摘 要：非合作條件下的信號(hào)檢測(cè)、調(diào)制方式識(shí)別及輻射源個(gè)體識(shí)別（Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ） 等任務(wù)，是開(kāi)展戰(zhàn)場(chǎng)通信偵察的重要環(huán)節(jié)。隨著無(wú)線通信技術(shù)的飛速發(fā)展，輻射源種類愈加多樣，信號(hào)體制愈加復(fù)雜，加之惡劣的電磁環(huán)境，給ＳＥＩ 工作帶來(lái)了極大的挑戰(zhàn)。近年來(lái)，隨著深度學(xué)習(xí)的飛速發(fā)展，及其在自然語(yǔ)言處理和計(jì)算機(jī)視覺(jué)等領(lǐng)域的有效應(yīng)用，學(xué)者們逐漸將其應(yīng)用到ＳＥＩ 任務(wù)中，并取得了豐富的研究成果。鑒于現(xiàn)有文獻(xiàn)缺乏開(kāi)源數(shù)據(jù)集，匯編了可用的開(kāi)源數(shù)據(jù)集，從知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)２ 個(gè)維度對(duì)ＳＥＩ 方法進(jìn)行詳盡梳理，包括專家系統(tǒng)方法和深度學(xué)習(xí)技術(shù)。通過(guò)對(duì)比分析揭示了深度學(xué)習(xí)在ＳＥＩ 任務(wù)中的優(yōu)勢(shì)，并針對(duì)當(dāng)前深度學(xué)習(xí)在ＳＥＩ 領(lǐng)域面臨的問(wèn)題，總結(jié)了未來(lái)ＳＥＩ 的發(fā)展方向。

關(guān)鍵詞：通信輻射源；輻射源個(gè)體識(shí)別；深度學(xué)習(xí)；數(shù)據(jù)驅(qū)動(dòng)；開(kāi)集識(shí)別

中圖分類號(hào)：ＴＰ１８；ＴＮ９２ 文獻(xiàn)標(biāo)志碼：Ａ 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１０６（２０２４）０６－１３３７－０９

０ 引言

輻射源個(gè)體識(shí)別（Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＳＥＩ）也稱特定輻射源識(shí)別，是指通過(guò)提取接收信號(hào)上能體現(xiàn)輻射源個(gè)體差異的特征，實(shí)現(xiàn)對(duì)輻射源個(gè)體的識(shí)別［１］。這種特征只與發(fā)射機(jī)器件的硬件差異有關(guān)，與信號(hào)的調(diào)制樣式、信道傳輸特性和接收機(jī)性能等因素?zé)o關(guān)，類似于指紋唯一性，因此也稱為輻射源指紋特征。輻射源指紋特征來(lái)源于發(fā)射機(jī)部件中硬件的固有損傷，例如本地振蕩器的相位噪聲和載波頻偏、調(diào)制器的Ｉ ／ Ｑ 失配以及功率放大器的非線性失真等。

ＳＥＩ 技術(shù)應(yīng)用較為廣泛，在軍事應(yīng)用方面，該技術(shù)可在復(fù)雜多變的戰(zhàn)場(chǎng)環(huán)境下，利用非合作通信信號(hào)識(shí)別輻射源個(gè)體屬性，為確定目標(biāo)身份、預(yù)測(cè)戰(zhàn)略意圖以及獲取戰(zhàn)場(chǎng)電磁態(tài)勢(shì)提供重要依據(jù)，對(duì)確保通信系統(tǒng)安全、提高軍事通信偵察和對(duì)抗能力具有重要意義［２］。在民用方面，隨著物聯(lián)網(wǎng)的不斷發(fā)展，在萬(wàn)物互聯(lián)的大背景下利用ＳＥＩ 技術(shù)可從設(shè)備的物理層開(kāi)展身份認(rèn)證，降低無(wú)線通信的克隆隱患，增強(qiáng)無(wú)線通信的安全性。由于無(wú)線通信的需求激增，頻譜資源日漸緊張，ＳＥＩ 技術(shù)可用于跟蹤非法占用頻譜資源的用戶，實(shí)現(xiàn)頻譜資源的合理分配和高效監(jiān)管［３］。

早期ＳＥＩ 方法主要基于專家經(jīng)驗(yàn)特征開(kāi)展研究，特征單一且泛化性能差。近年來(lái)，隨著深度學(xué)習(xí)（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＤＬ）的發(fā)展及其在各領(lǐng)域的廣泛應(yīng)用，研究人員開(kāi)始探索將ＤＬ 應(yīng)用到信號(hào)識(shí)別領(lǐng)域。２０１６ 年，Ｏ’ｓｈｅａ 等［４］將卷積神經(jīng)網(wǎng)絡(luò)（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）應(yīng)用于自動(dòng)調(diào)制識(shí)別（ＡｕｔｏｍａｔｉｃＭｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ，ＡＭＲ），并在ＲＭＬ２０１６． １０ａ 數(shù)據(jù)集開(kāi)展實(shí)驗(yàn)驗(yàn)證。當(dāng)信噪比為０ ｄＢ 時(shí)，ＣＮＮ 的調(diào)制識(shí)別準(zhǔn)確率可達(dá)到７８％ 。２０１８ 年，Ｍｅｒｃｈａｎｔ 等［５］利用ＺｉｇＢｅｅ 信號(hào)數(shù)據(jù)集，驗(yàn)證了ＣＮＮ 在ＳＥＩ 領(lǐng)域的性能，在測(cè)試集上達(dá)到了７７． ０１％ 的分類正確率。因此，利用神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)的深度特征，識(shí)別信號(hào)的類別屬性，在信號(hào)識(shí)別領(lǐng)域具有一定的研究意義與應(yīng)用價(jià)值。

在以往關(guān)于ＳＥＩ 的研究綜述中，對(duì)基于深度學(xué)習(xí)的輻射源識(shí)別方法關(guān)注度不足，且文獻(xiàn)綜述不夠全面。此外，現(xiàn)有綜述對(duì)相關(guān)可用數(shù)據(jù)集的系統(tǒng)性介紹較為缺乏，鑒于數(shù)據(jù)和算法是深度學(xué)習(xí)的２ 個(gè)核心要素，是執(zhí)行ＳＥＩ 任務(wù)的基礎(chǔ)和重要工具。針對(duì)上述局限性，本文圍繞數(shù)據(jù)、算法對(duì)基于深度學(xué)習(xí)的通信ＳＥＩ 進(jìn)行綜述，首先概述了ＤＬ 及其在ＳＥＩ 領(lǐng)域應(yīng)用的發(fā)展歷程，提供了開(kāi)源ＳＥＩ 數(shù)據(jù)集匯編，進(jìn)一步綜述了基于知識(shí)驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)的ＳＥＩ 方法，并對(duì)目前基于ＤＬ 的ＳＥＩ 研究存在的難點(diǎn)問(wèn)題和未來(lái)的發(fā)展方向進(jìn)行了深入分析。

１ 發(fā)展歷程

１． １ 深度學(xué)習(xí)發(fā)展歷程

１９５０ 年，被譽(yù)為“計(jì)算機(jī)科學(xué)之父”的圖靈提出“圖靈測(cè)試”，讓機(jī)器產(chǎn)生智能這一想法開(kāi)始進(jìn)入大眾視野。１９５６ 年，Ｊｏｈｎ ＭｃＣａｒｔｈｙ （圖靈獎(jiǎng)得主）、Ｍａｒｖｉｎ Ｍｉｎｓｋｙ（人工智能與認(rèn)知學(xué)專家，圖靈獎(jiǎng)得主）和Ｃｌａｕｄｅ Ｓｈａｎｎｏｎ（信息論創(chuàng)始人）等學(xué)者以機(jī)器模擬智能為主題，在美國(guó)新罕布什爾州達(dá)特茅斯學(xué)院展開(kāi)大討論，史稱“達(dá)特茅斯會(huì)議”。在此次會(huì)議上，“人工智能”的概念被首次提出。２０ 世紀(jì)７０ 年代，由于算力和理論的匱乏，人工智能的前沿應(yīng)用難以實(shí)現(xiàn)，發(fā)展進(jìn)入低谷；９０ 年代末，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和計(jì)算能力的增強(qiáng)，人工智能發(fā)展提速，人工智能技術(shù)的應(yīng)用已逐漸在醫(yī)療保健、電子商務(wù)和社交媒體等行業(yè)落地。

神經(jīng)網(wǎng)絡(luò)也已具有近８０ 年的發(fā)展歷史。ＤＬ 源于對(duì)人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＡＮＮ）的研究，其本質(zhì)是一個(gè)深層神經(jīng)網(wǎng)絡(luò)，前層的輸出作為后層的輸入，可實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的多級(jí)表示，并從中自動(dòng)學(xué)習(xí)抽象、深層次的特征。近年來(lái)，ＤＬ 在圖像分類［６－７］、目標(biāo)檢測(cè)［８－９］及自然語(yǔ)言處理［１０－１１］等領(lǐng)域取得了較為顯著的成果，將其與各領(lǐng)域相結(jié)合是目前較為熱門的研究方向。ＤＬ 包含一系列算法，如前向神經(jīng)網(wǎng)絡(luò)、ＣＮＮ、循環(huán)神經(jīng)網(wǎng)絡(luò)（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）和自動(dòng)編碼器等，且算法仍在不斷地被創(chuàng)新發(fā)展。

ＣＮＮ 是一種典型的深度前饋神經(jīng)網(wǎng)絡(luò)，一般包括卷積層、池化層、激活層和連接層，具有局部連接、權(quán)值共享和降采樣等特點(diǎn)，可有效處理圖像數(shù)據(jù)，得到了廣泛研究與應(yīng)用。１９８０ 年，福島邦彥（鮑爾獎(jiǎng)得主）提出了“Ｎｅｏｃｏｇｎｉｔｒｏｎ”，將人類視覺(jué)系統(tǒng)中的思想引入ＡＮＮ，創(chuàng)造了ＣＮＮ 的雛形。２０ 世紀(jì)８０ 年代末，ＬｅＣｕｎ 將反向傳播算法引入神經(jīng)網(wǎng)絡(luò)，開(kāi)發(fā)了ＬｅＮｅｔ，并在１９９８ 年將改進(jìn)后的ＬｅＮｅｔ５ 成功應(yīng)用到手寫字符識(shí)別系統(tǒng)中。自１９９８ 年開(kāi)始，ＬｅＮｅｔ［１２］、ＡｌｅｘＮｅｔ［１３］、ＶＧＧ［１４］、ＧｏｏｇＬｅＮｅｔ［１５］以及ＲｅｓＮｅｔ［１６］等代表性模型相繼提出，并逐漸應(yīng)用于ＳＥＩ 領(lǐng)域。ＣＮＮ 的輸出只與前層輸入有關(guān)，不考慮其他時(shí)刻輸入的影響，因此在處理與時(shí)序相關(guān)的任務(wù)時(shí)性能會(huì)有所下降。ＲＮＮ［１７］是一種節(jié)點(diǎn)定向連接的遞歸神經(jīng)網(wǎng)絡(luò)，中間隱藏層的輸出不僅與當(dāng)前時(shí)刻的輸入有關(guān)，還與前一時(shí)刻的輸出有關(guān)，因此該網(wǎng)絡(luò)具有記憶功能，能有效挖掘數(shù)據(jù)中的時(shí)序信息和語(yǔ)義信息，在語(yǔ)音識(shí)別、機(jī)器翻譯［１８－１９］等自然語(yǔ)言處理領(lǐng)域取得了良好的效果。利用ＲＮＮ 處理長(zhǎng)序列時(shí)，在訓(xùn)練過(guò)程中可能存在梯度消失和梯度爆炸的問(wèn)題，由此產(chǎn)生了長(zhǎng)短時(shí)記憶（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）［２０］網(wǎng)絡(luò)。ＬＳＴＭ 引入門控單元，包括遺忘門、記憶門和輸出門，以改善ＲＮＮ 長(zhǎng)時(shí)依賴等問(wèn)題，目前較為常用的ＲＮＮ 模型為ＬＳＴＭ 及其變種。

１． ２ 基于ＤＬ 的輻射源識(shí)別研究

隨著無(wú)線電通信的迅猛發(fā)展，輻射源數(shù)量激增，信號(hào)調(diào)制方式繁多復(fù)雜，傳統(tǒng)的基于專家經(jīng)驗(yàn)的ＳＥＩ 方法已無(wú)法滿足現(xiàn)實(shí)需求。２０ 世紀(jì)７０ 年代，為了從復(fù)雜信號(hào)中有效提取個(gè)體指紋特征，研究人員開(kāi)始將ＡＩ 引入ＳＥＩ 領(lǐng)域。１９８５ 年，英國(guó)海軍研究部將ＡＮＮ 應(yīng)用于ＳＥＩ 領(lǐng)域，利用先驗(yàn)知識(shí)建立輻射源數(shù)據(jù)庫(kù)，并驗(yàn)證了ＡＮＮ 的ＳＥＩ 識(shí)別性能［２１］，隨后，ＡＮＮ、專家系統(tǒng)、模糊邏輯和進(jìn)化計(jì)算等被逐漸應(yīng)用到ＳＥＩ 領(lǐng)域［２２－２４］。

近年來(lái)，學(xué)者們逐漸將ＤＬ 應(yīng)用到ＳＥＩ 領(lǐng)域，實(shí)現(xiàn)過(guò)程如圖１ 所示。具體而言，該過(guò)程涉及對(duì)采集的輻射源信號(hào)進(jìn)行預(yù)處理，以便對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行處理。預(yù)處理后的輻射源信號(hào)或其變換后的圖片輸入神經(jīng)網(wǎng)絡(luò)，通過(guò)卷積操作有效地提取信號(hào)中的隱含特征，將輸出特征送入分類器，利用有監(jiān)督學(xué)習(xí)的方法對(duì)輸出特征進(jìn)行分類，實(shí)現(xiàn)輻射源個(gè)體的準(zhǔn)確識(shí)別。

２０１８ 年，文獻(xiàn)［２５］將Ｉ ／ Ｑ 序列直接輸入ＣＮＮ提取指紋特征，并證實(shí)了該方法在個(gè)體識(shí)別中的可行性。Ｍｅｒｃｈａｎｔ 等［２６］通過(guò)頻率校正處理輸入信號(hào)，以消除設(shè)備相關(guān)的載波頻率偏移，并提出了一種基于ＣＮＮ 的時(shí)域復(fù)基帶誤差信號(hào)指紋特征提取的框架，該框架在ＺｉｇＢｅｅ 信號(hào)數(shù)據(jù)集上達(dá)到９２． ２９％ 的識(shí)別準(zhǔn)確率。在后續(xù)工作中文獻(xiàn)［２６］改進(jìn)了序列預(yù)處理并在網(wǎng)絡(luò)中引入遞歸分量，顯著提高了模型在低信噪比環(huán)境下ＳＥＩ 性能。因此，ＤＬ 在ＳＥＩ 領(lǐng)域展現(xiàn)出了潛在的研究?jī)r(jià)值，然而該方法面臨訓(xùn)練數(shù)據(jù)不充分、模型過(guò)擬合以及響應(yīng)速度慢等問(wèn)題，當(dāng)前研究工作致力于解決這些問(wèn)題，以進(jìn)一步提升ＤＬ在ＳＥＩ 領(lǐng)域的應(yīng)用效能。

２ 基于ＤＬ 的通信輻射源識(shí)別

２． １ 開(kāi)源通信輻射源數(shù)據(jù)集

鑒于ＳＥＩ 領(lǐng)域的特殊性，可用的開(kāi)源數(shù)據(jù)集相對(duì)匱乏，主要源于該領(lǐng)域?qū)?shù)據(jù)的敏感性和保密性要求。因此，研究者在開(kāi)展ＳＥＩ 相關(guān)研究時(shí)常常面臨數(shù)據(jù)獲取困難的問(wèn)題，也影響了模型泛化能力和實(shí)際應(yīng)用的可靠性。下文簡(jiǎn)要介紹了３ 個(gè)ＳＥＩ 領(lǐng)域的公開(kāi)數(shù)據(jù)集，以便開(kāi)展相關(guān)的實(shí)驗(yàn)和算法驗(yàn)證。

（１）ＯＲＡＣＬＥ

ＯＲＡＣＬＥ 數(shù)據(jù)集來(lái)源于文章“ＯＲＡＣＬＥ：Ｏｐｔｉｍｉｚｅｄ Ｒａｄｉｏ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｔｈｒｏｕｇｈ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”。ＯＲＡＣＬＥ［２７］是一種在物理層利用ＩＱ 樣本從大量位相似設(shè)備（相同的硬件、協(xié)議、物理地址和ＭＡＣ ＩＤ）中識(shí)別不同無(wú)線電設(shè)備的方法。該方法采用１６ 臺(tái)Ｘ３１０ ＵＳＲＰ ＳＤＲＳ 設(shè)備發(fā)射信號(hào)，同一臺(tái)Ｂ２１０ ＵＳＲＰ 設(shè)備接收信號(hào)。在實(shí)驗(yàn)設(shè)置中，接收機(jī)工作中心頻率為２． ４５ ＧＨｚ，采樣速率為５ ＭＳ ／ ｓ，采集到的Ｉ ／ Ｑ 序列被進(jìn)一步劃分為長(zhǎng)度１２８ 的子序列。每臺(tái)設(shè)備收集超過(guò)２ ０００ 萬(wàn)個(gè)樣本，接收機(jī)與發(fā)射機(jī)之間的距離由０． ６ ｍ 逐步增加到１９ ｍ，步長(zhǎng)為１． ９ ｍ。ＯＲＡＣＬＥ 數(shù)據(jù)集分為兩部分：數(shù)據(jù)集１ 為ｒａｗ Ｉ ／ Ｑ 信號(hào)，數(shù)據(jù)集２ 為經(jīng)過(guò)解調(diào)的Ｉ ／ Ｑ 信號(hào)，這些數(shù)據(jù)被進(jìn)一步劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，以便于模型訓(xùn)練和評(píng)估。

（２）ＡＤＳ-Ｂ 信號(hào)集

ＡＤＳ-Ｂ 全稱為廣播式自動(dòng)相關(guān)監(jiān)視，是一種以廣播方式實(shí)時(shí)傳輸飛機(jī)的動(dòng)態(tài)飛行信息的技術(shù)，包括航跡、速度和經(jīng)緯度等關(guān)鍵參數(shù)，并攜帶飛機(jī)唯一識(shí)別信息（ＩＣＡＯ 編碼），以標(biāo)識(shí)飛機(jī)身份，被廣泛應(yīng)用于實(shí)時(shí)監(jiān)測(cè)飛機(jī)的狀態(tài)［２８］。ＡＤＳＢ 信號(hào)集具有數(shù)據(jù)規(guī)模大、易于標(biāo)注且開(kāi)源的特點(diǎn)，作為ＳＥＩ 的數(shù)據(jù)集較為合適。ＡＤＳＢ 數(shù)據(jù)集由哈爾濱工業(yè)大學(xué)信息與通信工程實(shí)驗(yàn)室發(fā)布，包含１ ６６１ 種類別的飛機(jī)長(zhǎng)信號(hào)２６ ６１３ 條，以及１ ７１３ 種類別的飛機(jī)短信號(hào)１６７ ２３４ 條［２９］。

（３）ＦＩＴ ／ Ｃｏｒｔｅ Ｘｌａｂ

ＦＩＴ ／ Ｃｏｒｔｅ Ｘｌａｂ 數(shù)據(jù)集由法國(guó)里昂國(guó)立應(yīng)用科學(xué)學(xué)院發(fā)布，并得到了Ａｌｃａｔｅｌ-Ｌｕｃｅｎｔ Ｂｅｌｌ Ｌａｂｓ 的支持。該數(shù)據(jù)集利用２２ 臺(tái)ＮＩ ＵＳＲＰ Ｎ２９３２ 設(shè)備生成，其中１ 臺(tái)設(shè)備作為固定接收端，其余２１ 臺(tái)設(shè)備負(fù)責(zé)信號(hào)發(fā)射，接收機(jī)中心頻點(diǎn)設(shè)置為４３３ ＭＨｚ，采樣率為５ ＭＳ ／ ｓ，接收信號(hào)以Ｉ ／ Ｑ 數(shù)據(jù)流的形式保存。每臺(tái)設(shè)備收集約５０ ０００ 個(gè)樣本［３０］，發(fā)射設(shè)備采用突發(fā)模式工作，無(wú)信號(hào)發(fā)射時(shí)放大器處于關(guān)閉狀態(tài)。研究團(tuán)隊(duì)特別針對(duì)ＩＱ 不平衡和ＤＣ 偏移對(duì)設(shè)備進(jìn)行了校準(zhǔn)，并將本地振蕩器信號(hào)泄露降至最低。發(fā)送數(shù)據(jù)類型包含３ 種：ＱＰＳＫ 調(diào)制位的固定序列、ＱＰＳＫ 隨機(jī)調(diào)制位序列以及噪聲序列。發(fā)送類型包括固定功率和變功率，其中變功率發(fā)射信噪比為９ ～ １４ ｄＢ［３１－３２］。

２． ２ 基于知識(shí)驅(qū)動(dòng)的輻射源識(shí)別技術(shù)

知識(shí)驅(qū)動(dòng)主要是指根據(jù)專業(yè)知識(shí)和經(jīng)驗(yàn)來(lái)解決問(wèn)題。早期階段的特征提取采用基于專家經(jīng)驗(yàn)的提取方法，即根據(jù)現(xiàn)有對(duì)輻射源畸變的認(rèn)知，人工提取輻射源指紋特征?；趯＜医?jīng)驗(yàn)的特征提取方法可分為以下３ 類：基于信號(hào)參數(shù)、基于數(shù)學(xué)表述以及基于機(jī)理分析［１］。

由于早期輻射源制造工藝的限制，不同設(shè)備的發(fā)射信號(hào)參數(shù)存在顯著差異，可通過(guò)分析信號(hào)參數(shù)進(jìn)行特征提取。通信信號(hào)可分為暫態(tài)信號(hào)和穩(wěn)態(tài)信號(hào)。暫態(tài)信號(hào)是指設(shè)備開(kāi)關(guān)機(jī)、工作模式切換等過(guò)程中產(chǎn)生的信號(hào)，由于無(wú)能量較強(qiáng)的調(diào)制信號(hào)的覆蓋，暫態(tài)信號(hào)富含細(xì)微的指紋特征，但由于其持續(xù)時(shí)間短，且易受外部噪聲的影響，使得信號(hào)捕捉和特征提取變得復(fù)雜。穩(wěn)態(tài)信號(hào)是指發(fā)射設(shè)備在功率穩(wěn)定后發(fā)射的信號(hào)部分，相比之下，此類信號(hào)持續(xù)時(shí)間長(zhǎng)，易于捕捉，但是細(xì)微特征往往被傳輸信號(hào)淹沒(méi)，對(duì)特征提取方法要求較高［３３－３４］。針對(duì)暫態(tài)特征，美國(guó)空軍工程學(xué)院團(tuán)隊(duì)的Ｗｉｌｌｉａｍｓ 等［３５］利用ＧＳＭ、ＷｉＭＡＸ、ＺｉｇＢｅｅ 等信號(hào)，提取了瞬時(shí)幅度、相位和頻率等參數(shù)的多種統(tǒng)計(jì)指標(biāo)作為特征，并在信噪比大于１２ ｄＢ 的條件下實(shí)現(xiàn)９０％ 以上的ＧＳＭ 信號(hào)識(shí)別正確率。Ｒｅｉｓｉｎｇ 等［３６］針對(duì)ＷｉＦｉ 信號(hào)和ＷｉＭａｘ 信號(hào)，從中導(dǎo)字段提取了瞬時(shí)相位的統(tǒng)計(jì)特征，在同型號(hào)多部手機(jī)上取得了良好的識(shí)別效果。國(guó)內(nèi)陸滿君等［３７］采用遞歸圖法確定暫態(tài)信號(hào)的起止時(shí)刻，通過(guò)小波變化處理信號(hào)，并利用遺傳算法篩選出具有高區(qū)分度的特征，最終利用支持向量機(jī)（Ｓｕｐｐｏｒｔ ＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）實(shí)現(xiàn)ＳＥＩ。然而，隨著制造工藝的進(jìn)步，同批次同型號(hào)的輻射源之間硬件差異越來(lái)越小，使得傳統(tǒng)基于專家經(jīng)驗(yàn)的特征提取方法面臨挑戰(zhàn)，亟需發(fā)展新的方法以適應(yīng)當(dāng)前的實(shí)際需求。

基于數(shù)學(xué)表述的ＳＥＩ 方法側(cè)重于運(yùn)用數(shù)學(xué)工具對(duì)輻射源信號(hào)的個(gè)體特征進(jìn)行抽象表述。常用的工具包括小波變換［３８］、希爾伯特變換［３９－４０］、高階譜估計(jì)［４１－４３］、經(jīng)驗(yàn)?zāi)B(tài)分解（Ｅｍｐｉｒｉｃａｌ Ｍｏｄｅ Ｄｅｃｏｍｐｏｓｉ-ｔｉｏｎ，ＥＭＤ）［４４］以及壓縮感知［４５］等。例如，吳龍文等［３８］提出了一種基于同步壓縮小波變換的主信號(hào)抑制技術(shù)，并結(jié)合分形理論中的盒維數(shù)作為信號(hào)特征，利用ＳＶＭ 實(shí)現(xiàn)輻射源個(gè)體分類，實(shí)驗(yàn)結(jié)果證明了該方法在提升ＳＥＩ 正確率方面的有效性。類似地，文獻(xiàn)［３９］將希爾伯特－ 黃變換（Ｈｉｌｂｅｒｔ-ＨｕａｎｇＴｒａｎｓｆｏｒｍ，ＨＨＴ）與分形理論相結(jié)合，通過(guò)ＨＨＴ 獲取信號(hào)時(shí)頻能量譜，并基于分形理論提取差分盒維數(shù)和多重分形維數(shù)，組成特征向量輸入ＳＶＭ。實(shí)驗(yàn)結(jié)果表明該方法在低信噪比和小樣本的條件下仍具有良好的識(shí)別效果。鑒于實(shí)際通信信號(hào)的非平穩(wěn)、非線性和非高斯特性，傳統(tǒng)的功率譜與低階譜可能無(wú)法充分表征信號(hào)的本質(zhì)特征，高階統(tǒng)計(jì)量可用于檢測(cè)和描述系統(tǒng)的非線性特性，故桂云川等［４１］提出了基于雙譜特征融合的ＳＥＩ 方法，將對(duì)角積分雙譜與對(duì)角切片融合作為特征向量，驗(yàn)證了高階譜融合特征在提高ＳＥＩ 準(zhǔn)確率方面的有效性。２０１６ 年，文獻(xiàn)［４４］將ＥＭＤ 引入ＳＥＩ，并驗(yàn)證了其相較于傳統(tǒng)算法的性能提升，但ＥＭＤ 在運(yùn)行時(shí)間和算法效率方面存在一定的局限性。盡管基于數(shù)學(xué)表述的方法能揭示更為復(fù)雜的信號(hào)特征，但識(shí)別性能受限于選取的數(shù)學(xué)工具，且所提取的特征可能僅能從特定角度反映信號(hào)特性，具有一定的局限性。此外，該方法在體現(xiàn)輻射源指紋特征的物理本質(zhì)上存在不足，后續(xù)研究需要進(jìn)一步探索如何結(jié)合物理本質(zhì)和數(shù)學(xué)工具，從而更全面地捕捉輻射源的個(gè)體特征，提高ＳＥＩ 的準(zhǔn)確性和可靠性。

機(jī)理分析能夠深入探究信號(hào)產(chǎn)生機(jī)制，是最能揭示輻射源指紋特征本質(zhì)的一種方法。此類方法從發(fā)射機(jī)的組成模塊和工作原理出發(fā)，建立信號(hào)產(chǎn)生機(jī)理的模型，從而提取更為本質(zhì)的輻射源指紋特征。文獻(xiàn)［４６］針對(duì)自激振蕩式和主振放大式２ 類基本的發(fā)射機(jī)，對(duì)核心器件建模并分析，針對(duì)主振放大式發(fā)射機(jī)，建立了基于功放泰勒級(jí)數(shù)和沃爾特拉級(jí)數(shù)的模型，并給出了相應(yīng)的特征提取方法。此外，考慮到ＳＥＩ 依賴于特定接收機(jī)的局限性，文獻(xiàn)［４７］研究了接收機(jī)畸變的機(jī)理和形式，通過(guò)理論分析，證明了發(fā)射機(jī)和接收機(jī)中的濾波器、放大器分量對(duì)信號(hào)整體畸變的影響是等價(jià)的，并通過(guò)實(shí)驗(yàn)驗(yàn)證了不同接收機(jī)對(duì)同一發(fā)射信號(hào)提取特征的差異性。實(shí)驗(yàn)結(jié)果顯示，在不同接收機(jī)條件下，識(shí)別正確率從１００％ 、９５． ５％ 顯著下降到２０％ ，該結(jié)果可為后續(xù)ＳＥＩ 研究種的接收機(jī)畸變校正提供參考依據(jù)。針對(duì)功放畸變問(wèn)題，何家爍［４８］研究了功放系統(tǒng)的非線性特征和行為模型，并深入研究了接收端的非線性處理算法。盡管機(jī)理分析方法在ＳＥＩ 領(lǐng)域取得了一定的進(jìn)展，但尚未解決多種畸變特征的聯(lián)合提取問(wèn)題，且畸變模型僅體現(xiàn)當(dāng)前的認(rèn)知水平。由于輻射源指紋特征是由多種內(nèi)部器件共同作用的結(jié)果，對(duì)整個(gè)系統(tǒng)的精確建模和分析仍然具有難度。因此，機(jī)理分析方法在揭示輻射源指紋特征的物理本質(zhì)上尚有局限，未來(lái)的研究需要進(jìn)一步深化對(duì)輻射源內(nèi)部機(jī)制的理解，并建立更為全面的模型和分析方法。

２． ３ 基于數(shù)據(jù)驅(qū)動(dòng)的輻射源識(shí)別技術(shù)

基于數(shù)據(jù)驅(qū)動(dòng)的ＳＥＩ 技術(shù)主要基于大規(guī)模的監(jiān)督數(shù)據(jù)，利用ＤＬ 算法進(jìn)行特征提取與識(shí)別，如圖２所示?；冢模?的ＳＥＩ 任務(wù)，本質(zhì)上是將輻射源識(shí)別建模為深度學(xué)習(xí)框架下的分類問(wèn)題。在這一框架中，深度學(xué)習(xí)模型通過(guò)學(xué)習(xí)輻射源信號(hào)的特征表示，實(shí)現(xiàn)對(duì)不同個(gè)體輻射源的高精度分類。為適應(yīng)無(wú)線電信號(hào)的處理需求，信號(hào)通常以Ｉ ／ Ｑ 數(shù)據(jù)格式存儲(chǔ)。神經(jīng)網(wǎng)絡(luò)模型可以接收Ｉ ／ Ｑ 數(shù)據(jù)作為輸入，這種方法無(wú)需復(fù)雜的預(yù)處理及先驗(yàn)知識(shí)，能夠最大程度地保留信號(hào)的原始信息。另一方面，將信號(hào)轉(zhuǎn)換為圖像輸入通常需要先驗(yàn)知識(shí)的支撐，在非合作條件下具有一定的局限性［４９］。

２０１６ 年，Ｏ’ｓｈｅａ 等［４］首次將Ｉ ／ Ｑ 數(shù)據(jù)輸入ＣＮＮ 以實(shí)現(xiàn)調(diào)制方式識(shí)別，證明了ＣＮＮ 在信號(hào)識(shí)別領(lǐng)域的可行性，此后研究人員開(kāi)始探索ＤＬ 在ＳＥＩ領(lǐng)域的適用性。２０１７ 年，美國(guó)國(guó)防先進(jìn)研究計(jì)劃局啟動(dòng)了射頻機(jī)器學(xué)習(xí)項(xiàng)目，射頻指紋識(shí)別是該項(xiàng)目的關(guān)鍵應(yīng)用之一［５０］。在該項(xiàng)目支持下，２０１８ 年Ｒｉｙａｚ 等［２５］證明了直接通過(guò)Ｉ ／ Ｑ 數(shù)據(jù)提取輻射源指紋特征的可行性與有效性，不需要高精度解碼、特征工程以及協(xié)議格式等先驗(yàn)知識(shí)的支撐，并通過(guò)收集不同發(fā)射距離下的信號(hào)，證明該方法的識(shí)別性能隨距離的增大而降低。另一項(xiàng)研究［５１］指出Ｉ ／ Ｑ 失配參數(shù)與調(diào)制方式無(wú)關(guān)，研究者利用ＣＮＮ 從Ｉ ／ Ｑ 信號(hào)中提取失配參數(shù)來(lái)識(shí)別不同輻射源，并通過(guò)實(shí)驗(yàn)驗(yàn)證該方法相較于傳統(tǒng)特征提取方法更有效。在國(guó)內(nèi)，研究者也在利用Ｉ ／ Ｑ 數(shù)據(jù)實(shí)現(xiàn)ＳＥＩ 方面也取得了一系列成果，文獻(xiàn)［５２］改進(jìn)網(wǎng)絡(luò)模型，利用深度殘差網(wǎng)絡(luò)對(duì)實(shí)測(cè)Ｉ ／ Ｑ 信號(hào)進(jìn)行特征提取，并利用ＡＤＳ-Ｂ 數(shù)據(jù)集對(duì)算法性能進(jìn)行了測(cè)試，結(jié)果表明當(dāng)信噪比大于－３ ｄＢ 時(shí)，該模型識(shí)別性能超過(guò)９６％ ，優(yōu)于傳統(tǒng)的ＣＮＮ 和ＤＢＮ 網(wǎng)絡(luò)模型；張敏等［５３］提出了一種基于Ｉ ／ Ｑ 失配的ＳＥＩ 方法，該方法無(wú)需解調(diào)過(guò)程，且適用于模擬和數(shù)字信號(hào)；陳悅等［５４］指出，Ｉ 路與Ｑ 路數(shù)據(jù)的變化是相對(duì)應(yīng)的，因此構(gòu)造ＩＱ 特征圖并輸入ＣＮＮ，實(shí)現(xiàn)了９３． ０５％ 的識(shí)別正確率。此外，通過(guò)對(duì)比ＩＱ 圖特征與小波特征、雙譜特征，實(shí)驗(yàn)結(jié)果表明ＩＱ 圖特征具有最高的識(shí)別正確率和泛化能力。針對(duì)小樣本學(xué)習(xí)問(wèn)題，文獻(xiàn)［５５］將數(shù)據(jù)增強(qiáng)引入ＳＥＩ，通過(guò)噪聲擾動(dòng)、幅度和時(shí)延變換、頻率偏移和相位偏移的手段對(duì)Ｉ ／ Ｑ 數(shù)據(jù)進(jìn)行增強(qiáng)，并在ＡＤＳ-Ｂ 數(shù)據(jù)集上驗(yàn)證了該方法的有效性。

鑒于神經(jīng)網(wǎng)絡(luò)在圖像分類領(lǐng)域的卓越表現(xiàn)，研究者們探索了將信號(hào)轉(zhuǎn)換為二維圖像形式，作為深度學(xué)習(xí)模型的輸入在ＳＥＩ 領(lǐng)域的應(yīng)用。由于高階譜特征能夠很好地保留信號(hào)的幅度、相位等信息，文獻(xiàn)［５６］采用一種改進(jìn)的雙譜特征融合的通信信號(hào)識(shí)別方法，在低信噪比條件下，識(shí)別準(zhǔn)確率可達(dá)９５％ 。針對(duì)高階譜特征維度較高的問(wèn)題，Ｄｉｎｇ 等［５７］采用了一種監(jiān)督降維方法［５８］，減少對(duì)冗余信息的識(shí)別，避免維數(shù)災(zāi)難。文獻(xiàn)［５９］將差分星座軌跡圖輸入ＣＮＮ 進(jìn)行特征提取，并在ＺｉｇＢｅｅ 信號(hào)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，當(dāng)設(shè)備個(gè)數(shù)為５４，信噪比為１５ ｄＢ 時(shí)，識(shí)別準(zhǔn)確率達(dá)到了９３． ８％ 。針對(duì)現(xiàn)有方法的識(shí)別性能隨時(shí)間推移而下降的問(wèn)題，２０２１ 年，謝存祥等［６０］提出了一種基于ＨＨＴ 與對(duì)抗訓(xùn)練的識(shí)別方法，對(duì)接收信號(hào)進(jìn)行希爾伯特變換后選擇不同輻射源信號(hào)的希爾伯特譜區(qū)分度最高的能量值點(diǎn)，以此作為ＣＮＮ的輸入，并通過(guò)對(duì)抗訓(xùn)練提高網(wǎng)絡(luò)的抗噪性能，在輻射源個(gè)數(shù)為５、信噪比為１０ ｄＢ 時(shí)，識(shí)別正確率可達(dá)到７１％ 。針對(duì)ＨＨＴ 存在模態(tài)混疊分解不充分的問(wèn)題，韋建宇等［６１］首先對(duì)信號(hào)進(jìn)行差分處理，利用變分模態(tài)分解得到模態(tài)分量后進(jìn)行希爾伯特變換，并通過(guò)實(shí)驗(yàn)驗(yàn)證該方法較已有的ＨＨＴ 個(gè)體識(shí)別方法，不僅計(jì)算復(fù)雜度更低，且信噪比為５ ｄＢ 時(shí)具有９０％ 以上的識(shí)別正確率。針對(duì)利用單一特征提取通信輻射源個(gè)體指紋信息不充分的問(wèn)題，文獻(xiàn)［６２］提出一種基于多域特征融合的ＳＥＩ 方法，將時(shí)域、頻域和積分雙譜特征組合，利用多通道卷積網(wǎng)絡(luò)提取通信輻射源個(gè)體指紋特征，證明了該方法可在低信噪比下顯著提高識(shí)別效果。文獻(xiàn)［６３］將遷移學(xué)習(xí)思想引入ＳＥＩ，提出一種多域遷移的輻射源識(shí)別方法，將不同時(shí)間接收到的信號(hào)作為不同的域，并通過(guò)實(shí)驗(yàn)證明該方法識(shí)別效果較好。隨著網(wǎng)絡(luò)模型的不斷更新，陳浩等［６４］采用深度殘差適配網(wǎng)絡(luò)，以時(shí)頻圖作為輸入，基于５ 臺(tái)通信輻射源數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證，當(dāng)信噪比大于１５ ｄＢ 時(shí)，該模型的識(shí)別準(zhǔn)確率達(dá)到了９０％ 以上。文獻(xiàn)［６５］提出了一種基于Ｔｒａｎｓ-ｆｏｒｍｅｒ 的輕量化網(wǎng)絡(luò)ＧＬＦｏｒｍｅｒ，包括門控局部注意力單元和門控滑動(dòng)局部注意力單元，可自動(dòng)過(guò)濾不相關(guān)信息，提取更為關(guān)鍵的輻射源指紋信息從而提高識(shí)別性能，基于５０ 艘船舶自動(dòng)定位系統(tǒng)的瞬態(tài)和穩(wěn)態(tài)信號(hào)對(duì)ＧＬＦｏｒｍｅｒ 的識(shí)別性能進(jìn)行驗(yàn)證，識(shí)別準(zhǔn)確率分別達(dá)到９６． ３１％ 和８９． ３８％ 。針對(duì)小樣本問(wèn)題，丁辰偉等［６６］將圖像增強(qiáng)算法應(yīng)用于ＳＥＩ，包括直方圖修正法、灰度變換法和圖像濾波法，對(duì)稀疏自編碼器提取的特征進(jìn)行特征增強(qiáng)，將原有特征與增強(qiáng)后的特征共同輸入ＣＮＮ 訓(xùn)練，有效提高了小樣本條件下ＳＥＩ 的準(zhǔn)確率。ＤＬ 在圖像識(shí)別領(lǐng)域性能優(yōu)異，提取圖像特征識(shí)別輻射源個(gè)體取得了良好的性能，但是該方法通常需要一定的先驗(yàn)知識(shí)，在非合作條件下受限，且圖像依賴于特定的數(shù)學(xué)工具，可能存在泛化性和魯棒性較差的問(wèn)題。

３ 存在的問(wèn)題

３． １ 大規(guī)模監(jiān)督真實(shí)數(shù)據(jù)集的不現(xiàn)實(shí)性

ＳＥＩ 主要瞄準(zhǔn)非合作目標(biāo)，因此該任務(wù)面臨的首要難題是獲取大規(guī)模的真實(shí)數(shù)據(jù)。在可訓(xùn)練數(shù)據(jù)有限的條件下，模型容易出現(xiàn)過(guò)擬合，影響其在實(shí)際應(yīng)用中的泛化性能；其次，由于對(duì)非合作目標(biāo)缺少先驗(yàn)知識(shí)，對(duì)信號(hào)的識(shí)別和處理變得復(fù)雜，不僅增加了數(shù)據(jù)標(biāo)注的難度，也對(duì)模型學(xué)習(xí)有效特征提出了更高的要求；再次，非合作條件下采集的數(shù)據(jù)往往存在類別不均衡問(wèn)題，常見(jiàn)輻射源的數(shù)據(jù)規(guī)模大，低頻次出現(xiàn)輻射源的數(shù)據(jù)規(guī)模小，可能導(dǎo)致模型對(duì)常見(jiàn)輻射源類別的識(shí)別性能較好，而對(duì)罕見(jiàn)類別的識(shí)別性能不足；此外，在開(kāi)集識(shí)別的背景下，這種類別不均衡問(wèn)題變得更加突出，當(dāng)應(yīng)用環(huán)境的輻射源類別數(shù)目比訓(xùn)練集的類別數(shù)目多時(shí)，模型難以正確識(shí)別新的類別，從而限制了ＳＥＩ 在動(dòng)態(tài)和未知環(huán)境中的適用性。

３． ２ 模型泛化問(wèn)題

現(xiàn)有基于ＤＬ 的通信輻射源識(shí)別研究，用于建立神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本與用于驗(yàn)證模型的測(cè)試樣本來(lái)源于相同時(shí)間和空間環(huán)境，可能導(dǎo)致模型在測(cè)試集上表現(xiàn)良好。但在實(shí)際應(yīng)用中，電磁信號(hào)的獲取環(huán)境與訓(xùn)練集環(huán)境存在顯著差異，因此基于ＤＬ的ＳＥＩ 方法性能會(huì)顯著下降甚至可能完全失效［６７－６８］。

此外，現(xiàn)有ＳＥＩ 研究使用的數(shù)據(jù)集主要包括３ 類：第一類是仿真信號(hào)，利用ＧＮＵＲａｄｉｏ、Ｐｙｔｈｏｎ、Ｍａｔｌａｂ［６９－７０］等軟件仿真不同輻射源信號(hào)，雖然信號(hào)各參數(shù)便于控制，但可能無(wú)法完全模擬真實(shí)電磁環(huán)境的復(fù)雜性；第二類是利用開(kāi)源輻射源識(shí)別數(shù)據(jù)集進(jìn)行研究；第三類是通過(guò)搭建實(shí)驗(yàn)環(huán)境，收集ＡＤＳ-Ｂ［５２］、電臺(tái)以及ＺｉｇＢｅｅ 等輻射源信號(hào)，進(jìn)行實(shí)驗(yàn)研究。后２ 類數(shù)據(jù)可能更接近實(shí)際應(yīng)用，但數(shù)據(jù)集往往受限于特定的信道環(huán)境和噪聲，當(dāng)待測(cè)信號(hào)與訓(xùn)練數(shù)據(jù)集的信道環(huán)境噪聲不一致時(shí)，網(wǎng)絡(luò)的識(shí)別性能可能退化。

４ 發(fā)展方向

４． １ 面向弱／ 無(wú)監(jiān)督數(shù)據(jù)的輻射源識(shí)別研究

當(dāng)前基于ＤＬ 的ＳＥＩ 研究大多采用有監(jiān)督學(xué)習(xí)方法，利用大量帶標(biāo)簽訓(xùn)練數(shù)據(jù)對(duì)模型參數(shù)進(jìn)行優(yōu)化。但在實(shí)際ＳＥＩ 任務(wù)中，無(wú)線電信號(hào)采集困難，且缺乏非合作目標(biāo)的先驗(yàn)知識(shí)，標(biāo)注成本高；相比于其他領(lǐng)域的公開(kāi)數(shù)據(jù)集，如包含１ ４２０ 萬(wàn)張圖片的Ｉｍ-ａｇｅＮｅｔ 數(shù)據(jù)集，輻射源識(shí)別ＯＲＡＣＬＥ 數(shù)據(jù)集僅包含１６ 臺(tái)同型號(hào)無(wú)線電設(shè)備的數(shù)據(jù)，在類別多樣性和數(shù)據(jù)量上都十分不足。為了克服ＳＥＩ 領(lǐng)域小樣本的挑戰(zhàn)，后續(xù)研究可結(jié)合數(shù)據(jù)增強(qiáng)、遷移學(xué)習(xí)、度量學(xué)習(xí)、自監(jiān)督學(xué)習(xí)、ｏｎｅ-ｓｈｏｔ、Ｆｅｗ-ｓｈｏｔ、半監(jiān)督學(xué)習(xí)以及標(biāo)簽噪聲學(xué)習(xí)等方法，提高模型在弱／ 無(wú)監(jiān)督條件下的識(shí)別能力。

４． ２ 面向動(dòng)態(tài)環(huán)境的輻射源識(shí)別研究

ＳＥＩ 任務(wù)要求在輻射源類型、通信信號(hào)調(diào)制方式、傳輸信道特性和接收機(jī)性能都各不相同的條件下，仍能對(duì)輻射源個(gè)體進(jìn)行有效識(shí)別與分類。實(shí)際ＳＥＩ 任務(wù)中接收到的通信輻射源信號(hào)具有顯著的差異性，而目前已有數(shù)據(jù)集無(wú)法充分覆蓋這種多樣性。此外，隨著新輻射源的出現(xiàn)和已有輻射源設(shè)備的老用性和學(xué)習(xí)能力提出了更高要求。未來(lái)研究需要關(guān)注如何使ＳＥＩ 系統(tǒng)具備在線學(xué)習(xí)和實(shí)時(shí)更新的能力，以應(yīng)對(duì)輻射源特征的變化，避免災(zāi)難性遺忘，并有效識(shí)別新輻射源，有助于將ＳＥＩ 技術(shù)應(yīng)用于真實(shí)戰(zhàn)場(chǎng)環(huán)境，為電磁態(tài)勢(shì)感知提供技術(shù)支持。

５ 結(jié)束語(yǔ)。

非合作條件下的ＳＥＩ 對(duì)于獲取戰(zhàn)場(chǎng)電磁態(tài)勢(shì)、制定戰(zhàn)略戰(zhàn)術(shù)具有重要作用，不僅能夠?yàn)檐娛聜刹焯峁┣閳?bào)，還能有效監(jiān)管和分配頻譜資源。本研究綜述了基于知識(shí)驅(qū)動(dòng)和基于數(shù)據(jù)驅(qū)動(dòng)的ＳＥＩ 研究進(jìn)展，系統(tǒng)歸納了基于信號(hào)參數(shù)、數(shù)學(xué)工具和機(jī)理分析３ 種知識(shí)驅(qū)動(dòng)識(shí)別方法，并對(duì)基于輸入信號(hào)序列和變換域特征的數(shù)據(jù)驅(qū)動(dòng)識(shí)別方法進(jìn)行了分類總結(jié)。針對(duì)非合作通信場(chǎng)景，特別是弱／ 無(wú)監(jiān)督場(chǎng)景及開(kāi)集條件下的ＳＥＩ 技術(shù)做出展望。

參考文獻(xiàn)

［１］ 李潤(rùn)東． 基于深度學(xué)習(xí)的通信信號(hào)智能盲檢測(cè)與識(shí)別技術(shù)研究［Ｄ］． 成都：電子科技大學(xué)，２０２１．

［２］ 劉劍鋒． 基于深度學(xué)習(xí)的通信輻射源個(gè)體識(shí)別關(guān)鍵技術(shù)研究［Ｄ］． 鄭州：戰(zhàn)略支援部隊(duì)信息工程大學(xué)，２０２１．

［３］ 潘一葦． 通信輻射源個(gè)體識(shí)別關(guān)鍵技術(shù)研究［Ｄ］． 鄭州：戰(zhàn)略支援部隊(duì)信息工程大學(xué)，２０１９．

［４］ Ｏ’ＳＨＥＡ Ｔ Ｊ，ＣＯＲＧＡＮ Ｊ，ＣＬＡＮＣＹ Ｔ Ｃ． ＣｏｎｖｏｌｕｔｉｏｎａｌＲａｄｉｏ Ｍｏｄｕｌａｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＥｎｇｉｎｅｅｒｉｎｇＡｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，２０１６，６２９：２１３－２２６．

［５］ ＭＥＲＣＨＡＮＴ Ｋ，ＲＥＶＡＹ Ｓ，ＳＴＡＮＴＣＨＥＶ Ｇ，ｅｔ ａｌ． ＤｅｅｐＬｅａｒｎｉｎｇ ｆｏｒ ＲＦ Ｄｅｖｉｃｅ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ ｉｎ Ｃｏｇｎｉｔｉｖｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓｉｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，１２（１）：１６０－１６７．

［６］ ＡＬＥＭ Ａ，ＫＵＭＡＲ Ｓ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌｓ ＰｅｒｆｏｒｍａｎｃｅＥｖａｌｕａｔｉｏｎｓ ｆｏｒ Ｒｅｍｏｔｅ Ｓｅｎｓｅｄ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：１１１７８４－１１１７９３．

［７］ ＧＡＯ Ｋ Ｌ，ＬＩＵ Ｂ，ＹＵ Ｘ Ｃ，ｅｔ ａｌ． Ｕｎｓｕｐｅｒｖｉｓｅｄ ＭｅｔａＬｅａｒｎｉｎｇ ｗｉｔｈ Ｍｕｌｔｉｖｉｅｗ Ｃｏｎｓｔｒａｉｎｔｓ ｆｏｒ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅ Ｓｍａｌｌ Ｓａｍｐｌｅ Ｓｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０２２，３１：３４４９－３４６２．

［８］ ＲＥＮ Ｓ Ｑ，ＨＥ Ｋ Ｍ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｆａｓｔｅｒ ＲＣＮＮ：Ｔｏｗａｒｄｓ Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｒｅｇｉｏｎ ＰｒｏｐｏｓａｌＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７－１１４９．

［９］ 崔麗群，曹華維． 基于改進(jìn)ＹＯＬＯｖ５ 的遙感圖像目標(biāo)檢測(cè)［Ｊ］． 計(jì)算機(jī)工程，２０２４，５０（４）：２２８－２３６．

［１０］ ＬＩＮ Ｙ Ｐ，ＶＯＳＳＥＬＭＡＮ Ｇ，ＣＡＯ Ｙ Ｐ，ｅｔ ａｌ． Ｌｏｃａｌ ａｎｄＧｌｏｂａｌ Ｅｎｃｏｄｅｒ Ｎｅｔｗｏｒｋ ｆｏｒ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ Ａｉｒｂｏｒｎｅ Ｌａｓｅｒ Ｓｃａｎｎｉｎｇ Ｐｏｉｎｔ Ｃｌｏｕｄｓ［Ｊ］． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２１，１７６：１５１－１６８．

［１１］ ＬＡＮＤＲＩＥＵ Ｌ，ＳＩＭＯＮＯＶＳＫＹ Ｍ． Ｌａｒｇｅｓｃａｌｅ Ｐｏｉｎｔ ＣｌｏｕｄＳｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ Ｓｕｐｅｒｐｏｉｎｔ Ｇｒａｐｈｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１８ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｓａｌｔ Ｌａｋｅ Ｃｉｔｙ：ＩＥＥＥ，２０１８：４５５８－４５６７．

［１２］ ＬＥＣＵＮ Ｙ，ＢＯＴＴＯＵ Ｌ，ＢＥＮＧＩＯ Ｙ，ｅｔ ａｌ． ＧｒａｄｉｅｎｔｂａｓｅｄＬｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ，１９９８，８６（１１）：２２７８－２３２４．

［１３］ ＨＩＮＴＯＮ Ｇ Ｅ，ＯＳＩＮＤＥＲＯ Ｓ，ＴＥＨ Ｙ Ｗ． Ａ Ｆａｓｔ ＬｅａｒｎｉｎｇＡｌｇｏｒｉｔｈｍ ｆｏｒ Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｓ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，２００６，１８（７）：１５２７－１５５４．

［１４］ ＳＩＭＯＮＹＡＮ Ｋ，ＺＩＳＳＥＲＭＡＮ Ａ． Ｖｅｒｙ Ｄｅｅｐ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓ ｆｏｒ Ｌａｒｇｅｓｃａｌｅ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ ［ＥＢ ／ ＯＬ］．（２０１４－０９－０４）［２０２３－０８－１５］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／１４０９． １５５６．

［１５］ ＳＺＥＧＥＤＹ Ｃ，ＬＩＵ Ｗ，ＪＩＡ Ｙ Ｑ，ｅｔ ａｌ． Ｇｏｉｎｇ Ｄｅｅｐｅｒ ｗｉｔｈＣｏｎｖｏｌｕｔｉｏｎｓ［Ｃ］∥２０１５ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｂｏｓｔｏｎ：ＩＥＥＥ，２０１５：１－９．

［１６］ ＨＥ Ｋ Ｍ，ＺＨＡＮＧ Ｘ Ｙ，ＲＥＮ Ｓ Ｑ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｓｉｄｕａｌＬｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７０－７７８．

［１７］ ＥＬＭＡＮ Ｊ Ｌ． Ｆｉｎｄｉｎｇ Ｓｔｒｕｃｔｕｒｅ ｉｎ Ｔｉｍｅ［Ｊ］． Ｃｏｇｎｉｔｉｖｅ Ｓｃｉｅｎｃｅ，１９９０，１４（２）：１７９－２１１．

［１８］ ＣＨＥＮ Ｋ Ｈ，ＺＨＡＯ Ｔ Ｊ，ＹＡＮＧ Ｍ Ｙ，ｅｔ ａｌ． Ａ Ｎｅｕｒａｌ Ａｐｐｒｏａｃｈ ｔｏ Ｓｏｕｒｃｅ Ｄｅｐｅｎｄｅｎｃｅ Ｂａｓｅｄ Ｃｏｎｔｅｘｔ Ｍｏｄｅｌ ｆｏｒＳｔａｔｉｓｔｉｃａｌ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ［Ｊ］． ＩＥＥＥ ／ ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ａｕｄｉｏ，Ｓｐｅｅｃｈ，ａｎｄ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，２６（２）：２６６－２８０．

［１９］ ＡｌＩＢＲＡＨＩＭ Ｒ，ＤＵＷＡＩＲＩ Ｒ Ｍ． Ｎｅｕｒａｌ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ ｆｒｏｍ Ｊｏｒｄａｎｉａｎ Ｄｉａｌｅｃｔ ｔｏ Ｍｏｄｅｒｎ Ｓｔａｎｄａｒｄ Ａｒａｂｉｃ［Ｃ］∥２０２０ １１ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ （ＩＣＩＣＳ）． Ｉｒｂｉｄ：ＩＥＥＥ，２０２０：１７３－１７８．

［２０］ ＨＯＣＨＲＥＩＴＥＲ Ｓ，ＳＣＨＭＩＤＵＨＢＥＲ Ｊ． Ｌｏｎｇ ＳｈｏｒｔｔｅｒｍＭｅｍｏｒｙ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，１９９７，９（８）：１７３５－１７８０．

［２１］ ＲＯＥ Ａ Ｌ． Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ ＥＳＭ ＥｍｉｔｔｅｒＩｄｅｎｔｉｆｉｃａｔｉｏｎＡｎ Ｉｎｉｔｉａｌ Ｓｔｕｄｙ［Ｃ］∥ ＩＥＥ Ｃｏｌｌｏｑｕｉｕｍ ｏｎＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｓｙｓｔｅｍｓ：Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ．Ｌｏｎｄｏｎ：ＩＥＥＥ，１９９１：４ ／ １－４ ／ ３．

［２２］ ＦＯＲＤ Ｂ Ｐ，ＭＩＤＤＬＥＢＲＯＯＫ Ｖ Ｓ． Ｕｓｉｎｇ ａ ＫｎｏｗｌｅｄｇｅＢａｓｅｄ Ｓｙｓｔｅｍ ｆｏｒ Ｅｍｉｔｔｅｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ＡｍｂｉｇｕｉｔｙＲｅｓｏｌｕｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｎａｔｉｏｎａｌ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｄａｙｔｏｎ：ＩＥＥＥ，１９８９：１７３９－１７４６．

［２３］ ＲＯＥ Ｊ，ＰＵＤＮＥＲ Ａ． Ｔｈｅ Ｒｅａｌｔｉｍｅ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ＥＳＭ［Ｃ］∥ ＩＥＥ Ｃｏｌｌｏｑｕｉｕｍ ｏｎＳｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ ｉｎ Ｅｌｅｃｔｒｏｎｉｃ Ｗａｒｆａｒｅ． Ｌｏｎｄｏｎ：ＩＥＥＥ，１９９４：７ ／ １－７ ／ ６．

［２４］ 張葛祥． 雷達(dá)輻射源信號(hào)智能識(shí)別方法研究［Ｄ］． 成都：西南交通大學(xué)，２００６．

［２５］ ＲＩＹＡＺ Ｓ，ＳＡＮＫＨＥ Ｋ，ＩＯＡＮＮＩＤＩＳ Ｓ，ｅｔ ａｌ． ＤｅｅｐＬｅａｒｎｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｒａｄｉｏ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０１８，５６（９）：１４６－１５２．

［２６］ ＭＥＲＣＨＡＮＴ Ｋ，ＮＯＵＳＡＩＮ Ｂ． Ｅｎｈａｎｃｅｄ ＲＦ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇｆｏｒ ＩｏＴ Ｄｅｖｉｃｅｓ ｗｉｔｈ Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥２０１９ ＩＥＥＥ Ｍｉｌｉｔａｒｙ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｎｏｒｆｏｌｋ：ＩＥＥＥ，２０１９：５９０－５９７．

［２７］ ＳＡＮＫＨＥ Ｋ，ＢＥＬＧＩＯＶＩＮＥ Ｍ，ＺＨＯＵ Ｆ，ｅｔ ａｌ． ＯＲＡＣＬＥ：Ｏｐｔｉｍｉｚｅｄ Ｒａｄｉｏ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｔｈｒｏｕｇｈ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＣｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｐａｒｉｓ：ＩＥＥＥ，２０１９：３７０－３７８．

［２８］ ＣＨＥＮ Ｓ Ｃ，ＺＨＥＮＧ Ｓ Ｌ，ＹＡＮＧ Ｌ Ｆ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｆｏｒＬａｒｇｅｓｃａｌｅ Ｒｅａｌｗｏｒｌｄ ＡＣＡＲＳ ａｎｄ ＡＤＳＢ Ｒａｄｉｏ ＳｉｇｎａｌＣｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：８９２５６－８９２６４．

［２９］ ＴＵ Ｙ，ＬＩＮ Ｙ，ＺＨＡ Ｈ，ｅｔ ａｌ． Ｌａｒｇｅｓｃａｌｅ Ｒｅａｌｗｏｒｌｄ ＲａｄｉｏＳｉｇｎａｌ Ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ［Ｊ ］． ＣｈｉｎｅｓｅＪｏｕｒｎａｌ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ，２０２２，３５（９）：３５－４８．

［３０］ ＭＯＲＩＮＥ Ｃ，ＣＡＲＤＯＳＯ Ｌ Ｓ，ＨＯＹＤＩＳ Ｊ，ｅｔ ａｌ． ＴｒａｎｓｍｉｔｔｅｒＣｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｓｕｐｅｒｖｉｓｅｄ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ［Ｊ ］．Ｃｏｇｎｉｔｉｖｅ Ｒａｄｉｏｏｒｉｅｎｔｅｄ Ｗｉｒｅｌｅｓｓ Ｎｅｔｗｏｒｋｓ，ＣｒｏｗｎＣｏｍ，２０１９，２９１：７３－８６．

［３１］ 崔天舒，趙文杰，黃永輝，等． 基于射頻指紋的測(cè)控地面站身份識(shí)別方法［Ｊ］． 航天電子對(duì)抗，２０２１，３７（３）：６－９．

［３２］ 唐曉剛，馮俊豪，張斌權(quán)，等． 基于射頻指紋的衛(wèi)星測(cè)控地面站身份識(shí)別方法［Ｊ］． 電子與信息學(xué)報(bào)，２０２３，４５（７）：２５５４－２５６０．

［３３］ 韋建宇，俞璐． 通信輻射源個(gè)體識(shí)別中的特征提取方法綜述［Ｊ］． 通信技術(shù)，２０２２，５５（６）：６８１－６８７．

［３４］ 李軍，夏春秋． 基于深度學(xué)習(xí)的輻射源個(gè)體識(shí)別方法綜述［Ｊ］． 艦船電子對(duì)抗，２０２２，４５（２）：８９－９４．

［３５］ ＷＩＬＬＩＡＭＳ Ｍ Ｄ，ＴＥＭＰＬＥ Ｍ Ａ，ＲＥＩＳＩＮＧ Ｄ Ｒ． Ａｕｇｍｅｎｔｉｎｇ Ｂｉｔｌｅｖｅｌ Ｎｅｔｗｏｒｋ Ｓｅｃｕｒｉｔｙ Ｕｓｉｎｇ Ｐｈｙｓｉｃａｌ Ｌａｙｅｒ ＲＦＤＮＡ Ｆｉｎｇｅｒｐｒｉｎｔｉｎｇ［Ｃ］∥２０１０ ＩＥＥＥ Ｇｌｏｂａｌ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ ＧＬＯＢＥＣＯＭ ２０１０． Ｍｉａｍｉ：ＩＥＥＥ，２０１０：１－６．

［３６］ ＲＥＩＳＩＮＧ Ｄ Ｒ，ＴＥＭＰＬＥ Ｍ Ａ，ＪＡＣＫＳＯＮ Ｊ Ａ． Ａｕｔｈｏｒｉｚｅｄａｎｄ Ｒｏｇｕｅ Ｄｅｖｉｃｅ Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ Ｕｓｉｎｇ Ｄｉｍｅｎｓｉｏｎａｌｌｙ Ｒｅｄｕｃｅｄ ＲＦＤＮＡ Ｆｉｎｇｅｒｐｒｉｎｔｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０１５，１０（６）：１１８０－１１９２．

［３７］ 陸滿君，詹毅，司錫才，等． 通信輻射源瞬態(tài)特征提取和個(gè)體識(shí)別方法［Ｊ］． 西安電子科技大學(xué)學(xué)報(bào)，２００９，３６（４）：７３６－７４０．

［３８］ 吳龍文，牛金鵬，王昭，等． 基于同步壓縮小波變換的主信號(hào)抑制技術(shù)［Ｊ］． 電子與信息學(xué)報(bào)，２０２０，４２（８）：２０４５－２０５２．

［３９］ 韓潔，張濤，王歡歡，等． 基于３ＤＨｉｂｅｒｔ 能量譜和多尺度分形特征的通信輻射源個(gè)體識(shí)別［Ｊ］． 通信學(xué)報(bào)，２０１７，３８（４）：９９－１０９．

［４０］ ＺＨＡＮＧ Ｊ Ｗ，ＷＡＮＧ Ｆ Ｇ，ＤＯＢＲＥ Ｏ Ａ，ｅｔ ａｌ． ＳｐｅｃｉｆｉｃＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｖｉａ Ｈｉｌｂｅｒｔｈｕａｎｇ Ｔｒａｎｓｆｏｒｍ ｉｎ Ｓｉｎｇｌｅｈｏｐ ａｎｄ Ｒｅｌａｙｉｎｇ Ｓｃｅｎａｒｉｏｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＩｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０１６，１１ （６ ）：１１９２－１２０５．

［４１］ 桂云川，楊俊安，萬(wàn)?。?基于雙譜特征融合的通信輻射源識(shí)別算法［Ｊ］． 探測(cè)與控制學(xué)報(bào)，２０１６，３８（５）：９１－９５．

［４２］ 任東方，張濤，韓潔． 基于雙譜與特征選擇的通信輻射源識(shí)別算法［Ｊ］． 信息工程大學(xué)學(xué)報(bào)，２０１８，１９ （４）：４１０－４１５．

［４３］ 王占領(lǐng)，張登福，王世強(qiáng)． 雷達(dá)輻射源信號(hào)雙譜二次特征提取方法［Ｊ］． 空軍工程大學(xué)學(xué)報(bào)（自然科學(xué)版），２０１４，１５（１）：４８－５２．

［４４］ 桂云川，楊俊安，呂季杰，等． 基于經(jīng)驗(yàn)?zāi)B(tài)分解的通信輻射源分形特征提取算法［Ｊ］． 探測(cè)與控制學(xué)報(bào)，２０１６，３８（１）：１０４－１０８．

［４５］ 王志鵬，王星，田元榮，等． 基于壓縮感知的輻射源信號(hào)數(shù)據(jù)級(jí)融合識(shí)別方法［Ｊ］． 兵工學(xué)報(bào)，２０１７，３８（８）：１５４７－１５５４．

［４６］ 許丹． 輻射源指紋機(jī)理及識(shí)別方法研究［Ｄ］． 長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，２００９．

［４７］ 樂(lè)波，王桂良，黃淵凌，等． 接收機(jī)畸變對(duì)輻射源指紋識(shí)別的影響［Ｊ］． 電訊技術(shù)，２０２０，６０（３）：２７３－２７８．

［４８］ 何家爍． 功放非線性失真的接收端處理技術(shù)研究［Ｄ］．西安：西安電子科技大學(xué)，２０２２．

［４９］ 陳翔，汪連棟，許雄，等． 基于Ｒａｗ Ｉ ／ Ｑ 和深度學(xué)習(xí)的射頻指紋識(shí)別方法綜述［Ｊ］． 雷達(dá)學(xué)報(bào)，２０２３，１２ （１）：２１４－２３４．

［５０］ ＷＯＮＧ Ｌ Ｊ，ＨＥＡＤＬＥＹ Ｗ Ｃ，ＭＩＣＨＡＥＬＳ Ａ Ｊ． ＳｐｅｃｉｆｉｃＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ＮｅｕｒａｌＮｅｔｗｏｒｋｂａｓｅｄ ＩＱ Ｉｍｂａｌａｎｃｅ Ｅｓｔｉｍａｔｏｒｓ ［Ｊ ］． ＩＥＥＥＡｃｃｅｓｓ，２０１９，７：３３５４４－３３５５５．

［５１］ ＷＯＮＧ Ｌ Ｊ，ＣＬＡＲＫ Ｗ Ｈ，ＦＬＯＷＥＲＳ Ｂ，ｅｔ ａｌ． Ａｎ ＲＦＭＬＥｃｏｓｙｓｔｅｍ：Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ ｆｏｒ ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＤｅｅｐＬｅａｒｎｉｎｇ ｔｏ Ｓｐｅｃｔｒｕｍ Ｓｉｔｕａｔｉｏｎａｌ Ａｗａｒｅｎｅｓｓ ［Ｊ］． ＩＥＥＥＯｐｅｎ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｃｉｅｔｙ，２０２１，２：２２４３－２２６４．

［５２］ 翁琳天然，彭進(jìn)霖，何元，等． 基于深度殘差網(wǎng)絡(luò)的ＡＤＳＢ 信號(hào)輻射源個(gè)體識(shí)別［Ｊ］． 航空兵器，２０２１，２８（４）：２４－２９．

［５３］ 張敏，羅正華，黃建剛，等． 一種基于Ｉ ／ Ｑ 失配的輻射源指紋提取方法［Ｊ］． 電子學(xué)報(bào)，２０２０，４８（４）：７１７－７２２．

［５４］ 陳悅，雷迎科，李昕，等． 基于ＩＱ 圖特征的通信輻射源個(gè)體識(shí)別［Ｊ］． 信號(hào)處理，２０２１，３７（１）：１２０－１２５．

［５５］ ＣＡＩ Ｚ Ｒ，ＭＡ Ｗ Ｘ，ＷＡＮＧ Ｘ Ｒ，ｅｔ ａｌ． Ｔｈｅ ＰｅｒｆｏｒｍａｎｃｅＡｎａｌｙｓｉｓ ｏｆ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａ Ａｕｇｍｅｎｔａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｆｏｒＳｍａｌｌ Ｓａｍｐｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｄｅｖｉｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｒｅｌｉａｂｉｌｉｔｙ，２０２２，７２（２）：５７４－５８５．

［５６］ 王歡歡，張濤． 結(jié)合時(shí)域分析和改進(jìn)雙譜的通信信號(hào)特征提取算法［Ｊ］． 信號(hào)處理，２０１７，３３（６）：８６４－８７１．

［５７］ ＤＩＮＧ Ｌ Ｄ，ＷＡＮＧ Ｓ Ｌ，ＷＡＮＧ Ｆ Ｇ，ｅｔ ａｌ． ＳｐｅｃｉｆｉｃＥｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｖｉａ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１８，２２ （１２ ）：２５９１－２５９４．

［５８］ ＸＵ Ｙ，ＦＥＮＧ Ｇ，ＺＨＡＯ Ｙ Ｎ． Ｏｎｅ Ｉｍｐｒｏｖｅｍｅｎｔ ｔｏ Ｔｗｏｄｉｍｅｎｓｉｏｎａｌ Ｌｏｃａｌｉｔｙ Ｐｒｅｓｅｒｖｉｎｇ Ｐｒｏｊｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｆｏｒ Ｕｓｅｗｉｔｈ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００９，７３（１／ ３）：２４５－２４９．

［５９］ ＰＥＮＧ Ｌ Ｎ，ＺＨＡＮＧ Ｊ Ｑ，ＬＩＵ Ｍ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇｂａｓｅｄ ＲＦ Ｆｉｎｇｅｒｐｒｉｎｔ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ ＤｉｆｆｅｒｅｎｔｉａｌＣｏｎｓｔｅｌｌａｔｉｏｎ Ｔｒａｃｅ Ｆｉｇｕｒｅ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０２０，６９（１）：１０９１－１０９５．

［６０］ 謝存祥，張立民，鐘兆根． 基于ＨｉｌｂｅｒｔＨｕａｎｇ 變換與對(duì)抗訓(xùn)練的特定輻射源識(shí)別［Ｊ］． 系統(tǒng)工程與電子技術(shù)，２０２１，４３（１２）：３４７８－３４８７．

［６１］ 韋建宇，彭來(lái)獻(xiàn)，俞璐，等． 基于差分－變分模態(tài)分解與全局信息分析網(wǎng)絡(luò)的輻射源個(gè)體識(shí)別方法［Ｊ］． 信號(hào)處理，２０２２，３８（１０）：２０９２－２１０１．

［６２］ 王檢，張邦寧，張潔，等． 基于多域特征融合的通信輻射源個(gè)體識(shí)別方法［Ｊ］． 兵工學(xué)報(bào)，２０２３，４４ （４ ）：９４９－９５９．

［６３］ ＬＩＵ Ｊ Ｘ，ＬＩ Ｊ Ｑ，ＷＡＮＧ Ｊ，ｅｔ ａｌ． Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｔ Ｄｉｆｆｅｒｅｎｔ Ｔｉｍｅ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉｄｏｍａｉｎ Ｍｉｇｒａｔｉｏｎ［Ｃ ］ ∥ ２０２２ ＡｓｉａＰａｃｉｆｉｃ Ｓｉｇｎａｌ ａｎｄ ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ Ａｓｓｏｃｉａｔｉｏｎ Ａｎｎｕａｌ Ｓｕｍｍｉｔ ａｎｄ Ｃｏｎｆｅｒｅｎｃｅ．Ｃｈｉａｎｇ Ｍａｉ：ＩＥＥＥ，２０２２：９１７－９２２．

［６４］ 陳浩，楊俊安，劉輝． 基于深度殘差適配網(wǎng)絡(luò)的通信輻射源個(gè)體識(shí)別［Ｊ］． 系統(tǒng)工程與電子技術(shù)，２０２１，４３（３）：６０３－６０９．

［６５］ ＤＥＮＧ Ｐ，ＨＯＮＧ Ｓ，ＱＩ Ｊ，ｅｔ ａｌ． Ａ ＬｉｇｈｔｗｅｉｇｈｔＴｒａｎｓｆｏｒｍｅｒｂａｓｅｄ Ａｐｐｒｏａｃｈ ｏｆ Ｓｐｅｃｉｆｉｃ Ｅｍｉｔｔｅｒ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ｔｈｅ Ａｕｔｏｍａｔｉｃ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｓｙｓｔｅｍ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｏｒｅｎｓｉｃｓ ａｎｄ Ｓｅｃｕｒｉｔｙ，２０２３，１８：２３０３－２３１７．

［６６］ 丁辰偉，孫閩紅，官友廉． 基于小樣本條件的雷達(dá)輻射源個(gè)體識(shí)別算法［Ｊ］． 彈箭與制導(dǎo)學(xué)報(bào)，２０２１，４１ （３）：２５－３０．

［６７］ 桂冠，陶夢(mèng)圓，王誠(chéng)，等． 面向特定輻射源識(shí)別的小樣本學(xué)習(xí)方法綜述［Ｊ］． 南通大學(xué)學(xué)報(bào)（自然科學(xué)版），２０２３，２２（３）：１－１６．

［６８］ 姚艷艷，俞璐，武欣嶸，等． 面向個(gè)體識(shí)別的通信輻射源特征提取方法綜述［Ｊ］． 計(jì)算機(jī)時(shí)代，２０２０ （９ ）：４１－４４．

［６９］ 郭恩澤，張洪德，楊雷，等． 基于改進(jìn)殘差網(wǎng)絡(luò)的雷達(dá)輻射源信號(hào)識(shí)別［Ｊ］． 無(wú)線電工程，２０２２，５２ （１２ ）：２１７８－２１８５．

［７０］ 姚君宇，許小東． 一種嵌入射頻指紋的半監(jiān)督輻射源識(shí)別方法［Ｊ］． 無(wú)線電工程，２０１９，４９（１１）：９３９－９４４．

作者簡(jiǎn)介。

王育欣 女，（２００１—），碩士研究生。主要研究方向：輻射源個(gè)體識(shí)別、深度學(xué)習(xí)。

（*通信作者）馬宏斌 男，（１９９５—），博士，講師。主要研究方向：人工智能、電磁頻譜感知等。

馬 宏 男，（１９７６—），博士，教授。主要研究方向：航天測(cè)控通信系統(tǒng)等。

焦義文 男，（１９８５—），博士，副教授。主要研究方向：軟件無(wú)線電技術(shù)等。

李雪健 男，（２０００—），碩士研究生。主要研究方向：航天測(cè)控通信系統(tǒng)。

侯順虎 男，（２０００—），碩士研究生。主要研究方向：空間網(wǎng)絡(luò)電磁安全。