基于深度學(xué)習(xí)的通信輻射源指紋特征提取算法

黃健航 雷迎科

(電子工程學(xué)院，安徽合肥 230037)

1 引言

由于通信輻射源個(gè)體的差異，在信號(hào)的表現(xiàn)形式上不可避免地存在著不影響信息傳遞的細(xì)微特征差異，這些可檢測(cè)、可重現(xiàn)差異的細(xì)微特征稱為信號(hào)細(xì)微特征或通信輻射源指紋特征(Communication Transmitter Fingerprint，CTF)[1]。在軍事應(yīng)用上，由于當(dāng)前戰(zhàn)場(chǎng)電磁環(huán)境中充斥各類電磁信號(hào)，使得電磁環(huán)境紛繁多變，而識(shí)別敵方通信輻射源個(gè)體對(duì)于我方掌握戰(zhàn)場(chǎng)制信息權(quán)至關(guān)重要。因此通過準(zhǔn)確提取CTF特征，快速有效地識(shí)別不同通信輻射源個(gè)體，可以為指揮員判定輻射源的基本性質(zhì)、分析通信網(wǎng)絡(luò)結(jié)構(gòu)、確定敵威脅等級(jí)和電子干擾對(duì)象提供重要的決策依據(jù)[2]。在民用領(lǐng)域中，CTF特征可以用于準(zhǔn)確判別通信電臺(tái)對(duì)電磁頻譜的使用情況，及時(shí)發(fā)現(xiàn)非法通信電臺(tái)等。

近年來，國(guó)內(nèi)外對(duì)CTF特征的研究越發(fā)深入，主要分為兩類：信號(hào)暫態(tài)特征提取方法和信號(hào)穩(wěn)態(tài)特征提取方法。前一種方法主要是早期研究成果，其對(duì)瞬態(tài)特征的完整性要求很高，而由于瞬態(tài)特征與噪聲相似，又在信號(hào)截獲、特征提取的過程中增加了出錯(cuò)概率，因此目前已很少采用。后一種方法對(duì)信號(hào)的穩(wěn)態(tài)特征進(jìn)行變換、提取，可以達(dá)到準(zhǔn)確提取信號(hào)指紋特征的目的，應(yīng)用范圍廣泛。文獻(xiàn)[3]提出了一種基于雙譜特征融合的CTF特征識(shí)別方法，可以實(shí)現(xiàn)快速準(zhǔn)確的CTF特征提取并分類識(shí)別，但對(duì)訓(xùn)練樣本數(shù)量要求較高。文獻(xiàn)[4]基于信號(hào)頻率跳變時(shí)刻的瞬時(shí)包絡(luò)特征計(jì)算分形維數(shù)，提取的CTF特征的多分類性能只限于3部電臺(tái)。文獻(xiàn)[5]提出利用經(jīng)驗(yàn)?zāi)B(tài)分解的方法提取CTF特征，在噪聲較大的環(huán)境下識(shí)別率仍不理想。

盡管上述方法在一些理想條件下取得了令人滿意的識(shí)別結(jié)果，但在實(shí)際復(fù)雜的電磁環(huán)境條件下，尤其是戰(zhàn)時(shí)，對(duì)于每個(gè)電磁環(huán)境輻射源而言，人們很難獲取充裕的已知類別的輻射源觀測(cè)樣本數(shù)據(jù)，即在實(shí)際復(fù)雜電磁環(huán)境下，我們常常面臨的是小樣本條件下電磁環(huán)境輻射源細(xì)微特征提取問題，所謂的“小樣本”問題，即用于指導(dǎo)模型訓(xùn)練的有標(biāo)簽樣本數(shù)量有限，不足以充分訓(xùn)練特征提取模型，從而導(dǎo)致提取的CTF特征不能良好表征通信輻射源個(gè)體。顯然，如果直接采用上述提出的基于充分樣本的流形學(xué)習(xí)方法，其性能必將受到嚴(yán)重影響。

“深度學(xué)習(xí)”(Deep Learning)這一術(shù)語(yǔ)是在2006年由機(jī)器學(xué)習(xí)領(lǐng)域的領(lǐng)軍人物Hinton和他的學(xué)生Salakhutdinov在著名學(xué)術(shù)刊物《Science》上發(fā)表的學(xué)術(shù)論文中首次提出的[9]。所謂深度學(xué)習(xí)是指通過組合低層特征形成更加抽象的高層表示(屬性類別或特征)，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示[13]。近年來，深度學(xué)習(xí)[6-12]在信號(hào)處理領(lǐng)域應(yīng)用廣泛，處理的對(duì)象包括圖像、語(yǔ)音以及文本等。在圖像方面，Hinton[7]提出采用深度神經(jīng)網(wǎng)絡(luò)對(duì)圖像信號(hào)進(jìn)行降維處理，實(shí)現(xiàn)準(zhǔn)確識(shí)別；Ouyang[8]在2013年提出利用深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別視頻信號(hào)中的行人；語(yǔ)音信號(hào)方面，馬勇[9]在稀疏自編碼網(wǎng)絡(luò)中引入dropout技術(shù)對(duì)說話人進(jìn)行準(zhǔn)確分割；Kenny P[10]等將語(yǔ)音信號(hào)投影到說話人子空間和信道子空間提取說話人因子特征，提高了說話人的識(shí)別技術(shù)；文本數(shù)據(jù)方面，彭君睿[11]通過堆棧去噪自編碼器對(duì)文本數(shù)據(jù)進(jìn)行情感分類，實(shí)現(xiàn)了跨域?qū)W習(xí)。針對(duì)實(shí)際復(fù)雜電磁環(huán)境下通信輻射源個(gè)體識(shí)別問題，本文擬引入深度學(xué)習(xí)理論，提出一種基于堆棧自編碼器[11]的通信輻射源指紋特征提取方法。首先通過預(yù)處理(高階譜分析)將原始通信輻射源信號(hào)從時(shí)域轉(zhuǎn)化到高維特征空間，然后利用大量無(wú)標(biāo)簽的通信輻射源高維樣本訓(xùn)練堆棧自編碼器網(wǎng)絡(luò)，在此基礎(chǔ)上，通過少量有標(biāo)簽的通信輻射源樣本對(duì)模型進(jìn)行精校，從而有效挖掘“小樣本”條件下通信輻射源觀測(cè)樣本的深層細(xì)微特征。

2 基于深度學(xué)習(xí)的通信輻射源指紋特征提取的可行性分析

對(duì)于通信輻射源指紋特征的研究，一般來說分為兩類：暫態(tài)特征分析和穩(wěn)態(tài)特征分析。前者在表現(xiàn)形式上有著非常顯著的差異，可以很好地作為指紋特征反映輻射源個(gè)體情況，然而在實(shí)際戰(zhàn)場(chǎng)電磁環(huán)境中，電磁信號(hào)密集、復(fù)雜、交錯(cuò)而多變，信號(hào)的傳輸時(shí)間短，變化較為劇烈，導(dǎo)致信號(hào)暫態(tài)特征提取尤為困難，并且該方法還存在難以識(shí)別相同型號(hào)、相同工作模式的通信輻射源個(gè)體等問題，實(shí)用效果不佳。后者主要集中研究由通信輻射源內(nèi)部各元器件的不穩(wěn)定性、性能參數(shù)的非線性、元器件加工工藝缺陷所造成的各類穩(wěn)態(tài)特征，利用通信輻射源信號(hào)的調(diào)制參數(shù)、瞬時(shí)特性、分形特征、雜散特征以及高階統(tǒng)計(jì)特征等作為指紋特征，用于表征通信輻射源的個(gè)體差異。然而，此類方法存在以下幾點(diǎn)局限性，導(dǎo)致其在實(shí)際應(yīng)用中無(wú)法達(dá)到理論所述的性能標(biāo)準(zhǔn)：(1)實(shí)際戰(zhàn)場(chǎng)電磁環(huán)境中的通信電臺(tái)通常組網(wǎng)進(jìn)行工作，其型號(hào)、工作模式通常是相同的，通過調(diào)制參數(shù)上的差異無(wú)法準(zhǔn)確表征不同的電臺(tái)個(gè)體；(2)“小樣本”問題無(wú)法很好地解決，即可供采集用于訓(xùn)練指紋特征學(xué)習(xí)機(jī)的已知樣本數(shù)目相對(duì)有限；(3)將信號(hào)中微弱的雜散特征成分作為指紋特征，在實(shí)際環(huán)境中極易受到噪聲或電子干擾而影響其表征通信輻射源個(gè)體的能力；(4)高階譜特征往往處于高維特征空間，盡管可以較好地避免周圍環(huán)境的干擾，但是由于其高維特性，通用的分類器難以從中充分學(xué)習(xí)，導(dǎo)致分類識(shí)別性能下降。由此可見，人為設(shè)計(jì)指紋特征總是很難完整反映特定型號(hào)、調(diào)制樣式的通信輻射源信號(hào)的細(xì)微差異，若是能夠跨越這一階段，直接由信號(hào)本身中提取指紋，則可以大大加強(qiáng)指紋特征的表征能力。

深度學(xué)習(xí)應(yīng)用到通信輻射源指紋特征提取中，有以下幾個(gè)特點(diǎn)使其優(yōu)于傳統(tǒng)方法：(1)無(wú)監(jiān)督學(xué)習(xí)策略使其直接從輸入的數(shù)據(jù)中提取指紋特征，跨越了人工設(shè)計(jì)指紋特征的階段，節(jié)省了大量科研成本；(2)相比于有限的已知樣本，深度學(xué)習(xí)方法可以很好地利用實(shí)際復(fù)雜電磁環(huán)境中的海量無(wú)標(biāo)簽通信輻射源樣本，充分訓(xùn)練學(xué)習(xí)機(jī)模型，更好表征通信輻射源個(gè)體，有效改善“小樣本”問題對(duì)指紋特征提取的影響；(3)以逐層貪婪的方式對(duì)數(shù)據(jù)特征壓縮，可使最終提取的指紋特征具備較低的維度，在以較低維度特征有效表征通信輻射源個(gè)體的同時(shí)，還可與傳統(tǒng)分類器對(duì)接通用，解決通用分類器不能完整利用指紋特征信息的問題。

文獻(xiàn)[12]將深度學(xué)習(xí)理論中的深度限制玻爾茲曼機(jī)用于雷達(dá)輻射源的特征提取，該方法在低信噪比環(huán)境下，對(duì)于不同類型的雷達(dá)輻射源特征有著較高的表征能力與較好的魯棒性，證明了深度學(xué)習(xí)理論在信號(hào)特征提取上應(yīng)用的可實(shí)現(xiàn)性。在此基礎(chǔ)上，本文引入堆棧自編碼器(Stacked Auto-Encoder，SAE)算法用于提取“小樣本”條件下相同類型、相同工作狀態(tài)的通信輻射源指紋特征，獲得在“小樣本”條件下超越傳統(tǒng)方法的輻射源個(gè)體表征能力，并在實(shí)際復(fù)雜電磁環(huán)境中保持較強(qiáng)的魯棒性，為將輻射源指紋特征廣泛用于如電子對(duì)抗偵察等軍事領(lǐng)域提供可靠的技術(shù)支持。

3 基于SAE的通信輻射源指紋特征提取

首先將接收機(jī)采集的通信輻射源信號(hào)進(jìn)行去噪、高階譜變換等預(yù)處理，然后算法對(duì)處理后的通信輻射源信號(hào)矩形積分雙譜進(jìn)行CTF特征提取。按照?qǐng)D1算法流程，首先利用信號(hào)中的無(wú)標(biāo)簽數(shù)據(jù)通過無(wú)監(jiān)督預(yù)訓(xùn)練提取模型初始參數(shù)，然后在有監(jiān)督精校階段輔助模型利用有標(biāo)簽數(shù)據(jù)訓(xùn)練模型的有監(jiān)督參數(shù)，通過多次迭代計(jì)算模型的最優(yōu)參數(shù)，輸出CTF特征。

圖1 本文算法流程

3.1 無(wú)監(jiān)督預(yù)訓(xùn)練

在提取CTF特征時(shí)采用無(wú)監(jiān)督學(xué)習(xí)方法的主要原因是：(1)自編碼器進(jìn)行無(wú)監(jiān)督學(xué)習(xí)訓(xùn)練模型，不依賴先驗(yàn)知識(shí)和已知標(biāo)簽的樣本；(2)在實(shí)際復(fù)雜電磁環(huán)境中存在著海量的無(wú)標(biāo)簽通信輻射源信號(hào)樣本，利于使用無(wú)監(jiān)督學(xué)習(xí)進(jìn)行回歸。在CTF特征提取任務(wù)中，通過大量無(wú)標(biāo)簽樣本訓(xùn)練模型，使梯度能夠達(dá)到全局最優(yōu)點(diǎn)，達(dá)到理想的特征提取效果。故在本算法中，首先將大量無(wú)標(biāo)簽樣本用于SAE預(yù)訓(xùn)練，針對(duì)通信輻射源信號(hào)SIB特征初始化模型。

本文采用的SAE[11]的基本單元是自編碼器，其基本結(jié)構(gòu)如圖2所示，通過維度小于輸入層的隱藏層表達(dá)高維輸入，并在解碼器中根據(jù)低維表達(dá)重構(gòu)高維輸入，借助梯度下降的迭代優(yōu)化方法，輸出重構(gòu)誤差最小的無(wú)監(jiān)督模型參數(shù)。具體過程說明如下。

圖2 隱藏層數(shù)為2的SAE基本結(jié)構(gòu)

設(shè)無(wú)標(biāo)簽通信輻射源信號(hào)是高維特征樣本xU，樣本共m個(gè)，特征維度是n。自編碼器單元對(duì)xU的表達(dá)函數(shù)為：

hW,b(xU)=WxU+b

(1)

其中W是自編碼器隱藏層神經(jīng)元的權(quán)重系數(shù)矢量，b是偏置。

此外，每個(gè)神經(jīng)元對(duì)輸入特征會(huì)進(jìn)行非線性激勵(lì)，激勵(lì)函數(shù)為：

a(xU)=sigmoid(xU)

(2)

若將多個(gè)自編碼器單元連接起來，前一個(gè)自編碼器單元的隱層作為后一個(gè)自編碼器單元的輸入層，那么就是本文所用SAE。假設(shè)SAE的隱層數(shù)目為2(本文實(shí)驗(yàn)所用SAE隱層數(shù)正是2)，那么高維輸入記為h(0)，第一層表達(dá)記為h(1)，非線性激勵(lì)記為a(1)，第二層表達(dá)為：h(2)=W(2)h(1)+b(2)，第二層的非線性激勵(lì)為：a(2)=sigmoid(h(1))。

解碼器首層表達(dá)則為：

h(3)=W(2)h(2)+b(2)

(3)

計(jì)算解碼器端對(duì)高維輸入的重構(gòu)y：

y=h(4)=W(1)h(3)=b(1)

(4)

將重構(gòu)y與高維輸入h(0)之間的均方誤差定義為重構(gòu)誤差，可以構(gòu)造代價(jià)函數(shù)J(W,b)：

(5)

然后就可以遞推計(jì)算隱藏層第l層(l=1,2,3)的殘差矢量δ(l)：

(6)

由反向傳播算法，可以得知第l層的權(quán)重與偏置矢量的梯度下降方向矢量分別為：

(7)

(8)

最后給出模型參數(shù)的更新公式(式中的α為學(xué)習(xí)率)：

(9)

(10)

當(dāng)?shù)?jì)算使代價(jià)函數(shù)收斂至最小時(shí)，輸出模型參數(shù)W=(W(1),W(2))和b=(b(1),b(2))作為初始化參數(shù)θinitial。

3.2 有監(jiān)督精校

有監(jiān)督精校，是利用已知樣本所屬通信輻射源個(gè)體的信號(hào)數(shù)據(jù)對(duì)算法的訓(xùn)練參數(shù)再進(jìn)行訓(xùn)練，使訓(xùn)練參數(shù)對(duì)輸入的SIB特征擬合程度更優(yōu)，最終提取的CTF特征因而可以準(zhǔn)確區(qū)分不同通信輻射源個(gè)體，滿足指紋特征的要求。由于有標(biāo)簽樣本數(shù)量有限，若用于整個(gè)SAE模型的訓(xùn)練，出現(xiàn)梯度彌散、梯度停滯等問題的概率較大，而只在softmax回歸模型中進(jìn)行訓(xùn)練，一則可以發(fā)揮有監(jiān)督學(xué)習(xí)的特點(diǎn)，使模型與訓(xùn)練集的擬合程度更高；二則可以降低獲取訓(xùn)練集的代價(jià)，深度挖掘存在于有標(biāo)簽樣本中的通信輻射源個(gè)體信息，準(zhǔn)確提取CTF特征。

圖3 softmax回歸模型結(jié)構(gòu)

有監(jiān)督精校利用SAE中提取的初始化參數(shù)θinitial對(duì)softmax回歸模型參數(shù)進(jìn)行初始化，該模型結(jié)構(gòu)如圖3所示，與SAE結(jié)構(gòu)相似，只是沒有隱藏層。它輸出的不再是對(duì)輸入的重構(gòu)，而是對(duì)輸入樣本所屬類別的估計(jì)。

設(shè)有標(biāo)簽通信輻射源信號(hào)是高維特征樣本xL，樣本共M個(gè)，特征維度是n+1，標(biāo)簽是一個(gè)M維且元素均為類別標(biāo)號(hào)取值k的列矢量，在xL的最后一列，k是通信輻射源個(gè)體的編號(hào)。softmax回歸模型會(huì)根據(jù)模型參數(shù)θ對(duì)輸入的每個(gè)樣本所屬通信輻射源個(gè)體類別進(jìn)行估計(jì)，通過分類概率p(yi=j|xL)(其中i=1,2,...,M,j=1,2,...,k)表示。現(xiàn)用一個(gè)假設(shè)函數(shù)H(xL)對(duì)所有有標(biāo)簽通信輻射源信號(hào)的分類概率進(jìn)行表達(dá)：

其中θ是softmax的模型參數(shù)，由θinitial初始化，是一個(gè)sL×n維的矩陣(sL表示SAE第L層的神經(jīng)元數(shù)目)，由隱藏層各層所有權(quán)重系數(shù)矩陣相乘得到(本文算法中編碼器隱藏層數(shù)為2)：

(11)

為通過訓(xùn)練使再模型參數(shù)θ擬合有標(biāo)簽通信輻射源樣本，定義代價(jià)函數(shù)JL(θ)，作為有監(jiān)督訓(xùn)練的目標(biāo)函數(shù)：

(12)

(13)

模型參數(shù)θ的更新公式為：

(14)

當(dāng)?shù)?jì)算使代價(jià)函數(shù)JL(θ)收斂至最小時(shí)，輸出模型參數(shù)θopt，此即為算法提取的通信輻射源指紋特征。

3.3 算法步驟

根據(jù)本章3.1和3.2節(jié)的算法原理推導(dǎo)，將主要步驟總結(jié)如下：

步驟1輸入無(wú)標(biāo)簽通信輻射源數(shù)據(jù)xU，在SAE中進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練。

根據(jù)公式(1)對(duì)輸入數(shù)據(jù)進(jìn)行編碼，可得SAE各層對(duì)輸入數(shù)據(jù)的非線性表達(dá)h(l)。

步驟2構(gòu)造無(wú)監(jiān)督訓(xùn)練代價(jià)函數(shù)。通過聯(lián)立公式(3)(4)可得重構(gòu)y，并據(jù)此計(jì)算公式(5)所示代價(jià)函數(shù)J(W,b)。

步驟3對(duì)無(wú)監(jiān)督代價(jià)函數(shù)進(jìn)行迭代優(yōu)化計(jì)算。根據(jù)公式(9)(10)參數(shù)更新方法，當(dāng)無(wú)監(jiān)督代價(jià)函數(shù)取得最小值時(shí)，可以得到有監(jiān)督過程的初始化參數(shù)θinitial。

步驟4構(gòu)造有監(jiān)督代價(jià)函數(shù)。用θinitial對(duì)softmax回歸模型參數(shù)進(jìn)行初始化，依據(jù)公式(11)(12)計(jì)算有監(jiān)督代價(jià)函數(shù)JL(θ)。

步驟5迭代計(jì)算有監(jiān)督代價(jià)函數(shù)JL(θ)的最小值。由公式(13)(14)可計(jì)算模型參數(shù)θ的最優(yōu)值θopt，作為CTF特征輸出。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

為了評(píng)估基于深度學(xué)習(xí)的通信輻射源指紋特征提取算法的可行性和有效性，本節(jié)在kenwood手持式FM電臺(tái)數(shù)據(jù)集和kirisun通信電臺(tái)數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)。為更好地分析實(shí)驗(yàn)結(jié)果，將提出的算法(SAE/CTF)與傳統(tǒng)的基于雜散特征(R特征)提取方法[14]、基于SIB特征的高階統(tǒng)計(jì)量方法[3]進(jìn)行了實(shí)驗(yàn)比較。

本節(jié)設(shè)置的兩組實(shí)驗(yàn)，第一組為在kenwood通信電臺(tái)數(shù)據(jù)集和kirisun通信電臺(tái)數(shù)據(jù)集上分別進(jìn)行的分類識(shí)別實(shí)驗(yàn)，主要驗(yàn)證了基于深度學(xué)習(xí)的通信輻射源指紋特征提取算法在訓(xùn)練樣本個(gè)數(shù)不同的情況下，對(duì)相同型號(hào)、工作狀態(tài)的不同通信輻射源個(gè)體所提取的指紋特征能夠反映個(gè)體差異的可行性；第二組為不同輻射源個(gè)體的識(shí)別差異實(shí)驗(yàn)，主要驗(yàn)證了基于深度學(xué)習(xí)的通信輻射源指紋特征提取算法在“小樣本”條件下對(duì)kenwood通信電臺(tái)數(shù)據(jù)集中不同輻射源個(gè)體指紋特征提取的有效性。

實(shí)驗(yàn)所采用的kenwood通信電臺(tái)數(shù)據(jù)集，是在實(shí)際環(huán)境下采集的5部相同型號(hào)、工作狀態(tài)的kenwood手持式FM通信電臺(tái)的通信信號(hào)，信號(hào)帶寬為25 kHz，接收機(jī)帶寬為100 kHz，采樣頻率為204.8 kHz，采樣點(diǎn)數(shù)為1023658個(gè)，采樣數(shù)據(jù)為零中頻I/Q正交信號(hào)。kirisun通信電臺(tái)數(shù)據(jù)集的采集，5部kirisun手持式FM電臺(tái)帶寬為25 kHz，接收機(jī)將截獲信號(hào)經(jīng)正交混頻和A/D轉(zhuǎn)換，輸出零中頻I/Q雙路正交信號(hào)，接收機(jī)采集增益為6 dB，信道帶寬100 kHz，采樣率為312.5 kHz，每個(gè)樣本的采樣時(shí)長(zhǎng)均為30 s。

對(duì)通信輻射源信號(hào)進(jìn)行矩形積分雙譜變換(Square Integral Bispectra，SIB)后可獲得包含CTF特征的高維數(shù)據(jù)，將其輸入SAE進(jìn)行訓(xùn)練，可以保證從中提取的指紋特征能夠準(zhǔn)確表征輻射源個(gè)體。同時(shí)，考慮到硬件性能與運(yùn)算效率，最終選取4096維SIB特征作為高維輸入樣本。SAE的輸入層節(jié)點(diǎn)與輸入樣本應(yīng)為等維映射，因此輸入層節(jié)點(diǎn)數(shù)目為4096。根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)，設(shè)計(jì)層數(shù)為2，節(jié)點(diǎn)數(shù)分別為256和64的隱含層，構(gòu)成結(jié)構(gòu)為4096-256- 64的自編碼器單元。由于SAE的解碼部分將壓縮后的CTF特征重構(gòu)為輸入樣本，因此輸出層節(jié)點(diǎn)數(shù)也為4096。

對(duì)于基于SIB特征的高階統(tǒng)計(jì)量方法(SIB)和本文算法(SAE/CTF)，采用的SIB特征維度也為4096維。為更好地比較實(shí)驗(yàn)組中各特征提取方法的性能，采用與有監(jiān)督精校模型相同的softmax分類器，每組實(shí)驗(yàn)重復(fù)20次，取平均識(shí)別率作為最終識(shí)別結(jié)果，所有實(shí)驗(yàn)均在一臺(tái)CPU為Intel Core i7- 4720HQ 2.6GHz的筆記本電腦上運(yùn)行。

4.2 算法整體識(shí)別性能

為了驗(yàn)證基于深度學(xué)習(xí)的通信輻射源指紋特征提取算法在不同“小樣本”條件下提取的CTF特征可以反映通信輻射源個(gè)體之間的細(xì)微差異，在kenwood通信電臺(tái)數(shù)據(jù)集和kirisun通信電臺(tái)數(shù)據(jù)集上分別進(jìn)行分類識(shí)別實(shí)驗(yàn)，并將相同實(shí)驗(yàn)條件下的實(shí)驗(yàn)結(jié)果與R特征、SIB方法進(jìn)行比較。

將5部kenwood通信電臺(tái)的150000個(gè)樣本，分別從每個(gè)通信電臺(tái)個(gè)體中隨機(jī)選取15000,30000,45000,60000,75000個(gè)有標(biāo)簽樣本構(gòu)成有標(biāo)簽訓(xùn)練樣本集，其余60000個(gè)作為無(wú)標(biāo)簽樣本構(gòu)成無(wú)標(biāo)簽訓(xùn)練樣本集，再?gòu)拿總€(gè)通信電臺(tái)個(gè)體最終剩余的樣本中隨機(jī)選擇1500個(gè)樣本作為測(cè)試樣本集，得到5個(gè)實(shí)驗(yàn)變量組，記為E1，E2，E3，E4，E5；將5部kirisun通信電臺(tái)的45000個(gè)樣本，分別從每個(gè)通信電臺(tái)個(gè)體中隨機(jī)選取4500,9000,13500,18000,27500個(gè)有標(biāo)簽樣本構(gòu)成有標(biāo)簽訓(xùn)練樣本集，其余18000個(gè)作為無(wú)標(biāo)簽樣本構(gòu)成無(wú)標(biāo)簽訓(xùn)練樣本集，再?gòu)拿總€(gè)通信電臺(tái)個(gè)體最終剩余的樣本中隨機(jī)選擇450個(gè)樣本作為測(cè)試樣本集，得到5個(gè)實(shí)驗(yàn)變量組，記為E6,E7,E8,E9,E10。每個(gè)實(shí)驗(yàn)變量組獨(dú)立重復(fù)20次，計(jì)算平均識(shí)別率。R特征、SIB和SAE/CTF方法在kenwood數(shù)據(jù)集和kirisun數(shù)據(jù)集上取不同有標(biāo)簽樣本數(shù)時(shí)的識(shí)別性能如表1(a)、(b)所示。

表1(a) kenwood數(shù)據(jù)集上R特征、SIB和SAE/CTF取不同訓(xùn)練樣本數(shù)時(shí)平均識(shí)別率

表1(b) kirisun數(shù)據(jù)集上R特征、SIB和SAE/CTF取不同訓(xùn)練樣本數(shù)時(shí)平均識(shí)別率

從表1可以看出：(1)kenwood通信電臺(tái)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果說明，在不同的“小樣本”條件下，SAE/CTF方法均獲得最優(yōu)的分類識(shí)別性能，即該方法所提取的CTF特征能夠準(zhǔn)確表征通信輻射源個(gè)體，SIB方法次之，而R特征方法的識(shí)別效果最差；(2)E4中R特征方法的結(jié)果出現(xiàn)了異常的下降，這是由于雜散特征在實(shí)際環(huán)境中極為微弱，在“小樣本”條件下進(jìn)行特征提取易受干擾；(3)kirisun通信電臺(tái)數(shù)據(jù)集對(duì)應(yīng)的實(shí)驗(yàn)E6～E10顯示，SAE/CTF識(shí)別率在小樣本條件下顯著優(yōu)于對(duì)照算法，并且在有標(biāo)簽樣本相對(duì)充足時(shí)，E9，E10，識(shí)別正確率超過80%，說明能夠準(zhǔn)確表征小樣本條件下同類型通信電臺(tái)的不同個(gè)體；(4)將kenwood通信電臺(tái)數(shù)據(jù)集與kirisun通信電臺(tái)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比可以發(fā)現(xiàn)，前三組實(shí)驗(yàn)的有標(biāo)簽樣本量均少于無(wú)標(biāo)簽樣本量，在此條件下傳統(tǒng)方法如R特征法、SIB法對(duì)于同類型通信輻射源個(gè)體的識(shí)別能力較差，而本文提出的SAE/CTF方法能夠大致將不同通信輻射源個(gè)體進(jìn)行區(qū)分識(shí)別；(5)后兩組實(shí)驗(yàn)中有標(biāo)簽樣本量與無(wú)標(biāo)簽樣本量相當(dāng)或更為充足，對(duì)照算法的識(shí)別性能明顯提高，但本文方法仍然能夠表現(xiàn)出最優(yōu)的識(shí)別性能，說明通過深度學(xué)習(xí)可以較好地結(jié)合有標(biāo)簽樣本與無(wú)標(biāo)簽樣本，并從中提取能夠有效表征多個(gè)不同通信輻射源個(gè)體的指紋特征。

4.3 不同輻射源個(gè)體特征識(shí)別實(shí)驗(yàn)

為了驗(yàn)證基于深度學(xué)習(xí)的通信輻射源指紋特征提取算法在同一“小樣本”條件下提取的CTF特征可以反映不同通信輻射源之間的個(gè)體差異，在kenwood通信電臺(tái)數(shù)據(jù)集上進(jìn)行分類識(shí)別實(shí)驗(yàn)，并將相同實(shí)驗(yàn)條件下的實(shí)驗(yàn)結(jié)果與R特征、SIB方法進(jìn)行比較。

表2 R特征、SIB和SAE/CTF方法對(duì)不同電臺(tái)個(gè)體的識(shí)別結(jié)果

5 結(jié)論

本文提出了一種基于堆棧自編碼器的通信輻射源指紋特征提取算法，利用大量無(wú)標(biāo)簽樣本首先對(duì)特征提取模型進(jìn)行預(yù)訓(xùn)練，再通過少量有標(biāo)簽樣本進(jìn)行監(jiān)督精校，提高在小樣本條件下對(duì)通信輻射源指紋特征的表征能力。實(shí)驗(yàn)結(jié)果表明，本文提出的算法顯著改善了小樣本條件下通信輻射源指紋特征提取能力。

[1] 柳征. 輻射源調(diào)制分類與個(gè)體識(shí)別技術(shù)研究[D]. 長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2005.

Liu Zheng. Research on Classification and Individual Recognition Technology of Radiation Source[D]. Changsha: National University of Defense Technology, 2005.(in Chinese)

[2] 唐哲，雷迎科. 通信輻射源個(gè)體識(shí)別中基于l2正則化的最大相關(guān)熵算法[J]. 通信學(xué)報(bào), 2016，29(6)：527-533.

Tang Zhe，Lei Yingke. Algorithm of Maximum Correntropy Based on l2-Regularization in Individual Communication Transmitter Identification[J]. Journal on Communication，2016,29(6)：527-533.(in Chinese)

[3] 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 Communication，2007,28(2)：75-79. (in Chinese)

[4] 顧晨輝, 王倫文. 基于瞬時(shí)包絡(luò)特征的跳頻電臺(tái)個(gè)體識(shí)別方法[J]. 信號(hào)處理, 2012, 28(9):1335-1340.

Gu Chenhui, Wang Lunwen. Individual frequency hopping radio identification method based on instantaneous envelope characteristics[J]. Signal Processing, 2012, 28(9):1335-1340. (in Chinese)

[5] 梁江海，黃知濤，袁英俊，等. 一種經(jīng)驗(yàn)?zāi)B(tài)分解的通信輻射源個(gè)體識(shí)別方法[J]. 中國(guó)電子科學(xué)研究院學(xué)報(bào), 2013, 8(4)：393-397.

Liang Jianghai, Huang Zhitao, Yuan Yingjun, et al. A Method Based on Empirical Decomposition for Identifying Transmitter Individuals[J]. Journal of CAEIT, 2013, 8(4): 393-397. (in Chinese)

[6] 余凱，賈磊，陳雨強(qiáng).深度學(xué)習(xí)的昨天、今天和明天[J].計(jì)算機(jī)研究與發(fā)展, 2013, 50(9):1799-1804.

Yu Kai，Jia Lei，Chen Yuqiang. Deep Learning’s Yesterday, Today and Tomorrow[J]. Computer Research and Development, 2013，50(9)：1799-1804. (in Chinese)

[7] Hinton G. Reducing the Dimensionality of Data with Neural Network[J]. Science, 2006, 313:504-507.

[8] Ouyang Wanli，Wang Xiaogang. Joint Deep Learning for Pedestrian Detection[C]∥The IEEE International Conference Vision(ICCV)，2013: 2056-2063.

[9] 馬勇，鮑長(zhǎng)春. 基于稀疏神經(jīng)網(wǎng)絡(luò)的說話人分割[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2015, 41(5): 662- 667.

Ma Yong, Bao Changchun. Speaker Segmentation Based on Sparse Neural Network[J]. Journal of Beijing University of Technology, 2015, 41(5)：662- 667. (in Chinese)

[10] Kenny P，Boulianne G，Ouellet P，et al. Joint Factor Analysis Versus Eigenchannels in Speaker Recognition[J]. IEEE Transaction on Audio，Speech，and Language Processing，2007，15(4)：1435-1447.

[11] 彭君睿.面向文本分類的特征提取算法研究[D].北京：北京郵電大學(xué)，2013.

Peng Junrui. A Research on Feature Extraction Applied for Text Classification [D]. Beijing: Beijing University of Posts and Telecommunications, 2013. (in Chinese)

[12] Deep Learning Tutorial[EB/OL]. 2013. http:∥deeplearning. Net / tutorial /.

[13] 周東青，王玉冰，王星,等. 基于深度限制玻爾茲曼機(jī)的輻射源信號(hào)識(shí)別[J]. 國(guó)防科技大學(xué)學(xué)報(bào), 2016, 38(6):136-141.

Zhou Dongqing, Wang Yubing, Wang Xing, et al. Radar Emitter Signal Recognition Based on Deep Restricted Boltzmann Machine[J]. Journal of National University of Defense Technology, 2016,38(6): 136-141.(in Chinese)

[14] 雷迎科，郝曉軍，韓慧,等. 一種新穎的通信輻射源個(gè)體細(xì)微特征提取方法[J]. 電波科學(xué)學(xué)報(bào), 2016,31(1)：98-105.

Lei Yingke，Hao Xiaojun，Han Hui，et al. A Novel Fine Feature Extraction Method for Identifying Communication Transmitter[J]. Chinese Journal of Radio Science, 2016，31(1): 98-105. (in Chinese)

[15] 徐書華，黃本雄，徐麗娜. 基于SIB/PCA的通信輻射源個(gè)體識(shí)別[J]. 華中科技大學(xué)學(xué)報(bào): 自然科學(xué)版，2008,36(7)：14-17.

Xu Shuhua, Huang Benxiong, Xu Lina. Identification of Individual Radio Transmitters using SIB/PCA[J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2008, 36(7):14-17.(in Chinese)