陳一鳴，朱 磊，俞 璐，姚艷艷，張海波

（陸軍工程大學(xué)，江蘇 南京 210007）

0 引言

隨著無線通信的迅猛發(fā)展，輻射源的類別繁多且復(fù)雜，信號呈現(xiàn)出多樣性，傳統(tǒng)的輻射源識別方法可能已經(jīng)無法滿足社會的需求。為了得到通信實體的相關(guān)信息，研究人員們提出了不同的識別方法，效果也不盡相同。通信輻射源識別最關(guān)鍵的工作是提取有效特征。如果采用人工提取特征，由于信號數(shù)據(jù)量大，在提取過程中會遇到耗時、難度大、復(fù)雜度高等問題。如果能提取具有強(qiáng)區(qū)別力的信號本質(zhì)特征，那么對后續(xù)分類器設(shè)計和識別性能的提升具有重要意義[1]。

近年來，深度學(xué)習(xí)方法在計算機(jī)視覺[2]、語音識別[3]和超譜數(shù)據(jù)分類[4]等領(lǐng)域都發(fā)揮著顯著作用，成為眾多分類方法的佼佼者。深度網(wǎng)絡(luò)模型是通過不斷訓(xùn)練提取數(shù)據(jù)樣本特征，可以表達(dá)出復(fù)雜的非線性函數(shù)關(guān)系，得到數(shù)據(jù)豐富的本質(zhì)信息[5]。利用深度學(xué)習(xí)方法不需要人工提取特征，計算能力強(qiáng)，設(shè)計者不需要太多的先驗知識，容易入門。

1 基于深度學(xué)習(xí)的輻射源識別原理

為了提取強(qiáng)區(qū)別力的信號特征，深度學(xué)習(xí)的優(yōu)勢極為明顯。深度學(xué)習(xí)不需要設(shè)計者儲備太多的先驗知識，也不需要定義提取的特征的實際含義，主要通過設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取特征，實現(xiàn)后續(xù)的分類及其預(yù)測。人工神經(jīng)網(wǎng)絡(luò)借鑒生物神經(jīng)網(wǎng)絡(luò)的思想，通過設(shè)計大量的計算單元，以某種形式連接形成網(wǎng)絡(luò)。通過對網(wǎng)絡(luò)建立一定的數(shù)學(xué)模型和算法，訓(xùn)練出連接權(quán)值，使網(wǎng)絡(luò)能夠?qū)崿F(xiàn)基于數(shù)據(jù)的模式識別、函數(shù)映射等帶有“智能”的功能?；谏疃葘W(xué)習(xí)的輻射源識別原理如圖1所示。

圖1 基于神經(jīng)網(wǎng)絡(luò)的輻射源識別過程

設(shè)X={x1,x2,…,xn}是數(shù)據(jù)庫中的樣本集合，Y={y1,y2,…,yq}是類別標(biāo)簽有限集，標(biāo)簽的數(shù)據(jù)往往遠(yuǎn)小于數(shù)據(jù)樣本量。數(shù)據(jù)庫中的歷史訓(xùn)練數(shù)據(jù)是用已有的數(shù)據(jù)樣本及其對應(yīng)的標(biāo)簽投入神經(jīng)網(wǎng)絡(luò)，訓(xùn)練出較好的參數(shù)。在收到新數(shù)據(jù)后，將其也投入至設(shè)計好的神經(jīng)網(wǎng)絡(luò)，輸出信息就是輻射源的類別信息。

2 國內(nèi)外發(fā)展現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)中很多重要框架的建立和改進(jìn)都完成于20世紀(jì)80年代中期和90年代初期。然而，要想獲得較好結(jié)果，需要大量的時間和數(shù)據(jù)。由于當(dāng)時計算機(jī)的計算和存儲能力有限，神經(jīng)網(wǎng)絡(luò)的發(fā)展受到了一定阻礙，人們的關(guān)注度隨之下降。直到21世紀(jì)初期，計算機(jī)的運算能力呈指數(shù)級增長，業(yè)界也見證了計算機(jī)技術(shù)發(fā)展的“寒武紀(jì)爆炸”。深度學(xué)習(xí)以一個競爭者的姿態(tài)出現(xiàn)，在計算能力爆炸式增長的10多年里脫穎而出，在許多重要的機(jī)器學(xué)習(xí)競賽中拔得頭籌。在通信輻射源識別研究中，深度學(xué)習(xí)是一種易入門、好理解的方法，對人工智能的發(fā)展進(jìn)程影響不可小覷。下面將歸納輻射源個體識別和調(diào)制方式識別的研究現(xiàn)狀。

2.1 個體識別

深度學(xué)習(xí)在輻射源個體識別領(lǐng)域獲得了成功應(yīng)用。文獻(xiàn)[1]將時域信號變換到二維時頻域，并利用隨機(jī)投影和主成分分析方法，分別從維持子空間和能量角度對時頻圖像降維；在預(yù)訓(xùn)練階段，利用無標(biāo)簽的信號和類別信息訓(xùn)練網(wǎng)絡(luò)參數(shù)；使用邏輯回歸方法完成對輻射源的識別分類。文獻(xiàn)[6]提出的是一種基于深度強(qiáng)化學(xué)習(xí)的輻射源個體識別方法，有效彌補(bǔ)了人工提取特征的不足。利用輻射源信號包絡(luò)的不同瞬態(tài)信息，將包絡(luò)前沿作為神經(jīng)網(wǎng)絡(luò)的輸入，將輻射源類別作為輸入狀態(tài)的可選動作，通過卷積神經(jīng)網(wǎng)絡(luò)提取包絡(luò)特征擬合Q值。對于深度強(qiáng)化學(xué)習(xí)的應(yīng)用，提出了3種深度強(qiáng)化學(xué)習(xí)模型的實際應(yīng)用，分別是深度Q網(wǎng)絡(luò)模型、Dueling Network模型、深度雙Q網(wǎng)絡(luò)模型。文獻(xiàn)[7]為提高通信輻射源個體識別任務(wù)中自編碼器性能，提出了一種通信輻射源個體識別的自編碼器構(gòu)造方法。提取通信輻射源信號的高階積累量，根據(jù)調(diào)制信息估計自編碼器結(jié)構(gòu)參數(shù)，最后由驗證實驗篩選性能滿足閾值的結(jié)構(gòu)參數(shù)存入?yún)?shù)信息庫。文獻(xiàn)[8]提出將深度學(xué)習(xí)的理論技術(shù)運用于實際，針對輻射源目標(biāo)識別任務(wù)，將改進(jìn)型AlexNet作為特征提取器，提取目標(biāo)細(xì)微特征，生成效果較高的智能網(wǎng)絡(luò)模型。文獻(xiàn)[9]將原始通信輻射源信號通過高階譜分析從時域轉(zhuǎn)化到高維特征空間，利用大量的無標(biāo)簽高維樣本訓(xùn)練出堆棧自編碼器。在此基礎(chǔ)上，通過少量有標(biāo)簽的通信輻射源樣本對softmax回歸模型進(jìn)行精校訓(xùn)練，從而獲得面向通信輻射源指紋特征提取的深度學(xué)習(xí)網(wǎng)絡(luò)。文獻(xiàn)[10]以深度自編碼器為基礎(chǔ)，訓(xùn)練過程分為無監(jiān)督預(yù)訓(xùn)練、基于邊際Fisher映射的有監(jiān)督訓(xùn)練兩部分。首先挖掘海量無標(biāo)簽樣本中包含的電臺個體類別信息，用于深度自編碼器最優(yōu)參數(shù)訓(xùn)練。其次，在有標(biāo)簽樣本的輔助下，對訓(xùn)練參數(shù)進(jìn)行基于邊際Fisher映射的有監(jiān)督精校，提高指紋特征對同類型電臺個體的鑒別能力。文獻(xiàn)[11]提出了一種多采樣卷積神經(jīng)網(wǎng)絡(luò)（Multi-Sampling Convolutional Neural Network，MSCNN）來提取所選感興趣區(qū)域的射頻指紋，用于ZigBee器件的分類；提出了一種信噪比（Signal-Noise Ratio，SNR）自適應(yīng)ROI選擇算法，以改善ZigBee器件在睡眠模式切換下的半穩(wěn)態(tài)性能。該神經(jīng)網(wǎng)絡(luò)采用多次下采樣變換來實現(xiàn)多尺度特征的自動提取和分類。文獻(xiàn)[12]使用深度學(xué)習(xí)檢測物理層屬性來識別認(rèn)知無線電設(shè)備，并在IEEE 802.15.4設(shè)備上展示了方法性能。方法基于經(jīng)驗原則，即在符合相同標(biāo)準(zhǔn)的無線發(fā)射機(jī)之間制造可變性，在每個傳輸中創(chuàng)建獨特的、可重復(fù)的簽名，然后可以將其用作設(shè)備識別和驗證的指紋。文獻(xiàn)[13]提出了一種利用深度學(xué)習(xí)技術(shù)提高物聯(lián)網(wǎng)安全性的無線設(shè)備識別平臺。深度學(xué)習(xí)是一種很有前途的方法，可以通過學(xué)習(xí)不同射頻設(shè)備的射頻數(shù)據(jù)獲得不同射頻設(shè)備的特性?？紤]3種不同的深度學(xué)習(xí)模型，即深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)來識別無線設(shè)備，用深度網(wǎng)絡(luò)模型區(qū)分來自同一制造商的無線設(shè)備。文獻(xiàn)[14]提出了一種新的基于深度神經(jīng)網(wǎng)絡(luò)的射頻指紋識別方案，特別是基于長短期記憶的遞歸神經(jīng)網(wǎng)絡(luò)，用于硬件特征的自動識別和發(fā)射機(jī)的分類。使用相同射頻發(fā)射機(jī)的實驗研究表明，在存在強(qiáng)噪聲（信噪比低至-12 dB）的情況下，具有很高的檢測精度。

2.2 調(diào)制方式識別

輻射源個體識別和調(diào)制方式識別，兩者在深度學(xué)習(xí)方法上沒有很大區(qū)別，但調(diào)制方式識別有公開數(shù)據(jù)集。大部分研究人員使用文獻(xiàn)[15]提供的數(shù)據(jù)集，發(fā)展比較成熟，識別效果也較好。在研究輻射源識別的過程中，從解決調(diào)制方式識別問題上得到一些較成熟的方法和思想。

文獻(xiàn)[16]綜述了利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行無線電調(diào)制識別的機(jī)器學(xué)習(xí)的進(jìn)展。結(jié)果表明，無線調(diào)制識別不受網(wǎng)絡(luò)深度的限制，進(jìn)一步的工作應(yīng)側(cè)重于提高學(xué)習(xí)的同步和均衡能力。文獻(xiàn)[17]提出了一種基于深度學(xué)習(xí)的噪聲數(shù)字調(diào)制信號自動識別方法。通過在5～25 dB增加噪聲水平，得到了6種不同調(diào)制的8位數(shù)據(jù)。該系統(tǒng)的一個顯著優(yōu)點是深度學(xué)習(xí)方法經(jīng)過了原始數(shù)字調(diào)制信號的訓(xùn)練和測試，而不需要對信號進(jìn)行任何特征提取。文獻(xiàn)[18]研究了卷積神經(jīng)網(wǎng)絡(luò)對復(fù)雜時域無線電信號域的自適應(yīng)問題，證明了利用深度卷積神經(jīng)網(wǎng)絡(luò)對大而密集編碼的時間序列進(jìn)行時間盲學(xué)習(xí)是可行的，特別是在低信噪比的情況下，是一種強(qiáng)有力的候選方法。文獻(xiàn)[19]提出了一種基于深度學(xué)習(xí)的基于譜相關(guān)函數(shù)（Spectral Correlation Function，SCF）的自動調(diào)制分類方法，將深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）應(yīng)用于模式識別。利用具有抗噪能力的SCF信號和能夠有效學(xué)習(xí)復(fù)雜模式的DBN，即使在存在環(huán)境噪聲的情況下也能實現(xiàn)較高的調(diào)制檢測和分類精度。文獻(xiàn)[20]提出了一種基于低復(fù)雜度二值化深度置信網(wǎng)絡(luò)（DBN）的深度學(xué)習(xí)方法，并結(jié)合噪聲彈性譜相關(guān)函數(shù)作為自動調(diào)制分類（Automatic Modulation Classification，AMC）的特征表征機(jī)制，性能與常規(guī)DBN的性能相當(dāng)。文獻(xiàn)[21]利用卷積神經(jīng)網(wǎng)絡(luò)完成分類任務(wù)，將原始調(diào)制信號轉(zhuǎn)換成具有網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)的圖像，并將其提供給網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。文獻(xiàn)[22]使用GNU radio生成一個數(shù)據(jù)集，該數(shù)據(jù)集模擬了真實無線信道中的缺陷，并使用了10種不同的調(diào)制類型，此外開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，并證明其性能優(yōu)于基于專家的方法。

3 存在的問題及發(fā)展方向

輻射源識別需借助各個通信輻射源發(fā)送的信號數(shù)據(jù)，通過物理差異進(jìn)行識別，單純采用軟件模擬的數(shù)據(jù)集沒有實際意義。針對輻射源識別這個課題，由于輻射源的多樣性及研究問題的不同，好的公開可利用的標(biāo)準(zhǔn)數(shù)據(jù)集較少。輻射源識別仍需從幾個方面進(jìn)行改進(jìn)完善。

3.1 提高網(wǎng)絡(luò)泛化能力

要想神經(jīng)網(wǎng)絡(luò)模型的泛化能力得到提高，需要有較多的類別標(biāo)簽。然而，給數(shù)據(jù)打標(biāo)簽是一項繁瑣的工作，工作量大、消耗時間多，效率大打折扣。由于各研究單位的情況不同，對數(shù)據(jù)的處理能力可能達(dá)不到較高的標(biāo)準(zhǔn)。因此，在實戰(zhàn)化過程中，應(yīng)該著眼于用盡可能少的標(biāo)簽表示數(shù)據(jù)，有效利用樣本數(shù)據(jù)，最大限度地獲得有用信息，增強(qiáng)實戰(zhàn)化能力。

3.2 獲取足夠樣本

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要足夠的數(shù)據(jù)樣本。首先，應(yīng)定位自己對樣本的需求，獲取樣本可以自己采集，也可求助于其他相關(guān)研究機(jī)構(gòu)。如果沒有足夠的樣本，將無法訓(xùn)練出較好的網(wǎng)絡(luò)模型，分類和預(yù)測的準(zhǔn)確率會變低。如何利用較少的已有樣本訓(xùn)練出目標(biāo)分類模型，提高輻射源識別能力，是進(jìn)一步研究的重要方面。

3.3 優(yōu)化神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)有很好的非線性映射和學(xué)習(xí)能力，但存在陷入局部最優(yōu)、過擬合、欠擬合等問題，沒有較好的理論支撐，可以使用以下方法優(yōu)化網(wǎng)絡(luò)模型。

3.3.1 調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)

調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)是最直接有效的優(yōu)化方式。雖然神經(jīng)網(wǎng)絡(luò)的輸入輸出信息可給出，但網(wǎng)絡(luò)中的參數(shù)數(shù)量及權(quán)重有很大的調(diào)整空間。為了調(diào)整網(wǎng)絡(luò)的復(fù)雜程度以達(dá)到最好的推廣能力，可以采用加大網(wǎng)絡(luò)訓(xùn)練層數(shù)、改變隱層神經(jīng)元數(shù)量和權(quán)值、調(diào)整卷積核大小、改變過濾器數(shù)量等方法，同時要注意網(wǎng)絡(luò)是否過擬合。恰當(dāng)?shù)膮?shù)配置可以在一定程度上提升識別效果。

3.3.2 借鑒集成學(xué)習(xí)思想

訓(xùn)練網(wǎng)絡(luò)模型往往有側(cè)重，得到的不可能是一個穩(wěn)定的各方面都完美的模型。集成學(xué)習(xí)的中心思想是將數(shù)據(jù)投入到不同的分類器中，不局限于神經(jīng)網(wǎng)絡(luò)分類器，這些分類器的學(xué)習(xí)能力較弱。期望通過組合這些弱分類器模型得到一個強(qiáng)分類模型，提高分類效果。雖然集成學(xué)習(xí)能取得更好的學(xué)習(xí)效果，但需要滿足兩個前提條件：如在二分類問題中，每個弱分類器的分類準(zhǔn)確率應(yīng)略高于50%，否則會提高識別錯誤的幾率；每個基分類器應(yīng)該盡可能相互獨立，否則分類結(jié)果相差過大，將無法有效體現(xiàn)集成的意義。這里提出兩種集成方式：（1）決策級集成，即在每一個基分類器的輸出階段進(jìn)行集成，投票決定識別結(jié)果；（2）特征級集成，即網(wǎng)絡(luò)卷積階段產(chǎn)生特征，將每一個基分類器的卷積層的輸出集成，也就是把特征集成，集成后作為下一層的輸入再進(jìn)行后續(xù)訓(xùn)練。

3.3.3 借鑒多任務(wù)學(xué)習(xí)思想

多任務(wù)學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個熱門領(lǐng)域，不同任務(wù)可能會具有一定的相關(guān)性。利用這種相關(guān)信息，聯(lián)合學(xué)習(xí)可能會得到更高的識別率。在調(diào)制方式識別問題中，多任務(wù)學(xué)習(xí)技術(shù)得到了很好體現(xiàn)。每一個任務(wù)的目標(biāo)是區(qū)分兩種調(diào)制方式。通過卷積層后，把幾個任務(wù)聯(lián)合學(xué)習(xí)，得到的識別效果更好。借鑒多任務(wù)學(xué)習(xí)思想再聯(lián)合學(xué)習(xí)，可能提升會網(wǎng)絡(luò)性能。

3.4 識別非認(rèn)證設(shè)備

對于沒有認(rèn)證過的輻射源發(fā)送的信號，可將它視為非法設(shè)備，信號數(shù)據(jù)視為干擾信息。判斷設(shè)備是否合法，門限值的選擇至關(guān)重要，但人工很難設(shè)定較好的門限值。可以用分類器學(xué)習(xí)門限值，把信息熵作為分類的依據(jù)之一，提出以下思路：（1）設(shè)計單類分類器，即將訓(xùn)練數(shù)據(jù)的熵投入分類器訓(xùn)練，得到一個取值范圍當(dāng)作門限值，不在取值范圍說明是未知信號；（2）設(shè)計二類分類器，即用軟件生成隨機(jī)信號，將隨機(jī)信號的熵與訓(xùn)練數(shù)據(jù)的熵共同作為樣本設(shè)計一個二類分類器，臨界值可以作為上述問題的門限值。

4 結(jié)語

將深度學(xué)習(xí)引入通信輻射源識別，推動了通信關(guān)系的智能化發(fā)展進(jìn)程，通過深度學(xué)習(xí)算法識別所獲取得的通信輻射源信號特征。比較分析不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，盡可能地提高識別準(zhǔn)確率，可以對無線電通信的管理和監(jiān)測提供借鑒意義。與此同時，如今的電磁環(huán)境日益復(fù)雜，通信輻射源識別的難度也與日俱增，深度學(xué)習(xí)算法的優(yōu)勢得以體現(xiàn)。本文介紹了基于深度學(xué)習(xí)的通信輻射源識別基本原理，從輻射源個體識別和調(diào)制方式識別兩個方面進(jìn)行綜述，指出了存在的主要問題和現(xiàn)有方法的不足，并討論了解決方案和改進(jìn)措施，為下一步的研究打下了基礎(chǔ)。