高曉利，李 捷，趙火軍，王 維，駱明偉

（四川九洲電器集團(tuán)有限責(zé)任公司，四川 綿陽 621000）

0 引言

射頻信號個體識別，又稱為輻射源“指紋識別”，是指對接收的電磁信號進(jìn)行特征測量，根據(jù)已有的先驗信息確定產(chǎn)生信號的輻射源個體，并將其與輻射源個體及所屬平臺和武器系統(tǒng)關(guān)聯(lián)起來，有著重要的戰(zhàn)略和戰(zhàn)術(shù)意義。

傳統(tǒng)方法主要分為暫態(tài)特征分析方法和穩(wěn)態(tài)特征分析方法，前者主要包括分形理論［1］、高階譜方法［2］、時頻分析方法［3］、頻譜模板法［3］、模糊函數(shù)［4］等，后者主要從雜散輸出、頻率穩(wěn)定度、信號包絡(luò)、碼元速率以及調(diào)制參數(shù)等方面進(jìn)行研究。然而，暫態(tài)特征一般持續(xù)時間比較短，包括的射頻信號個體信息有限，因而對信號捕捉設(shè)備硬件要求較高，而穩(wěn)態(tài)特征表現(xiàn)形式多樣且微小，提取難度較大。

近年來隨著深度學(xué)習(xí)技術(shù)的發(fā)展和廣泛應(yīng)用，在傳統(tǒng)基于特征提取的輻射源個體識別基礎(chǔ)上，深度學(xué)習(xí)算法如人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)等也被引入到信號識別中。2016 年，周東青［5］等提出了基于深度限制波爾茲曼機的輻射源信號類型識別模型，通過逐層自底向上無監(jiān)督學(xué)習(xí)獲得初始參數(shù)，并用反向傳播算法對整個模型進(jìn)行有監(jiān)督的參數(shù)微調(diào)，利用Softmax 進(jìn)行分類識別。2018 年，郭立民［6］等提出了基于棧式稀疏自編碼器的低信噪比、低截獲概率雷達(dá)信號調(diào)制類型識別。同年，徐熊［7］提出改進(jìn)型AlexNet 的輻射源個體識別方法，實現(xiàn)目標(biāo)細(xì)微特征提取固化，形成了智能化識別網(wǎng)絡(luò)模型。2019 年，葉文強［8］等提出了基于卷積神經(jīng)網(wǎng)絡(luò)輻射源信號識別算法，將一維的雷達(dá)輻射源信號轉(zhuǎn)化為二維時頻圖像，利用數(shù)字圖像處理技術(shù)進(jìn)行預(yù)處理，最后利用深度學(xué)習(xí)模型完成信號的分類識別。2020 年，秦鑫［9］等提出了基于擴張殘差網(wǎng)絡(luò)的方法，將時頻分析和擴張殘差網(wǎng)絡(luò)相結(jié)合實現(xiàn)雷達(dá)輻射源信號分類識別。

因此，本文在傳統(tǒng)暫態(tài)特征和穩(wěn)態(tài)特征提取方法的基礎(chǔ)上，結(jié)合SEA 網(wǎng)絡(luò)深度融合目標(biāo)特征優(yōu)勢和ResNet 網(wǎng)絡(luò)在解決退化問題時的優(yōu)勢，提出了一種基于SEA 和ResNet 網(wǎng)絡(luò)的射頻信號個體識別方法。主要包括信號時頻域特征提取方法分析、多域特征拼接與融合、基于輕量化ResNetLite 網(wǎng)絡(luò)的射頻信號個體識別方法等步驟。仿真結(jié)果表明，相對于傳統(tǒng)時頻域特征提取方法和BP 分類方法，本文提出新方法的識別率有一定程度的提升。

1 信號特征提取與融合

1.1 時頻域特征提取方法分析

隨著現(xiàn)代電子對抗的日益激烈，以及電磁環(huán)境復(fù)雜性的不斷增強，輻射源種類日益增多，倘若直接對原始信號進(jìn)行個體識別，當(dāng)敵方進(jìn)行惡意欺騙或干擾時，識別率較低。而傳統(tǒng)的脈沖上升沿的時域特征提取方法、傅里葉變換的頻域特征提取方法，僅能提取時域、頻域的特征，不能滿足個體識別需要，因此，需要通過各種方法提取信號的時頻域特征。

常見的時頻表示主要有短時傅里葉變換（Short Time Fourier Transform，STFT）、小波變換、Wigner-Ville 分布、模糊函數(shù)等［10-14］，其中，STFT 實質(zhì)上是加窗的傅里葉變換，隨著時間窗的移動而形成信號的時頻表示，其加窗寬度是固定的，適用于準(zhǔn)穩(wěn)態(tài)信號；小波變換是一種窗函數(shù)寬度可調(diào)的時頻表示；Wigner-Ville 分布是雙線性時頻表示典型代表，能反映信號能量的時頻分布；模糊函數(shù)可以實現(xiàn)數(shù)據(jù)在相關(guān)域下的自動對齊，其頻偏切片具有時移不敏感性，魯棒性更好。

每種方法都有其優(yōu)點和缺點，如表1 所示。

表1 不同特征提取方法優(yōu)缺點對比

1.2 特征融合

由于小波變換、FFT、WVD 變換等提取單一域上的特點，難以全面描述目標(biāo)特性，對目標(biāo)信息解析能力有限，容易丟失部分有效信息。尤其是在強雜波或低信噪比條件下，將目標(biāo)數(shù)據(jù)映射到某個域上，對其解析能力有限，難以全面描述目標(biāo)，導(dǎo)致特征區(qū)別不明顯，影響個體識別率。

因此，考慮到不同輻射源信號的特征量具有不同個體表征能力，將利用不同特征的差異性和互補性進(jìn)行特征融合，融合結(jié)果將作為最終特征。本文將小波變換、FFT 和WVD 變換提取的特征進(jìn)行串聯(lián)和拼接，通過將其串聯(lián)輸入到棧式自編碼網(wǎng)絡(luò)中進(jìn)行融合，棧式自編碼網(wǎng)絡(luò)通過自主學(xué)習(xí)提取目標(biāo)不同維度的特征，增強多維特征個體識別能力。

1.2.1 特征拼接融合方法

特征拼接融合方法的主要思想是通過小波變換降低噪聲對細(xì)微特征的影響，再通過FFT 變換提取信號頻域特征，而后通過WVD 變換提取信號的雙線性時頻特征，并將其拼接為一個新特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入實現(xiàn)目標(biāo)個體識別。

具體來講，將FFT 提取的特征向量（長度為n）拼接到相應(yīng)的WVD 特征向量B（長度m）的尾部，組成長度為n+m 的新向量，即融合特征向量，而后將這些融合向量組成的訓(xùn)練樣本送入到神經(jīng)網(wǎng)絡(luò)中訓(xùn)練分類，再通過測試融合向量得到分類結(jié)果。

圖1 特征拼接融合方法

FFT 和WVD 在某種程度上都是人工選擇特征的方法，在數(shù)據(jù)量和樣本維度比較高時，人工選取的特征在一定程度上仍然存在冗余和噪聲。為此，考慮引入自動提取特征的方法，使模型能夠在訓(xùn)練時從特征樣本中再次學(xué)習(xí)到更簡潔、更高效的特征樣本。因此，本文提出了基于二次特征提取的特征融合方法。

1.2.2 基于棧式自編碼的特征融合方法

在深度學(xué)習(xí)的眾多方法中，棧式自編碼是一種無監(jiān)督的學(xué)習(xí)網(wǎng)絡(luò)，能通過非線性的簡單模型將原始數(shù)據(jù)轉(zhuǎn)化為更為抽象的表達(dá)，再利用最優(yōu)化的學(xué)習(xí)算法，實現(xiàn)有效的特征融合?；赟AE 的特征融合，能充分減少特征之間的冗余，綜合特征之間的互補信息。另外，SAE 結(jié)構(gòu)相對簡單，能有效適應(yīng)信號快速識別需求，在樣本較少的情況下訓(xùn)練得到網(wǎng)絡(luò)泛化能力更強。

基于棧式自編碼多域特征融合方法，即二次特征融合的基本思路是，得到的串聯(lián)向量作為SAE 的輸入，利用SAE 融合原始特征中的互補信息，去除冗余信息。其流程如圖2 所示，其中，包含1 個輸入層、3 個隱藏層以及1 個輸出層。

圖2 SAE 特征融合方法

2 基于改進(jìn)殘差神經(jīng)網(wǎng)絡(luò)的射頻信號個體識別

在信號多域特征融合的基礎(chǔ)上，借鑒圖像多通道處理的思想，結(jié)合殘差神經(jīng)網(wǎng)絡(luò)解決傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)退化問題的優(yōu)勢，且針對嵌入式平臺對低存儲的需求，本文提出了一種輕量化ResNetLite 射頻信號個體識別方法。

2.1 殘差神經(jīng)網(wǎng)絡(luò)

圖3 殘差網(wǎng)絡(luò)學(xué)習(xí)模塊

因此，在射頻信號個體識別技術(shù)采用ResNet 網(wǎng)絡(luò)時，主要采用多通道思想，即把一維輸入向量改為三維輸入向量（多通道輸入）。

例如，假設(shè)一維輸入特征向量長度分別為1 024，2 048 和4 096，則多通道輸入格式可分別為（16，16，4）、（16，16，8）和（16，16，16）。當(dāng)然還可以有其他輸入格式，具體取值需要通過大量實驗進(jìn)行調(diào)整和選擇。

2.2 輕量化ResNetLite 方法

為了在保證正確率的前提下減少傳統(tǒng)神經(jīng)網(wǎng)絡(luò)參數(shù)，本文提出了深度可分離輕量化ResNetLite網(wǎng)絡(luò)，主要思想是采用MobileNet V2 中的殘差模塊和取消深度可分離卷積后的線性激活方法。

多通道多尺度并行融合輕量化ResNetLite 網(wǎng)絡(luò)的特點及流程如下：

1）設(shè)計原則是在保證輸出的維度和尺寸不變的情況下，將256 個特征圖分別輸入到兩個通道中，并采用3×3 和5×5 兩種不同尺度的卷積核分別進(jìn)行深度可分離卷積操作，即將普通卷積分解為組卷積和點卷積，不同尺度卷積核是為了獲取更加多樣和充分的特征。

2）然后通過1×1 的卷積核對輸出特征進(jìn)行點卷積和SAE 融合操作。

3）同時，為了防止過擬合，提取更本質(zhì)的特征，引入殘差學(xué)習(xí)。

4）最后再進(jìn)行一輪1×1 的卷積操作，讓兩條支路的信息更好地融合在一起，其流程見圖5 所示。

圖5 輕量化ResNetLite 網(wǎng)絡(luò)流程圖

輕量化ResNetLite 網(wǎng)絡(luò)相對于原始ResNet 網(wǎng)絡(luò)，從理論上講可將模型壓縮7 倍～9 倍。

3 數(shù)值試驗

基于150 MHz 采樣率采集的30 個目標(biāo)ADS-B信號，依托HP 800 G3 的Tensorflow Python 開發(fā)環(huán)境，驗證本文提出的基于棧式自編碼和殘差神經(jīng)網(wǎng)絡(luò)的射頻信號個體識別方法的有效性。

3.1 實采信號

信號實時采集平臺由實時頻譜分析儀RSA 6114（頻率范圍9 kHz～14 GHz）、濾波器、放大器以及天線等設(shè)備組成，實現(xiàn)空中真實ADS-B 等信號的偵收，采樣率設(shè)置為150 MHz。

目前，實采信號的原始信號、同步頭信號、同步頭小波+FFT 變換、同步頭WVD 變換，分別如下頁圖6 所示。

圖6 原始信號及變換特征示意圖

3.2 特征融合

基于實采信號的特征，驗證特征拼接融合方法和基于SEA 特征融合方法的性能。

3.2.1 特征拼接融合方法

針對實采信號提取的1 024 維特征，分別對5個目標(biāo)、10 個目標(biāo)、20 個目標(biāo)及30 個目標(biāo)4 種情況，從以下兩種特征輸入進(jìn)行仿真對比：方法1：基于小波變換和FFT 特征的方法，方法2：基于小波變換、FFT 和WVD 變換拼接特征的方法，驗證特征拼接融合方法的有效性。

不同學(xué)習(xí)速率不同維數(shù)輸入特征向量，不同目標(biāo)數(shù)量時個體識別率仿真結(jié)果可用圖7 表示。

圖7 不同目標(biāo)數(shù)個體識別率對比圖

假設(shè)方法1 表示輸入特征為小波+FFT，不同目標(biāo)數(shù)量時，方法2 相對方法1 個體別率提升百分比結(jié)果如表2 所示。

表2 個體識別率提升百分比（%）

由表2 可以看出，簡單拼接后的特征融合結(jié)果并不一定優(yōu)于原特征，也不一定劣于原特征。分析其原因：特征FFT 和WVD 特征之間存在一定的相關(guān)性，融合后可能產(chǎn)生新的噪聲，影響識別結(jié)果。而5 個目標(biāo)時，融合后特征優(yōu)于單一特征。

3.2.2 基于棧式自編碼的特征融合方法

針對實采信號提取的1 024 維特征，通過與特征拼接融合方法，分別對5 個目標(biāo)、10 個目標(biāo)、20個目標(biāo)及30 個目標(biāo)4 種情況，驗證基于SEA 的特征融合方法有效性和優(yōu)勢。

3 種不同方法仿真對比結(jié)果表3 所示，SAE 特征融合相對于原始方法、特征拼接識別率提升百分比分別如圖4、圖5 所示。

圖4 輕量化ResNetLite 網(wǎng)絡(luò)示意圖

表3 SAE 特征融合方法個體識別率（%）

圖8 SAE 識別率提升百分比

由圖5（a）和圖5（b）可知，SAE 融合方法相對于特征拼接方法、傳統(tǒng)方法，識別率都有明顯提升，尤其是目標(biāo)數(shù)量比較多時，SAE 融合方法分別有6.24%和4.99%的提升；從整體上看，SAE 融合方法相對于傳統(tǒng)方法、特征拼接方法至少有1.2%的提升。因此，項目后續(xù)基于SAE 特征融合方法實現(xiàn)個體識別。

3.3 基于ResNet 網(wǎng)絡(luò)的方法

針對30 個目標(biāo)的實采信號，每個目標(biāo)400 個樣本，基于實采信號的4 個同步頭、同步頭+DF 位特征，利用BP、VGG 和ResNet 3 種智能分類方法進(jìn)行仿真。

由以上分析可知，針對實采信號4 個同步頭信號，采用殘差網(wǎng)絡(luò)效果最好，其中，VGG13 效果比VGG16 效果好是因為過擬合原因，即層數(shù)增加不一定會提高識別率。

表4 基于同步頭特征的仿真結(jié)果對比

表5 基于同步頭+DF 特征的仿真結(jié)果對比

根據(jù)以上分析，實采信號特征提取方法采用小波變換+傅里葉變換后的特征，智能分類學(xué)習(xí)算法采用Resnet18，識別率最高，效果最好。

3.4 輕量化ResNetLite 網(wǎng)絡(luò)的方法

仿真條件與3.3 相同，以ResNet18 網(wǎng)絡(luò)為例，從輕量化前后模型大小、預(yù)測時間和識別率3 個角度進(jìn)行仿真對比，仿真結(jié)果如表6 所示。

表6 ResNet18 網(wǎng)絡(luò)輕量化結(jié)果對比表

從表3 可以看出，多通道輕量化ResNet 網(wǎng)絡(luò)在幾乎不損失識別率的情況下，模型壓縮達(dá)7 倍，預(yù)測時間縮短了20%以上。

4 結(jié)論

本文結(jié)合棧式自編碼網(wǎng)絡(luò)深度融合目標(biāo)特征優(yōu)勢和殘差神經(jīng)網(wǎng)絡(luò)在解決退化問題時的優(yōu)勢，提出了一種基于SEA 和ResNet 網(wǎng)絡(luò)的射頻信號個體識別方法。主要包括信號時頻域特征提取方法分析、多域特征拼接與融合、基于輕量化ResNetLite 網(wǎng)絡(luò)的射頻信號個體識別方法等步驟。仿真結(jié)果表明，相對于傳統(tǒng)時頻域特征提取方法和BP 分類方法，本文提出的新方法能夠有效提取和融合信號細(xì)微、高層次及深層次特征，且識別率有一定幅度的提升。同時，對計算資源、存儲資源的消耗有約7 倍的降低，可支持嵌入式設(shè)備小型化需求，便于工程實現(xiàn)。