基于卷积神经网络的半监督未知通信辐射源个体识别.pdf

2023 年第 9 期186智能技术信息技术与信息化基于卷积神经网络的半监督未知通信辐射源个体识别白千巧1 李沁芮1BAI Qianqiao LI Qinrui 摘要 传统的通信辐射源个体识别首先要通过特征提取方法提取出辐射源信号的指纹特征，再通过如决策树、贝叶斯、支持向量机等分类算法进行分类个体识别。但随着电磁环境逐渐复杂化，通过传统手工提取特征再进行分类识别得到的结果较差，不能满足各方的应用需求。将神经网络用于通信辐射源个体识别，不仅可以解决传统方法所带来的不足，还节省了一定的人力。对辐射源个体进行分类识别首先需要分析通信发射机信号处理过程中的畸变并对信号进行建模，了解指纹特征产生机理。在对辐射源个体进行识别时搭建了一种使用卷积神经网络和注意力机制相结合的网络模型，每一层卷积层都使用了最大池化，并使用了 Relu 函数防止梯度消失，最后使用 softmax 函数完成分类。通过训练通信辐射源个体识别模型完成识别，该模型的验证集平均准确率达到 94.7%。但是在实际的通信辐射源个体识别环境中，通常会遇到新的个体。使用之前训练的模型对新的辐射源个体进行识别结果会变得不理想。为解决这一问题，提出了一种通过前面的识别模型构造特征提取网络，然后通过合适的聚类算法对包含未知通信辐射源个体的样本进行识别。关键词 通信辐射源；个体识别；卷积神经网络；注意力机制；开集识别；聚类 doi：10.3969/j.issn.1672-9528.2023.09.0411.1 西南交通大学 四川成都 611756 0 引言当今时代是一个信息化的时代，信息已经渗透到社会的各个领域，国家的发展离不开信息技术的支撑，人民的日常生活也无法脱离各种信息技术。21 世纪以来，信息技术飞速发展，各种通信辐射源设备层出不穷，通信辐射源个体识别技术也迎来了更加广阔的空间。与此同时，该技术的应用场景也更加复杂，对技术的要求也更高。传统的通信辐射源个体识别首先要通过特征提取方法提取出辐射源信号的指纹特征，再通过如决策树、贝叶斯、支持向量机等分类算法进行分类个体识别。但随着电磁环境逐渐复杂化，通过传统手工提取特征再进行分类识别得到的结果较差，不能满足各方的应用需求。将神经网络用于通信辐射源个体识别，不仅可以解决传统方法所带来的不足，还节省了一定的人力。神经网络通过学习能自动到提取信号的各类特征，特征学习也更全面。从通信和信号处理的角度来看，通信辐射源个体识别本质上是对信号进行分类。使用深度学习的相关方法自动提取并学习辐射源信号特征，完成信号的分类，是现在的一个研究热点。2006 年，Hinton1首次提出了深度学习的概念，引发了第二次机器学习浪潮。他发现使用网络可以层层学习更抽象的高层特征，然后利用反向传播算法2调试和修改网络中的各个参数。通过一轮一轮的训练，最终网络可以表示出所学数据的分布式特性。1998 年 LECUN 首次提出卷积神经网络概念3。它由多层卷积层级联而成，通常还会有池化操作伴随。在每个卷积层中设置了若干个卷积核，这些卷积核等价于若干个滤波器，可以提取不同特征并改善模型性能。在已有的研究成果中，针对通信辐射源的个体识别问题，深度学习已成熟应用于该领域。文献 4 使用了一种卷积神经网络完成辐射源个体识别。该方法只对原始的 I/Q 信号进行训练，没有对信号进行解码、手工特征提取等操作。最后将结果与决策树等传统分类算法进行了比较，结果说明该网络的识别性能更优越。文献 5 中将长短期记忆网络用于通信辐射源个体识别。通过训练该模型，得到的实验结果表明该网络提取到信号的特征，完成个体识别。文献 6 中提出的一种新的网络结构，被命名为 DCTF-CNN。该网络结构的算法复杂度低，分辨率高，且不需要先验信息。对该网络进行训练识别，实验结果表明在信噪比为 15 dB 时，识别准确率为 93.8%；在信噪比为 30 dB 时，识别准确率高达99.1%。文献 7 提出一种基于深度残差网络的通信辐射源个体识别算法，其算法在-5 dB 信噪比下可以达到 95%的识别精度。文献 8 提出将深度残差收缩网络应用于辐射源识别 2023 年第 9 期187智能技术信息技术与信息化与文献 9 提出的一种新的多域融合 1DC-DenseNet 模型，在低信噪比下有效提高了识别精度。文献 10 中的基于多级稀疏表示的识别算法给定每个发射器超过 15 个训练样本，可以识别 9 个发射器，准确率高于 90%。但是目前的研究热点都在提高辐射源个体识别率上，对未知个体的识别判定研究较少。本文首先提出以卷积神经网络为基础，结合注意力机制的模型，先对模型进行训练，再通过特征可视化选择适当的特征提取网络，然后向特征提取网络中发送含有未知类型辐射源的数据样本，获得指纹特征。最后通过聚类算法识别含有未知辐射源的个体。1 通信辐射源信号建模通信辐射源指纹特征主要由发射机内部各部分发生信号畸变产生。典型的通信辐射源发射机内部结构如图 1 所示，在一系列的信号处理过程中，信号需要进入各种模拟元器件组成的电路中，由于材料、环境、工艺制造过程等的影响，使得最终发射出的射频信号和理想信号之间有了一定偏差。这种由硬件非理想特性导致的差异具有不可避免性和唯一性，难以伪造，因此将这种差异作为识别辐射源个体的重要依据，即“辐射源指纹特征”。数字信号处理基带滤波基带滤波DACDAC中频本振滤波射频本振射频功放基带信号0度90度GIGQ图 1 通信辐射源发射机内部结构图在信号传输处理过程中，信号会产生正交调制错误、IQ支路增益不平衡，功率放大器非线性放大等畸变。在经过数模转换后，基带信号首先需要通过正交调制器进行 IQ 正交调制。在实际实现时，由于器件的容差效应，会导致增益不平衡、相位误差、延时失配等畸变的产生，这类正交畸变包含了重要的射频指纹信息。对于 I 路和 Q 路基带信号 IC(t)和 QC(t)，通过基带成型滤波后得到的 I 路和 Q 路信号分别为：()()()()ICTrQnI tGtIt gtkT=（1）()()()CTrnQ tQ t gtKT=（2）式中：g(t)表示基带成型滤波器；GI/Q是 I 路和 Q 路的增益不平衡系数；T 是码元周期。简化条件下，仅考虑增益不平衡与相位不平衡则正交调制后输出信号为：()()()cos 2sin 222IIz tI tf tQ tf t=+（3）式中：fI是中频本振频率；是相位不平衡参数。在辐射源发射机内部，信号通过中频滤波器和射频滤波器滤除带外干扰。理想的带通滤波器的通带是完全平坦的。信号通过通带不会被放大或者衰减。通带外其他频率的信号被完全过滤掉，在极小频率内完成通带外的转换。然而理想的带通滤波器其实是不存在的。实际模拟滤波器的通带并不平坦，会出现“波纹”。滤波器这些畸变与内部电路部件的特性密切相关，其特殊的畸变特性在通信辐射源识别中可以作为指纹特征来使用。将发射通路基带等效滤波器设为 G(f),则：()()()G fHff=（4）式中：H(f)表示理想发射机的带通滤波器的频率响应；(f)是等效滤波器的畸变，可用傅里叶级数表示为：()()0101()()cos(2/)()2sin(2/)jfkAkkkfAf eAfkfTffkfT=+=+（5）式中：A(f)是等效滤波器频率 响应的幅度畸变；(f)等效滤波器频率响应的相位畸变。分别对A(f)和(f)取两阶近似，并考虑描述倾斜与周期波纹的需要，可得：0101()cos(2/)()2sin(2/)AAffTfffT=+=+（6）将滤波器畸变对信号的影响等效到基带：()TrTrggt=（7）式中：(t)是(f)的傅里叶逆变换，将滤波器畸变加入信号后，可以得到发射信号变为：()()()r tz tt=（8）图 2 是功率放大器的非线性示意图。在输入信号功率较高时，功放输出幅度将达到饱和状态，不再线性放大，使传输信号发生畸变并且会产生谐波，交叉调制和互相调制，从而导致通信质量恶化和误比特率升高。在对功放建模时，通常采用哈默斯坦模型，维纳模型，记忆多项式和沃尔泰拉级数模型。图 2 功放非线性示意图本文对功放的建模选取维纳模型。设到达功放输入端的信号为 r(t)，功放的输出信号为 y(t)，则有：y(t)=()y()()()QP2 p 1q2 p 1q 0p 1thbr tqr tq=（9）2023 年第 9 期188智能技术信息技术与信息化因此得到信号 y(t)作为通信辐射源发射机的输出，通过设置合理的畸变参数，对信号 y(t)进行采样得到样本。2 特征提取网络设计本文采用了一维卷积神经网络以及注意力机制相结合的方式对辐射源个体进行分类识别。卷积神经网络是一种前馈型神经网络，采用卷积计算和深度结构。通常由卷积层、激活函数、池化层和全连接层层层连接构成。注意力机制则模仿了人脑的特性，通常来说，人们在观察外界事物的时候，往往会把注意力放在所观察的事物上的某一些重要的局部信息，然后再把人脑中提取到的这些局部信息进行组合，得到对这个实物的印象。其在进行工作时，对需要处理的信息有一定的权重划分，注意力机制模仿这一特点，对输入的数据的部分赋予不同的权重，从而强调输入数据中的关键信息。在分类网络中，通过使用SENet（squeeze-and-excitation networks）完成注意力机制所需的功能。SENet 通过对进行卷积操作后所得到的特征图进行处理，从而得到一个和通道数一样的一维向量作为每个通道的一个权值，然后将该权值通过乘法逐通道加权到原来对应的通道上，最后得到输出结果。本节提出的辐射源识别模型如图 3 所示。CNN 1+Maxpooling_1CNN 2+Maxpooling_2CNN 3+Maxpolling_3SENetDense1Dense2 softmaxInput_layer通信辐射源个体识别结果信号样本CNN 4+Maxpolling_4图 3 神经网络结构仿真生成 5 个通信辐射源个体作为数据集，信噪比变化范围为 5 14 dB，每个个体在每个信噪比下生成 1000 个样本，每个个体一共 10 000 个样本，其中训练集、验证集、测试集的比例为 7:2:1。该网络在 5 14 dB 的整体识别准确率如图4所示，总体混淆矩阵如图5所示。可随着信噪比的增加，该卷积神经网络的识别正确率也随之增加，在 14 dB 的准确率高达 99.5%。图 4 神经网络识别正确率 图 5 总体混淆矩阵3 特征选择及可视化分析在训练好辐射源个体闭集识别网络后，保存好网络模型和参数。将闭集网络作为识别未知种类辐射源特征的提取器。可将网络中不同中间层输出作为“指纹特征”，所提取的特征均为高维度特征。通过可采用 t-SNE 降维算法对特征降维，将特征直观地展现在二维空间中。通过对不同辐射源信号特征空间分布规律进行分析，筛选并提取出适合网络层输出的信号作为该部分所提取到的特征。t-SNE 可以用于高维度的数据的可视化。这种方法将数据点之间的相似度转化为联合概率，并尝试将低维嵌入数据与高维数据联合概率之间的 KL 散度最小化。t-SNE 具有非凸的代价函数，也就是说不同初始化能获得不同的降维效果。本节选取第四个卷积层的输出和第一个全连接层的输出为研究对象。第四个卷积层的输出是 1472 维的特征向量，第一个全连接层的输出是 48 维的特征向量。从之前的数据集中 9 dB 的信号中随机选取 5 类个体共 500 条样本进行特征可视化。将选取的样本送入训练好的闭集识别网络，分别选取第四个卷积层和第一个全连接层作为特征提取层提取特征。将提取到的特征通过 t-SNE 降维可视化得到特征的二维分布，如图 6、图 7 所示。图 6 第四个卷积层可视化结果图 7 第一个全连接层可视化结果 特征分布图中同一种颜色表示的进行可视化的信号样本来自同一个辐射源。图 6 表示的是从第四个卷积层输出中提取的信号特征。可以看出信号经过四层卷积后，网络学习到了大部分特征，但不同信号之间还有较大混叠，同一类信号的分布比较分散，不够聚集。图 7 表示的特征是从第一全连接层的输出中提取到的信号特征。可以看出信号特征被学习到，个体之间区分明显，同类个体聚集度高。因此，把第一个全连接层作为未知识别的特征提取器是十分合理的。4 未知类型辐射源识别上一节已经选取好合适的特征提取器进行特征提取。本节进行含未知辐射源的个体识别，首先生成包含未知辐射源个体信号的测试集。将测试集送入特征提取器提取信号特征，最后使用合理的聚类算法对信号进行聚类，完成未知辐射源个体识别。识别的主要工作包括测试集中辐射源的个数与哪一些样本是同一辐射源产生的。2023 年第 9 期189智能技术信息技术与信息化本节使用 K-means 算法完成聚类。该算法的基本思想是迭代地找到 K 个聚类划分方案，使得聚类结果所对应的损失函数降到最低。由于该部分所设计场景缺乏先验知识，因此数据集中辐射源数目不知道，也就是说 K 值不知道。所以首先要通过相关算法确定合理正确的 K 值，即识别测试集样本中包含的辐射源类别数量。本文采用轮廓系数法确定 K 值，其核心指标为轮廓系数。样本的轮廓系数定义为：()()()max(),()b ia is ia i b i=（10）式中：a(i)表示样本 i 到同簇的其他样本的平均距离，称为凝聚度；b(i)是 i 与最近簇内全部样本之间的距离均值，叫做分离度。在对所有样本轮廓系数进行求取后，再求其平均值，即得出轮廓系数的平均值。通过（10）式可以看出轮廓系数的取值范围是-1,1。s(i)越接近，表示样本的聚类结果越应该归于当前簇。s(i)越接近-1，表示样本越应该归于其他簇。若 s(i)近似为 0，则表示样本 i 在两个族的边界上。在实际运用时，首先设置一个大概的 K 值范围，通过遍历不同的 K 值求出不同 K 值对应的平均轮廓系数。再找到所求出的最大轮廓系数对应的 K 值，即为最合理的聚类数，这个 K 值也就是测试集中的通信辐射源种类数目。确定 K 值后，再运用 K-means 聚类将测试集内信号分组，以分出哪些个体是来自同一辐射源的信号。选取含有未知辐射源样本作为测试集，聚类结果如图 8所示。从图 8 中可以看出，信号被聚类成 4 类，同一信号类间的聚集度较高，但是还有两个个体之间的区别度不太高，还有提升空间。图 8 含未知辐射源聚类结果5 结束语为了对未知辐射源个体进行识 别判断，本文首先训练好闭集识别网络模型，再通过特征可视化选取合适的特征提取器，将含未知个体的测试集样本送进特征提取器提取特征，最后使用 K-means 聚类完成识别。实验表明，该方法能有效识别未知辐射源。参考文献：1 HINTON G E,OSINDERO S.A fast learning algorithm for deep belief nets.J.Neural computation,2006,18(7):1527-15542 HECHT-NIELSEN R.The ory of the backpropagation neural networkC/International Joint Conference on Neural Networks.s.l.:Academic Press,1989:593-605.3 LECUN Y,BOTTOU L.G radient-based learning applied to document recognitionJ.Proceedings of the IEEE,1998,86(11):2278-2324.4 RIYAZ S,SANKHE K,I OANNIDIS S,et al.Deep learning convolutional neural networks for radio identificationJ.IEEE communications magazine,2018,56(9):146-152.5 WU Q,FERES C,KUZME NKO D,et al.Deep learning based RF fi ngerprinting for device identifi cation and wireless securityJ.Electronics letters,2018,54(24):1405-1407.6 PENG L,ZHANG J,LIU M,et al.Deep learning based RF fi ngerprint identifi cation using diff erential constellation trace figureJ.IEEE transactions on vehicular technology,2019,69(1):1091-1095.7 翁琳天然,彭进霖,何元基于深度残差网络 的 ADS-B信号辐射源个体识别 J.航空兵器,2021,28(4):24-29.8 TANG P,XU Y,WEI G,et al.Specifi c emitter identifi cation for IoT devices based on deep residual shrinkage networksJ.China communications,2021,18(12):81-93.9 LI R,HU J,LI S,et al.Specifi c emitter identifi cation based on multi-domain features learning C/2021 IEEE International Conference on Artificial Intelligence and Industrial Design.Piscataway:IEEE,2021:178-183.10 QIAN Y,QI J,KUAI X,et al.Specifi c emitter identifi cation based on multi-level sparse representation in automatic identification systemJ.IEEE transactions on information forensics and security,2021(16):2872-2884.【作者简介】白千巧（1998），女，四川宜宾人，硕士研究生，研究方向：辐射源识别。李沁芮（1997），女，四川资阳人，硕士研究生，研究方向：卫星网络。（收稿日期：2023-03-07 修回日期：2023-04-12）