翁琳天然 彭進(jìn)霖 何元 鐘都都 彭建華 茆旋宇

摘 要：針對(duì)傳統(tǒng)依賴于人工提取的專家特征難以表征輻射源個(gè)體信號(hào)的細(xì)微差異問題， 提出了一種基于深度殘差網(wǎng)絡(luò)（DRN）的輻射源個(gè)體識(shí)別算法。 利用深度殘差網(wǎng)絡(luò)完成分類識(shí)別任務(wù)， 將實(shí)測(cè)信號(hào)的同相分量（I路）和正交分量（Q路）輸入到深度殘差網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。 在包含不同飛行目標(biāo)的ADS-B信號(hào)實(shí)測(cè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)以評(píng)估該算法的性能。 實(shí)驗(yàn)結(jié)果表明， 提出的DRN模型在不需要人工進(jìn)行特征選擇的情況下達(dá)到了較好的分類精度。 此外， 在信噪比上對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)增可進(jìn)一步提升模型的性能。

關(guān)鍵詞： ADS-B; 輻射源個(gè)體識(shí)別; 深度殘差網(wǎng)絡(luò); 深度學(xué)習(xí)

中圖分類號(hào)：TJ760; TN957? 文獻(xiàn)標(biāo)識(shí)碼：??? A? 文章編號(hào)：1673-5048（2021）04-0024-06

0 引? 言

隨著無線通信和物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展， 頻譜中無線設(shè)備的數(shù)量迅速增加。 在日趨復(fù)雜的電磁環(huán)境中， 通過分析觀測(cè)信號(hào)從而準(zhǔn)確識(shí)別出信號(hào)輻射源的個(gè)體信息， 在安防領(lǐng)域具有非常重要的意義。 基于廣播的自動(dòng)相關(guān)監(jiān)測(cè)系統(tǒng)（Automatic Dependent Surveillance-Broadcast， ADS-B）是國(guó)際民航組織推薦發(fā)展的系統(tǒng)，? 但該系統(tǒng)缺乏加密和身份驗(yàn)證等安全防護(hù)措施， 在實(shí)際應(yīng)用中存在較大的安全隱患。 攻擊者可在目標(biāo)發(fā)送端或地面站接收端修改消息內(nèi)的設(shè)備標(biāo)識(shí)地址位以欺騙識(shí)別系統(tǒng)， 將特定的空中目標(biāo)偽裝成可信目標(biāo)或其他身份目標(biāo)， 給空管系統(tǒng)造成極大的混亂。 輻射源個(gè)體識(shí)別技術(shù)可通過分析發(fā)射機(jī)信號(hào)的細(xì)微差異， 提取輻射源的“指紋”特征， 從而達(dá)到區(qū)分不同輻射源個(gè)體的目的。 信號(hào)發(fā)射機(jī)中的元器件會(huì)對(duì)信號(hào)的產(chǎn)生造成細(xì)微的擾動(dòng)， 使發(fā)射的信號(hào)波形與理想信號(hào)間存在微小的差異。 因此， 信號(hào)的細(xì)微差異特征會(huì)與信號(hào)發(fā)射機(jī)一一對(duì)應(yīng)， 這也是輻射源“指紋”特征的物理意義來源。 輻射源個(gè)體識(shí)別算法可部署在地面站， 通過分析采集信號(hào)， 準(zhǔn)確判定空中目標(biāo)身份并標(biāo)記可疑目標(biāo)， 提升系統(tǒng)的抗干擾性。

輻射源個(gè)體識(shí)別算法主要分為暫態(tài)過程識(shí)別和穩(wěn)態(tài)過程識(shí)別[1-2]。 暫態(tài)過程主要包括開關(guān)機(jī)和工作模式切換等短暫狀態(tài)。 此狀態(tài)持續(xù)過程很短， 給提取工作造成困難， 但在此過程中發(fā)射的信號(hào)可以較好地體現(xiàn)輻射源元器件的非線性特性， 可分性強(qiáng)。 穩(wěn)態(tài)過程指輻射源發(fā)射機(jī)在穩(wěn)定工作時(shí)的狀態(tài)。 該狀態(tài)持續(xù)時(shí)間長(zhǎng)， 數(shù)據(jù)的獲取相對(duì)簡(jiǎn)單， 但此時(shí)發(fā)射機(jī)內(nèi)部進(jìn)入穩(wěn)定工作狀態(tài)， 各器件合力作用， 難以對(duì)信號(hào)復(fù)雜的細(xì)微差異進(jìn)行建模， 提取“指紋”特征難度大。 傳統(tǒng)的輻射源個(gè)體識(shí)別算法主要基于人工提取的特征， 包括瞬時(shí)頻率和振幅[3]、 信號(hào)的雙譜[4]、 分形維數(shù)[5]、 模糊函數(shù)切片[6]、 功率譜密度系數(shù)[7]以及接收端的信道狀態(tài)信息[8]等特征。 在傳統(tǒng)算法中， 手工提取的專家特征存在耗時(shí)且低效的

問題， 識(shí)別系統(tǒng)的性能依賴于專家對(duì)信號(hào)參數(shù)先驗(yàn)知識(shí)的理解。? 此外，? 傳統(tǒng)算法缺乏足夠的可移植性來適應(yīng)特定研究場(chǎng)景之外的情況， 這也成為應(yīng)用輻射源個(gè)體識(shí)別技術(shù)的一個(gè)巨大挑戰(zhàn)。

深度學(xué)習(xí)[9]作為機(jī)器學(xué)習(xí)領(lǐng)域新的研究方法， 在從目標(biāo)信號(hào)中高效提取并區(qū)分不同輻射源的強(qiáng)力特征上具有強(qiáng)大優(yōu)勢(shì)。 由于其突出的實(shí)用性能， 被廣泛應(yīng)用到紅外目標(biāo)跟蹤[10-11]、 雷達(dá)目標(biāo)識(shí)別[12]、 調(diào)制方式識(shí)別[13]、 信道譯碼[14]等領(lǐng)域。 近年來， 研究人員開始將深度學(xué)習(xí)方法引入到輻射源個(gè)體識(shí)別的算法研究中[15-17]。 文獻(xiàn)[15]利用深度置信網(wǎng)絡(luò)（Deep Belief Network， DBN）模型從雷達(dá)信號(hào)的脈沖包絡(luò)前沿進(jìn)行特征提取， 完成輻射源個(gè)體識(shí)別。 文獻(xiàn)[16]引入深度強(qiáng)化學(xué)習(xí)算法， 根據(jù)從信號(hào)脈沖包絡(luò)中提取的特征區(qū)分輻射源個(gè)體。 文獻(xiàn)[17]將信號(hào)的切片片段輸入到深度神經(jīng)網(wǎng)絡(luò)以完成識(shí)別過程， 同時(shí)證明，? 深度神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)完整的ADS-B數(shù)據(jù)幀時(shí)， 會(huì)重點(diǎn)提取消息幀內(nèi)部地址位的部分特征， 從而忽略識(shí)別算法對(duì)輻射源“指紋”特征的提取， 干擾了輻射源個(gè)體識(shí)別算法的實(shí)用性。

本文提出了一種基于深度殘差網(wǎng)絡(luò)（Deep Residual Network， DRN）的ADS-B信號(hào)輻射源識(shí)別算法。 該算法利用自定義的DRN模型挖掘I， Q信號(hào)的聯(lián)合深度特征， 實(shí)現(xiàn)了輻射源個(gè)體信號(hào)的自動(dòng)識(shí)別， 并獲得了較好的識(shí)別準(zhǔn)確率。

1 ADS-B技術(shù)概述

ADS-B系統(tǒng)具有出色的監(jiān)測(cè)性能。 與傳統(tǒng)雷達(dá)系統(tǒng)不同， 該系統(tǒng)允許飛機(jī)自動(dòng)廣播其位置和意圖， 提高其態(tài)勢(shì)感知能力。 ADS-B 包含以下含義： 自動(dòng)（Automatic）， 無需人工干預(yù)的自動(dòng)數(shù)據(jù)傳輸; 相關(guān)（Dependent）， 機(jī)載的設(shè)備決定了數(shù)據(jù)的可用性， 數(shù)據(jù)傳輸依賴于機(jī)載系統(tǒng); 監(jiān)視（Surveillance）， 提供監(jiān)控任務(wù)所需的狀態(tài)數(shù)據(jù); 廣播（Broadcast）， 通過廣播方式傳輸數(shù)據(jù)， 所有用戶都可以在適當(dāng)?shù)膫鬏敺秶鷥?nèi)接收該數(shù)據(jù)。 但當(dāng)傳輸范圍內(nèi)空中目標(biāo)數(shù)量顯著增加時(shí)， ADS-B服務(wù)的穩(wěn)定性將顯著降低[18]。 隨著信道環(huán)境趨于復(fù)雜、 安全需求更加迫切、 飛行范圍逐漸擴(kuò)大， 如何簡(jiǎn)便、 準(zhǔn)確地辨認(rèn)不同的空中輻射源， 進(jìn)而為相關(guān)人員研判不明目標(biāo)屬性、 分析定位目標(biāo)、 還原空情態(tài)勢(shì)提供有價(jià)值的判定依據(jù)， 成為科研工作者的一道必須攻克的難題。

航空兵器 2021年第28卷第4期

翁琳天然， 等： 基于深度殘差網(wǎng)絡(luò)的ADS-B信號(hào)輻射源個(gè)體識(shí)別

ADS-B 系統(tǒng)主要分為機(jī)載部分和地面部分[16]。 機(jī)載裝置通過 GNSS 衛(wèi)星獲得飛機(jī)的實(shí)時(shí)位置信息與三維速度信息， 并從大氣數(shù)據(jù)系統(tǒng)獲取有關(guān)該飛機(jī)的高度信息， 通過機(jī)載收發(fā)機(jī)將上述信息及其他附加信息廣播至空中和地面， 以便其他飛機(jī)和地面用戶接收和顯示。 地面管控單位將收到的信息輸入空中交通管制系統(tǒng)， 向空管員提供范圍空域內(nèi)的類雷達(dá)管制監(jiān)視信息; 空中的飛機(jī)從其他飛機(jī)的機(jī)載發(fā)射機(jī)接收信息并進(jìn)行處理， 將處理結(jié)果及態(tài)勢(shì)信息顯示在座艙顯示器上。

ADS-B 技術(shù)主要基于Mode S 1090ES與UAT數(shù)據(jù)鏈傳輸方式， 采用脈沖位置（PPM）編碼。 由于UAT需要安裝新設(shè)備， 且使用范圍有限， 因此， 大部分商用飛機(jī)采用了S模式與ADS-B的組合改進(jìn)型： 1090ES。 1090ES易于安裝且使用范圍更加廣泛， 其將ADS-B功能集成到S模式應(yīng)答器中運(yùn)行。

ADS-B 1090ES消息共有四個(gè)前導(dǎo)脈沖， 每個(gè)脈沖的持續(xù)時(shí)間為0.5 ms±0.05 ms。 ADS-B消息數(shù)據(jù)脈沖內(nèi)的第一個(gè)比特位出現(xiàn)在相對(duì)前導(dǎo)脈沖的第一個(gè)脈沖位置8.0 ms處。 每條 ADS-B 消息的數(shù)據(jù)域長(zhǎng)度均為 112 bit， 該信號(hào)通過脈沖位置編碼（PPM）對(duì)消息進(jìn)行編碼處理[19-22]。 消息的基本結(jié)構(gòu)如表1所示。

表1中， DF位為下行鏈路格式; CA位為S模式應(yīng)答機(jī)的能力; AA位為消息的地址位， 包含國(guó)際民用航空組織提供的全球唯一的設(shè)備標(biāo)識(shí)ID; ME位為ADS-B的消息域; 最后24 bit作為整個(gè)消息的校驗(yàn)域PI。

2 深度學(xué)習(xí)與深度殘差網(wǎng)絡(luò)

深度學(xué)習(xí)是一個(gè)發(fā)展迅速的前沿研究領(lǐng)域， 在計(jì)算機(jī)視覺、 自然語言處理、 生物信息學(xué)等許多科學(xué)領(lǐng)域都有突出的表現(xiàn)，? 其最吸引人的優(yōu)點(diǎn)是消除了人工提取特征的過程。 深度學(xué)習(xí)模型通常包含許多具有非線性處理單元的處理層， 每層對(duì)前一層的輸入進(jìn)行新的變換， 最終能夠形成層結(jié)構(gòu)的數(shù)據(jù)展示。

與普通神經(jīng)網(wǎng)絡(luò)相比， 卷積神經(jīng)網(wǎng)絡(luò)中的卷積層將前一層的特征映射結(jié)果作為輸入， 對(duì)輸入數(shù)據(jù)和1個(gè)參數(shù)可學(xué)習(xí)的過濾器進(jìn)行二維卷積操作。 若給定1個(gè)二維樣本x， 該樣本經(jīng)過二維卷積核h的卷積運(yùn)算過程為

（x·h）i， j=x（i， j）·h（i， j）=

∑n∑mx（n， m）·h（i-n）（j-m）（1）

向卷積神經(jīng)網(wǎng)絡(luò)給定的固定結(jié)構(gòu)輸入數(shù)據(jù)， 卷積層能夠從數(shù)據(jù)中抽象出細(xì)粒度和粗粒度的代表特征。 隨著網(wǎng)絡(luò)層數(shù)增加， 卷積神經(jīng)網(wǎng)絡(luò)能夠提取到更抽象的維度特征。 豐富的特征將更好地幫助網(wǎng)絡(luò)增加擬合效果， 提升識(shí)別性能。 但在實(shí)際應(yīng)用中， 單一地加深網(wǎng)絡(luò)層數(shù)， 網(wǎng)絡(luò)的識(shí)別效果反而會(huì)下降[23]， 該問題被稱為退化問題。 退化問題不是由過擬合引起的， 而是由于大量的網(wǎng)絡(luò)層參數(shù)導(dǎo)致更高的訓(xùn)練錯(cuò)誤。 此外， 在梯度反向傳播的過程中， 越靠近輸出層的參數(shù)將越容易收斂， 距離輸出層越遠(yuǎn)的參數(shù)收斂得越緩慢。

為解決上述問題， He等[24]設(shè)計(jì)了殘差單元的網(wǎng)絡(luò)結(jié)構(gòu)。 該結(jié)構(gòu)在網(wǎng)絡(luò)中加入Shortcut結(jié)構(gòu)， 實(shí)現(xiàn)了數(shù)據(jù)的跨層流動(dòng)， 如圖1所示。 該結(jié)構(gòu)并未使網(wǎng)絡(luò)直接擬合原先的映射， 而是擬合殘差映射。

假設(shè)原始的映射為H（x）， 殘差網(wǎng)絡(luò)擬合的映射為F（x）=H（x）-x。 若網(wǎng)絡(luò)已達(dá)最優(yōu)狀態(tài)， 后續(xù)加深的網(wǎng)絡(luò)中， F（x）的部分將被置為0， 只余下殘差單元的輸入x。 在此基礎(chǔ)上網(wǎng)絡(luò)將保持最優(yōu)狀態(tài)， 網(wǎng)絡(luò)的性能也不會(huì)隨著深度增加而降低。 普通的卷積神經(jīng)網(wǎng)絡(luò)通過簡(jiǎn)單

的堆疊層數(shù)提取更多的特征， 但必然存在部分層提取到的部分特征對(duì)識(shí)別結(jié)果無增益效果。 殘差結(jié)構(gòu)人為地構(gòu)造了恒等映射， 可以使多余的層在訓(xùn)練過程中朝著恒等映射的方向去收斂， 減少模型失效的風(fēng)險(xiǎn)。 此外， Shortcut結(jié)構(gòu)可以無損地傳播梯度， 解決了卷積神經(jīng)網(wǎng)絡(luò)反向傳播過程中由于梯度連乘導(dǎo)致梯度消失的問題， 同時(shí)并未增加額外的計(jì)算量。 總體來說， 殘差網(wǎng)絡(luò)結(jié)構(gòu)解決了極深度條件下深度卷積神經(jīng)網(wǎng)絡(luò)性能退化的問題。 其在卷積層堆疊至一定數(shù)目時(shí)效果提升明顯， 但是在模型包含少量卷積層時(shí)， 其實(shí)際性能與普通堆疊的卷積神經(jīng)網(wǎng)絡(luò)相當(dāng)。

3 基于深度殘差網(wǎng)絡(luò)的ADS-B信號(hào)輻射源個(gè)體識(shí)別

3.1 系統(tǒng)設(shè)計(jì)

本文復(fù)現(xiàn)了文獻(xiàn)[19]中的解碼系統(tǒng)， 還原了ADS-B信號(hào)的信源信息。 提取信號(hào)內(nèi)包含的設(shè)備ID碼作為對(duì)應(yīng)數(shù)據(jù)樣本的標(biāo)簽。 系統(tǒng)將信號(hào)歸一化后， 依據(jù)信號(hào)的幀結(jié)構(gòu)去除設(shè)備ID碼對(duì)應(yīng)的信號(hào)片段， 將截取后的信號(hào)作為訓(xùn)練樣本置入深度殘差網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。 訓(xùn)練好的模型將被用于對(duì)測(cè)試集數(shù)據(jù)的預(yù)測(cè)， 以評(píng)估模型性能， 具體流程如圖2所示。

系統(tǒng)分A和B兩路實(shí)現(xiàn)。 A路為深度殘差網(wǎng)絡(luò)提供輻射源標(biāo)簽， B路為神經(jīng)網(wǎng)絡(luò)提供有效的訓(xùn)練樣本。 具體來說， A路首先對(duì)接收機(jī)采集的信號(hào)數(shù)據(jù)進(jìn)行脈沖位置（PPM）解碼， 得到每條ADS-B數(shù)據(jù)的幀結(jié)構(gòu)信息。 根據(jù)表1所列出的幀結(jié)構(gòu)分布， 提取出地址位（AA位）內(nèi)包含的設(shè)備標(biāo)識(shí)ID， 作為該條ADS-B信號(hào)的輻射源個(gè)體標(biāo)簽。 將待分類的輻射源標(biāo)識(shí)進(jìn)行獨(dú)熱（One-Hot）編碼后作為該樣本的標(biāo)簽。 B路首先將接收機(jī)采集的同相分量（I路）和正交分量（Q路）信號(hào)進(jìn)行歸一化， 以控制數(shù)據(jù)集樣本相互間的差異。 從歸一化的I， Q信號(hào)樣本中去除AA位所對(duì)應(yīng)的信號(hào)部分， 使每條截取后的樣本不包含設(shè)備ID信息， 保證學(xué)習(xí)算法不受地址位部分的信號(hào)數(shù)據(jù)影響， 從而能真正學(xué)習(xí)到每條樣本在I， Q信號(hào)域上表征出的細(xì)微差異。 之后將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集， 將訓(xùn)練集數(shù)據(jù)輸入到深度殘差網(wǎng)絡(luò)供模型訓(xùn)練， 將測(cè)試集數(shù)據(jù)輸入至訓(xùn)練完畢的模型， 通過識(shí)別結(jié)果評(píng)估效果。

3.2 深度殘差網(wǎng)絡(luò)設(shè)計(jì)

本文使用的深度殘差網(wǎng)絡(luò)模型框架如圖3所示。 為了適應(yīng)二維的I， Q信號(hào)樣本， 本文使用了一維卷積層（Conv 1D）和最大池化層（MaxPool 1D）。 所有模型中的一維卷積層均設(shè)置有64個(gè)卷積核， 每個(gè)卷積核大小為3。 每個(gè)卷積層后添加ReLU激活函數(shù)， 增加模型的非線性建模能力。 一維最大池化層的采樣核大小為2， 采樣間距為2。 本文還使用了一些操作以改善模型的分類精度和訓(xùn)練效率： 引入Dropout作為正則化方法。 通過將神經(jīng)元的輸出按照指定概率置零來減少神經(jīng)元的協(xié)同， 以防止過擬合。 引入Batch Normalization（BN）層對(duì)批量數(shù)據(jù)進(jìn)行歸一化處理。 BN層使網(wǎng)絡(luò)減少過擬合， 并使得訓(xùn)練具有快速收斂性。

樣本輸入到模型后， 首先經(jīng)過一對(duì)卷積層和池化層對(duì)樣本的底層特征進(jìn)行嵌入。 輸出的特征圖隨后被送入4個(gè)自定義的殘差單元。 殘差單元的內(nèi)部結(jié)構(gòu)如圖3中右側(cè)的子圖所示， 在Shortcut結(jié)構(gòu)后又設(shè)置了一對(duì)BN層和池化層。 經(jīng)過4個(gè)殘差單元后， 特征圖被送入2個(gè)全連接層， 第1個(gè)全連接層內(nèi)包含80個(gè)神經(jīng)元， 設(shè)置Dropout比率為0.5， 第2個(gè)全連接層內(nèi)的神經(jīng)元個(gè)數(shù)與輻射源待分類的類別數(shù)相同， 采用Softmax激活函數(shù)， 將識(shí)別結(jié)果映射到（0， 1）區(qū)間， 以得到各類別的識(shí)別概率。

本文設(shè)計(jì)了深度殘差網(wǎng)絡(luò)和未采用殘差單元的卷積神經(jīng)網(wǎng)絡(luò)處理ADS-B信號(hào)輻射源識(shí)別的任務(wù)。 在后續(xù)的實(shí)驗(yàn)中， 進(jìn)行了性能度量、 模型收斂情況、 識(shí)別率曲線等多項(xiàng)對(duì)比， 深度殘差網(wǎng)絡(luò)的總體性能占優(yōu)， 因此， 本文最終采用深度殘差網(wǎng)絡(luò)作為本任務(wù)的識(shí)別模型。

3.3 具體實(shí)現(xiàn)

外場(chǎng)采集了包含44部（類）飛行目標(biāo)的ADS-B信號(hào)共12 509條。 經(jīng)過預(yù)處理， 得到等數(shù)量的I， Q復(fù)值信號(hào)數(shù)據(jù)。 圖4展示了其中三類實(shí)測(cè)目標(biāo)的前1 000采樣點(diǎn)的幅度信號(hào)。 從圖中可以觀察到， 信號(hào)前導(dǎo)幀頭與部分幀頭的波形突發(fā)位置相同， 但是不同類別信號(hào)的波形前后沿與波峰均出現(xiàn)不同程度的畸變， 這些細(xì)微差異可作為模型進(jìn)行輻射源個(gè)體識(shí)別的依據(jù)。

本實(shí)驗(yàn)從采集的數(shù)據(jù)中選取Ny=30類目標(biāo)共11 168條數(shù)據(jù)，各類別樣本數(shù)為132～788條不等。對(duì)采集的樣本進(jìn)行歸一化處理， 并制作標(biāo)識(shí)輻射源個(gè)體類別的信號(hào)標(biāo)簽。實(shí)驗(yàn)數(shù)據(jù)集S由采集到的向量樣本和對(duì)應(yīng)的輻射源標(biāo)簽組成， 可表示為

S={（x（i）， y（i））} i∈[0， 11 167]（2）

在整個(gè)算法的實(shí)驗(yàn)過程中刪除了樣本內(nèi)地址位部分的信號(hào)采樣點(diǎn)， 在每條有效樣本中保留了3 000對(duì)I， Q采樣值， 每條向量樣本x（i）∈綆2×3 000由I， Q信號(hào)中的同相和正交分量堆疊而成。 為了適應(yīng)模型的學(xué)習(xí)過程， 將標(biāo)簽按照輻射源種類的差異進(jìn)行整數(shù)編碼， 再對(duì)整數(shù)值標(biāo)簽進(jìn)行獨(dú)熱編碼， 得到擴(kuò)展的信號(hào)標(biāo)簽y（i）∈1×Ny。 按照3∶1的比例劃分訓(xùn)練集Strain和測(cè)試集Stest。

算法的訓(xùn)練和測(cè)試過程在Linux服務(wù)器上使用Tensorflow框架部署。 在GPU加速庫的支持下， 模型在RTX2080Ti的GPU卡上進(jìn)行訓(xùn)練和測(cè)試。 考慮到GPU的可用計(jì)算資源， 選擇將mini-batch設(shè)置為200。 設(shè)置訓(xùn)練輪數(shù)為600， 初始學(xué)習(xí)率為0.01。

網(wǎng)絡(luò)的損失函數(shù)L是通過計(jì)算模型輸出的類別概率y^與真實(shí)標(biāo)簽y的差異得到的。

本文中模型使用交叉熵?fù)p失函數(shù)， 第i個(gè)樣本的損失函數(shù)可計(jì)算如下：

L（y（i）， y^（i））=∑Nyj=1y（i）jlg（y^（i）j）（3）

網(wǎng)絡(luò)的參數(shù)θ通過最小化訓(xùn)練集Strain上的損失函數(shù)L來獲得：

minθ∑（x（i）， y（i））∈StrainL（y（i）， y^（i））（4）

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出的DRN模型的輻射源個(gè)體識(shí)別性能， 選取了三個(gè)模型進(jìn)行有針對(duì)性的對(duì)比實(shí)驗(yàn)， 包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、? 深度置信網(wǎng)絡(luò)（DBN）[15]和選擇雙譜算法（BIS）[4]。 選取的卷積神經(jīng)網(wǎng)絡(luò)是DRN的簡(jiǎn)化版本， 將DRN內(nèi)部的殘差單元全部替換為普通的一維卷積層。 為了精確描述和比較模型的預(yù)測(cè)精度， 選擇了四個(gè)評(píng)價(jià)指標(biāo)， 分別是準(zhǔn)確率、 精確率、 召回率和F1值。

在實(shí)測(cè)的30類目標(biāo)樣本的訓(xùn)練集上分別進(jìn)行模型的訓(xùn)練， 通過比較測(cè)試樣本集的預(yù)測(cè)精度來量化輻射源個(gè)體識(shí)別方法的性能。 表2展示了各模型的識(shí)別結(jié)果， 由表2可知， 本文提出的DRN模型在四個(gè)指標(biāo)中都達(dá)到了最佳。 其準(zhǔn)確率較CNN， DBN和BIS分別提高了1.69%， 2.98%和31.64%; F1值較其他三種模型分別提高了2.72%， 3.62%和37.10%。 在CNN高識(shí)別率的基礎(chǔ)上， DRN仍能在各項(xiàng)指標(biāo)中有進(jìn)一步穩(wěn)定的提升， 說明其確實(shí)對(duì)識(shí)別任務(wù)起到了增益效果。 此外， 相比傳統(tǒng)方法（BIS）， 深度學(xué)習(xí)方法（DRN， CNN， DBN）的識(shí)別效果更加突出。

此外， 通過觀察不同模型在測(cè)試集上300輪訓(xùn)練迭代中的識(shí)別率變化， 評(píng)估其收斂情況， 得到了圖5所示的識(shí)別率對(duì)比曲線。 DRN對(duì)測(cè)試集的識(shí)別率在絕大部分迭代過程中都保持了最高水平， 且對(duì)比CNN能穩(wěn)定保持1.7%左右的領(lǐng)先優(yōu)勢(shì)， 另外可以看到， DRN和CNN均在25輪迭代之內(nèi)收斂到了平穩(wěn)的水平， 而DBN在模型迭代過程中的識(shí)別率出現(xiàn)了較大的波動(dòng)， BIS在收斂情況和收斂穩(wěn)定后的識(shí)別率上與其他模型相比均存在較大差距。

圖6給出了DRN識(shí)別30類飛行輻射源目標(biāo)的準(zhǔn)確率混淆矩陣。 結(jié)果顯示， 30類目標(biāo)中有24類的識(shí)別準(zhǔn)確率均在96.72%以上。 28號(hào)目標(biāo)由于和25號(hào)目標(biāo)的信號(hào)存在較強(qiáng)相似性， 識(shí)別率為58.33%。 結(jié)果證明DRN在實(shí)測(cè)信號(hào)的個(gè)體識(shí)別中實(shí)現(xiàn)了較強(qiáng)的性能， 驗(yàn)證了算法的有效性。

為進(jìn)一步驗(yàn)證算法的魯棒性， 在實(shí)測(cè)數(shù)據(jù)集內(nèi)加入仿真的加性高斯白噪聲， 在完成數(shù)據(jù)擴(kuò)增的同時(shí)進(jìn)一步測(cè)試模型的抗噪聲能力。 具體實(shí)現(xiàn)如下： 在Python中使用自定義方法依次向全部信號(hào)數(shù)據(jù)中添加指定大小的仿真白噪聲， 噪聲信噪比范圍為-5～20 dB， 間隔1 dB。 該方法將輸入信號(hào)的功率作為設(shè)置信噪比的依據(jù)， 使加入的仿真噪聲更加貼近預(yù)設(shè)的信噪比值。 擴(kuò)增后的數(shù)據(jù)集擴(kuò)大了26倍， 共290 368條。 同樣按照3∶1的比例分割訓(xùn)練集和測(cè)試集， 各模型在不同信噪比上的識(shí)別準(zhǔn)確率曲線如圖7所示。

比較可看出， 本文所提DRN在各信噪比的準(zhǔn)確率均優(yōu)于其他模型， 且識(shí)別率在-3 dB信噪比以上均超過96.70%， 其抗噪性能得到了驗(yàn)證。 另外， 深度學(xué)習(xí)方法（DRN， CNN， DBN）在不同噪聲環(huán)境下的魯棒性明顯優(yōu)于傳統(tǒng)方法（BIS）。 此外， 所有模型的最高識(shí)別準(zhǔn)確率在經(jīng)過數(shù)據(jù)擴(kuò)增后均得到了不同程度的提高， 如表3所示。

其中DRN的識(shí)別準(zhǔn)確率獲得了進(jìn)一步提升， 達(dá)到了98.30%。 BIS獲得了最大的準(zhǔn)確率提升幅度， 但準(zhǔn)確率較其他模型仍有差距。 該結(jié)果表明， 通過在信噪比上對(duì)數(shù)據(jù)進(jìn)行增廣， 數(shù)據(jù)集內(nèi)部更加多樣化， 識(shí)別模型也因此具有更強(qiáng)的泛化能力和更高效的識(shí)別性能。

圖8展示了DRN對(duì)于單個(gè)輻射源目標(biāo)在不同信噪比范圍中的識(shí)別效果。 30類輻射源目標(biāo)的識(shí)別準(zhǔn)確率曲線采用不同顏色標(biāo)記， 信噪比范圍為-5～20 dB。 除28號(hào)目標(biāo)的整體識(shí)別率未突破80%外， 其他目標(biāo)在5 dB信噪比以上的識(shí)別率均超過85%，? 且其中有19類目標(biāo)的

識(shí)別率全程基本穩(wěn)定在100%。 綜合來看， 各目標(biāo)在信噪比范圍中獲得了穩(wěn)定的識(shí)別率， 證明了模型在面對(duì)噪聲時(shí)具有較強(qiáng)的魯棒性。

5 結(jié)論與思考

本文提出使用深度殘差網(wǎng)絡(luò)對(duì)ADS-B通信系統(tǒng)中的輻射源個(gè)體目標(biāo)進(jìn)行識(shí)別。 利用幀結(jié)構(gòu)信息提取信號(hào)的設(shè)備ID作為識(shí)別標(biāo)簽， 將I， Q信號(hào)作為數(shù)據(jù)源， 采用改進(jìn)的深度殘差網(wǎng)絡(luò)模型挖掘不同目標(biāo)信號(hào)的輻射源細(xì)微指紋信息。 所提出的基于深度殘差網(wǎng)絡(luò)的算法不僅避免了人工選擇特征的困難， 而且在輻射源識(shí)別的實(shí)驗(yàn)中展現(xiàn)出較好的性能。 此外， 實(shí)驗(yàn)證明數(shù)據(jù)增廣可以進(jìn)一步提升識(shí)別模型的性能。

目前基于深度殘差網(wǎng)絡(luò)的輻射源識(shí)別方法仍有改進(jìn)空間。 首先， 復(fù)信號(hào)樣本雖保留了信號(hào)的原始信息， 但并未使神經(jīng)網(wǎng)絡(luò)將更多的注意力權(quán)重轉(zhuǎn)移到區(qū)分性強(qiáng)的特征上去。 其次， 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)分類性能有很大的影響。 因此， 未來有必要在輻射源個(gè)體識(shí)別這一課題中， 研究并使用更加貼近數(shù)據(jù)源分布規(guī)律的深度學(xué)習(xí)模型。

參考文獻(xiàn)：

[1] 黃開平， 梁紅， 李少偉. 輻射源個(gè)體識(shí)別技術(shù)研究[J]. 通信對(duì)抗， 2011（3）：? 23-27.

Huang Kaiping，? Liang Hong，? Li Shaowei.? Research on Specific Emitter Identification[J].? Communication Countermeasures，? 2011（3）：? 23-27.? （in Chinese）

[2] 秦嘉. 基于深度學(xué)習(xí)的通信輻射源個(gè)體識(shí)別[D]. 北京： 北京郵電大學(xué)， 2019.

Qin Jia.? Individual Identification of Communication Emitter Based on Deep Learning[D].? Beijing： Beijing University of Posts and Telecommunications，? 2019.? （in Chinese）

[3] Ureten O，? Serinken N.? Wireless Security through RF Fingerprinting[J].? Canadian Journal of Electrical and Computer Engineering，? 2007，? 32（1）：? 27-33.

[4] 蔡忠偉， 李建東. 基于雙譜的通信輻射源個(gè)體識(shí)別[J].? 通信學(xué)報(bào)，? 2007，? 28（2）：? 75-79.

Cai Zhongwei，? Li Jiandong.? Study of Transmitter Individual Identification Based on Bispectra[J].? Journal on Communications，? 2007，? 28（2）：? 75-79.? （in Chinese）

[5] Dudczyk J，? Kawalec A.? Fractal Features of Specific Emitter Identification[J].? Acta Physica Polonica A，? 2013，? 124（3）：? 406-409.

[6] 李林， 姬紅兵. 基于模糊函數(shù)的雷達(dá)輻射源個(gè)體識(shí)別[J]. 電子與信息學(xué)報(bào)， 2009， 31（11）： 2546-2551.

Li Lin，? Ji Hongbing.? Specific Emitter Identification Based on Ambiguity Function[J].? Journal of Electronics & Information Technology，? 2009， 31（11）： 2546-2551.? （in Chinese）

[7] Scanlon P，? Kennedy I O，? Liu Y H.? Feature Extraction Approaches to RF Fingerprinting for Device Identification in Femtocells[J].? Bell Labs Technical Journal，? 2010，? 15（3）：? 141-151.

[8] Yu P L，? Sadler B M.? MIMO Authentication via Deliberate Fingerprinting at the Physical Layer[J].? IEEE Transactions on Information Forensics and Security，? 2011，? 6（3）：? 606-615.

[9] Hinton G E.? To Recognize Shapes，? First Learn to Generate Images[J].? Progress in Brain Research，? 2007，? 165（6）： 535-547.

[10] 莊旭陽， 陳寶國(guó)， 張景山.? 深度學(xué)習(xí)在紅外目標(biāo)跟蹤中的應(yīng)用展望[J].? 航空兵器，? 2019，? 26 （1）：? 47-52.

Zhuang Xuyang，? Chen Baoguo，? Zhang Jingshan.? Application Prospect of Deep Learning in Infrared Target Tracking [J].? Aero Weaponry，? 2019，? 26（1）：? 47-52.? （in Chinese）

[11] 趙琰， 劉荻， 趙凌君.? 基于YOLOv3 的復(fù)雜環(huán)境紅外弱小目標(biāo)檢測(cè)[J].? 航空兵器，? 2019，? 26 （6）：? 29-34.

Zhao Yan，? Liu Di，? Zhao Lingjun.? Infrared Dim and Small Target Detection Based on YOLOv3 in Complex Environment[J].? Aero Weaponry，? 2019，? 26 （6）：? 29-34. （in Chinese）

[12] 付哲泉， 李相平， 李尚生，? 等.? 深度學(xué)習(xí)在雷達(dá)目標(biāo)高分辨距離像識(shí)別中的研究綜述[J].? 航空兵器，? 2020，? 27（3）：? 37-43.

Fu Zhequan，? Li Xiangping，? Li Shangsheng，? et al.? Review of Radar HRRP Target Recognition Based on Deep Learning[J].? Aero Weaponry，? 2020，? 27 （3）：? 37-43.? （in Chinese）

[13] Oshea T J，? Roy T，? Clancy T C.? Over-the-Air Deep Learning Based Radio Signal Classification[J].? IEEE Journal of Selected Topics in Signal Processing，? 2018，? 12（1）：? 168-179.

[14] Nachmani E，? Marciano E，? Lugosch L，? et al.? Deep Learning Methods for Improved Decoding of Linear Codes[J].? IEEE Journal of Selected Topics in Signal Processing，? 2018， 12（1）： 119-131.

[15] 徐宇恒， 程嗣怡， 董曉璇， 等. 基于DBN特征提取的雷達(dá)輻射源個(gè)體識(shí)別[J]. 空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 20（6）： 91-96.

Xu Yuheng，? Cheng Siyi，? Dong Xiaoxuan，? et al.? Radar Specific Emitter Identification Based on DBN Feature Extraction[J].? Journal of Air Force Engineering University （Natural Science Edition），? 2019，? 20（6）：? 91-96.? （in Chinese）

[16] 冷鵬飛， 徐朝陽. 一種深度強(qiáng)化學(xué)習(xí)的雷達(dá)輻射源個(gè)體識(shí)別方法[J]. 兵工學(xué)報(bào)， 2018， 39（12）： 2420-2426.

Leng Pengfei，? Xu Chaoyang.? Specific Emitter Identification Based on Deep Reinforcement Learning[J].? Acta Armamentarii，? 2018， 39（12）： 2420-2426.? （in Chinese）

[17] Jian T，? Rendon B C，? Gritsenko A，? et al.? MAC ID Spoofing-Resistant Radio Fingerprinting[C]∥IEEE Global Conference on Signal and Information Processing，? 2019.

[18] Strohmeier M，? Schafer M，? Lenders V，? et al.? Realities and Challenges of Nextgen Air Traffic Management：? The Case of ADS-B[J].? IEEE Communications Magazine，? 2014，? 52（5）：? 111-118.

[19] 王菲. 基于1 090 MHz ES數(shù)據(jù)鏈ADS-B關(guān)鍵技術(shù)研究[D]. 成都： 電子科技大學(xué)， 2009.

Wang Fei.? Research on Key Technologies of ADS-B Based on 1 090 MHz ES Data Link[D]. Chengdu： University of Electronic Science and Technology of China，? 2009.? （in Chinese）

[20] 許曉. 信號(hào)交疊下S模式ADS-B信號(hào)解碼仿真[D]. 廣漢： 中國(guó)民用航空飛行學(xué)院， 2013.

Xu Xiao.? Based on Signal Overlap Simulation of Mode S ADS-B Signal Decoding[D]. Guanghan：? Civil Aviation Flight University of China，? 2013.? （in Chinese）

[21] 戴超成. 廣播式自動(dòng)相關(guān)監(jiān)視 （ADS-B） 關(guān)鍵技術(shù)及仿真研究[D]. 上海： 上海交通大學(xué)，? 2011.

Dai Chaocheng.? Key Technology and Simulation Study for Automatic Dependent Surveillance-Broadcast （ADS-B） [D]. Shanghai： Shanghai Jiaotong University，? 2011.? （in Chinese）

[22] RTCA DO-260A-V1[S]. 20036-5133.

[23] He K M，? Sun J. Convolutional Neural Networks at Constrained Time Cost[C]∥IEEE Conference on Computer Vision and Pattern Recognition （CVPR），?? 2015.

[24] He K M，? Zhang X Y， Ren S Q， et al.? Deep Residual Learning for Image Recognition[C]∥IEEE Conference on Computer Vision and Pattern Recognition，? 2016.

Specific Emitter Identification of ADS-B Signal

Based on Deep Residual Network

Weng Lintianran1， Peng Jinlin2*， He Yuan3， Zhong Dudu4， Peng Jianhua1， Mao Xuanyu5

（1. PLA Strategic Support Force Information Engineering University， Zhengzhou 450002， China;

2. National Innovation Institute of Defense Technology， Beijing 100071， China;

3. Key Laboratory of Trustworthy Distributed Computing and Service， Ministry of Education，

Beijing University of Posts and Telecommunications， Beijing 100876， China;

4. Academy of the Rocket Force， Beijing 100038， China;

5. 8511st Research Institute of CASIC， Nanjing 210007， China）

Abstract： ?A specific emitter identification method based on deep residual network （DRN） is proposed to solve the problem that the traditional expert features relying on artificial extraction are difficult to characterize the subtle differences of specific emitters.The DRN is used to complete the identification task. The in-phase component （I-way） and the quadrature component （Q-way） of signal sample data are inputted into the DRN for training. The performance of the proposed method is evaluated by experiments on datasets containing actual collected ADS-B signals from different planes. The results show that the proposed DRN model achieves high classification accuracy without manual feature selection. Furthermore， data augmentation on signal-to-noise ratio can further improve the performance of the model.

Key words： ?ADS-B; specific emitter identification; deep residual network; deep learning