面向个体识别的通信辐射源特征提取方法综述

姚艳艳 俞璐 武欣嵘 陈一鸣

摘要：文章主要分析近年来面向个体识别的辐射源特征提取方法的研究现状，探讨各种方法的优缺点、依赖的数据集、辐射源数量、算法性能等，总结辐射源特征提取方法的技术关键点和难点，并指出深度学习方法在辐射源特征提取上的优势。以期对辐射源特征提取方法的研究做出较为全面的综述。

关键词：辐射源;特征提取;人工设计特征;深度学习

中图分类号：TP3-0

文献标识码：A

文章编号：1006-8228（2020）09-41-04

A survey of feature extraction methods of communication emitter for individual recognition

Yao Yanyan， Yu Lu， Wu Xinrong， Chen Yiming

（Institute of Cornrnunication Engineering Army Engineering University of PLA， Nanjing， Jiangsu 210007， China）

Abstract： This paper mainly analyzes the research status of emitter feature extraction methods for individual recognition in recentyears， discusses the advantages and disadvantages of various methods， dependent data sets， number of emitters， algorithmperformance. etc.， summarizes the technical key points and difficulty points of emitter feature extraction methods. and points outthe advantages of deep learning method in emitter feature extraction. In order to make a more comprehensive overview of theresearch on emitter feature extraction methods.

Key words： emitter; feature extraction; artificial desiign feature; deep learning

0引言

本文輻射源是指无线电信号辐射源，包括雷达、电台、射频身份卡片等无线设备。

辐射源指纹识别技术是把众多生产厂家、型号、参数完全相同的电子设备准确区分出来，进而可以获取更多有价值的情报。现代通信和军事领域中，SEI（Specific Emitter Identification，特定辐射源识别）发挥着重要作用，在识别非法设备、提高系统安全性能、分析非合作通信中对方目标个体、分析战场电磁态势、获取有价值情报等方面均有着十分有效的应用。

1辐射源特征提取

由于信号发射端I路、Q路信号调制的不平衡以及元器件安装、调试等方面的细微不同，导致了相同型号辐射源发射的信号内在特征的不同（即“指纹”[1]），通过分析不同辐射源指纹可以识别特定辐射源。

辐射源特征按可获取难易程度，可分为有意特征和无意特征[2]。有意特征主要是指传统电子侦察设备中，包括传统的到达方位、载频、到达时间、脉宽及幅度这五个信号参数以及载频、带宽、幅度、调频系数、码宽、编码规律等脉冲序列参数，常用于信号分选与调制方式识别中。而无意特征是由于发射机器件固有的非理想特性，产生的相同型号、同种参数设置的辐射源发射信号的细微特征。这两种特征都是信号“指纹”。

通常把SEI问题看做常见的模式识别问题，主要包括：信号采集、数据预处理、特征提取、分类识别这四个主要步骤。一个典型的SEI系统如图1所示。

其中，特征提取是一个较为广义的概念，包括SEI中信号特征的选择、变换、提取等相关操作。辐射源特征提取是SEI的基础，是辐射源个体识别过程中的关键一步，具有重要的研究意义。

本文研究的是面向个体识别的辐射源信号特征提取方法。

2面向个体识别的辐射源特征提取方法

目前，由军事带动商业的模式使得国内外SEI技术发展迅速，辐射源特征提取方法种类众多。

经过几十年的研究，针对通信电台这类辐射源，逐渐发展形成了电台辐射源指纹观测技术体系。其基本思路是：从时域、频域、调制域、变换域等不同的“视角”来观察指纹，根据指纹在不同“视角”表现出的不同特点，再运用一些有效的数学工具来提取指纹。特别是随着深度学习技术的兴起，将神经网络运用的辐射源个体识别也成为了一个热门课题。

按照其技术特点，文章将其分为两类，分别是传统特征方法和深度特征方法，其中，传统特征方法又分为单一特征方法和组合特征方法，如图2所示。

传统特征方法一般是将特征提取和分类器设计分别进行，从而识别辐射源个体。深度特征方法则是分为训练和测试两部分，从训练集中学习到辐射源个体特征，在测试集上进行辐射源个体识别。这两种方法各有其优劣，在不同辐射源信号和场景下均取得过良好的识别效果。

2.1传统特征方法

2.1.1单一特征方法

我们将信号单一某个域特征或对信号的片面度量方法称为单—特征方法，包括脉冲包络前沿特征匹配[3]、脉冲包络前沿高阶矩特征[4]、基于EMD（ EmpiricalMode Decomposition，经验模态分解）方法的杂散特征提取[5]、基于模糊函数特征优化[6]，基于时频谱奇异值和奇异向量[7]等。

文献[3]中，陈涛等使用FPGA做为辐射源信号发射器，通过使用宽带数字接收、信号分选与跟踪、数字正交混频等技术即时提取包络上升沿波形，并改进Hausdorff距离的窗口搜索匹配算法，进行两类信号“指纹”模板匹配，利用阈值达到可靠识别并匹配雷达辐射源的目的。算法运算量较小，可以在接收机处实现快速识别，具有较好的实时性。文献[4]中，王宏伟等选取来自三个实际雷达辐射源的包络采样信号各200组，对辐射源包络前沿波形的高阶矩特征和包络前沿一阶差分波形的高阶矩特征的聚类特性，通过最近距离准则实现辐射源快速识别。文献[5]中，梁红海等使用四个同型号的无线网卡个体前导码信号来着重研究稳态信号的杂散成分的频域特征，利用EMD方法将杂散成分从信号中分离出来，然后再杂散信号的各频率成分的能量作为信号的细微特征，实现30dB信噪比情况下，98.21%的识别正确率。文献[6]中，王磊等对实测的30个辐射源个体的脉冲信号的无意调制特性进行模糊函数建模，抽取模糊函数的“近零”频偏切片作为辐射源信号的主要特征，设计切片串联策略构建了互补的特征子集对，从而分别利用典型相关分析和鉴别典型相关分析实现切片特征的融合，最后通过SVM、NN分类器进行辐射源最优识别率下的分类性能比较。文献[7]中，Gangsong Ding等使用三台相同类型的数字收音机采集到的信号，在短时傅里叶变换（short-time Fourier transform，STFT）后，得到128维矩阵进行奇异值分解（Singular Value Decomposition，SVD），将通过分析表明最具有区分度的第二维奇异向量和第2-50维奇异值，作为“指纹”特征，在信噪比大于8dB，采用高斯分类器的情况下，能够达到超过90%的辐射源个体识别率。

2.1.2组合特征方法

对于特征描述的完整性和全面性，仅依赖于单一某个域特征或对信号的片面度量往往不足以形成充分而可信的表征，因此许多文献从特征组合角度构建更加完备的信息集。

文献[8]中，蔡忠伟等选择相同型号、相同批次的10部TBRl20B调频通信电台作为待分类对象，分析其瞬态特征，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15dB信噪比的条件下，识别正确率优于90%。文黼[9]中，史亚等利用三组实测数据来验证所提方法的有效性。所有数据由国内某研究所提供，都是在民航机场获取到的航管应答信号。对雷达辐射源信号所提取的不同特征表示，分别构建相应的核函数或核矩阵，然后通过一定的准则计算它们的组合系数，并同时或独立获得支持向量机的分类超平面，最终实现对辐射源信号的分类。该方法能够实现辐射源信号模糊函数多个“近零”切片特征的有效融合，得到比代表性切片更优的识别性能。文献[10]中，唐哲等利用10部同厂家同型号FM电台在相同工作模式下采集的实验数据，提出一种基于全局潜在低秩表示（Global LatentLow Rank Representation，GLat-LRR）的通信辐射源潜在细微特征提取方法。首先，提取通信辐射源信号的瞬时频率，通过傅里叶变换将信号投影到高维特征空间;挖掘特征样本之间全局的低秩结构和维度之间全局的潜在低秩关系，将特征样本集作为整体应用到潜在低秩表示模型中，利用维度之间低秩关系得到特征样本集的潜在部分矩阵，每个列向量即为每个通信辐射源信号的潜在细微特征向量。实验表明，在特征维度取512维至768维之间时，通信辐射源识别率增长最为明显，普遍能够增加30%的识别率。文献[11]中，Shouyun Deng等在实验室条件下（28.2dB）捕获收音机信号，利用不同的信号发射机在信号幅度信息上无意调制和有意调制的细微差别，即其“指纹”，利用概率学和统计论中的经典测量方法（偏度和峰度），定义了线性偏度和线性峰度作为辐射源个体特征，近千次的实验结果表明能够实现对辐射源个体的完美识别，大于20dB时识别准确率能够达到100%。文獻[12]中，黄欣等使用仿真的高斯频移键控（Gaussian Frequency-Shift Keying，GFSK）信号，利用通信辐射源信号的长时谱统计特性，提取信号功率谱峰值特征和包络模板，构造通信辐射源个体特征向量，通过朴素贝叶斯分类算法与个体特征矢量相结合，在训练样本数目足够大的条件下可进行有效识别。测试实验表明，识别方法稳健有效，可在信噪比5dB情况下实现93.7%的正确识别概率。

2.2深度特征方法

深度学习提出让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，能够减少人为没计特征造成的不完备性。无监督学习策略使其直接从输入的数据中提取指纹特征，跨越人工设计指纹特征的阶段，能够节省大量科研成本;相比于有限的已知样本，深度学习方法可以很好地利用实际复杂电磁环境中的海量无标签通信辐射源样本，充分训练学习机模型，更好表征通信辐射源个体，有效改善“小样本”问题对指纹特征提取的影响;以逐层贪婪的方式对数据特征压缩，可使最终提取的指纹特征具备较低的维度，在以较低维度特征有效表征通信辐射源个体的同时，还可与传统分类器对接通用，解决通用分类器不能完整利用指纹特征信息的问题。

文献[13]中，黄健航等在实际环境下采集的kenwood手持式FM电台数据集和kirisun通信电台数据集上进行大量实验，对通信辐射源信号进行矩形积分双谱变换后获得包含通信辐射源指纹特征的高维数据，利用大量无标签的通信辐射源高维样本训练堆栈自编码器网络，在此基础上，通过少量有标签的通信辐射源样本对softmax回归模型进行精校洲练，从而获得面向通信辐射源指纹特征提取的深度学习网络，算法显著改善了小样本条件下通信辐射源指纹特征提取能力。文献[14]中，Shamnaz Riyaz等在SDR收发环境下，通过对I/Q序列样本模块的修改以增大辐射源个体内在特征之间的差异，并利用优化的深度卷积网络实现辐射源个体的可靠识别，同时对比了SVM与逻辑回归方法的性能表现，证明了卷积神经网络（Convolutional Neural Network，CNN）架构识别辐射源个体的有效性，并实验验证了2-50英尺距离范围内采集的数据识别性能。文献[15]中，Qingyang Wu等对六个同类型USRP发射器采集的I/Q数据，利用循环神经网络（Recurrent Neural Network， RNN）中的长短期记忆网络（Long Short-Term Memory，LSTM），有效捕捉辐射源长期和短期硬件特性，并基于发射机和接收机之间电缆增加噪音干扰，实验论证了LSTM架构对于辐射源个体识别具有较高的检测精度。文献[16]中，刘高辉等提出了一种小样本条件下基于深度置信网络（Deep Belief Network.DBN）的通信辐射源个体识别方法。首先分析通信辐射源信号频带内互调干扰信号的幅度和相位特性，建立基于互调干扰信号的通信辐射源个体特征;然后对辐射源信号进行预处理得到通信辐射源信号的矩形积分双谱，再采取对比散度的方法，利用高阶谱自底向上训练每个受限玻尔兹曼机，通过多次迭代得到合适的权重、隐藏层的偏差和可见层的偏差，从而提取出辐射信号的互调干扰信号特征;最后使用softmax分类器对训练模型进行微调，获得面向通信辐射源细微特征识别的深度学习网络。使用仿真的辐射源信号采样的数据集进行分类实验，提出的四层DBN网络能够有效地识别出通信辐射源的个体。文献[17]中，Yiwei Pan等提出了一种仿真条件下基于深度残差网络（Deep ResidualNetwork）的辐射源个体识别方法。利用接收信号的希尔伯特谱得到灰度图像，并输入深度残差网络中进行学习，结合了希尔伯特谱图像的高信息完整性，和深度残差网络相比CNN网络计算低复杂性，在单跳和中继场景中均具有良好的个体识别性能。