基于类特征对齐的多源域适应辐射源个体识别方法.pdf

第 56 卷 第 10 期2023 年 10 月通信技术Communications TechnologyVol.56 No.10Oct.20231137文献引用格式：李林,俞璐,蒋曾辉,等.基于类特征对齐的多源域适应辐射源个体识别方法 J.通信技术,2023,56(10):1137-1145.doi:10.3969/j.issn.1002-0802.2023.10.003基于类特征对齐的多源域适应辐射源个体识别方法*李 林，俞 璐，蒋曾辉，陈健威（中国人民解放军陆军工程大学，江苏 南京 210007）摘 要：无监督域适应方法在通信辐射源个体识别任务中得到了深入研究和广泛应用。无监督域适应方法通过学习已标记的源域样本的域不变特征，实现对未标记的目标域的识别。然而，在复杂的电磁环境下，源域信号可能会受到多重因素的影响，导致多个源域的特征分布与目标域存在显著差异，甚至彼此之间也有所不同。鉴于这种情况，从分布差异的角度出发，提出了一种基于类特征联合对齐的多源域适应方法，并构建了一种称为类别特征对齐网络（Category Feature Alignment Network，CFAN）的深度神经网络模型，能够提取发射器的指纹特征。大量的实验结果验证了这种方法能够有效提高识别准确率。关键词：通信辐射源个体识别；无监督域适应；多源域适应；信噪比中图分类号：TP181 文献标识码：A 文章编号：1002-0802(2023)-10-1137-09Special Emitter Identification Based on Multi-Source Domain Adaptation Using Category Feature AlignmentLI Lin,YU Lu,JIANG Zenghui,CHEN Jianwei(Army Engineering University of PLA,Nanjing Jiangsu 210007,China）Abstract:Unsupervised domain adaptation method realizes the identification of unlabeled target domains by learning domain-invariant features of labeled source domain samples,which has been intensively studied and widely applied in the task of special emitter identification.However,in complex electromagnetic environments,these source domain signals could be influenced by a myriad of factors,resulting in pronounced distribution differences in features between multiple source domains and target domains,and even within the source domains themselves.To address these issues,this paper proposes a multi-source domain adaptation method predicated on class features joint alignment that considers these distribution variances,and develops a deep neural network model called CFAN(Category Feature Alignment Network).The model is able to extract the emitters fingerprint features,and extensive experimental results corroborate the efficacy of this method in enhancing the identification accuracy.Keywords:special emitter identification;unsupervised domain adaptation;multi-source domain adaptation;signal-to-noise ratio0 引 言通 信 辐 射 源 个 体 识 别 技 术（Special Emitter Identification，SEI）是一种通过提取并分析无线电信号中的射频指纹特征（Radio Frequency Fingerprint，RFF）来确定无线通信发射机个体的技术。该技术在无线电通信、电子侦察和网络安全监测等领域具 *收稿日期：2023-08-21；修回日期：2023-09-22 Received date:2023-08-21;Revised date:2023-09-221138通信技术2023 年有广泛的应用前景1-2。随着人工智能和机器学习等技术的不断进步，基于深度学习的通信辐射源个体识别方法得到了快速发展，识别效率有所提升，并具备自动学习提取特征的能力3。无论是传统的识别方法还是基于深度学习的识别方法，都要求训练样本和测试样本具有相同的特征分布。然而，实际采集到的信号会受到信道变化、噪声干扰等多种因素的影响，所以很难满足这个条件4。迁移学习中的域适应方法是解决上述问题的一种有效方法。迁移学习利用学习源域和目标域共有的特性来实现跨域迁移并将其作为知识5。域适应方法是迁移学习的代表性方法之一，它利用对齐源域和目标域之间的域不变特征来减小或消除域偏移。域适应方法可以利用已标记的源域训练一个能够很好地推广到不同但相关的目标域的模型，从而提高对目标域样本预测的准确率。在复杂的电磁环境下，对于不同条件下采集到的信号，可以将其视为属于不同的域，通过提取域之间的不变特征实现跨域迁移的目的。现有文献 6-9 将迁移学习方法引入到辐射源个体识别应用中，利用已标记的源域信号对未标记的目标域信号进行识别，并取得了良好的效果。然而，在现实情况下，上述方法通常涉及一个已标记的源域和一个未标记的目标域，但源域信号的采集方法、设备和环境各不相同，因此源域信号的特征分布也会存在不同程度的差异。在这种情况下，直接使用单源域适应的方法已不再适用于存在多个不同分布的源域，否则会导致识别效果不佳。如图 1 所示，图 1（a）展示了在辐射源个体识别任务中，当前主要研究和应用的单源域适应方法；图 1（b）展示了多源域适应方法需要将多个源域与目标域对齐，提取所有域共有的域不变特征，相对于单源域适应方法更为复杂和困难。多源域适应方法将不同分布的源域样本和未标记的目标域特征映射到一个共享的特征空间中，通过不断学习多个源域和目标域的域不变特征来减小域之间的差异，以提升模型的泛化性能10。将多源域适应方法应用于辐射源个体识别任务是相对困难的，主要面临三个问题：一是如何对齐多个域的特征空间，将从多个域中提取到的特征映射到同一个特征空间上；二是如何提取多个源域中辐射源个体的指纹特征，使得指纹特征尽可能不受域变化的影响；三是如何训练各个源域的分类器，使得不同源域之间针对同一目标的分类器具有统一的预测结果。发射器 1发射器2发射器3发射器1发射器2发射器 3目标域对齐单个源域与目标域源域单源域适应方法对齐多个源域与目标域信号样本分类边界特征分布发射器 1发射器 2发射器3源域i发射器 1发射器2发射器3发射器1发射器2发射器 3目标域源域j多源域适应方法 （a）单源域适应方法 （b）多源域适应方法图 1 单源域适应方法与多源域适应方法对比本文旨在解决上述问题，重点研究如何在不同特征分布条件下提取各个域的辐射源独特的类别特征，并以此构建基于类别特征对齐的多源域适应深度网络架构（Category Feature Alignment Network，CFAN）。为解决问题一，首先使用权重共享的特征提取器对所有域的特征进行统一表示，将不同源域的特征空间映射到公共的特征空间；为解决问题二，针对不同的源域设置不同的子网络，并列设置1139第 56 卷第 10 期李林，俞璐，蒋曾辉，陈健威：基于类特征对齐的多源域适应辐射源个体识别方法类别特征提取器和域相关特征提取器，将类别特征作为识别辐射源个体的依据；为解决问题三，采取分类器对齐的方式，确保不同子网络的分类器输出具有一致性。本文的主要贡献包括：（1）为满足辐射源个体识别的实际需求，采取多源域适应方法；（2）为各个子网络设计了类别特征提取器和域相关特征提取器，并通过对齐子网络的类别特征来减小域间差异，同时增大类别特征和域相关特征之间的差异，以确保各源域的类别特征更加一致；（3）在ORACLE 射频指纹数据集上验证本文提出的方法的可行性，并进行消融实验验证各模块的有效性，实验结果证明了本文提出的方法优于现有单源域适应方法和多源域适应方法。1 相关工作1.1 无监督域适应当前常见的域适应方法大多是无监督的，即存在一个有标记的源域和一个未标记的目标域，通过学习源域的可迁移的知识，对目标域进行预测11。无监督域适应方法应用较为广泛，在计算机视觉、自然语言处理和医疗健康等领域均有广泛的应用12。当前无监督域适应方法通常结合深度神经网络提取特征的强大能力，通过对齐高级特征实现域适应。域自适应神经网络（Domain Adaptive Neural Network，DANN）13、深度领域混淆方法（Deep Domain Confusion，DDC）14和深度适配网络（Deep Adaptation Network，DAN）15是较早使用（Maximum Mean Discrepancy，MMD）实现基于分布差异的域适应方法。Long等人16在使用多核MMD的基础上，将特征与标签的联合概率分布考虑进来，并将这种方法称为联合适配网络（Joint Adaptation Network，JAN）。基于对抗的域适应方法也是常用的无监督域适应方法，Ganin 等人17率先将对抗学习应用到域适应问题当中，提出领域对抗神经网络（Domain Adversarial Neural Network，DANN）。Pei 等人18提出了多对抗域适应（Multi-Adversarial Domain Adaptation，MADA），使用多个类别领域判别器来对齐两个域的数据分布。除此之外，基于特征重构和基于样本生成的域适应方法同样得到了深入研究。1.2 多源域适应多源域适应是指从多个不同分布的源域中学习一个在未标记的目标域上具有良好泛化性能的模型，更加符合现实情况。基于分布差异的多源域适应方法通过减少多个源域与目标域之间的差异，使得多个源域与目标域的样本尽量服从同一分布。Zhu 等人19提出了一种同时对齐分布和分类器的多源领域自适应方法（Multiple Feature Spaces Adaptation Network，MFSAN），首先对齐各个领域特定的特征，使用 MMD 方法将不同的源域和目标域的分布对齐放在不同的特征空间中，而后对齐各个源域的分类器，减小分类器输出的差异。Peng 等人20利用计算各域之间的矩距离判断域间差异，动态对齐特征分布的矩距离，以此提出多源域适应 矩 匹 配 网 络（Moment Matching for Multi-Source Domain Adaptation，M3SDA）。多源域适应方法同样可以使用对抗的思想，Xu 等人21提出一种深度鸡尾酒网络（Deep Cocktail Network，DCTN），采取多路对抗的方式混淆多个域判别器，使其无法判断样本来源，并使用加权组合的方式给予各源域混淆系数，进而训练各源域分类器。1.3 迁移学习方法在辐射源个体识别上的应用随着辐射源个体识别技术的不断发展，更多的研究者发现训练样本和测试样本的特征分布不一致的问题，已将迁移学习方法应用在识别任务上22。Huang 等人6针对基于深度神经网络的辐射源识别方法在复杂场景中泛化能力差的问题，提出了一种基于深度对抗域自适应的辐射源识别方法。Wang等人7重点研究了测试数据与训练数据在载波频率不同但相似的前提下如何提高辐射源识别的性能，提出了一种基于连续小波变换（Continuous Wavelet Transform，CWT）和领域对抗神经网络（Domain Adversarial Neural Network，DANN）相结合的方法，通过对抗性训练神经网络来学习领域不变特征。2 基于类特征对齐的多源域适应方法2.1 问题描述在研究一般场景下的多源域适应问题设定下，存在特征分布各不相同的N个已标记的源域Ds=Ds1,Ds2,DsN 与 1 个未标记的目标域Dt=(xit)nti=1。其中第j个已标记的源域可定义为Dsj=xisj,yisjnsji=1，xksj表示第j个源域的第k个样本，yksj表示xksj的真实标签，nsj表示第j个源域Dsj的样本个数N为源域数，所有源域共享标签空间并表示为ysY且|Y|=K，1140通信技术2023 年K为 样 本 的 类 数。未 标 记 的 目 标 域 定 义 为Dt=(Xt)=(xkt)ntk=1，nt为目标域样本个数，并与源域共享标签空间，可表示为ytY。多源域适应方法的主要任务是利用多个源域Ds和目标域Dt训练预测函数f:xy。2.2 整体思路2.2.1 深度网络框架本文提出一种基于类别特征对齐的网络结构CFAN，使用多源域适应方法对辐射源个体进行识别和分类。如图 2 所示，对于存在N个已标记的源域情况时，将每个源域与目标域组合形成一个子域，共计N个子域形成一个分支网络；而后，将N个源域的样本集合与目标域组合形成一个联合对齐网络。CFAN 网络架构由 4 部分组成：1 个公共特征提取器G、N+1 个类别特征提取器 FjcN+1j=1、N+1个域相关特征提取器 FjdN+1j=1和N+1 个子域的分类器CjN+1j=1。本文借鉴文献 23 和文献 24 中源域与目标域互学习的对齐方法，以成对对齐的方式对齐目标域与N个源域，形成N个分支子网络，每个分支子网络对应目标域Dt与 1 个源域Dsj。而后，将目标域Dt与所有源域的集合Ds进行对齐，形成 1 个联合子网络，每个子网络具有相同的网络结构。建立分支子网络和联合子网络的结构有以下两个优点：一是能够最大化提取目标域与每个源域共同的域不变特征，此时提取到的域不变特征对于所有域具有一致性和互补性；二是能够有效减少每个源域对目标域的偏差，可以使用各域间共有的域不变特征进行域对齐，进一步减小各域之间的差异，从而提高模型的泛化能力。图 2 CFAN 网络框架2.2.2 公共特征提取器公共特征提取器G的作用是通过学习一个g()将所有域从原始的特征空间映射到统一的特征空间，提取目标域与各个源域共同的域不变特征。本文使用共享权重的方法设置公共特征提取器，不仅可以有效减少训练深度神经网络的参数量，而且能够保证模型的结构稳定，并提高模型的泛化能力。2.2.3 类别特征提取器公共特征提取器将所有域的域不变特征映射到同一特定的特征空间，但此时的类别特征并没有进行一致对齐，为此设计N个分支子网络的类别特征提取器 FjcNj=1和 1 个联合子网络的类别特征提取器F ccombine，共计N+1 个非共享的类别特征提取器 FjcN+1j=1，目的是提取各自领域与分类有关的特征，这种特征不会受到其他外界因素的影响和干扰，也是辐射源个体识别分类的依据。首先使用公共特征提取器对每个子域的源域样本xsj和目标域样本xt提取公共特征g(xt)和g(xsj)；其次经过各个子网络的类别特征提取器提取类别特1141第 56 卷第 10 期李林，俞璐，蒋曾辉，陈健威：基于类特征对齐的多源域适应辐射源个体识别方法征，这些子网络不共享每对源域和目标域的权重，重点是学习域不变特征中的类别特征的映射函数 f c()。对于源域Dsj和目标域Dt，提取到的类别特性分别为fjc(g(xsj)和fjc(g(xt)。2.2.4 类别特征分布对齐为减小域分布之间的差异，如网络结构图所示，本文使用基于分布差异的 MMD 方法，首先将各个子网络源域和目标域的类别特征fjc(g(xsj)和fjc(g(xt)进行对齐，保证子网络提取到的类别特征的域不变表示具有一致性。MMD 是显式测量两个分布差异的度量方法，将源域和目标域样本映射到同一高维可再生核希尔伯特空间上，通过计算源域和目标域的均值之差，最小化域间的差异。在形式上，MMD 定义如下：()()()2,stpqDp qExEx?HH（1）式中：H为再生核希尔伯特空间；p和q分别为xs和xt的特征分布；()为映射函数。结合本文设定，采取常用的 MMD 估计公式：()()()21111,stnnststijijstDXXxxnn=?HH（2）式中：ns与nt分别表示源域样本数量和目标域样本数量，xis和xjt分别表示源域第i个样本和目标域第j个样本，DH(X s,X t)是(),HDp q的无偏估计量。综上，使用公式（2）计算每个源域和目标域之间的差异，MMD 损失可定义为：()()()()()1MMD11,1jNscctjjjD FG xFG xN+=+L（3）2.2.5 域相关特征提取器在公共特征提取器后，与类别特征提取器并列设置N个分支子网络的域相关特征提取器 FjdNj=1和 1 个联合子网络的特征提取器F dcombine，组合形成N+1 个非共享的域相关特征提取器 FjdN+1j=1，用于学习跨域迁移的相关知识，提取与域变化相关的特征。为了保证所有类别特征的一致性，并最大化各域之间的域相关特征的多样性和差异性，需要将类别特征和域相关特征结合考虑，尽可能减少二者之间存在的重复。将域相关特征的映射函数设为 f d()，对于源域Dsj和目标域Dt，提取到的类别特性分别为f cg(xsj)和f cg(xt)。而后，在每个子网络的内部设置一个正则化项用来表示特征间的差异，具体可由均方误差损失函数表示为：()()()()21mse1211jjNsscdjjjFG xFG xN+=+L（4）2.2.6 多源域分类器多源域分类器C是由N个分支子网络的分类器 CjNj=1和 1 个联合子网络的分类器Ccombine组成的多输出网络 CjN+1j=1，其中每个分类器Cj都是一个softmax 分类函数。将每个子网络类别特征提取器提取到的特征作为每个分类器的输入，并使用交叉熵分类损失函数计算其损失，即：()()()()1cls111,sjjjjnNsscjjkkkjsJ CFG xyn+=L（5）式中：xksj表示源域sj第k个样本，yksj表示样本的真实标签，J()表示交叉熵函数。考虑到靠近分类边界的目标域样本容易被分类器错误分类，为了保证每个分类器具有相同的预测结果，需要尽可能减小所有分类器之间的差异。在本文中，通过计算目标样本在所有分类器输出的交叉熵，最小化分类器之间的差异损失：()()1dis1112,1tnNNjkikkjijJ yyNN+=+=+L（6）式中：yj表示目标域样本进入第j个分类器中得到的伪标签，yi表示目标域样本进入第i个分类器中得到的伪标签。()()()cjkjjkyCFG x=（7）()()()cikiikyCFG x=（8）2.2.7 网络总体损失为解决辐射源个体识别任务中样本分布有多种情况的问题，本文构建基于类别特征提取的深度神经网络架构 CFAN，提出了一种多源域适应方法，具体损失函数包含 4 个部分：各分类器的分类损失、类别特征对齐损失、类别特征与域间特征的均方误差损失和各分类器间的差异损失。由式（3）、式（4）、式（5）和式（6）可得，总体损失公式为：totalclsMMDmsedis=+LLLLL（9）式中：，和为平衡超参数。最小化分类损失Lcls的目的是使深度网络可以准确地对样本进行分类，最小化 MMD 损失 LMMD可以使各子网络类别特征提取器提取到的类别特征具有一致性，最大化各子网络的类别特征和域相关特征的差异 Lmse可以减小二者之间的冗余和重复，最小化分类器之间的差1142通信技术2023 年异损失Ldis保证样本进入各分类器后具有相同的输出。3 实 验为验证本文提出的多源域方法在辐射源个体识别应用上的有效性，选择不同信噪比条件下的模拟信道进行相关实验。3.1 数据集ORACLE射频指纹数据集（ORACLE RF Finger-printing Dataset，ORFD）被广泛应用于通信辐射源个体识别研究。该数据集将接收器设置为一个固定的 USRP B210，对 16 台相似的 USRP X310 无线发射器发射的原始 IQ 信号进行采集。3.2 数据处理信噪比是衡量信号质量的重要指标，原始信号在不同信噪比的信道下传输往往存在较大差异25。在辐射源个体识别领域中，信噪比的值越高，表示信号相对于噪声越强，越接近于原始信号，越容易被正确识别和处理。为了验证本文提出方法的有效性，对 ORACLE 射频指纹数据集的原始 IQ 信号分别添加 4 dB、8 dB 和 12 dB 的高斯白噪声，模拟出不同信噪比的传输信道，并将对应的 IQ 数据分别记为 D4 dB、D8 dB和 D12 dB，将原始 IQ 数据记为DRAW。D4 dB、D8 dB、D12 dB和 DRAW数据集的样本设置相同，分别具有16类IQ数据，标签设置为015；而后，对每类 IQ 数据进行截取，每个截取后的样本维度设为 2256，其中 2 代表 IQ 两路信号，256表示截取后的样本长度，每类保留 2 000 个样本，D4 dB、D8 dB、D12 dB和 DRAW分别有 32 000 个样本。结合本文提出的多源域适应方法，设置 4 个辐射源个体识别任务：D4 dB，D8 dB，D12 dB DRAW；D4 dB，D8 dB，DRAW D12 dB；D4 dB，D12 dB，DRAW D8 dB；D8 dB，D12 dB，DRAW D4 dB。左侧数据集作为多源域适应方法的源域，训练时使用其真实标签；右侧数据集作为目标域，训练和测试时均不使用其真实标签，用于训练和测试的目标域样本比值为 1 3。3.3 基线选择当前很少有研究将多源域适应方法应用到辐射源个体识别任务中，因此选取在其他领域均具有较好表现的单源域适应和多源域适应的代表性方法。单源域适应方法包括深度自适应网络（Deep Adaptation Network，DAN）15、CORAL 方法（Deep CORAL，D-CORAL）26、深度子领域自适应网络（Deep Subdomain Adaptation Network，DSAN）27和 多 表 示 领 域 自 适 应 网 络（Multi-representation Adaptation Network，MRAN）28。多源域适应方法选取 Zhu 等人19提出的一种同时对齐分布和分类器的多源领域自适应方法（Multiple Feature Spaces Adaptation Network，MFSAN）。3.4 实验细节为了便于比较各种方法在本文数据上的识别准确率，以及多源域适应方法与单源域适应方法之间的差异，本文引入 3 个对比标准。（1）Single Best：在多个源域中，一个源域迁移至目标域的最优识别结果；（2）Single Combine：将多个源域组合成一个源域，形成单源域迁移到目标域的设置；（3）Multi-Source：表示使用多源域适应方法。标准（1）可表示当存在多个源域时，使用单源域适应方法会造成数据浪费；标准（2）可表示使用单源域适应方法对多个源域进行识别时会造成特征信息浪费；标准（3）可表示多源域适应方法的有效性，以及研究多源域适应方法的必要性。为了消除使用不同深度神经网络会造成的影响，本文将基于 Pytorch 框架为所有单源域适应方法和多源域适应方法提供统一的构建 ResNet-50 预训练模型。与此同时，所有方法采取相同的设置，使用相同的随机梯度下降法（Stochastic Gradient Descent，SGD），并 将 学 习 率 设 为 0.001，mini-batch 设为 100，interation 设为 10 000。实验的硬件环境配置：CPU 为 Inter(R)Xeon(R)Silver 4210R CPU 2.40GHz，GPU 为 Nvidia Geforce RTX 3090，内存为 DDR60G2。实验的软件环境配置：Python版本为 3.9，torch 版本为 2.0，Cuda 版本为 12.0。3.5 实验结果与分析本文将 CFAN 方法和其他基线方法应用在ORACLE 射频指纹数据集上，并进行识别准确率的比较。实验结果如表 1 所示。从实验结果中可得出如下结论：（1）Single Combine 的识别结果优于 Single Best，说明多个源域相对于单个源域，特征信息量和样本数量都更为丰富；（2）Multi-Source 相对于 Single Combine 和Single Best 不仅能够提取而且能够整合所有域的域不变特征，此时的域不变特征对于识别更加具有代表意义；（3）本文提出的 CFAN 在辐射源个体识别任务中优于其他基线方法。1143第 56 卷第 10 期李林，俞璐，蒋曾辉，陈健威：基于类特征对齐的多源域适应辐射源个体识别方法3.6 消融实验为进一步探究并验证本文提出的 CFAN 中各个模块存在的必要性，本节进行消融实验以评估CFAN 缺失不同模块条件下的实验效果。其中，CFAN（缺失Scombine）表示 CFAN 源域设置中缺失联合子网络，CFAN（缺失Ldis）表示各个子网络的分类器未进行联合对齐；CFAN（缺失Lmse）表示类别特征未与域相关特征进行差异最大化计算。实验结果如表 2 所示。为了直观地展示本章所提出的 CFAN 方法与其他方法准确率的对比情况，图 3 绘制了目标域样本设置为待识别的信噪比为原始信号的条件下各方法识别准确率变化曲线，根据识别准确率变化曲线可知，本文所提出的 CFAN 方法在迭代次数为 1 000左右时，相比其他方法，能够较早趋于稳定，同时能够保持较高的准确率。表 1 在 ORACLE 射频指纹数据集上各类方法的识别准确率/%标 准方 法D4 dB,D8 dB,D12 dB DRAWD4 dB,D8 dB,DRAW D12 dBD4 dB,D12 dB,DRAW D8 dBD8 dB,D12 dB,DRAW D4 dB平均值SingleBestDAN1597.1593.9289.5375.3789.98D-CORAL2696.9294.2489.2475.9789.09DSAN2797.3295.6592.8584.3892.55MRAN2898.6197.1096.3083.5593.89SingleCombineDAN1597.8695.7996.0786.8194.13D-CORAL2697.8095.9996.1586.6294.15DSAN2798.4698.7698.3987.5695.79MRAN2899.2098.1498.4487.8395.90Multi-SourceMSFAN1998.8198.1798.6988.4996.04CFAN99.8599.8898.8092.7697.82表 2 在 ORACLE 射频指纹数据集上 CFAN 缺失不同模块时的识别准确率/%方 法D4 dB,D8 dB,D12 dB DRAWD4 dB,D8 dB,DRAW D12 dBD4 dB,D12 dB,DRAW D8 dBD8 dB,D12 dB,DRAW D4 dB平均值CFAN（缺失Scombine）98.4998.3398.1689.2496.06CFAN（缺失 Lmse）99.5699.7497.9391.4897.18CFAN（缺失 Ldis）99.5899.7698.7090.4897.13CFAN99.8599.8898.8092.7697.82 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.001020304050迭代次数 100DAN D-CORAL DSAN MRAN MFSAN CFAN 60708090100准确率图 3 D4 dB,D8 dB,D12 dB DRAW条件下各种方法识别的准确率从消融实验结果中可得出如下结论：（1）源域设置中联合子网络可将所有域提取到的域不变特征进行统一表示，同时减少所有源域与目标域之间的差异；（2）联合对齐各个子网络的类别特征使得域不变特征更加一致；（3）将类别特征与域相关特征进行最大差异化表示可以有效消除域的影响。4 结 语本文结合通信辐射源个体识别任务，根据在不同信噪比条件下的信号存在不同分布差异的情形，采取多源域适应学习方法，研究并设计深度模型CFAN。CFAN 可用于提取各域的类别特征和域相关特征，并对类别特征进行联合对齐，保证了类别特征的一致性和有效性，以实现对具体发射器的识别。在 ORACLE 射频指纹数据集上进行的对比实验和消融实验表明，本文提出的 CFAN 网络具有良好的自适应能力和泛化性能，并且每个模块都有其存在的意义。参考文献：1 陈一鸣,朱磊,俞璐,等.基于深度学习的通信辐射源识别研究综述 J.通信技术,2020,53(8):1846-1850.1144通信技术2023 年2 姚艳艳,俞璐,武欣嵘,等.面向个体识别的通信辐射源特征提取方法综述 J.计算机时代,2020(9):41-44.3 NGUYEN C T,VAN HUYNH N,CHU N H,et al.Transfer learning for wireless networks:A comprehensive surveyJ.Proceedings of the IEEE,2022,110(8):1073-1115.4 WONG L J,MICHAELS A J.Transfer learning for radio frequency machine learning:A taxonomy and surveyJ.Sensors,2022,22(4):1416.5 PAN S J,YANG Q.A survey on transfer learningJ.IEEE Transactions on Knowledge and Data Engineering,2009,22(10):1345-1359.6 HUANG K,YANG J,LIU H,et al.Deep adversarial neural network for specific emitter identification under varying frequencyJ.Bulletin of the Polish Academy of Sciences.Technical Sciences,2021,69(2):1-9.7 WANG J,ZHANG B,ZHANG J,et al.Specific emitter identification based on deep adversarial domain adaptationC/2021 4th International Conference on Information Communication and Signal Processing(ICICSP),2021:104-109.8 FENG Y,CHENG Y,WANG G,et al.Radar emitter identification under transfer learning and online learningJ.Information,2019,11(1):15.9 YU Z,ZONG R,LI S.Individual recognition based on transfer learning for wireless network devicesC/Proceedings of the 2019 3rd International Conference on Advances in Image Processing,2019:45-49.10 ZHAO S,LI B,XU P,et al.Multi-source domain adaptation in the deep learning era:A systematic surveyJ/OL.arXiv preprint arXiv:2002.12169,2020.https:/arxiv.org/abs/2002.12169.11 WILSON G,COOK D J.A survey of unsupervised deep domain adaptationJ.ACM Transactions on Intelligent Systems and Technology(TIST),2020,11(5):1-46.12 ZHAO Z,ZHANG Q,YU X,et al.Applications of unsupervised deep transfer learning to intelligent fault diagnosis:A survey and comparative studyJ.IEEE Transactions on Instrumentation and Measurement,2021,70:1-28.13 GHIFARY M,KLEIJN W B,ZHANG M.Domain adaptive neural networks for object recognitionC/PRICAI 2014:Trends in Artificial Intelligence:13th Pacific Rim International Conference on Artificial Intelligence,2014:898-904.14 TZENG E,HOFFMAN J,ZHANG N,et al.Deep domain confusion:Maximizing for domain invarianceJ/OL.arXiv preprint arXiv:1412.3474,2014.https:/arxiv.org/abs/1412.3474.15 LONG M,CAO Y,WANG J,et al.Learning transferable features with deep adaptation networksC/International Conference on Machine Learning,2015:97-105.16 LONG M,ZHU H,WANG J,et al.Deep transfer learning with joint adaptation networksC/International Conference on Machine Learning,2017:2208-2217.17 GANIN Y,LEMPITSKY V.Unsupervised domain adaptation by backpropagationC/International Conference on Machine Learning,2015:1180-1189.18 PEI Z,CAO Z,LONG M,et al.Multi-adversarial domain adaptationC/Proceedings of the AAAI Conferen