能的方向发展。

(3)深度学习应用于辐射源识别中，大大提高了辐射源识别的整体效率。 但是深度学习特征提取可解释性差，网络模型可能学习到信号中环境噪声的特征和数据信息的特征，降低模型的泛化能力。 而结合少量通信领域知识，通过信号处理方法，有意地引导深度学习模型特征提取方向，才能更好地发挥智能计算的优势。