栈式自编码和残差神经网络的射频信号个体识别*

高晓利，李 捷，赵火军，王 维，骆明伟

（四川九洲电器集团有限责任公司，四川 绵阳 621000）

0 引言

射频信号个体识别，又称为辐射源“指纹识别”，是指对接收的电磁信号进行特征测量，根据已有的先验信息确定产生信号的辐射源个体，并将其与辐射源个体及所属平台和武器系统关联起来，有着重要的战略和战术意义。

传统方法主要分为暂态特征分析方法和稳态特征分析方法，前者主要包括分形理论［1］、高阶谱方法［2］、时频分析方法［3］、频谱模板法［3］、模糊函数［4］等，后者主要从杂散输出、频率稳定度、信号包络、码元速率以及调制参数等方面进行研究。然而，暂态特征一般持续时间比较短，包括的射频信号个体信息有限，因而对信号捕捉设备硬件要求较高，而稳态特征表现形式多样且微小，提取难度较大。

近年来随着深度学习技术的发展和广泛应用，在传统基于特征提取的辐射源个体识别基础上，深度学习算法如人工神经网络、卷积神经网络、深度神经网络等也被引入到信号识别中。2016 年，周东青［5］等提出了基于深度限制波尔兹曼机的辐射源信号类型识别模型，通过逐层自底向上无监督学习获得初始参数，并用反向传播算法对整个模型进行有监督的参数微调，利用Softmax 进行分类识别。2018 年，郭立民［6］等提出了基于栈式稀疏自编码器的低信噪比、低截获概率雷达信号调制类型识别。同年，徐熊［7］提出改进型AlexNet 的辐射源个体识别方法，实现目标细微特征提取固化，形成了智能化识别网络模型。……