通信辐射源个体识别技术研究

合集下载

一种新的通信辐射源个体识别方法

ＺＨＡＯｏｑｎ。ＰＧｕ－ｉｇＥＮＧａ，ＷＡＮＧｎ，ＴＨｕＢｉＥＮＧＢｏ
（．ＩｓｔｔｏｆｒａｉｎＥｇｎｅｉｇｎｏｍｔｎＥｇｎｅｎｎｖｒｔｈｎｚｏｅａ５０２ｈｎ；１ｎｔｕＩｏｍｔｎｉｅｎ，ＩｒａｉｎｉｒｇＵｉｓｙｉｅｆｎｏｒｆｏｅｉｅｉ，ＺｅｇｈｕＨｎｎ４００，Ｃｉａ２Ｕｉ７４６ｏＩ．ｎｔ２０ｆＰＡ，Ｗｅａｈｎｏｇ２４０，Ｃｉａｉｉａｄｎ６２３ｈｎ）ｈＳ
ＪｕｎｌｏｍｐｔｒＡｐｌａｉｎｏｒａｆＣｏｕｅｐｉｔｓｃｏ
ＩＳ１０１９ＳＮ０ — ０８１
２２．５— ０１００１
计算机应用，０２３（）１６４２１６２１，２５：４０—１６，４６文章编号：０１９８（０２０１０ — ０１２１）５—１６０４０— ３
ｕｋｏｎｓｍｌｓｏｓｍｘｅｔｈａｕｅｗｓｒｂｓｕｄｒＷＧ（ｄｉｖｉａｓｉｏｓ）ｈｏｐｔｎｎｗａｐｅ．Ｔｏｅｅｔｎ，ｔｅｆｔｒａｏｕｔｎｅｅＡＮＡｄｔｅＷｈｔＧｕｓｎＮｉ．Ｔｅｃｍｕｅｉｅａｅｒ
依据不同通信辐射源中振荡器个体的频率稳定度不相等这一事实，出一种适用于多进制数字相位调制（Ｓ信提ＭＰＫ）
号的基于分形维数的特征提取与分类方法。首先对中频信号进行过采样，然后提取信号瞬时相位的信息维数作为分类特征，最后利用支持向量机（Ｖ分类器实现样本属性的自动判别。该方法特征维数低、ＳＭ）分类简单，对加性高斯白

一种基于循环谱切片的通信辐射源识别方法

摘要：提出一种基于循环谱切片的通信辐射源个体识别方法。通过计算信号的循环谱密度矩阵，将循环谱密度切片作为初始高维特征，再采用主成分分析方法对其进行降维处理得到指纹特征矢量，最后采取概率神经网络分类器实现辐射源的个体识别。通过对２Ｏ部手持机的实验表明，使用该方法提取的特征矢量能够较好地反映
ＣｈｅｎＺｈｉｗｅｉ，ＸｕＺｈｉｊｕｎ，ＷａｎｇＪｉｎｍｉｎｇ，ＸｕＹｕｌｏｎｇ，ＫｏｎｇＬｅｉ
（ＣｏｌｌｅｇｅｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓＥｎｇｉｎｅｅｒｉｎｇ，ＰＬＡＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ，２１０００７，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｍｅｔｈｏｄｂａｓｅｄｏｎｃｙｃｌｉｃｓｐｅｃｔｒｕｍｄｅｎｓｉｔｙｓｌｉｃｅｆｏｒｅｍｉｔｔｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｓｐｒｅｓｅｎ— ｔｅｄ．Ｔｈｅｓｉｇｎａｌｃｙｃｌｉｃｓｐｅｃｔｒｕｍｄｅｎｓｉｔｙｍａｔｒｉｘｉｓｃａｌｃｕｌａｔｅｄａｎｄｉｔｓｓｌｉｃｅｉｓｕｓｅｄａｓｔｈｅｉｎｉｔｉａｌｈｉｇｈ — ｄｉｍｅｎｓｉｏｎｆｅａｔｕｒｅ．Ｔｈｅｎｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄｉｓｕｓｅｄｔｏｄｅｓｃｅｎｄｔｈｅｄｉｍｅｎｓｉｏｎａｎｄｏｂｔａｉｎｔｈｅｆｉｎｇｅｒｐｒｉｎｔｆｅａｔｕｒｅｖｅｃｔｏｒ．Ｆｉｎａｌｌｙ，ｔｈｅｅｍｉｔｔｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎｉｓｒｅａｌ — ｉｚｅｄｂｙｕｓｉｎｇｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｃｌａｓｓｉｆｉｅｒ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｂａｓｅｄｏｎ２０ｉｎｔｅｒｐｈｏｎｅｓ

基于双谱的通信辐射源个体识别

识别方法，即采用高阶谱分析对辐射源个体特征参数进行提取，并在特征向量中融合了对分类具有显著贡献的特征参数。采用径向基神经网络完成对相同型号、相同批次、工作参数相同的电台进行个体识别。在１ｄ信噪比的条件下，识别正确率优于５Ｂ
Ａｂｔａｔｓｒｃ：ＢａｅｎｔｅｂｓｅｔｎｓｄｏｉｐｃｒａｄＲＢＦａｎｗｔｏｏｅｔｙｎｉｅｅｔｒｎｍｉｔｒｆｔｅｓｍｏｅｓｈａ，ｅｍｅｈｄｆｒｉｎｉｉｇｄｆｒｎａｓｔｓｏｈａｄｆｔｅｄｌｗａｐｅｅｔｄＴｈｅｅｔｄｓｅｔｎａａｔｒｉｎｆａｔｆｒｃａｓｃｔｎｏｈｅｅｖｄｓｎ！ｏｍｅｉｅｔｃｔｎｒｓｎｅ．ｅｓｌｃｐｃｒａｄｐｒｍｅｅｓｓｇｉｃｎｏｌｓｉａｉｆｔｅｒｃｉｅｉａｆｒｔｄｎｉａｉｅａｉｉｆｏ￣ｈｉｆｏｆａｕｅｖｃｏ，ｎｅｔｒｅｔｒａｄＲＢｓｕｅｏｒａｉｅｔｅｉｄｖｄａｉｅｔｃｔｎＥｘｅｉｎｅｕｔｈｗｔａｔｅｍｅｈｄｉｂｅｔＦｗａｓｄｔｅｌｈｎｉｉｕｌｄｎｉａｉ．ｐｒｍｅｔｓｌｓｏｈｔｈｔｏｓａｌｚｉｆｏｒｓｏｃａｓｙｔｅｓｍｏｅｔｎｍｉｅｗｉｎａｃｒｃｔｆｏｌｓｈｎ９％ｕｄｒｈｎｉｏｍｅｔｆｏｒＮＲ．ｌｓｉｈｆａｄｌｒｓｔｒｔａｔｈａｃｕａｙｒｅｏｎｅｓｔａＯａｎｅｔｅｅｖｒｎｎｏｌｗｅＳＫｅｙｗｏｄ：ｅｅｔｄｂｓｅｔ；ＢＦｉｄｖｄａｉｅｔｃｔｎｒｓｓｌｃｅｉｐｅｒＲａ；ｎｉｉｕｌｄｎｉａｉｉｆｏ

通信发射机个体识别技术研究

上世纪６０年代中期，国开始对发射机个体美
识别技术的研究。据报道，２０于００年，有发射已机个体识别系统的研制和使用＿，出于保密原２但Ｊ因，中的关键技术并无资料可查。在发射机个其
Ｋｅｗｏｄｙｒｓ：ｃｍｍｕｉａｉｎｅｔｅ；ｉｄｖｄａｄｎｉｃｔｎ；ｅｔｒｆｎｅｐｉｔｐｅｉｃｅｔｅ — ｏｎｃｔｏｍｉｔｒｎｉｉｕｌｉｅｔｆａｉｉｏｍｉｅｇｒｒｎ；ｓｃｆｍｉｒｉｔｉｉｔ
ｄｎｉｃｔｎｅｔｉａｉｎｆ
行为，以维护通信网络的安全… 。１
０引言
通信发射机个体识别技术是通信信号侦察领域中一个具有重要意义和很大难度的技术命题。该技术期望通过对相同型号发射机硬件个体差异
论文还未对个体特征的时间有效性进行研究。本
文尝试从发射机的结构原理着手构建一个意义明
确的发射机个特征提取系统，对个体特征的时针效特性和可分类性引入了特征评价分系统和情报支持分系统，在此基础上提出一种通信发射机并个体识别技术的顶层设计方案。
于对发射机平台的身份、胁等级等进行识别评威估；无线电监测领域，体识别技术可用于跟踪在个对无线频谱非法利用和干扰的行为；商用无线在

嵌入注意力机制的通信辐射源个体识别方法

第４４卷　第１期系统工程与电子技术Ｖｏｌ．４４　Ｎｏ．１２０２２年１月ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＪａｎｕａｒｙ２０２２文章编号：１００１５０６Ｘ（２０２２）０１００２００８　网址：ｗｗｗ．ｓｙｓｅｌｅ．ｃｏｍ收稿日期：２０２１０１１８；修回日期：２０２１０５１５；网络优先出版日期：２０２１０７１２。

网络优先出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２１０７１２．１６５６．０２４．ｈｔｍｌ基金项目：安徽省自然科学基金（１９０８０８５ＭＦ２０２）资助课题通讯作者．引用格式：曲凌志，杨俊安，刘辉，等．嵌入注意力机制的通信辐射源个体识别方法［Ｊ］．系统工程与电子技术，２０２２，４４（１）：２０２７．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＱＵＬＺ，ＹＡＮＧＪＡ，ＬＩＵＨ，ｅｔａｌ．Ｍｅｔｈｏｄｆｏｒｉｎｄｉｖｉｄｕａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｃｏｍｍｕｎｉｃａｔｉｏｎｒａｄｉａｔｉｏｎｓｏｕｒｃｅｅｍｂｅｄｄｅｄｉｎａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２２，４４（１）：２０２７．嵌入注意力机制的通信辐射源个体识别方法曲凌志，杨俊安，刘　辉，黄科举（国防科技大学电子对抗学院，安徽合肥２３００３７）摘　要：复杂电磁环境中，针对低信噪比条件下现有神经网络识别算法对于通信电台识别准确率不高的问题，提出一种结合双层注意力机制和残差网络的通信辐射源个体识别方法。

首先，以空间注意模块和通道注意模块构成注意力机制。

其次，在一维残差网络中嵌入双层注意力机制，提高对关键特征的学习能力。

最后，在实际数据集上验证算法的有效性。

实验证明，相比于残差神经网络算法，所提方法既能保持模型较好的稳定性又在数据集上有明显的提升效果。

关键词：低信噪比；辐射源识别；注意力机制；残差学习中图分类号：ＴＮ９１１．７文献标志码：Ａ犇犗犐：１０．１２３０５／ｊ．ｉｓｓｎ．１００１５０６Ｘ．２０２２．０１．０３犕犲狋犺狅犱犳狅狉犻狀犱犻狏犻犱狌犪犾犻犱犲狀狋犻犳犻犮犪狋犻狅狀狅犳犮狅犿犿狌狀犻犮犪狋犻狅狀狉犪犱犻犪狋犻狅狀狊狅狌狉犮犲犲犿犫犲犱犱犲犱犻狀犪狋狋犲狀狋犻狅狀犿犲犮犺犪狀犻狊犿ＱＵＬｉｎｇｚｈｉ，ＹＡＮＧＪｕｎａｎ，ＬＩＵＨｕｉ，ＨＵＡＮＧＫｅｊｕ（犐狀狊狋犻狋狌狋犲狅犳犈犾犲犮狋狉狅狀犻犮犆狅狌狀狋犲狉犿犲犪狊狌狉犲狊，犖犪狋犻狅狀犪犾犝狀犻狏犲狉狊犻狋狔狅犳犇犲犳犲狀狊犲犜犲犮犺狀狅犾狅犵狔，犎犲犳犲犻２３００３７，犆犺犻狀犪）犃犫狊狋狉犪犮狋：Ｉｎｃｏｍｐｌｅｘｅｌｅｃｔｒｏｍａｇｎｅｔｉｃｅｎｖｉｒｏｎｍｅｎｔ，ａｎｏｖｅｌｃｏｍｍｕｎｉｃａｔｉｏｎｒａｄｉａｔｉｏｎｓｏｕｒｃｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｄｏｕｂｌｅｄｅｃｋａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍａｎｄｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｅｘｉｓｔｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｉｄｅｎｔｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｎｏｔａｃｃｕｒａｔｅｅｎｏｕｇｈｉｎｃｏｍｍｕｎｉｃａｔｉｏｎｓｔａｔｉｏｎｉｄｅｎｔｉｆｉｃａｔｉｏｎｕｎｄｅｒｌｏｗｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏｃｏｎｄｉｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｓｐａｔｉａｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅａｎｄｃｈａｎｎｅｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅａｒｅｕｓｅｄｔｏｃｏｎｓｔｒｕｃｔｔｈｅａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ．Ｓｅｃｏｎｄｌｙ，ａｔｗｏｌａｙｅｒａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｓｅｍｂｅｄｄｅｄｉｎｔｈｅｏｎｅｄｉｍｅｎｓｉｏｎａｌｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｔｏｉｍｐｒｏｖｅｔｈｅｌｅａｒｎｉｎｇａｂｉｌｉｔｙｏｆｋｅｙｆｅａｔｕｒｅｓ．Ｆｉｎａｌｌｙ，ｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅａｌｇｏｒｉｔｈｍｉｓｖｅｒｉｆｉｅｄｏｎｔｈｅａｃｔｕａｌｄａｔａｓｅｔ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｒｅｓｉｄｕａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｎｏｔｏｎｌｙｍａｉｎｔａｉｎｓｂｅｔｔｅｒｓｔａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌ，ｂｕｔａｌｓｏｈａｓａｓｉｇｎｉｆｉｃａｎｔｉｍｐｒｏｖｅｍｅｎｔｅｆｆｅｃｔｏｎｔｈｅｄａｔａｓｅｔ．犓犲狔狑狅狉犱狊：ｌｏｗｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏ；ｒａｄｉａｔｉｏｎｓｏｕｒｃｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ；ｒｅｓｉｄｕａｌｌｅａｒｎｉｎｇ０　引　言辐射源个体识别（ｓｐｅｃｉｆｉｃｅｍｉｔｔｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ）是指提取同型号、同批次通信辐射源信号中的个体特征来识别不同辐射源个体的过程［１］。

基于深度聚类的通信辐射源个体识别方法

基于深度聚类的通信辐射源个体识别方法
贾鑫;蒋磊;郭京京;齐子森
【期刊名称】《空军工程大学学报》
【年(卷),期】2024(25)1
【摘要】针对非合作通信条件下缺少标签数据的通信辐射源个体识别问题,提出了一种基于深度聚类的通信辐射源个体识别方法。

利用自编码器网络强大的特征提取和数据重构能力对原始I/Q数据进行表征学习,提取个体识别的指纹特征,同时将表征学习过程和特征聚类过程进行联合优化,使表征学习和特征聚类契合度更高,更好地完成无标签条件下的通信辐射源个体识别。

通过对5种ZigBee设备采集的信号进行实验,结果表明在信噪比高于0 dB时,可以达到85%以上的识别准确率,证明了本文方法的有效性和稳定性。

【总页数】8页(P115-122)
【作者】贾鑫;蒋磊;郭京京;齐子森
【作者单位】空军工程大学信息与导航学院;93184部队
【正文语种】中文
【中图分类】TN957.51;TN911.7
【相关文献】
1.一种基于深度置信网络的通信辐射源个体识别方法
2.基于深度学习的辐射源个体识别方法综述
3.基于多域特征融合的通信辐射源个体识别方法
4.基于卷积原型网
络的通信辐射源个体开集识别方法5.基于SDAE_SVDD的通信辐射源个体开集识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。

一种稳健的通信辐射源个体识别方法

法稳健有效，可在信噪ｒＥ５ｄＢ情况下实现９３．７％的正确识别概率。
关键词：通信对抗；通信辐射源个体识别；峰值提取；包络特征；模板匹配；模式识别
中图分类号：ＴＮ９７５
文献标志码：Ａ
引用格式：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．［ＨＵＡＮＧＸｉｎ，ＧＵＯＨａｎｗｅｉ．ＡＲｏｂｕｓｔＳｐｅ —
一
种稳健的通信辐射源个体识别方法
黄欣料，郭汉伟
（１．中国西南电子技术研究所，成都６１００３６；２．北京科航军威科技有限公司。北京１０００４４）
摘
要：通信辐射源个体识别是目前通信对抗领域研究热点与难点问题，相对于雷达辐射源．通信辐
第５５卷第３期
２０１５年３月
电讯技术
ＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ
Ｖｏ１．５５．Ｎｏ．３
Ｍａｒｃｈ，２０１５
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－８９３ｘ．２０１５．０３．０１６
ｐｌａｔｅｓｉｎｐｏｗｅｒｓｐｅｃｔｒｕｍｄｏｍａｉｎａｎｄｃｏｎｓｔｕｃｒｔｔｈｅｓｐｅｃｉｉｃｆｖｅｃｔｏｒｆｅａｔｕｒｅ．ＣｏｍｂｉｎｉｎｇｔｈｅＮａｉｖｅＢａｙｅｓｃｌａｓ —

基于多谱与支持向量机的通信辐射源个体识别

ｐｒｍｅｅｓａｅａｏｔｄａａｉｅｔｒｅｔｒａｄｔｅｓｇｉｃｎｅｔｒａａｔｒｆｒｃａｓｃｔｎｏｈｅｅｖｄａａｔｒｒｄｐｅｓｂｓｆａｕｅｖｃｏｎｈｉｎｆａｔａｕｅｐｒｍｅｅｓｏｌｓｉａｉｆｔｅｒｃｉｅｃｉｆｉｆｏｓｇａａｅｓｎｒｔｅｏｆｒｈｅｅｔｒｅｔｒｏｄｎｉｃｔｎｉｎｌｒｙｃｅｉｄｔｍｔｅｎｗｆａｕｅｖｃｏｆｉｅｔａｉ．Ａｅｔｏｓｎｕｐｒｖｃｏｃｉｅｚｏｉｆｏｎｗｍｅｈｄｕｉｇｓｐｏｅｔｒｍａｈｎｔ
关键词：部积分双谱；持向量机；函数；射源个体识别局支核辐
中图分类号：Ｐ９．Ｔ３１４文献标识码：Ｂ
ＴｒｎｍｉｔｒＩｉｉｕａｄｎｔｆｃｔｏｓｄｏＰｏｙｐｃｒａｓｔｅｎｄｖｄｌＩｅｉａｉｎＢａｅｎｌｓｅｔａｉ
第２卷第１期７１
文章编号：０６— ３８２１）１—０４０１０９４（００１３９— ５
计
算
机
仿
真
２１年１月００１
基于多谱与支持向量机的通信辐射源个体识别
杨举卢选民周亚建，，
（西北工业大学电子信息学院，西西安７０２１陕１１９；２．北京邮电大学信息安全研究所，京１０７北０８６）摘要：研究电台信号性能识别问题，对同类辐射源个体难以分类识别的特点，消除噪声，别有效信号，用一种局部：针为识采

基于残差原型网络的辐射源个体识别

差网络的识别方法也' ($!) 在序列信号的识别中取得了很好
的效果$另外'池化辅助分类器生成对抗网络 !C6640./
2;c04021(542))0Q0+1 /+.+12*0R+ 23R+1)21024.+*A61D']NH=
和 ON9"($") 半监督特征提取的方法在 ($>) 解决小样本问题
被提出'并用于对G&Y 序列数据的识别分类'这些方法利用
深度学习的强大特征提取能力*自学习能力和相应的数据
处理方法使得分类性能得到了很大提升$针对序列信号的
特点基于复数神经网络 '
!56,C4+c=R24;+3.+;124.+*A61D'
和 H799" 网络压缩的高效识别方法以 ($&) 及基于深度复残
困难$
利用人工提取特征并设计分类器的辐射源个体识别方
法已经有了大量研究'如通过希尔伯特黄变换!J04T+1*=
矩形积分双谱变分模态分 J;2./*12.)Q61,'JJE"(")*
* (>)
解和差分星座轨迹图 (#)
!30QQ+1+.*02456.)*+442*06.*125+Q0/;1+'
AAA8)()=+4+856,
基于残差原型网络的辐射源个体识别
王春升$ 王永民许!华朱华丽
空军工程大学信息与导航学院陕西西安 #<%%##

辐射源个体识别技术的发展现状及应用建议

电子信息对抗技术Electronic Information Warfare Technology2019,34(4) 中图分类号:TN971.1 文献标志码:A 文章编号:1674-2230(2019)04-0040-04收稿日期:2019-05-16;修回日期:2019-06-11作者简介:刘博(1977 ),男,博士,工程师㊂辐射源个体识别技术的发展现状及应用建议刘　博(海军91001部队,北京100063)摘要:辐射源个体识别(SEI )作为最重要的非合作识别手段,在传统分选识别技术很难处理的新型多功能雷达的目标识别领域表现出优异性能,在国外已经得到长期发展和广泛应用㊂首先介绍了美国在SEI 领域多年来的发展脉络,并对我国相关的技术方法进行了梳理和分类㊂最后对未来我军的SEI 发展提出了几点建议㊂关键词:辐射源个体识别;非合作识别;发展建议DOI :10.3969/j.issn.1674-2230.2019.04.008Development and Application Suggestion on Technologyof Specific Emitter IdentificationLIU Bo(Unit 91001of PLA,Beijing 100063,China)Abstract :As the most important non-cooperative means,Specific Emitter Identification (SEI)performs better than traditional technology which is hard to deal with multifunctional radar iden⁃tification.SEI develops in long term and is widely used abroad.Firstly,the develop venation is introduced in SEI area so many years in USA,and the correlation technology in our country is systemized and stly,several suggestions about development of SEI in the future are proposed.Key words :specific emitter identification;non-cooperative identificaion;development suggestion1　引言一直以来电子侦察识别作为最重要的非合作识别手段,在战场目标识别中发挥着不可替代的作用㊂电子侦察识别通过测量雷达重复周期㊁载频㊁脉宽㊁幅度等信号参数,处理后识别雷达型号㊁工作模式等目标信息,掌握电磁态势㊂然而随着雷达技术的迅猛发展,新型多功能雷达的信号样式变得越来越复杂,信号参数呈现出多变和不同模式间的参数交错,基于传统的电子侦察识别方法对于目标的识别变得愈加困难㊂不仅如此,为了能够准确地对目标进行干扰㊁打击,必须做到在目标集群条件下个体的区分,并能给出有效㊁实时战术决策,需要得到具有针对性的个体信息㊂为此,辐射源个体识别(SEI)技术应运而生,它能够准确提供有关敌方雷达配置㊁调动等重要的军事情报,具有广泛的应用前景㊂辐射源个体识别(SEI)技术利用雷达自身的无意调制信息对个体进行识别㊂SEI 装备可以接收远距离信号,具有识别准确率高㊁可全天时全天候工作等技术优势,可与其它识别手段相互配合,能够识别同型雷达的不同个体,具有对雷达辐射源唯一性识别的能力㊂4电子信息对抗技术㊃第34卷2019年7月第4期刘　博辐射源个体识别技术的发展现状及应用建议2　国外发展脉络二战期间对于电报按键的识别可以作为个体识别的最早需求之一㊂美军SEI 技术的发展一直受到多部门机构重视,在不同时期的关键节点都有政府机关参与推动技术发展㊂2.1　美军技术发展与试验20世纪60年代后,美军为实现对某一特定移动通信信号发射系统的识别㊁跟踪和定位”这一目标,对辐射源识别提出要求,并逐步发展形成SEI 的概念㊂美国海军研究实验室(NRL)是美国海军科研项目和先进技术开发的重要研究机构,早在1977年,便开始了SEI 技术的研究㊂在1986年,美国国防部制定基于观测与特征的智能情报分析体系”(measurement and signature intelli⁃gence,MASINT),明确提出对射频辐射源个体的供电子系统㊁开关子系统的无意调制中所蕴含的特征进行研究㊂1993年,美国国家安全局意识到NRL 工作的重要性,开展了深入的研究,邀请多家来自工业和军方的实验室制定国家标准㊂之后,美国SEI 装备技术发展进入了快速阶段㊂美军针对SEI 装备和算法不断升级改进,并开展了一系列试验验证工作㊂1996年,美国海军进行的先进电子战技术项目(AEWT)中,SEI 技术是其研究的关键内容㊂后来,美国军方将改进的UYX-4SEI 系统搭载到TacSat-1进行测试试验,在TacSat-2上,通过进一步改进SEI 载荷并增加AIS 载荷等进行了目标识别试验,SEI 星载试验的成功标志着小型化㊁高可靠性装备研制走向成熟,如图1所示㊂图1　TacSat-2载荷美国军方2002年进行的千年挑战”(MC -02)演习,作为SEI 设备能力以及军方一体化能力的典型的验证试验,意在测试军队未来面向网络中心战,使用更先进的武器和战术的能力,如图2示㊂2009年,在三叉戟勇士2009”演习中,NRL 的海上节目”项目得到好评,改进后的AN /SSX-1系统,展示了更高精度的定位和识别能力㊂美军于2004年设立 Specific Emitter ID”项目,目的是打造海陆空立体全方位SEI 侦察网络系统,实现信息融合与共享,这个项目一直持续到2016年㊂图2　美军千年挑战2002”演习示意图2.2　美军列装装备示例美军一直高度重视对SEI 设备应用,联合包括Northrop Grumman㊁洛马㊁Condor㊁通用㊁Litton 等公司,在美军所有武装部队的船只㊁飞机㊁潜艇㊁卫星和地面平台上都已经安装SEI 设备㊂Northrop Grumman 公司一直与美国政府和海军进行密切合作㊂2003年,NRL 与洛马公司对安装了ALQ-217ESM 系统的E-2C 预警机进行SEI 升级改造,并推广至最新的改进型E-2C 鹰眼2000”和E-2D 预警机;2004年对P-3C 换装ALR-95ESM 系统,使其具备了SEI 能力㊂美国海军的新型广域海上无人机监视系统MQ-4C(基于RQ-4 全球鹰”平台)上的AN /ZLQ-1ESM 系统也具有SEI 功能的㊂洛马公司多次对美国海军新一代潜艇电子战系统AN /BLQ-10(V)系列进行升级改造(最近一次是2019年),并在窄带侦察分系统中集成SEI 设备,使其具备全频段侦察定位和SEI 能力㊂Condor 公司1995年与NRL 共同开发了SP-110信号处理器,同年6月被美国国家安全局确定为进行UMOP 采集的标准设备㊂14刘　博辐射源个体识别技术的发展现状及应用建议投稿邮箱:dzxxdkjs@美国海军通过Shipboard EW Improvements项目研发的AN/SSX-1系统满足了水面舰艇SEI能力需求,2002年被通用公司用于水面电子战改进项目”(SEWIP)㊂由Litton公司研发的AN/SLQ-32(V)系统广泛用于美国海军的水面舰艇,70年代开始列装,后经不断改进,已具备SEI能力㊂通过与技术实力强大的企业联合,美军持续推动SEI技术和装备发展,并同步对现役装备进行升级改造,实现了技术能力与实战能力的结合与提升㊂3摇国内技术研究情况我国在SEI技术研究方面起步较晚,目前SEI技术基础理论研究单位主要有国防科技大学㊁西安电子科技大学等高校和有关研究院所㊂技术研究方面可分为细微特征提取和分类器的设计㊂传统的特征提取是基于脉冲参数如PRI㊁RF 等和信号的样式匹配,这些量化后的特征无法精细表达个体差异;传统的分类器的设计是基于门限,而基于个体的信号差异很小,明显传统的门限设计已经无能为力㊂目前,典型的基于指纹”特征方法包括:基于信号脉冲包络等常规检测方法,基于信号高阶谱㊁双谱㊁小波包分解等变换域方法㊁基于雷达模糊函数的特征统计方法等㊂对分类器的研究也取得了一定程度的进展,包括求基于原始数据的数据库规律的统计方法㊁SVM等机器学习方法等㊂指纹”特征的提取是实现个体识别最重要的环节㊂我们知道指纹”特征产生原因主要是由于内部器件的电路特性㊁内部噪声特性等的细微差别,导致在发射信号上的无意调制㊂叶浩欢等在考虑多普勒效应的条件下,对工程中常用的脉内无意调频与无意调相特征进行了可分性比较,仿真实验以及多个实测雷达的个体识别试验结果显示,脉内无意调相特征对噪声的鲁棒性相对更强[1]㊂这为研究无意调制的个体识别提供了实验例证㊂例如,梁红等提出了基于调频指数特征的通信辐射源个体识别算法,利用调频指数参数的变化状态来识别辐射源[2]㊂一般情况下,不同的辐射源个体的频率稳定度也不尽相同,足够时间的信号测量可以得到频率的稳定度值,汪勇等在短时频率稳定度特征分析的FSK信号个体识别中就是利用了信号稳定度特征[3]㊂王磊等提出了基于模糊函数子空间特征优化的个体识别方法,对无意调制的雷达辐射源信号的进行模糊函数分析提取特征[4];王宏伟等提出基于脉冲包络前沿高阶矩特征的辐射源个体识别方法,以脉冲包络前沿波形的高阶矩特征作为辐射源的指纹”特征,进行雷达辐射源个体识别[5];梁红海提出了一种基于经验模态分解通信辐射源个体识别方法,采用EMD方法提取杂散成分的频域特征作为信号的细微特征,运用支持向量机对多个通信辐射源个体进行分类识别[6]㊂总结以上方法的特点,一方面有些算法需要知道信号调制信息等先验知识,单个特征的使用往往不能完整表征辐射源个体信息;另一方面,有些特征在实际环境中可能容易受外部噪声或应用条件影响,必须对信号强度㊁环境信噪比㊁信号密度和质量等提出要求,限制条件较多;还有,不同的特征之间有重叠性也有互补性,应用时很难把握这些特征之间这种动态的㊁复杂的使用条件㊂对分类器的研究也有很多,如统计决策㊁模糊判决㊁神经网络㊁模式库匹配等机器学习方法,这些方法通过对历史数据的学习,自动总结个体间的信号差异实现个体识别,发现数据模式规律㊂陈沛铂等利用动态时间规整算法能够消除弯折现象所带来的不良影响,实现瞬时幅度以及瞬时频率的距离测度,实现雷达辐射源个体识别[7];史亚等利用机器学习提出一种基于核层面信息融合的雷达辐射源个体识别框架,获取支持向量机的分类超平面,最终实现对辐射源信号的分类[8];杨立明等提出先使Fisher判别主成份分析进行预选和降维,使用支持向量机进行训练识别,构建了可以识别辐射源威胁差异的分类器[9];蔡忠伟等采用选择双谱作为个体识别的基本特征向量,并融合了对分类具有显著贡献的辐射源特征参数,采用径向基神经网络分类器实现了对通信辐射源信号的个体分类识别[10]㊂设计分类器实现简单,识别速度快,但是其缺点是对先验知识的依赖性很强,对于参数不全㊁参数畸变等许多新体制的雷达无能为力;利用专家24电子信息对抗技术㊃第34卷2019年7月第4期刘　博辐射源个体识别技术的发展现状及应用建议系统的分析经验来形成的推理规则的识别技术,需要专家深入地对海量数据分析,处理结果就有较强的主观性,并对处理的实时性带来影响,不利于一体化建设㊂4　研究建议鉴于以上现状,对后续的发展和研究有以下方面的需求和建议㊂4.1　SEI数据标准单个设备作用范围和侦察的目标有限,多个装备的海量数据联合应用㊁并协同工作成为今后的发展趋势㊂为了能够保证不同设备间数据及时地共享㊁数据库互联互通,必须需要一个统一的算法架构㊁数据格式㊁通信标准,保证识别结果的实时性和准确性㊂统一的软硬件处理架构还可以降低研制成本和后期维护成本,并进一步做到设备维护的规范,包括采用标准总线㊁标准接口等,物理尺寸能够兼容和互换㊂4.2　数据库的建立和管理基于海量数据统一构建的数据库利于多装备一体化和高效的识别㊂装载在不同平台上的各种传感器获得了海量的目标数据,建立一套完整㊁流畅㊁高效的处理和管理方法,使得这些数据准确㊁全面地得到分析和标注,进而积淀成为可以普及应用的识别库和知识库,对于应用来说是极其重要的一环㊂同时,还需要统一维护数据库的标准㊁并制定灵活㊁开放㊁兼容性强的数据库规范,因为对于数据库管理,不同规则库间的融合开销很大,统一的数据库建立㊁修改㊁排列和融合等管理体系可以使得查找㊁匹配和关联的效率大大提高㊂4.3　与人工智能技术的结合除了数据库构建㊁新特征的提取和分类器的设计对SEI设备性能影响极大,现有识别模型也存在特征分类性能不稳定㊁适应性不足问题㊂如前文所述,只有结合更多特征才能在复杂电磁环境中完备地表示个体信息,设计更加针对性的机器学习方法㊂深度学习方法已经在图像检测识别领域取得十分显著的成果,应用广泛,而在SEI领域由于输入数据和信号产生机理的不同,还没有有效地进行实践㊂因此,利用基于原始数据的深度学习方法提取更多信号特征,是未来解决大数据处理和消除冗余的关键,具有十分巨大的潜在价值㊂5　结束语本文介绍了辐射源个体识别(SEI)起源,国外SEI技术研究㊁装备发展及国内技术研究现状,综述了目前SEI装备在细微特征提取㊁分类器设计方法及识别算法等方面存在的问题,最后提出SEI技术发展研究建议,希望对相关技术人员的研究和实际解决问题提供帮助㊂参考文献:[1]　叶浩欢,柳征,姜文利.考虑多普勒效应的脉冲无意调制特征比较[J].电子与信息学报,2012,34(11):2654-2659.[2]　梁红,骆振兴,楼才义.基于调频指数特征的通信辐射源个体识别[J].杭州电子科技大学学报,2011,31(4):77-79.[3]　汪勇,段田东,刘瑞东,等.短时频率稳定度特征分析的FSK信号个体识别[J].太赫兹科学与电子信息学,2013,11(6):880-885.[4]　王磊,姬红兵,史亚.基于模糊函数特征优化的雷达辐射源个体识别[J].红外与毫米波学报,2011,30(1):74-79.[5]　王宏伟,赵国庆,王玉军.基于脉冲包络前沿高阶矩特征的辐射源个体识别[J].现代雷达,2010,32(10):42-45.[6]　梁江海,黄知涛,袁英俊,等.一种基于经验模态分解的通信辐射源个体识别方法[J].中国电子科学研究院学报,2013,8(4):393-397.[7]　陈沛铂,李纲.辐射源个体识别中的模板分段寻优算法[J].现代雷达,2016,38(3):43-46. [8]　史亚,姬红兵,朱明哲,等.多核融合框架下的雷达辐射源个体识别[J].电子与信息学报,2014,36(10):2484-2490.[9]　杨立明,哈章,杨晓蓉,等.辐射源个体识别中分类器应用[J].空军工程大学学报(自然科学版),2012,13(1):28-32.[10]　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):75-79.34。

基于射频指纹的辐射源个体识别技术综述

第21卷第3期信息工程大学学报Vol.21No.32020年6月Journal of Information Engineering UniversityJun.2020㊀㊀收稿日期:2020-05-13;修回日期:2020-06-10㊀㊀基金项目:国家重点实验室主任基金项目(CEMEE2018Z0103B)㊀㊀作者简介:郑娜娥(1984-),女,讲师,博士,主要研究方向为MIMO 信号分析与处理㊂DOI :10.3969/j.issn.1671-0673.2020.03.006基于射频指纹的辐射源个体识别技术综述郑娜娥,王㊀盛,张靖志,左㊀宗(信息工程大学,河南郑州450001)摘要:辐射源个体识别技术可区分辐射源种类㊁确定辐射源身份,在军事和民用领域均具有广阔的应用前景,近来射频指纹的研究受到广泛关注㊂研究了基于射频指纹的辐射源个体识别技术㊂首先,分析了典型数字无线电发射机结构,从硬件电路的制造容差㊁漂移容差以及电路工作状态的影响等方面,探讨了辐射源射频指纹的产生机理;其次,从辐射源个体识别的一般模型出发,梳理总结了数据预处理㊁辐射源暂态和稳态特征提取以及分类识别的研究现状;最后,指出了目前研究中存在的问题和未来可能的发展方向㊂关键词:个体识别;细微特征;射频指纹;特征提取中图分类号:TN97㊀㊀㊀文献标识码:A文章编号:1671-0673(2020)03-0285-05Overview of Emitter Identification Techniques Based on Radiofrequency FingerprintingZHENG Nae,WANG Sheng,ZHANG Jingzhi,ZUO Zong(Information Engineering University,Zhengzhou 450001,China)Abstract :Specific emitter identification method can identify the categories and individuals of radiodevices,which has broad application prospect in military and civil fields.Recently the research of radiofrequency fingerprinting attracts extensive attention.This article firstly analyzes the structure of typical digital radio transmitters,then discusses the mechanism of radiofrequency fingerprinting fromaspects of circuit elements fabrication tolerance,drift tolerance and work condition of the circuit.Secondly,based on the general model of specific emitter identification,the research status of data preprocessing,transient and steady features extraction,classification and identification are st,the current research problems and the possible directions of future development are pointed out.Key words :individual identification;fine feature;radiofrequency fingerprinting;feature extraction㊀㊀随着电子信息技术的迅猛发展,无线信号调制方式越来越多,辐射源种类和数量不断增加,电磁环境愈发复杂㊂在一个集团军的作战区域内,敌我双方的无线电设备达万余部[1],这使得对辐射源个体信息的获取越来越困难,进而给电子对抗带来了极大挑战㊂传统手段识别信号的调制参数㊁载频㊁带宽㊁码元速率㊁电平等简单特征,已经难以对各种辐射源个体进行识别,无法满足现代战场的需求㊂2003年,文献[2]首次提出射频指纹这一概念,就像每个人有不同的指纹,每个无线设备的硬件差异也是一种射频指纹 ,这种差异会反映在无线信号中,通过分析接收到的射频信号就可以提取出该特征㊂根据无线信号提取设备硬件特征的方法被称为射频指纹提取 ,利用射频指纹对不同的无线设备进行识别的方法则称为射频指286㊀信息工程大学学报㊀2020年㊀纹识别 [3],又称为特定辐射源识别(Specific Emit-ter Identification,SEI)㊂通过分析特定辐射源的有效特征属性,区分敌我辐射源,确定敌方辐射源的类别㊁位置㊁威胁等级㊁性质等,具有着重要的军事应用价值㊂此外,特定辐射源识别在民用的无线网络安全㊁频谱管理和通信监视等方面也具有巨大的应用潜力[4-5]㊂根据射频设备的工作状态可以将指纹特征分为暂态特征和稳态特征㊂暂态特征指辐射源开关机,工作状态切换时的特征,具有丰富的非线性㊁非平稳特征㊂稳态特征指辐射源稳定工作时的叠加在射频信号的细微特征㊂暂态特征的提取依赖于提取到完整的暂态信号,而暂态信号难以捕捉和检测,且容易受到信道变化的影响,给特征提取带来了困难㊂稳态特征持续时间长,特征稳定,且不需要信号起点检测㊂目前的研究多针对特定调制方式和特定射频设备,经验地选择特征,根据分类识别实验验证特征的有效性㊂这些方法仅利用了指纹特征机理的现象识别辐射源,难以适应调制方式和设备的改变,缺乏通用性㊂研究辐射源指纹特征需要对辐射源建模分析,探究指纹特征机理,设计特征提取算法㊂本文从辐射源射频指纹产生机理㊁辐射源个体识别过程和方法等方面出发,研究了基于射频指纹的辐射源个体识别技术㊂首先,结合典型数字无线电发射机结构,分析硬件电路的制造容差㊁漂移容差以及电路工作状态等对发射信号的影响,探讨辐射源射频指纹的产生机理;其次,针对数据预处理㊁特征提取以及分类识别这一辐射源个体识别的一般流程,概述了目标信号提取与分离㊁辐射源暂态和稳态特征提取和分类识别方法面临的问题及相应的研究现状;最后,指出了目前研究中存在的问题,并讨论了未来可能的发展方向㊂1㊀辐射源射频指纹产生机理如图1所示是一种典型的数字无线电发射机的系统框图[6]㊂图1㊀典型数字无线电发射机结构基带信号经过数字信号处理后进入模拟电路部分,这部分模拟电路的容差是发射机射频指纹的主要来源[3]㊂模拟电路由电路器件及各种联接关系构成,电路器件由各种电子元器件组成㊂通常,电子元器件的容差可以分成制造容差和漂移容差两部分,其中,制造容差是指在生产过程中,由于设备材料㊁加工工艺等原因,电子元器件的电参数与标称值存在一定的差异㊂漂移容差则主要在元器件使用过程中产生,随着使用时间延长,或者工作环境温度湿度等因素变化,元器件退化老化,其电参数也将发生变化㊂此外,电路容差因素还包括印制电路板的材质㊁走线等㊂上述因素造成容差统称为电路的容差效应㊂容差效应导致即使是同一厂家㊁同一型号㊁同一系列甚至是同一批次的无线设备的实际硬件参数也会存在差异,包括振荡器的频偏㊁相位噪声㊁调制器的调制误差㊁功放的非线性失真以及包括中频㊁射频滤波器等滤波器的失真等㊂这些硬件容差就是产生射频指纹的基础㊂辐射源系统相比图1更加复杂㊂辐射源在启停瞬间㊁模式改变等阶段必然存在过渡状态,这个过渡状态是由整个系统的元器件合力所为,对于不同的辐射源,由于各元器件的细微差异,以及调试过程中的人为影响,这个合力有所区别,导致不同辐射源在过渡状态有不同的细微特征,这种特征称为暂态特征[7],暂态特征蕴含丰富的非线性㊁非平稳特征㊂辐射源稳定工作状态下的细微特征称为稳态特征[8-9],包括由于内部噪声和器件非线性影响生成的无意调制带来的杂散特征,如谐波㊁交叉调制㊁互相调制和寄生调制[10],频率源的不稳定性导致的载频偏差,以及调制参数等㊂一般情况下,不同的辐射源个体采用不同参数类型的晶体振荡器,即使采用相同的晶体振荡器,由于容差的存在,稳定度也不尽相同㊂并且由于噪声和干扰的存在,任何实际振荡器的幅度和相位都会存在涨落,输出频率有所波动[11]㊂由于内部元器件的差异和电路参数的不同,不同辐射源发射的信号在调制参数的准确度上也有一定偏差,如AM信号的调幅指数㊁数字通信信号的码元速率的准确度㊁调频信号的实际跳速等㊂2㊀基于射频指纹的辐射源个体识别过程和方法㊀㊀辐射源个体识别技术是信号处理领域中一项重点和难点课题,尚属新兴的研究领域㊂近年来,㊀第3期郑娜娥,等:基于射频指纹的辐射源个体识别技术综述287㊀国内外有很多研究单位都对辐射源射频指纹特征识别开展了深入研究,并取得了一定的研究成果[12-13]㊂辐射源个体识别一般模型如图2所示㊂首先对接收机接收到的射频信号进行预处理,分离出待分类识别信号,并做能量归一化㊁去噪等处理,使其适应于射频指纹特征提取㊂其次,利用系统辨识㊁高阶统计量㊁分形等手段提取出发射设备叠加在射频信号的指纹特征㊂最后将提取的特征构成一特征向量,选择合适分类器识别出不同设备㊂图2㊀辐射源个体识别一般模型2.1㊀数据预处理数据预处理的基本功能是为后续的特征提取和分类识别环节提供合适的单个信号㊂实际环境中,多个辐射源的信号通常交织混叠在一起[14]㊂因此,数据预处理首先需要完成目标信号提取或分离[15-16]㊂常用的方法包括独立分量分析(Inde-pendent Component Analysis,ICA)[17]㊁稀疏分量分析(Sparse Component Analysis,SCA)[18]和非负矩阵分解(Non-negative MatrixFactorization,NMF)[19]等㊂获得单个信号后,数据预处理还需要对信号进行下变频㊁相位补偿㊁时频域变换㊁载频估计㊁同相和正交分量分解㊁能量归一化㊁信号去噪等处理㊂通常情况下,接收机采集到的射频信号与辐射源所发射信号相比,受到了多径信道以及其他射频噪声干扰的影响,此时信号所携带的射频指纹特征可能会遭到破坏㊂因此,数据预处理的原则是尽可能地消除信道㊁射频干扰等影响,还原目标设备发射信号,以便提取目标设备的射频指纹㊂2.2㊀射频指纹特征提取目前,针对辐射源射频指纹特征提取技术的研究主要体现在两个方面[3]:一是从暂态信号提取特征;二是从稳态信号提取特征㊂早期研究多针对射频指纹的暂态特征展开㊂文献[20]提出对采集到的VHF FM 暂态信号进行小波分析,用小波系数作为暂态信号的特征,利用遗传算法和神经网络对设备分类,能够有效识别四个厂家的七个不同VHF FM 发射机㊂1997年,文献[21]首次提出采用暂态信号的多重分形轨迹作为射频指纹,利用基于信号幅度的多重分段分形维数的门限检测方法来检测瞬态信号的开始并进行信号的分离,用概率神经网络来进行分类,获得了92.5%的分类准确率㊂2003年开始,文献[2]开始关注蓝牙设备和IEEE 802.11b 设备的暂态信号,提取暂态信号的幅度㊁相位㊁同相分量㊁正交分量㊁功率以及离散小波变换系数等特征㊂第一次提出采用组合多个不同类型的特征作为设备的指纹,最终达到8%的平均错误率㊂辐射源信号暂态特征的性能非常依赖于暂态信号的完整性和一致性[22],与信号检测性能的优劣密切相关,因此辐射源暂态指纹特征的研究主要从暂态信号检测㊁暂态特征提取两个方面进行㊂暂态信号的检测方法主要有门限检测法[21]㊁贝叶斯检测法[23]㊁相位特性检测法[2]等方法㊂在检测到暂态信号之后,需要提取暂态信号的特征㊂暂态特征提取可以从幅度㊁频率等方面来进行划分㊂文献[24]用分形理论分析暂态信号幅度特征,将暂态信号的分形维数作为指纹特征进行辐射源个体识别,文献[25]对暂态信号进行离散小波变换,以小波系数为暂态信号频率细微特征㊂暂态信号持续时间很短,一般难以捕捉(尤其是在非合作条件下),并且只有在高采样率的条件下才能采集到足够多的个体信息㊂此外,暂态信号指纹特征提取容易受信道变化影响,识别率较低,鲁棒性较差㊂这些原因导致暂态特征提取十分困难,暂态特征的使用具有一定的局限性㊂相对于暂态信号,稳态信号持续时间长,表现出的特征比较稳定并且不需要起始点的检测操作㊂尤其是随着技术的不断发展,为了简化接收机的设计,几乎所有的数字通信系统都在数据段之前加入了前导序列㊂稳定的前导提供了一个稳定的可识别的稳态信号[26],因此该领域的研究重点逐渐转向稳态信号的射频指纹提取和识别技术㊂2008年,文献[22]首次进行了基于稳态信号的射频指纹提取和识别研究㊂将通用移动通信系统(Universal Mobile Telecommunications System,UMTS)的前导信号变换为频谱作为射频指纹,用于UMTS 用户设备的识别㊂实验室环境下,当SNR 为15dB 时,7个不同型号的UMTS 用户设备能获得91%的正确识别率;而包含10个同一型号设备的共20个UMTS 用户设备作为待识别对象时,识别率为85%㊂2013年,文献[27]采用于经验模态分解(Empirical Mode Decomposition,EMD)方法分离稳态信号主要成分与杂散成分,提取杂散成分频域特征作为信号细微特征,运用支持向量机(Sup-port Vector Machine,SVM)分类器对无线网卡进行识别,总的识别率达到了98.21%㊂2017年,韩洁等人提出一种基于希尔伯特黄变换(Hilbert-288㊀信息工程大学学报㊀2020年㊀Huang Transform,HHT)和多尺度分形特征的新方法㊂通过HHT得到时频能量谱,将其视为三维空间中的复杂曲面,然后利用分形理论通过多尺度分块提取差分盒维数和多重分形维数二维特征组成特征向量;最后,采用支持向量机分类器结合二维特征向量实现通信辐射源的个体分类[28]㊂该方法识别性能受信噪比㊁训练样本数量及目标种类影响小,尤其在低信噪比和训练样本数量较小的情况下识别性能突出㊂总之,基于稳态信号的射频指纹携带辐射源更多的硬件信息,信号更容易采集,识别性能好㊂但是文献中所提出的识别性能都是在一定的条件下得出的,受到信道指纹的影响,这些实验条件与实际应用还有较大距离㊂2.3㊀分类识别根据模式识别的一般过程,在完成了识别对象的特征提取之后,就进入到了模式分类阶段,该阶段包括分类器设计和分类决策两个部分㊂分类器设计就是在样本训练集基础上寻找一个最优的分界面,该分界面使得分类错误率最小或损失最小;分类决策则是利用分类器设计得到的判决准则来对新的识别对象进行分类,判决其归属于哪一类别[29],通常要求所设计的分类器具有强分类能力和强泛化能力[30]㊂目前,模式识别中的分类器主要集中在以下两个方面:第一,以统计决策理论为基础的分类器,应用非常广泛,常见的此类分类器有贝叶斯分类器㊁最近邻分类器㊁二元分类树分类器以及神经网络分类器等㊂由于利用的是经典的统计理论,此类分类器只有在训练样本数非常巨大的时候才能够逼近最优的分类性能,在实际样本数获取有限并且获取代价较高时,难以得到理想性能;但在辐射源个体别系统中,仍然存在有较多的应用;第二,以统计学习理论为基础的分类器,最主要代表就是SVM分类器,针对有限的训练样本在模型复杂性和学习能力之间取得最佳折中[31]㊂3㊀存在问题与发展方向辐射源个体识别是一个热点课题,同时也是一个难点课题,具有很高研究价值㊂射频指纹提取技术可以应用于辐射源个体识别㊁设备认证㊁无线电管理等诸多领域,拥有广阔的应用前景㊂但是,在实际应用和研究中还存在着许多问题,有待于进一步解决:①射频指纹产生机理的建模与分析㊂现有研究对辐射源指纹特征的产生机理缺乏本质的认识,仍未建立起相对完善的数学模型㊂即使采集大量实际信号用于识别分析,也囿于缺乏基本理论支撑,方法与实验结果缺乏一般性和普遍性㊂因此,需要进一步地去挖掘辐射源射频指纹特征的产生机理,建立有效的数学模型㊂②抑制信号主要成分的信号预处理㊂信号的指纹特征一般都隐藏在信号之下㊁甚至是淹没在信号之下,若直接对信号提取指纹特征,由于信号的主要成分的影响以及指纹特征的微弱性,可能所提取到的指纹特征很粗糙㊁甚至无法提取到有效的指纹特征,最后可能会导致严重的分类识别错误㊂因此,引入能够抑制或去除信号的主要成分,保留并放大信号的细微特征的数据处理方法很有必要㊂③多种指纹特征的联合选取㊂由于特征提取技术条件的限制以及发射机器件差异逐步缩小,目前所能提取到的单一特征量难以同时满足普遍性㊁唯一性㊁可检测性和稳定性的要求㊂利用单一特征量进行识别往往难以达到理想的识别效果㊂因此需要选取组合多种指纹特征,实现对辐射源的有效识别㊂④多通道设备的指纹特征提取㊂目前出现了越来越多的集成了多通道的射频设备,如MIMO天线㊁多通道雷达等㊂对这类多通道设备的射频指纹特征提取成为了新的挑战㊂一方面,多通道射频设备使用多个天线收发信号,相对于传统单通道设备,可以提供更多的特征信息,有利于高识别性能;另一方面,多个通道的信号相互混叠,给特征提取增加了难度㊂现有研究鲜有针对多通道设备指纹特征提取问题的研究,还需要进一步加强㊂4㊀结束语辐射源个体识别技术具有重要的军事意义和民用价值㊂随着数字技术的发展和硬件工艺的进步,辐射源的种类不断增加,同类型辐射源差异越来越小,基于射频指纹的辐射源个体识别日益受到重视㊂本文对辐射源射频指纹产生机理㊁基于射频指纹的辐射源个体识别过程和方法进行了深入研究,梳理了现有研究成果,并指出了研究中存在的问题及未来可能的发展方向㊂参考文献:[1]李伟,魏光辉,潘晓东,等.复杂电磁环境下通信装备干扰预测方法[J].电子与信息学报,2017,39㊀第3期郑娜娥,等:基于射频指纹的辐射源个体识别技术综述289㊀(11):2782-2789.[2]HALL J,BARBEAU M,KRANKIS E.Detection of tran-sient in radio frequency fingerprinting using signal phase [C]//Proceedings of the IASTED International Confer-ence on Wireless and Optical Communications,2003: 13-18.[3]俞佳宝,胡爱群,朱长明,等.无线通信设备的射频指纹提取与识别方法[J].密码学报,2016,3(5): 433-446.[4]DANEV B,ZANETTI D,CAPKUN S.On physical-layer identification of wireless devices[J].ACM Computing Surveys(CSUR),2012,45(1):6-14.[5]肖乐群,张玉灵,赵拥军.基于对角积分双谱的雷达辐射源信号识别[J].信息工程大学学报,2012,13(1): 95-99.[6]曹志刚,钱亚生.现代通信原理[M].北京:清华大学出版社,1992.[7]孙娜.通信电台细微特征研究[D].北京:北京邮电大学,2010.[8]YUAN J,HUANG Z,SHA Z.Specific emitter identifica-tion based on transient energy trajectory[J].Progress in Ics Research C,2013,44:67-82.[9]任黎丽.辐射源指纹识别与细微特征提取方法研究[D].哈尔滨:哈尔滨工程大学,2012.[10]许丹.辐射源指纹机理及识别方法研究[D].长沙:国防科学技术大学,2008.[11]徐书华.基于信号指纹的通信辐射源个体识别技术研究[D].武汉:华中科技大学,2007. [12]任春辉.通信电台个体特征分析[D].成都:电子科技大学,2006.[13]李文龙,梁涛,许金勇,等.跳频通信中的射频指纹识别技术[J].解放军理工大学学报(自然科学版),2009,10(S):1-5.[14]李刚,包从开.辐射源个体特征识别技术及在短波电台识别上的应用[J].信息通信,2016,11:175-178.[15]聂皞,汪连栋,曾勇虎,等.电子信息系统复杂电磁环境效应[M].北京:国防工业出版社,2013. [16]YU X,HU D,XU J.Blind source separation:theoryand application[M].Singapore:John Wiley&Sons,2014.[17]LI J,ZHANG H,ZHANG J.Fast adaptive BSS algo-rithm for independent/dependent sources[J].IEEECommunications,2016,20(11):2221-2224. [18]LI Y,AMARI S,CICHOCKI A,et al.Undeterminedblind source separation based on sparse representation[J].IEEE Trans.on Signal Processing,2006,54(2):423-437.[19]ANIL K,CHEVULA V,RAMA R.Unsupervised noiseremoval technique based on constrained NMF[J].IETSignal Processing,2017,11(7):788-795. [20]TOONSTRA J,KINSNER W.A radio transmitter fin-gerprinting system ODO-1[C]//Electrical and Comput-er Engineering,Canadian Conference on.IEEE,1996,1:60-63.[21]SHAW D,KINSNER W.Multifractal modelling of radiotransmitter transients for classification[C]//WES-CANEX97:Communications,Power and Computing.Conference.IEEE,1997:306-312.[22]KENNEDY I O,SCANLON P,MULLANY F J,et al.Radio transmitter fingerprinting:A steady state frequen-cy domain approach[C]//Vehicular Technology Confer-ence,2008.VTC2008-Fall.IEEE68th.IEEE,2008:1-5.[23]URETEN O,SERINKEN N.Bayesian detection of radiotransmitter turn-on transients[C]//NSIp.1999:830-834.[24]CHEN J,KINSNER W.Multi-fractal analysis of transi-ents in power systems[C]//Electrical and ComputerEngineering,2000Canadian Conference on.IEEE,2000,1:307-311.[25]HIPPENSTIEL R D,PAYAL Y.Wavelet based trans-mitter identification[C]//Signal Processing and Its Ap-plications,1996.ISSPA96,Fourth International Sym-posium on.IEEE,1996,2:740-742. [26]SCANLON P,KENNEDY I O,LIU Y.Feature extrac-tion approaches to RF fingerprinting for device identifi-cation in femtocells[J].Bell Labs Technical Journal,2010,15(3):141-151.[27]HUANG D,ZHAO J,SU J.Practical implementation ofHilbert-Huang transform algorithm[J].ActaOceanolog-ica Sinica-English Edition,2003,22(1):1-14. [28]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.[29]周斌.信号细微特征提取及识别技术研究[D].哈尔滨:哈尔滨工业大学,2011.[30]张浩然,韩正之,李昌刚.支持向量机[J].计算机科学,2002,29(12):135-137.[31]SCH C,LAPTEV I,CAPUTO B.Recognizing humanactions:a local SVM approach[C]//International Con-ference on Pattern Recognition.IEEE,2004,3:32-36.(编辑:刘彦茹)。

基于深度残差适配网络的通信辐射源个体识别

（国防科技大学电子对抗学院，安徽合肥２３００３７）
摘要：为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题，提出一种基于深度残差适配网络的通信辐射源个体识别方法。应用深度学习技术实现从源域到目标域上的迁移识别，只需要将带标签的源域数据和无标签的目标域数据进行训练。原始通信辐射源信号经过预处理后输入网络训练，将源域和目标域的分布差异和网络的损失函数作为优化目标，反复迭代得到最终模型。在实际采集的通信辐射源数据集上的实验结果证明了该方法的可行性和有效性。
ＣＨＥＮＨａｏ，ＹＡＮＧＪｕｎ’ａｎ，ＬＩＵＨｕｉ
（犆狅犾犾犲犵犲狅犳犈犾犲犮狋狉狅狀犻犮犆狅狌狀狋犲狉犿犲犪狊狌狉犲狊，犖犪狋犻狅狀犪犾犝狀犻狏犲狉狊犻狋狔狅犳犇犲犳犲狀狊犲犜犲犮犺狀狅犾狅犵狔，犎犲犳犲犻２３００３７，犆犺犻狀犪）
犃犫狊狋狉犪犮狋：Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｔｒａｄｉｔｉｏｎａｌａｒｔｉｆｉｃｉａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｉｓｎｏｔｒｏｂｕｓｔｅｎｏｕｇｈａｎｄｔｈｅｄｅｅｐｌｅａｒｎｉｎｇｍｅｔｈｏｄｎｅｅｄｓａｌａｒｇｅｎｕｍｂｅｒｏｆｌａｂｅｌｅｄｔａｒｇｅｔｄｏｍａｉｎｄａｔａ，ａｃｏｍｍｕｎｉｃａｔｉｏｎｔｒａｎｓｍｉｔｔｅｒｉｎｄｉｖｉｄｕａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｅｐｒｅｓｉｄｕａｌａｄａｐｔａｔｉｏｎｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄ．Ａｐｐｌｙｉｎｇｄｅｅｐｌｅａｒｎｉｎｇｔｅｃｈｎｏｌｏｇｙｔｏｒｅａｌｉｚｅｔｈｅｔｒａｎｓｆｅｒｒｅｃｏｇｎｉｔｉｏｎｆｒｏｍｔｈｅｓｏｕｒｃｅｄｏｍａｉｎｔｏｔｈｅｔａｒｇｅｔｄｏｍａｉｎｏｎｌｙｎｅｅｄｓｔｏｔｒａｉｎｔｈｅｌａｂｅｌｅｄｓｏｕｒｃｅｄｏｍａｉｎｄａｔａａｎｄｔｈｅｕｎｌａｂｅｌｅｄｔａｒｇｅｔｄｏｍａｉｎｄａｔａ．Ｔｈｅｏｒｉｇｉｎａｌｃｏｍｍｕｎｉｃａｔｉｏｎｅｍｉｔｔｅｒｓｉｇｎａｌｉｓｉｎｐｕｔｉｎｔｏｔｈｅｎｅｔｗｏｒｋｔｒａｉｎｉｎｇａｆｔｅｒｐｒｅｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅｓｏｕｒｃｅｄｏｍａｉｎａｎｄｔｈｅｔａｒｇｅｔｄｏｍａｉｎａｎｄｔｈｅｌｏｓｓｆｕｎｃｔｉｏｎｏｆｔｈｅｎｅｔｗｏｒｋａｒｅｔａｋｅｎａｓｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｂｊｅｃｔｉｖｅｓ，ａｎｄｔｈｅｆｉｎａｌｍｏｄｅｌｉｓｏｂｔａｉｎｅｄｂｙｉｔｅｒａｔｉｏｎ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｔｈｅａｃｔｕａｌｃｏｍｍｕｎｉｃａｔｉｏｎｅｍｉｔｔｅｒｄａｔａｓｅｔｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｆｅａｓｉｂｌｅａｎｄｅｆｆｅｃｔｉｖｅ．

一种新的通信辐射源个体识别方法

一种新的通信辐射源个体识别方法赵国庆;彭华;王彬;滕波【摘要】Under the condition of low signal-noise-ratio, the individual features of communication transmitter in steady-state signal are covered very easily, and hard to be extracted and identified. In regard to this problem, considering the fact that oscillators used in different communication transmitters have unequal frequency stability, a new method based on fractal dimension and Support Vector Machine (SVM) was proposed. After oversampling IF ( Intermediate Frequency) signal, information dimension was extracted as features, and then SVM classifier was designed to realize the automatic identification of unknown samples. To some extent, the feature was robust under AWGN (Additive White Gaussian Noise). The computer simulation shows that the method has good performance on classifying five PSK signals with the same order and the frequency stability difference of 0.01 ppm under 3 Db, its accuracy being 95%.%在低信噪比条件下,稳态信号中的通信辐射源个体特征极易被掩盖,从而难以提取和识别.针对该问题,依据不同通信辐射源中振荡器个体的频率稳定度不相等这一事实,提出一种适用于多进制数字相位调制(MPSK)信号的基于分形维数的特征提取与分类方法.首先对中频信号进行过采样,然后提取信号瞬时相位的信息维数作为分类特征,最后利用支持向量杌(SVM)分类器实现样本属性的自动判别.该方法特征维数低、分类简单,对加性高斯白噪声具有一定的鲁棒性.计算机仿真实验结果表明,当信噪比为3dB时,对载波频率稳定度差异为0.01 ppm的5种同阶MPSK 信号的平均分类准确率达到95％.【期刊名称】《计算机应用》【年(卷),期】2012(032)005【总页数】4页(P1460-1462,1466)【关键词】个体识别;频率稳定度;瞬时相位;信息维数;抗加性高斯白噪声【作者】赵国庆;彭华;王彬;滕波【作者单位】信息工程大学信息工程学院,郑州450000;信息工程大学信息工程学院,郑州450000;信息工程大学信息工程学院,郑州450000;72406部队,山东威海264200【正文语种】中文【中图分类】TN975;TP911.70 引言通信辐射源个体识别是指从接收信号中提取辐射源的细微特征(指纹特征)，进而区分不同的辐射源个体。

通信辐射源个体识别研究现状及发展趋势

ｈｏｔｓｐｏｔｉｎｃｏｍｍｕｎｉｃａｔｉｏｎｓｉｇｎａｌｐｒｏｃｅｓｓｉｎｇ．Ａｎｌｙａｓｉｓｔｏｃｏｍｍｕｎｉｃａｔｉｏｎｓｉｇｎａｌｓｕｂｔｌｅｆｅａｔｕｒｅｓ
２０１４年第１期
２０１４，Ｎｏ．１
电
子
对
抗
总第１５４期
ＳｅｉｅｒｓＮｏ．１５４
ＥＬＥＣＴＲ０ＮＩＣＷＡＲＦＡＲＥ
・综
述・
通信辐射源个体识别研究现状及发展趋势
梁江海黄光泉王丰华黄知涛
ＲｅｓｅａｒｃｈＳｉｔｕａｔｉｏｎａｎｄＤｉｒｅｃｔｉｏｎｓｏｆＴｒａｎｓｍｉｔｔｅｒＩｎｄｉｖｉｄｕａｌ
ＩｄｅｎｔｉｉｃｆａｔｉｏｎＴｅｃｈｎｉｑｕｅ
特征提取、稳态特征提取、特征分析与选择这三个方面来介绍细微特征分析的研究现状。然后，分析了分类器在通信辐射源个体识别中的应用现状。最后，结合存在的问题，指出
了通信辐射源个体识别技术未来可能的发展方向。关键词个体识别细微特征分析分类器的设计
（国防科学技术大学电子科学与工程学院，长沙４１００７３）
摘要近年来，通信辐射源个体识别技术是通信信号处理领域里的一个研究热点。而

雷达辐射源个体识别的方法研究

雷达辐射源个体识别的方法研究雷达辐射源个体识别的方法研究摘要：雷达辐射源个体识别在军事、安全和通信等领域具有重要的应用价值。

本文结合雷达信号特点，从特征提取、分类和识别三个方面，综述了雷达辐射源个体识别的研究方法，并对未来的研究方向进行了展望。

1. 引言雷达技术作为一种主要的电磁探测和目标识别手段，在许多领域有广泛的应用，其中辐射源个体识别是非常重要的一环。

辐射源个体识别主要涉及到信号处理和模式识别等多个学科。

本文旨在综述雷达辐射源个体识别的方法研究，为相关领域的科研工作者提供一定的参考。

2. 雷达辐射源个体特征提取方法辐射源个体的特征提取是雷达辐射源个体识别的关键步骤。

常用的特征参数有频率、幅度、相位等。

频率特征是通过分析辐射源的信号频率组成来确定辐射源的类型。

幅度特征可以通过信号的功率或幅度值来表征辐射源的特征。

相位特征是通过信号的相位差异来区分不同的辐射源。

3. 雷达辐射源个体分类方法辐射源个体的分类是指根据不同的特征将辐射源分为不同的类别。

常用的分类方法有聚类分析和支持向量机等。

聚类分析是将辐射源个体按照相似性进行分组，将同一类辐射源归为一组。

支持向量机是一种常见的机器学习方法，可通过学习一些已知类别的辐射源，从而对新的辐射源进行分类。

4. 雷达辐射源个体识别方法辐射源个体的识别是指根据一定的特征和分类方法，将辐射源个体进行辨认。

常见的方法有模式识别和神经网络等。

模式识别是指通过已知的模式来辨认新的样本，可以通过比较特征参数、计算相似度等进行识别。

神经网络是一种模仿人脑神经元活动的计算模型，通过训练网络来实现对新的辐射源进行识别。

5. 未来研究方向展望雷达辐射源个体识别技术仍然存在一些问题和挑战，如在复杂环境下的有效辨别、新型辐射源的准确识别等。

未来的研究方向可以是结合深度学习方法，研究复杂辐射源的识别；利用多传感器信息，提高辐射源个体特征提取的精度和准确性。

结论雷达辐射源个体识别的方法研究对于军事、安全和通信等领域具有重要的应用价值。

基于IQ图特征的通信辐射源个体识别

Vol. 37 No. 1Jan72021第37卷第1期2021年1月信号处理Journal of Signal Processing文章编号：1003-0530(2021)01-0120-06基于IQ 图特征的通信辐射源个体识别陈悦1雷迎科1李昕^2叶铃1梅凡1(1.国防科技大学电子对抗学院，安徽合肥230037； 2.中国人民解放军96833部队，湖南怀化418000)摘要：在真实的战场环境中，我们很难采集到足够的带标签的敌方辐射源数据，通过不断地发展，CNN 神经网络有着很强的处理图片分类的能力，为了充分利用发展最为成熟的CNN 神经网络，本文提出了一种将IQ 路数据转化成图片的识别方法。

由于数据的I 图具有重复性与个体的差异性，通过实验，这种方法在识别不同个体超短波电台上有着94%的正确率，对比双谱特征，IQ 图特征具有更强的识别能力。

这种特征变换方法简单，并且CNN 网络处理图片分类的技术成熟，具有很强的实用性。

关键词：I 图特征；CNN 神经网络；辐射源个体识别中图分类号：TN911.7 文献标识码：A DOI ： 10.16798/j. issn. 1003-0530.2021.01.014引用格式：陈悦，雷迎科，李昕，等.基于I 图特征的通信辐射源个体识别[J ].信号处理，2021，37(1 )： 120125. DOI ： 10. 16798/j. issn. 1003-0530.2021.01.014.Refereneeformat ： CHENYue ， LEIYongke ， LIXon ， eiae.SpecooocEmo i e eIdeniooocaioon ooCommunocaioon RadoaioonSource Based on the Characteristics IQ Graph Features [ J ]. Journal of Signal Processing ，2021，37( 1 ) : 120-125. DOI : 10. 16798/j. ion. 1003-0530.2021.01.014.Specific Emitter Identification of Communication Radiation SourceBased on the Characteristice IQ Graph FeaturesCHEN Yua 1 LEI Yingka 1LI Xin 1，2YE Ling 1 MEI Fxn 1(1. Institute oO Electronic Countermeasure ，National University of Defense Technology ，Hefei ，Anhui 230037，China ；2.96833 AamyooihePeopeeLob Lobeaaioon Aamy ， Huaohua ， Hunan 418000， Chona )Abstract : In the real b —tlefield environment ，it is dOficult for us to collect enough labeled enemy radiation source data.Through continuous development ，CNN neural network has a strong ability to process image classificaLon ，in order to make full use of the most mature CNN neural network. Network ，this paper proposes a recognition method that converts IQ data into pictures. Because the IQ map of the data has repeatability and individual dOferencos ，through experiments ，this meth od has a 94% correct rate in identifying dOferent individual uOmshort wave radio stations. Compared with the bopecWai feature ，the IQ map feature has a stronger recognition ability. This feature transformation method is simple ，and the CNNnetwork processing image classification technology is mature and has strong pmcticabiOty.Key wordt : IQ chart features ； CNN neural network ； specific emitter identification1引言在通信系统中，发送接收方的主要关注点是信号携带的信息。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

通信辐射源个体识别技术研究
通信辐射源个体识别技术对提升无线通信系统的安全性和提高
军事通信侦察对抗能力具有重要意义。

通过提取通信辐射源发射机在设计、生产过程中产生的硬件设备差异特征,可以分辨接收的信号来自哪个通信辐射源。

然而,提取这些细微的辐射源个体差异特征非常困难,使得通信辐射源个体识别技术研究成为一项十分具有挑战性的课题。

本文系统的研究了通信辐射源个体识别的理论框架,在此基础上研究了多种具有理论及实用价值的个体识别算法,通过仿真实验和实测数据验证了算法的有效性,部分算法在实际通信辐射源个体识别系统中得到了应用。

本文主要工作包括以下几个方面:1.通信辐射源个体识别基本理论研究。

分析了通信辐射源射频指纹特征信息的传输和处理流程,构建了通信辐射源个体识别的理论框架。

在建立通信辐射源个体特征信息的编译码模型基础上,分析了辐射源个体识别系统的理论性能,指出辐射源个体识别处理流程中应尽可能减少个体特征信息的损失。

2.基于发射机非线性模型的辐射源个体识别方法研究。

在分析通信辐射源个体差异特征的生成机理基础上,研究了基于发射机功放非线性行为的辐射源个体识别方法,可以刻画辐射源发射机功放的弱记忆非线性行为。

针对单器件非线性参数特征不足以精细建模辐射源发射机的个体差异,研究了发射机正交调制器畸变和功放非线性行为联合建模的辐射源个体识别方法,得到的个体特征向量可以更好地刻画不同发射机差异。

考虑到难以精确建模和求解发射机中包含的所有模拟器件非线性行为,提出了一种基于自然测度的辐射源个体
识别方法,将辐射源发射机整体视作一个非线性系统,直接提取发射机系统的非线性特征,可有效分辨不同的辐射源发射机个体。

3.基于统计学习的辐射源个体识别方法研究。

为避免辐射源个体特征提取过程中依赖人的主观经验导致的个体差异信息损失,研究了三种基于统计学习的辐射源个体识别方法。

基于信号暂态稀疏表示的辐射源个体识别方法,利用低维特征空间暂态稀疏表示,采用重构误差最小化原则训练特征提取器,并据此分辨新样本的辐射源类别属性。

基于全局图Fisher分析的辐射源个体识别方法,兼顾了样本数据局部线性流形的保持、全局类间分离性和类内聚集性,提取的个体特征更适合于辐射源个体识别。

研究了基于信息理论的辐射源个体识别方法,通过最大化辐射源个体特征与类别的互信息并最小化特征重构误差熵,使得提取的特征能充分反映辐射源个体差异。

4.基于特征提取与分类器联合优化的辐射源个体识别方法研究。

为避免所提个体特征不适合于指定的分类器而导致分类识别率下降,提出了两种基于联合优化的辐射源个体识别方法。

提出的基于特征降维与分类器联合优化的辐射源个体识别方法,通过最小化分类器分类误差且最大化降维特征与辐射源类别的互信息,可使得降维特征更适合使用的分类器。

提出的基于低秩表示与最小预测误差正则化的辐射源个体识别方法,通过损失函数将辐射源类别信息显式地引入原始数据低秩表示模型,得到的个体特征更具分辨能力。