2021年2月Journal on Communications February 2021 第42卷第2期通信学报V ol.42No.2通信特定辐射源识别的多特征融合分类方法 何遵文，侯帅，张万成，张焱
（北京理工大学信息与电子学院，北京 100081）
壁炉门
摘 要：针对通信辐射源个体识别问题，提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法。首先，通过对原始信号进行多种变换得到三维特征图像，据此构建信号的时频域投影以构建特征数据集，并使用生成对抗网络对数据集进行扩充。然后，设计了一种基于多特征融合的双阶段识别分类方法，利用神经网络初级分类器分别对3类特征数据集进行学习，得到初始分类结果。最后，通过叠加融合学习初始分类结果，得到最终的分类结果。实测数据分析结果证明，所提方法相比基于单一特征提取方法和经典多特征提取方法有更高的准确率，使用室外典型场景多径衰落信道模型对辐射源信号进行了处理，所提模型仍可进行有效识别，能够适用于复杂无线信道环境的应用。关键词：特定辐射源识别；生成对抗网络；多特征融合；集成学习
中图分类号：TN911.7
文献标识码：A
DOI: 10.11959/j.issn.1000−436x.2021028
Multi-feature fusion classification method for
communication specific emitter identification
HE Zunwen, HOU Shuai, ZHANG Wancheng, ZHANG Yan
School of Information and Electronics, Beijing Institute of Technology, Beijing 100081, China Abstract: A multi-feature fusion classification method based on multi-channel transform projection, integrated deep learning and generative adversarial network (GAN) was proposed for communication specific emitter identification. First, three-dimensional feature images were obtained by performing various transformations, the time and frequency domain projection of the signal was constructed to construct the feature datasets. GAN was used to expand the datasets. Then, a two-stage recognition and classification method based on multi-feature fusion was designed. Deep neural networks were used to learn the three feature datasets, and the initial classification results were obtained. Finally, through fusion and re-learning of the initial classification result, the final classification result was obtained. Based on the measurement and analysis of the actual signals, the experimental results show that the method has higher accuracy than the single feature extraction me
thod. The multipath fading channel has been used to simulate the outdoor propagation environment, and the method has certain generalization performance to adapt to the complex wireless channel environments.
Keywords: specific emitter identification, generative adversarial network, multi-feature fusion, ensemble learning
1 引言
特定辐射源识别（SEI, specific emitter identi-fication）是将接收到的脉冲波形与唯一发射器进行关联[1]。5G使数据传输速率和可靠性得到了跳跃式的提升，促进了物联网应用的普及和发展。6G将进一步向万物互联的时代迈进，接入物联网的无线设备呈爆炸式增长，设备的安全性值得关注。物联
收稿日期：2020−07−23；修回日期：2020−11−04
通信作者：张万成，*********************
基金项目：国家自然科学基金资助项目（No.61871035）
Foundation Item: The National Natural Science Foundation of China (No.61871035)
·104·通信学报第42卷
网中未知的辐射源设备需要能被准确地识别身份，而电磁环境日益复杂，辐射源数目庞大，信号密度极高，这为SEI技术带来了更多的挑战[2]。
用于个体识别的辐射源信号通常分为瞬态信号和稳态信号[3]。瞬态信号是发射体开关打开时或状态改变时的信号，但是瞬态信号持续时间较短，在实际通信环境特别是非合作通信情况下截获难度较大。相比之下，稳态信号更容易获取，具备较强的操作性，基于稳态信号的SEI技术在实际应用中具有更强的适用性[4]。
近年来，深度学习在SEI领域有了广泛的发展和应用[5]，深度神经网络能够通过具有非线性激活函数的多个隐含层来检索抽象特征，有利于提取辐射源信号的深层次的细微特征[6]。因此，一些文献使用基于深度神经网络的端到端的SEI方法，如文献[7-8]将原始I/Q信号直接送入神经网络，完成端到端的SEI任务，整体性强。但是这种方法过于依赖神经网络的设计，并且对不同的原始数据类型都要设计不同的神经网络，可扩展性不强。另外，常用的卷积神经网络（CNN，convolutional neural network）更擅长识别二维图像数据，直接处理I/Q 数据效果会有一定的折扣。
因此，更有效和可靠的方案仍是将智能学习与信号处理技术相结合，将SEI任务分为两步，一是数据的预处理和特征提取，二是分类器设计和训练。通过数据预处理和变换以提取稳态信号的细微特征，
细微特征由器件内部的物理特性和器件之间的相互作用产生，整个过程被称为信号的非有意调制。信号细微特征也被称为射频指纹，通常表现为不可避免的非平稳、非高斯、非线性[9]。现有的研究主要分为利用信号的时域特征和变换域特征的方法。例如针对信号的时域特征，文献[10]将瞬时振幅和频率直接定义为指纹特征，文献[11]利用经验模态分解（EMD, empirical mode decomposition）相关维数和小波熵提取信号的细微特征，文献[12]基于盒维数和方差维数的分形特征进行识别，文献[13]基于实际信号的固有非线性动力学特性将排列熵提取为信号的射频指纹。但是，这些利用时域波形的非线性特征的方法容易受到噪声的影响，识别准确率波动很大，并且计算量较大，具有一定的局限性。现在更主流的是基于变换域特征的方法，时频分析能够提供信号的时频联合域信息，反映不同信号之间更加细微的差别[14]。文献[15]提取动态小波指纹特征以识别各个射频发射器。文献[16-17]使用短时傅里叶变换时频图表示特征，然而，这种方法本质上是线性的，对于非线性信号的分析效果并不好。希尔伯特−黄变换（HHT, Hilbert-Huang trans-form）是一种著名的处理非线性非平稳信号的方法[18]，因此，HHT被广泛用于SEI中。文献[19]将希尔伯特光谱转换为灰度图像表示特征；文献[20]使用HHT，并研究了它们在单跳和中继场景下的各种渠道方案。除此之外，基于高阶谱方法也是研究的热点，高阶谱可以保持信号的幅值和相位信息，抑制噪声对非高斯信号的负面影响。文献[21-22]充分利用了双谱的特点进行SEI任务。
对于SEI任务的第二步，即分类器的设计和训练，可以使用传统机器学习方法和深度学习方法。文献[1
4]使用支持向量机（SVM, support vector machine）作为分类器，文献[13,23-24]在每次实验的分类过程中，采用K近邻判别分类器。深度神经网络对二维图像有很好的识别效果，因此一些文献使用网络学习能够体现信号特征的二维图像来完成SEI任务，如文献[19]构造了一个深层的残差网络，用于学习希尔伯特光谱图像中反映的视觉差异以辨别设备；文献[24]利用CNN，将I/Q信号转换成轮廓Stella 图像进行分类。
上述方法中，一方面，无论是使用基于时域特征还是变换域特征和高阶谱的方法，其大多是使用单一信号处理方法提取其中的一种细微特征，而实际通信信号复杂多变，单一的信号特征并不足以全面准确地表示辐射源信号之间的细微差别，最终识别准确率受到限制，具有很大的局限性。另一方面，为了增强识别准确率，多数模型使用深度神经网络作为强分类器；数据驱动的深度学习方法需要大量的数据，实际通信中受限于时间和人力成本，很难获得充足的辐射源信号数据用于深度学习的训练，如果数据量过少，较深层和复杂的神经网络很容易发生过拟合，进而严重影响最终的识别效果。
基于以上讨论，本文提出了一种新型的多特征融合分类方法用于通信辐射源识别。针对信号单一特征的局限性，设计了基于多通道变换投影的特征提取方法，对原始数据集进行小波、双谱、HHT等多种不同的信号变换，以实现原始信号不同维度细微特征的提取，丰富信号特征数据集的多样性。将信号变换后的特征矩阵表示为三维张量，为了充分利用深度神经网络对二维图像特征提取的优势，选
第2期 何遵文等：通信特定辐射源识别的多特征融合分类方法 ·105·
图1 SEI 系统整体流程
取合适的视角得到二维投影。本文研究了基于多特征融合的双阶段识别分类方法，先利用不同的神经网络对不同的图像特征集分别进行学习和初始分类得到概率表示的特征向量，之后对初始分类的特征向量进行融合学习，得到最终的分类结果。
此外，针对深度学习数据量不足的问题，本文利用改进的辅助分类器（AC, auxiliary classifier ）生成对抗网络（GAN, generative adversarial network ），对不同的图像特征集进行学习并扩充增强数据集以满足训练需求。基于实测数据集对所提方法进行验证，结果表明该方法相比其他方法具有更高的识别准确率，在低信噪比下仍有较好的表现。通用硒鼓
2 基于多通道变换的特征提取与数据增强
SEI 问题本质上是一个信号分类问题，将接收
机采集的无线通信信号输入系统，最终得到这个信号的分类结果。所提出的SEI 多特征融合分类方法主要包括4个部分：多特征提取、数据扩充和增强、初级分类、集成融合，整体流程如图1所示。
首先，对信号进行多特征提取得到多种不同的特征图像，并在模型的训练阶段使用GAN 对图像特征集进行扩充，进而训练分类器。在识别阶段，直接将特征图像送入分类器，分类器设计包括初级分类器和次级分类器两级结构，采用集成融合学习算法将多种初级分类器的识别结果进行再学习，通过次级分类器得到最终识别结果。
考虑系统内共有K 个辐射源信号发射器，接收
机接收来自K 个发射机发出的理论上相同的信号。接收机接收到的通信辐射源信号可以表示为
I Q ()()j ()(),0,,1k k k
s t s t s t n t k K =++=−" (1)
其中，I ()k s t 表示I 路信号，Q ()k
s t 表示Q 路信号，
n (t )表示信号在传输信道中叠加的高斯白噪声，k 表
示辐射源的类别编号。式(1)采集到的是I/Q 正交信号，所以s k (t )用复信号形式表示。
算法1 K 个辐射源信号的特征提取与数据增强 特征提取
输入 对于每个类别的辐射源，输入时域信号s k (t )的切片样本，每1 000个点作为一个信号样本，每个类别的辐射源信号共n 个样本，共有K 个辐射源
输出 对于每个类别的辐射源，输出3个二维特征图像数据集，每个数据集有n 张图像，共有K 个辐射源
1) 一共n 个样本
2) 对每个输入样本进行离散小波变换得到小波系数特征矩阵，并表示为三维图像形式
3) 取投影视角(90,0,0)得到二维小波特征图像 4) 进行双谱变换得到双谱系数特征矩阵，并表示为三维图像形式
5) 取投影视角(−45,0,0)得到二维双谱特征图像 6) 进行希尔伯特−黄变换得到HHT 系数特征矩阵，并表示为三维图像形式
铅酸蓄电池组装7) 取投影视角(90,0,0)得到二维HHT 特征图像 8) 重复步骤1)～步骤7)K 次，每个类别的辐射
·106· 通 信 学 报 第42卷
源信号都得到3个二维特征图像数据集，每个数据集有n 张图像
数据增强
风湿油输入 每次输入一个特征投影图像数据集，包含Kn 张图像，共3个特征投影图像数据集（小波、双谱、HHT ）
输出 每次输出一个增强的数据集，最终输出3个特征图像数据集，每个数据集包含K (m+n )张图像
1) 对每个输入的特征投影图像数据集 2) 将图像输入AC-GAN 训练至收敛
3) 得到m 张模拟特征图像作为补充数据集 4) 扩充数据集与原始数据集共同构成增强数据集
5) 得到3个增强图像数据集（小波、双谱、HHT ），每个数据集包含K (m+n )张图像 2.1 基于多通道变换投影的特征提取
单一的信号特征很难准确表示辐射源信号之间的差别，而过多的特征融合可能会影响模型性能。因此选取小波变换、双谱变换、HHT 这3种有代表性并被证明有效的信号处理方法提取3种不同的信号变换域特征，小波变换是时间（空间）频率的局部化分析，更能关注信号的区域性信息[25]；双谱变换可以更多地关注信号的相位信息，同时可以
用来描述信号的不对称程度和非线性程度[21]；
HHT 理论上最适合处理非线性非平稳信号，且更能关注一些突变信号的细微特征，提供有关信号的非线性和非平稳特性的大量信息[18]。以上3种特征可以从不同维度利用各自的优势，丰富信号特征数据集的多样性。二维图像更有利于深度学习和分类，因此，本文设计一种变换投影的方法对信号变换后的三维特征图像选取合适的视角进行投影，进而将其表示为二维特征图像。 2.1.1 基于小波的特征提
取
小波变换（WT, wavelet transform ）通过对时间
（空间）频率进行局部化分析[25]，能够凸显信号区
域性的细微特征，在个体识别领域有着独特的优
势。Morlet 小波为复值小波，在时域和频域都有很
好的聚集性，本文采集的实测数据均为复信号，因
此选取Morlet 小波作为基小波函数用于时频分析。
利用尺度参数scale 来衡量小波的频率f ，两者
之间的转换关系为 s c scale f F F = (2) 其中，F s 为信号的采样频率，F c 为小波的中心频率。
为使小波尺度图的频率范围为(0,F s /2)，
尺度范围应为(2F c ,+∞)。实际中，尺度应为等差数列形式，即scale=2F c ,…,2F c totalscale ，其中t
otalscale 是预先设定好对信号进行小波变换时所用尺度序列的长度。完成参数设定后，小波变换的过程可以表示为
()(
)()WT d scale k k t s t s t τϕτ∞
−∞−⎛⎞=
⎜⎟⎝⎠ (3) 其中，s k (t )为原始时间信号；scale t τϕ−⎛⎞
⎜⎟⎝⎠
为小波基函
数，具有平移和伸缩特性；scale 为尺度参数，控制
小波函数的伸缩；τ为平移参数，控制小波函数的平移。尺度对应于频率，平移量τ对应于时间。用cwt
k
M 表示得到的频率−时间−小波系数矩阵，三维图像如图2(a)所示。
2.1.2 基于双谱的特征提取
双谱的物理定义可以近似为信号偏态在频域上的分解，用来描述信号的不对称性和非线性程度，测量信号偏离高斯分布的程度。在实际通信过程中，辐射源个体的一些细微特征更多以非平稳、非线性、非高斯的形式附加在信号中，例如由于发射系统中使用的电路和设备的不同而产生的不同的发射端噪声，可以作为区分辐射源信号的指纹特征。接收系统中大量散射体和热噪声形成的杂波呈高斯分布，通过双谱变换，可以有效地抑制一定数量的高斯噪声，使发射机噪声充分反映在双谱信息中。双谱定义为
[]12123121122==(,)=(,)exp j2π()x
B c ττ
ωωττωτωτ∞
∞
热转印墨水配方
−∞
−∞
−+∑
∑ (4)
其中，{}*312123(,)()()()()x c E x t x t t t τττττ=+++表示信号的三阶累积量。将输入信号s k (t )进行双谱变换
得到双谱系数矩阵bis
k
M ，其三维图像如图2(c)所示。 2.1.3 基于HHT 的特征提取
HHT 相比傅里叶变换和小波变换这类传统方法，彻底摆脱了线性和平稳性束缚，更适用于分析非线性非平稳信号[20]。为了使瞬时频率具有明显的物理意义，HHT 首先需要进行经验模态分解，也通常被称为一个筛选过程，依据信号特点自适应地把任意一个复杂信号分解为一系列本征模态函数（IMF, intrinsic mode function ）[18]。这个过程可以表示为
1()()()n
k i n i s t c t r t ==+∑ (5) 原始输入信号s k (t )被表示成一系列IMF 分量
第2期 何遵文等：通信特定辐射源识别的多特征融合分类方法 ·107·
c i (t )和一个残余项r n (t )的组合。之后对每个IMF 分量进行希尔伯特变换来提供时频分布
()
1()d πi i c c
t t τττ+∞−∞=−∫ (6)
构造解析函数
j ()ˆ()()j ()()e i t i i i i Z t c t c
t a t ϕ=+= (7) 其中，()i a t 、()i t ϕ和()i t ω分别表示瞬时振幅、相位和频率，计算式分别为
()i a t =
()()arctan ()i i i c t t c t ϕ⎛⎞
=⎜
⎟⎝⎠
d ()
()d i i t t t
ϕω=
进而希尔伯特谱可以表示为 j ()d 1(,)Re ()e i n
t t i i H t a t ωω=⎛⎞∫=⎜⎟⎝⎠
∑ (8)
用hht k
三爪卡盘结构M 表示HHT 生成的信号特征系数矩阵，即信号的希尔伯特时频谱，三维图像如图2(e)所示。
2.1.4 信号特征表示
原始信号经过3种变换得到了三维特征矩阵，为了更好地表示特征并利于后续进行深度学习，将三维特征矩阵取投影生成二维特征图像。同一类别
的不同辐射源信号样本是基于同一信号的不同时
图2 信号变换生成的特征图像
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议