基于SDAE_SVDD的通信辐射源个体开集识别方法.pdf

电子信息对抗技术Electronic Information Warfare Technology2023,38(4)中图分类号:TN911.7 文献标志码:A 文章编号:1674-2230(2023)04-0026-06 引用格式:刘志文,陈旗,满欣.基于 SDAE_SVDD 的通信辐射源个体开集识别方法J.电子信息对抗技术,2023,38(4):26-31.基基于于 S SD DA AE E_ _S SV VD DD D 的的通通信信辐辐射射源源个个体体开开集集识识别别方方法法刘志文,陈 旗,满 欣(海军工程大学 电子工程学院,武汉 430034)摘 要:针对现有通信辐射源个体识别研究在遇到开集问题时识别性能不高的问题,提出了一种基于堆栈去噪自编码器和支持向量描述(Support Vector Data Description,SVDD)的开集识别方法。该方法通过堆栈去噪自编码器实现降噪和特征压缩提取,将特征输入 SVDD 进行通信辐射源个体开集识别实验。结果表明,在不同开放度下,该方法可以将未知通信辐射源个体和已知通信辐射源个体以高准确率区分出来,进而将开集识别转为闭集识别。同时,对已知通信辐射源个体识别有很好的识别准确率和抗噪声能力。关键词:辐射源个体识别;开集识别;深度学习;自编码器;SVDDDOI:10.3969/j.issn.1674-2230.2023.04.005Individual Open Set Recognition of Communication Emitter Based on SDAE_SVDDLIU Zhiwen,CHEN Qi,MAN Xin(School of Electronic Engineering,Naval University of Engineering,Wuhan 430034,China)Abstract:Aiming at the problem that the existing research on specific identification of communi-cation emitter has low identification performance when encountering open set problems,an open set recognition method based on stack denoising autoencoder and support vector data description(SVDD)is proposed.Noise reduction and feature compression extraction are realized through stack denoising autoencoder.Features are put into SVDD for individual open set identification experiments of communication emitter.The results show that under different degrees of openness,the method can distinguish unknown communication emitter individuals and known communica-tion emitter individuals with high accuracy,and then turn the open set identification into closed set identification.Meanwhile,the known communication emitter individuals can be identified with good identification accuracy and anti-noise ability.Key words:specific emitter identification;open set recognition;deep learning;auto-encoder;SVDD1 引 言当今物联网时代,各种通信电子设备更新迭代速度飞快,数量与日俱增,给电磁频谱监测工作带来了巨大的困难与挑战。如何快速准确地从复杂电磁频谱环境中识别合法用频设备,从而对一些非法占用电磁频段的设备进行管控与打击,成62收稿日期:2022-07-04;修回日期:2022-09-28通信作者:陈旗作者简介:刘志文(1998),男,硕士研究生;陈旗(1974),男,硕士,副教授;满欣(1984),男,博士,讲师。电子信息对抗技术第 38 卷2023 年 7 月第 4 期刘志文,陈 旗,满 欣基于 SDAE_SVDD 的通信辐射源个体开集识别方法为了电磁频谱管控的重中之重。因此,辐射源个体识别(Specific Emitter Identification,SEI)技术的发展与成熟显得尤为重要。SEI 是指利用特殊的信号处理手段,结合分类算法、机器学习、深度学习等技术,对侦收到的辐射源信号进行细微特征的提取分类,以达到区分不同辐射源个体的目的。而通信信号不同于雷达信号,其技术参数差异较小,从而导致通信辐射源的特征差异十分细微,难以直接从接收信号中提取1。近年来关于通信辐射源个体识别技术的研究逐渐成为研究热点。根据是否使用深度学习网络模型为标准,可将通信辐射源个体识别技术研究分为基于传统特征提取和基于深度学习方法两种类型。基于传统特征的通信辐射源个体识别研究,主要是对接收到的通信信号进行特征提取,如时频分析2、高阶谱分析3-4、模态分解5-7等方法,结合分类器对通信辐射源个体进行分类识别。基于深度学习的通信辐射源个体识别研究,是利用深度神经网络具有非线性激活函数的多个隐含层来提取通信辐射源信号更深层次的细微特征8,实现对不同通信辐射源个体的分类识别。目前国内外通信辐射源个体识别的研究主要是针对已知通信辐射源进行的,即闭集识别,其研究成果只能实现对已知通信辐射源个体的识别。而现实环境中存在的大量电磁信号是无法被全部获取并做标记的,更无法使用深度学习网络对其进行训练。这就导致任何未知通信辐射源在进行识别时都会被错误地归为已知类的一种,从而大大增加错误识别的概率。国内外针对通信辐射源个体开集识别的研究,相较于闭集识别较少。其使用方法大多是对分类器进行优化,即设定一个阈值门限9-11,将概率高于阈值的个体样本判定为已知类个体,反之则判定为未知类个体。这种方法在阈值门限设定时,易受人为主观影响,从而导致开集识别技术在实际应用时存在适用性差的问题。结合以上讨论,并参考异常点检测12的思想,本文基于堆栈去噪自编码器(Stacked Denois-ing Autoencoder,SDAE)和支持向量描述(Support Vector Data Description,SVDD),开展通信辐射源个体开集识别研究。首先对采集到的短波通信辐射源信号进行短时傅里叶变换(Short-Time Fou-rier Transform,STFT)得到信号的时频特征图,将其输入 SDAE 实现降噪和特征压缩。之后将压缩后的低维特征输入 SVDD,区分已知类个体和未知类个体,并通过个体识别网络实现对已知类个体的识别。2 通信辐射源个体开集识别方法2.1 通信辐射源个体开集识别流程在开集识别研究中,根据待测样本数据是否含有先验知识和是否经过网络训练,可以将其分为已知已知类(Known Known Classes,KKCs)、已知未知类(Known Unknown Classes,KUCs)、未知已知类(Unknown Known Classes,UKCs)和未知未知类(Unknown Unknown Classes,UUCs)13。目前关于开集识别的研究主要集中于区分 KKCs 和UUCs。在一个已知标签信息的通信辐射源个体训练集输入网络训练之后,该个体就属于 KKCs;UUCs 则是指未知个体类别标签信息并且没有经过网络训练的通信辐射源个体。当测试集中存在UUCs 类数据样本时,即便最后分类器输出的个体种类概率值很低,分类器也会强行将其归类为KKCs 中的一种。在开集识别研究中,不管 UUCs中包含几个类别的通信辐射源个体,都将其归为一类,即未知类。通信辐射源个体开集识别方法流程如图 1 所示。图 1 开集识别方法流程图对采集到的通信信号数据样本进行预处理,裁减掉无信号部分并进行分段处理。然后,对处理过的通信信号进行 STFT 变换得到时频特征图。将其输入 SDAE 进行训练,使 SDAE 具有降噪和对特征进行压缩降维的功能。之后,将SDAE 编码器输出的低维特征值输入 SVDD 进行训练,构建已知通信辐射源个体的最优多维超球72刘志文,陈 旗,满 欣基于 SDAE_SVDD 的通信辐射源个体开集识别方法网址:邮箱:eiwt 体模型。在进行判定时,若输入的待测样本特征在训练好的超球体模型内,则判定该通信辐射源为已知辐射源,通信辐射源个体的识别问题就变成正常的闭集识别;若待测样本特征不在超球体内,则判定该通信辐射源为未知辐射源。2.2 短时傅里叶变换本文基于短时傅里叶变换得到的通信辐射源时频特征进行通信辐射源个体开集识别。短时傅里叶变换作为一种经典的时频分析方法,具有原理简单、适用性好,能够充分体现通信信号时频特性的优点。短时傅里叶变换通过窗口滑动截取窗内的一段信号来表示某一时刻的信号特征,不仅体现信号的瞬时频率特性,又能体现频率特性随时间的变化。这些频率特性包括信号谐波成分、带内频率抖动情况、载波频率偏移、相位抖动等14。短时傅里叶变换的定义为:STFT(t,)=+-x()g(-t)e-jd(1)式中:x(t)为源信号,g(t)为窗函数。2.3 堆栈去噪自编码器自编码器(Auto-Encoder,AE)是一种经典的深度学习网络模型15,SDAE 则是将降噪自编码器(Denoising Auto-Encoder,DAE)和堆栈自编码器(Stacked Auto-Encoder,SAE)结合起来,构成一个堆叠的具有降噪功能的自编码器。其基本原理是在 AE 的基础上添加了带有降噪功能的编解码,并采用逐层贪婪的方式提取和增强特征。SDAE 的模型结构如图 2 所示。图 2 SDAE 结构示意图SDAE 的编码器中每一隐藏层都包含多个神经元,下一层的神经元接收到上一层神经元的输出特征,并继续进行编码,通过隐藏层的叠加达到对高维输入样本压缩降维的目的。编码器最后一层输出的低维编码系数表示了高维样本中的潜在结构信息,通过解码器的反向结构重构高维样本15。而 SDAE 的降噪功能体现在它对输入样本添加一定系数的噪声,使输入样本 x 变成x。之后采用正向传播函数 f()和反向重构函数g(),使输出的重构样本为 R=g(f(x)。此时可以计算重构误差为 x-R=x-g(f(x)。通过重构误差可以看出,该自编码器无监督训练的目的是为了降低输入样本与加噪重构样本之间的误差,从而确保经过自编码器编码后的样本特征具有一定的抗噪声能力,能够提取更能凸显原始样本自身特点的特征,减小网络的过拟合问题。2.4 支持向量描述对于通信辐射源个体开集识别问题,当接收到通信辐射源信号时,首先要判断它是不是来自已知的通信辐射源,才能对其个体类别进行判定。该问题就转化成了一个单分类问题,判断结果只有“是”或“不是”16。因此,本文引入 SVDD,将已知通信辐射源信号样本特征作为整体,训练一个多维超球体模型对其进行描述。在进行开集识别检测时,如果信号样本特征在超球体内,则判定其为已知类,反之则判定其为未知类。SVDD 原理如图 3 所示。图 3 SVDD 原理示意图SVDD 模型在训练时有一个优化目标,即求解一个模型的最小球面。定义最小球面的球心为a,半径为 R,模型可以表示为:F(R,a,k)=R2+cNk=1k(2)式中:k是松弛变量,和 SVM 中的松弛变量原理相同;c 是惩罚因子。训练好的模型可以使多维超球面将数据点 xk完全覆盖,满足:(xk-a)T(xk-a)R2+k,k,k0(3)同时,参考 SVM 的原理,对 SVDD 进行拉格朗日乘子法求解可得:82电子信息对抗技术第 38 卷2023 年 7 月第 4 期刘志文,陈 旗,满 欣基于 SDAE_SVDD 的通信辐射源个体开集识别方法L(R,a,k,k)=R2+cNk=1k-Nk=1kR2+k-(xk-a)2-Nk=1kk(4)式中:k,k0,对参数求导并令导数等于 0 得到:Nk=1k=1a=Nk=1kxkc=k+k(5)因此拉格朗日函数可以优化为:L=Nk=1kK(xk,xk)-Nk,j=1kjK(xk,xj)(6)式中:K()为核函数,0ic。模型训练好后,对样本点 xt进行判断,看其是否在这个多维超球体内,即满足公式:(xt-a)T(xt-a)R(7)判断待测数据样本是否属于已知类的判定条件:K(xt,xt)-2Nk=1kK(xt,xk)+Nk,j=1kjK(xk,xj)R2(8)若输入的待测数据样本符合判定条件,则判定其为已知辐射源样本,反之则判定其为未知辐射源样本。3 通信辐射源个体识别实验3.1 数据处理与参数设置为了使提出的方法更贴合实际应用,实验使用的通信信号为实际采集的 7 部模拟信号源发送的短波通信信号,中心频率为 8 MHz,信号带宽3 kHz,信号接收设备设置的采样带宽为 20 kHz,调制方式为单边带调制,信号采样率为 50 kHz。信号采集地点为室内,采集信号数据时噪声功率很低,周围环境无强烈干扰,故本文默认采集的原始信号为无噪声信号。为了对比模型在不同信噪比(Signal-to-Noise Ratio,SNR)情况下的识别性能,后期通过仿真软件对采集到的短波通信信号加入高斯白噪声,以模拟全频段条件17下不同信噪比的噪声环境。数据预处理过程为对采集的短波通信信号使用 Adobe Audition2020 软件裁减掉信号中的无信息部分,将每 50000 个采样点作为一个信号样本。信号处理环境为 Matlab 2020a,深度学习环境为Python3.6,深度学习网络的搭建采用 Pytorch 框架。STFT 选择窗函数为 Hanning 窗,设置窗口长度为 256,重叠长度指定为 128 个点,FFT 长度设置为和窗口长度相等的 256。通过 STFT 得到每个通信辐射源个体的时频特征图 800 张,7 个个体共 5600 张作为网络输入的数据集。本文使用开放度(Openness)18来衡量实验的开放程度,开放度将开放集 SEI 任务的难度量化为 KKCs 和 UUCs 设备数量的函数,表示为:O=1-2CTRCTR+CTE(9)式中:CTR表示训练中出现的设备数量,CTE表示测试中出现的设备数量。由式(9)可以看出,训练集中包含的个体种类越多,测试集包含的个体种类越少,开放度就越低。开放度越大,意味着开放集 SEI 的任务就越困难。当测试集中未知通信辐射源个体种类为 0 时,开放度等于 0,开集识别就转化成了闭集识别。根据开放度的定义,结合实际采集的 7 部模拟信号源发送的短波通信信号,可以将实验进行划分,分别为(1)CTR=6,CTE=7;(2)CTR=5,CTE=7;(3)CTR=4,CTE=7;(4)CTR=3,CTE=7;(5)CTR=2,CTE=7;(6)CTR=1,CTE=7。开放度也因此分别为 0.347,0.411,0.486,0.576,0.686,0.823。根据实验划分训练集和测试集,为了避免网络的过拟合,每个参与训练的通信辐射源个体随机选择 400 个样本作为训练集,选择剩下的 400 个样本作为测试集进行实验。3.2 网络模型训练首先是网络模型的训练阶段,本文设计使用的 SDAE 网络结构如图 4 所示。编码器由三个隐含层构成,每个隐含层中包含卷积层、BN 层和激活函数,最后一个隐含层与全连接网络进行连接。解码器的结构是编码器的反向结构,其中隐含层使用反卷积代替编码器的卷积层。SDAE 训练次数为 800 次,Batchsize 设置为 100,初始学习率为0.001。SDAE 训练过程的 Loss 值如图 5 所示。92刘志文,陈 旗,满 欣基于 SDAE_SVDD 的通信辐射源个体开集识别方法网址:邮箱:eiwt 图 4 SDAE 结构示意图图 5 训练 Loss 值可以看出,随着训练轮数的增加,Loss 值不断下降,并在训练 500 个 Epoch 之后网络达到收敛状态。网络训练结束后,保存最优网络模型,以便调用保存好的网络模型对测试集进行特征降维与提取。SVDD 针对不同开放度的训练,其准确率取10 次实验的平均值,结果如表 1。表 1 SVDD 训练结果OpennessAccuracy/%0.34793.860.41196.930.48697.300.57695.330.68697.200.82396.36根据表 1 可以看出,经过 SDAE 特征降维与提取后的低维特征值在输入 SVDD 进行训练后,生成的多维超球体模型可以将绝大多数特征数据包含进去。开放度越小,说明训练的个体种类越多,参与训练的特征数据也越多,但是 SVDD 训练后的准确率仍能保持在 90%以上。开放度为0.347 时,SVDD 训练的多维超球体能包含特征数据的准确率只有 93.86%。分析其原因,该开放度下参与训练的通信辐射源个体数为 6,训练的特征数据量最大,个体特征数据存在的“异常点”也最多。由于 SVDD 使用了松弛变量,会舍弃一些异常点,以免超球体模型为了迎合少数异常点而做出较大牺牲,所以训练准确率偏低。3.3 通信辐射源个体开集识别实验网络模型训练结束后,进行通信辐射源个体开集识别实验。按照开放度进行不同实验,分别将各自的测试集输入开集识别网络进行测试,可以得到不同的开放度下的开集识别测试准确率如表 2。表 2 开集识别测试结果OpennessAccuracy/%0.34797.200.41194.930.48691.300.57691.330.68689.860.82385.36通过表 2 可以看出,随着开放度的增加,开集识别的准确率是随之减小的。根据开放度的定义,开放度越大,开集识别的难度也越大,这意味着测试集中包含的未经训练的特征数据值的数量也会更多。通过 SDAE 提取的不同个体的低维特征既存在差异性,又存在一定程度上的相似性。当训练好多维超球体模型后,在进行测试时,未经训练的数据含有一部分数据满足式(8),从而被判定为已知类个体数据,导致网络模型的误判。但总体来看,当开放度达到 0.823 时,网络的识别准确率依然在 85%以上,说明网络保持着较好的开集识别性能。3.4 通信辐射源个体闭集识别实验在开集识别结束,判断出已知类通信辐射源和未知类通信辐射源后,进行通信辐射源个体的闭集识别。为了验证 SDAE 在降噪和特征提取方面的有效性,本文在不同全频段 SNR 条件下将SDAE 提取的低维特征数据输入 SVM 分类器进行分类,并与信号加噪进行 STFT 得到的时频特征图直接输入训练好的 Efficientnet-B0 网络进行对比实验。实验结果如表 3 和表 4 所示。03电子信息对抗技术第 38 卷2023 年 7 月第 4 期刘志文,陈 旗,满 欣基于 SDAE_SVDD 的通信辐射源个体开集识别方法表 3 不同 SNR 条件下 SDAE 闭集识别结果SNR/dB闭集识别准确率/%开放度0.347开放度0.411开放度0.486开放度0.576开放度0.686开放度0.823-1560.0461.2660.6960.4859.8660.03-1079.6279.7779.0079.5080.3280.18-595.6295.4595.8094.3994.1295.00097.5898.0698.6697.7098.7299.85597.2897.9898.8798.4799.2099.351098.6810099.8399.6099.5499.401599.6099.7299.57100100100表 4 不同 SNR 条件下 Efficientnet-B0 闭集识别结果SNR/dB闭集识别准确率/%开放度0.347开放度0.411开放度0.486开放度0.576开放度0.686开放度0.823-1531.7532.6631.9830.7831.6931.00-1057.3856.9057.2557.6258.0057.06-573.2573.5673.7474.0074.0173.98082.6583.0082.8582.7482.8082.69588.5088.3288.9687.9788.6488.961090.6091.3290.6990.8891.0191.061593.9994.0594.2394.2594.5893.98通过表 3 和表 4 可以看出,相同 SNR 情况下,对于不同的开放度,闭集识别的准确率保持大致相同,说明开放度对个体闭集识别没有影响。SDAE 提取的特征通过 SVM 分类器进行个体分类,即使在全频段信噪比为-15 dB,根据文献17可换算为带内信噪比为-7 dB 时,识别准确率也有 60%左右,远远好于将 STFT 图像直接输入 Efficientnet-B0 进行分类的效果。这说明SDAE 通过降低输入样本与加噪重构样本之间的误差优化网络参数,使网络具备了一定的抗噪声能力,达到了网络预期的目的。4 结束语 为了解决通信辐射源个体开集识别问题,使通信辐射源个体识别技术更加贴合实际应用,本文基于堆栈去噪自编码器和支持向量描述,提出了一种开集识别方法,实现了 7 部短波通信辐射源个体的开集识别。实验结果表明,本文提出的开集识别方法可以在不同开放度下将已知通信辐射源个体与未知通信辐射源个体以高准确率区分出来。并且堆栈去噪自编码器的应用使模型能够在全频段低信噪比的情况下对已知个体准确识别,拥有较好的抗噪声能力。参考文献:1 桂云川,杨俊安,吕季杰.基于固有时间尺度分解模型的通信辐射源特征提取算法J.计算机应用研究,2017,34(4):1172-1175.2 LI L,JI H B,JIANG L.Quadratic time-frequency analy-sis and sequential recognition for specific emitter identi-ficationJ.Iet Signal Processing,2011,5(6):568-574.3 任东方,张涛,韩洁.基于双谱与特征选择的通信辐射源识别算法J.信息工程大学学报,2018,19(4):410-415.4 贾济铖,齐琳.基于双谱的射频指纹提取方法J.太赫兹科学与电子信息学报,2021,19(1):107-111.5 任东方,张涛,韩洁,等.基于 ITD 与纹理分析的特定辐射源识别方法J.通信学报,2017,38(12):160-168.6 谢存祥,张立民,钟兆根.基于 Hilbert-Huang 变换与对抗训练的特定辐射源识别J.系统工程与电子技术,2021,43(12):3478-3487.7 HE B,WANG F.Cooperative specific emitter identifi-cation via multiple distorted receivers J.IEEE Transactions on Information Forensics and Security,2020,15:3791-3806.8 何遵文,侯帅,张万成,等.通信特定辐射源识别的多特征融合分类方法J.通信学报,2021,42(2):103-112.9 贺爽.开集通信辐射源识别研究D.天津:天津大学,2020.10 林子榆,王翔,孙丽婷,等.基于深度自编码器的辐射源个体开集识别J.太赫兹科学与电子信息学报,2022,20(12):1285-1291.11 XU H,XU X.A transformer based approach for open set specific emitter identificationC/2021 7th In-ternational Conference on Computer and Communica-tions(ICCC).Chengdu:IEEE,2021:1420-1425.12 康颖,赵治华,吴灏,等.基于 Deep SVDD 的通信信号异常检测方法J.系统工程与电子技术,2022,44(7):2319-2328.13 GENG C,HUANG S J,CHEN S.Recent advances in open set recognition:a surveyJ.IEEE Transactions on Pattern Analysis and Machine Intelligence,2021,43(10):3614-3631.14 林万杰.基于深度学习的未知辐射源个体识别的研究D.成都:电子科技大学,2021.15 黄健航,雷迎科.基于深度学习的通信辐射源指纹特征提取算法J.信号处理,2018,34(1):31-38.16 李秋雪.通信辐射源个体识别技术研究D.成都:电子科技大学,2021.17 石荣,吴聪.信噪比的不同定义及对调制识别性能评估的影响J.通信技术,2019,52(7):1556-1562.18 ZHAO Y,WANG X,LIN Z,et al.Multi-classifier fu-sion for open-set specific emitter identificationJ.Remote Sensing,2022,14(9):2226-2248.13