矩形積分雙譜和半監(jiān)督鑒別分析下的通信輻射源識(shí)別

韓國川, 張金藝,, 李 科, 何利康, 姜玉稀, 王 濤

(1.上海大學(xué)微電子研究與開發(fā)中心,上海200444；2.上海大學(xué)特種光纖與光接入網(wǎng)重點(diǎn)實(shí)驗(yàn)室,上海200444；3.上海三思電子工程有限公司,上海201100)

通信輻射源識(shí)別是通信對(duì)抗中電子情報(bào)/電子支援系統(tǒng)中的研究熱點(diǎn)之一[1],是指將提取以電臺(tái)為主的通信輻射源發(fā)射信號(hào)的細(xì)微特征作為指紋特征來進(jìn)行分析,并利用先驗(yàn)信息確定該信號(hào)所屬通信輻射源的類別,因此也稱通信輻射源指紋識(shí)別.在軍事通信對(duì)抗領(lǐng)域中,通信輻射源識(shí)別可以進(jìn)一步查明對(duì)方的戰(zhàn)術(shù)意圖、威脅程度、指揮系統(tǒng)結(jié)構(gòu)等信息,為己方有針對(duì)性地制定戰(zhàn)略戰(zhàn)術(shù)部署提供重大依據(jù).

現(xiàn)有的通信輻射源識(shí)別方法大體上可劃分為提取暫態(tài)信號(hào)特征和提取穩(wěn)態(tài)信號(hào)特征這2種識(shí)別方法.提取暫態(tài)信號(hào)特征進(jìn)行通信輻射源識(shí)別的方法主要通過與小波分析[2]、分形[3]等理論結(jié)合,對(duì)通信輻射源進(jìn)行識(shí)別,但是實(shí)際應(yīng)用中暫態(tài)信號(hào)具有瞬時(shí)性,信號(hào)數(shù)據(jù)較難被捕獲.因此,當(dāng)前主要以提取通信輻射源的穩(wěn)態(tài)信號(hào)特征后進(jìn)行識(shí)別作為研究熱點(diǎn).2014年,Lin等[4]采用信號(hào)分選技術(shù),將載頻、脈沖寬度、重復(fù)間隔這3個(gè)常規(guī)參數(shù)作為雷達(dá)輻射源的指紋特征來進(jìn)行分選,隨后利用改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)分類器來識(shí)別雷達(dá)輻射源.該方法通過對(duì)分類器的改進(jìn)來達(dá)到更好的識(shí)別效果,不過其選取的指紋特征對(duì)同類通信輻射源識(shí)別效果并不明顯.針對(duì)指紋特征選取不精確從而不能有效處理同類通信輻射源的識(shí)別問題,2016年桂云川等[5]利用高階譜分析技術(shù),提取通信輻射源雙譜特征作為其指紋特征,并利用支持向量機(jī)進(jìn)行分類識(shí)別,得到分類結(jié)果.該方法一定程度上提升了同類通信輻射源識(shí)別效果,但是由于雙譜特征維數(shù)較高,直接用于分類識(shí)別容易產(chǎn)生“維數(shù)災(zāi)難”問題,即同時(shí)在訓(xùn)練樣本較少以及先驗(yàn)樣本標(biāo)簽信息較少時(shí)其識(shí)別精度只有72%左右.為了解決直接應(yīng)用雙譜特征帶來的“維數(shù)災(zāi)難”問題,2016年雷迎科等[6]針對(duì)通信輻射源雙譜特征維數(shù)較高的問題,引入流形學(xué)習(xí)理論,提出正交局部樣條判別流形嵌入算法來對(duì)通信輻射源雙譜特征進(jìn)行降維,再對(duì)降維后的雙譜特征利用分類器進(jìn)行識(shí)別.該方法降低了分類器規(guī)模并提升了識(shí)別精度,其平均識(shí)別率為82.37%.不過該算法屬于無監(jiān)督學(xué)習(xí)算法,即沒有充分利用寶貴的樣本標(biāo)簽信息來指導(dǎo)訓(xùn)練過程,未考慮在先驗(yàn)標(biāo)簽信息較少時(shí)識(shí)別精度不高的問題.

綜上所述,本工作提出了一種基于矩形積分雙譜和半監(jiān)督鑒別分析的通信輻射源識(shí)別方法.當(dāng)采集到通信輻射源發(fā)射的信號(hào)樣本后,該方法采用矩形積分雙譜算法提取通信輻射源雙譜特征,并將其作為指紋特征,以表征所屬通信輻射源；同時(shí),采用結(jié)合流形學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的半監(jiān)督鑒別分析算法,充分利用標(biāo)記和無標(biāo)記雙譜特征樣本,實(shí)現(xiàn)高維雙譜特征維數(shù)的約簡,并在低維子空間中進(jìn)行分類識(shí)別,從而提升通信輻射源的識(shí)別效果.為了驗(yàn)證本方法的效果,采用同廠、同批、同型號(hào)的FM電臺(tái)作為同類通信輻射源的代表進(jìn)行電臺(tái)識(shí)別實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果表明,在FM電臺(tái)訓(xùn)練樣本中具有先驗(yàn)標(biāo)簽信息的樣本較少時(shí),本方法對(duì)電臺(tái)測(cè)試樣本的識(shí)別率最高，為87.6%,充分證明了該方法在同類通信輻射源識(shí)別中,指紋特征提取和識(shí)別精度方面的優(yōu)勢(shì).

1 通信輻射源雙譜特征提取

通信輻射源“指紋特征”是指通信輻射源的細(xì)微特征,即使是同廠、同批、同型號(hào)的同類通信輻射源設(shè)備,由于受到環(huán)境、工藝等細(xì)小因素的影響,導(dǎo)致這些設(shè)備之間也存在微小差異,這些微小差異構(gòu)成的細(xì)微特征即可作為通信輻射源的指紋特征來表征.通常,通信輻射源指紋特征大多表現(xiàn)為非平穩(wěn)、非高斯、非線性,同時(shí)也需要滿足時(shí)移不變性、尺度變化性、相位保持性這3種特性,而信號(hào)的雙譜特征能夠較好地滿足通信輻射源指紋特征的特性,并且能夠有效解決同類通信輻射源的指紋特征提取問題,因此本工作采用矩形積分雙譜提取通信輻射源雙譜特征作為其指紋特征,以表征所屬通信輻射源.

1.1 通信輻射源識(shí)別流程

通信輻射源識(shí)別主要是通過通信接收機(jī)采集得到通信輻射源發(fā)射的原始信號(hào)數(shù)據(jù),經(jīng)過信號(hào)預(yù)處理后利用特征提取來提取出原始信號(hào)數(shù)據(jù)的指紋特征,以表征所屬通信輻射源,并利用分類器對(duì)待識(shí)別原始信號(hào)數(shù)據(jù)所屬通信輻射源進(jìn)行分類識(shí)別,最終得出識(shí)別結(jié)果.通信輻射源的識(shí)別本質(zhì)上可看作為模式識(shí)別問題,即通過對(duì)待識(shí)別對(duì)象進(jìn)行特征提取后進(jìn)行訓(xùn)練學(xué)習(xí),最后進(jìn)行分類判別的一個(gè)過程[7].一般來說,通信輻射源識(shí)別流程如圖1所示.

圖1通信輻射源識(shí)別流程Fig.1 Flow chart of communication emitter identification

圖1 中特征提取的方法和精度,將直接影響到后續(xù)的計(jì)算復(fù)雜度以及分類識(shí)別的效果,因此選擇合適的特征提取方法至關(guān)重要.

1.2 基于矩形積分雙譜的通信輻射源雙譜特征提取

傳統(tǒng)的1階、2階或功率譜分析方法在用以進(jìn)行通信輻射源發(fā)射信號(hào)特征提取時(shí),普遍存在相位和幅度信息失真的問題,而信號(hào)的高階譜能夠克服這些問題,同時(shí)還能夠有效抑制高斯噪聲.在高階譜中雙譜階數(shù)最低,但是雙譜包含了高階譜的所有特性,因此在通信輻射源識(shí)別中應(yīng)用廣泛[8].

雙譜是3階累積量的2維傅里葉變換.假設(shè)通信輻射源穩(wěn)態(tài)信號(hào)為x(t),則其對(duì)應(yīng)的3階累積量可表示為

式中,x*為共軛,τ1和τ2為延遲.設(shè)X(w)為x(t)的傅里葉變換,則雙譜B(w1,w2)為

由于雙譜的直接應(yīng)用需計(jì)算2維匹配模板,因此為克服雙譜直接應(yīng)用產(chǎn)生的計(jì)算復(fù)雜問題,可設(shè)定積分路徑,引入積分雙譜的方法[9].積分雙譜方法可分為徑向積分雙譜(radially integral bispectra,RIB)、軸向積分雙譜(axially integral bispectra,AIB)、圓周積分雙譜(circularly integral bispectra,CIB)和矩形積分雙譜(square integral bispectra,SIB)這4種.積分雙譜方法在信號(hào)雙譜平面上設(shè)定不同積分路徑,其積分路徑如圖2所示.

圖2不同積分雙譜的積分路徑Fig.2 Integral path of different integral bispectrums

圖2 中的黑點(diǎn)表示雙譜值,w1和w2為頻率坐標(biāo)軸.從圖中雙譜平面上的積分路徑來看,雖然RIB提取的雙譜特征滿足時(shí)移不變性,但是存在尺度信息和相位信息的丟失問題；AIB提取的雙譜特征丟失了較多相位信息,不滿足相位保持性；CIB提取的雙譜特征也只保留了信號(hào)的部分相位信息；而SIB的積分路徑是由一組以原點(diǎn)為中心的正方形組成,時(shí)移不變性、尺度變化性、相位保持性都能滿足.同時(shí),從圖2也可看出,RIB,AIB,CIB在提取雙譜特征過程中都有遺漏或復(fù)用雙譜值的問題,會(huì)影響后續(xù)分類識(shí)別的準(zhǔn)確性,而SIB則不存在這個(gè)問題.4種積分雙譜方法提取的雙譜特征特性如表1所示.

表1 4種積分雙譜方法提取的雙譜特征特性Table 1 Bispectra features of four integral bispectra methods

SIB提取的雙譜特征能夠滿足表1中的3種特性,也沒有出現(xiàn)對(duì)信號(hào)雙譜值的遺漏或復(fù)用,從而能夠獲取通信輻射源的重要信息特征；同時(shí)SIB對(duì)噪聲也存在仍較強(qiáng)的抑制作用.因此,采用SIB提取的雙譜特征作為指紋特征來表征所屬通信輻射源是十分合適的.

利用SIB提取通信輻射源雙譜特征的算法步驟如下.

(1)假定有待識(shí)別的通信輻射源分屬c類,每類通信輻射源采集N個(gè)樣本信號(hào),其中第i類通信輻射源的第k個(gè)樣本信號(hào)可表示為xik(n).

(2)通過式(2)計(jì)算樣本信號(hào)xlk(n)的雙譜Bik(w1,w2),根據(jù)圖2中SIB的積分路徑來計(jì)算SIB提取的雙譜特征即

式中,L為SIB的積分路徑總條數(shù),Sl為圖2中SIB采用的第l條積分路徑.

信號(hào)雙譜特征向量維數(shù)與SIB采用的積分路徑條數(shù)L相同,為了保留相對(duì)較多的的信號(hào)雙譜特征,需要選擇相對(duì)較多的積分路徑條數(shù),導(dǎo)致信號(hào)雙譜特征向量維數(shù)也相對(duì)較高.隨著維數(shù)的增加,雙譜特征向量中冗余信息也會(huì)增多,致使不同的雙譜特征向量在高維特征空間中無序分布并產(chǎn)生交疊.同時(shí),特征維數(shù)的增加也會(huì)導(dǎo)致所需的信號(hào)樣本呈指數(shù)級(jí)增加,因此如果直接采用高維雙譜特征作分類識(shí)別也將會(huì)出現(xiàn)“維數(shù)災(zāi)難”問題,導(dǎo)致一些分類器(如KNN,SVM)時(shí)效性降低,識(shí)別率下降.因此為了提高識(shí)別率,必須對(duì)高維雙譜特征向量進(jìn)行降維處理.

2 通信輻射源雙譜特征降維與識(shí)別

由于傳統(tǒng)的降維技術(shù)大多是線性降維方法,不能有效針對(duì)具有大量非線性結(jié)構(gòu)的通信輻射源雙譜特征數(shù)據(jù)進(jìn)行降維,同時(shí)在實(shí)際應(yīng)用中存在較難獲取標(biāo)簽通信輻射源信號(hào)的情況,導(dǎo)致先驗(yàn)信息較少,從而產(chǎn)生識(shí)別精度不高的問題.因此,在通信輻射源識(shí)別中,可以引入結(jié)合流形學(xué)習(xí)[10-11]和半監(jiān)督學(xué)習(xí)的半監(jiān)督流形學(xué)習(xí)方法[12-13].半監(jiān)督鑒別分析(semi-supervised discriminant analysis,SDA)算法是一類基于圖嵌入的半監(jiān)督流形學(xué)習(xí)算法[14-15],本工作將SDA算法引入到通信輻射源識(shí)別中,根據(jù)雙譜特征數(shù)據(jù)本身的非線性流形信息和部分標(biāo)簽信息,將高維雙譜特征數(shù)據(jù)映射到低維子空間后進(jìn)行分類識(shí)別,從而提升通信輻射源識(shí)別性能.

2.1 半監(jiān)督鑒別分析算法原理

式中：a為高維數(shù)據(jù)在其低維子流形上的投影向量；Sb和St分別為類間散布矩陣和整體散布矩陣,

系數(shù)β用來平衡模型復(fù)雜度和損失懲罰度；J(a)為流形正則化項(xiàng),用來約束目標(biāo)函數(shù),

當(dāng)存在無標(biāo)簽樣本數(shù)據(jù)時(shí),可以構(gòu)建一個(gè)具有流形結(jié)構(gòu)的流形正則化項(xiàng)J(a),用來約束目標(biāo)函數(shù).數(shù)據(jù)一致性的先驗(yàn)假設(shè)是SDA算法的關(guān)鍵,即對(duì)于分類問題,如果數(shù)據(jù)點(diǎn)相互鄰近,則其都具有相同的標(biāo)簽.那么,對(duì)于樣本集的一致性關(guān)系矩陣Sij的定義為

式中：Sij表示為數(shù)據(jù)點(diǎn)之間對(duì)應(yīng)的權(quán)重矩陣；Np(xi)為樣本數(shù)據(jù)點(diǎn)xi的p最近鄰集合,p通常采用經(jīng)驗(yàn)值.令X=[x1,x2,···,xm],那么流形正則化項(xiàng)J(a)可表示為

利用拉格朗日乘數(shù)法對(duì)式(7)進(jìn)行求解,將其轉(zhuǎn)換為特征向量求解的過程,即

式(8)中λ為該式的特征值,a為λ對(duì)應(yīng)的特征向量.通過式(9)求得的對(duì)應(yīng)c個(gè)非0特征值的投影向量集合A=[a1,a2,···,ac]即為投影轉(zhuǎn)換矩陣,通過集合A即可將高維樣本數(shù)據(jù)映射到其對(duì)應(yīng)的低維子空間中,

2.2 半監(jiān)督鑒別分析下的雙譜特征降維與分類識(shí)別

將SDA算法應(yīng)用在通信輻射源高維雙譜特征降維和識(shí)別中,其具體流程如下.

(1)假定有待識(shí)別的通信輻射源分屬c類,共含有m個(gè)雙譜特征數(shù)據(jù)矩陣為雙譜特征向量的原始維度),其中含有具有c個(gè)輻射源個(gè)體類別的l個(gè)有標(biāo)簽雙譜特征樣本集和m-l個(gè)無標(biāo)簽雙譜特征樣本集為雙譜特征樣本xi的類別標(biāo)簽,lk為第k類有標(biāo)簽雙譜特征樣本的數(shù)量,且為第k類雙譜特征樣本的均值向量,μ為全部雙譜特征樣本的均值向量.

(2)利用式(5)和(6)計(jì)算出雙譜特征數(shù)據(jù)的類間散布矩陣Sb和總體散布矩陣St.

(3)構(gòu)建p-近鄰圖,通過式(10)求得一致性關(guān)系矩陣Sij,并計(jì)算拉普拉斯矩陣L.

(4)求解式(11)的特征方程式,得到c個(gè)投影向量：a1,a2,···,ac.

(5)令A(yù)=[a1,a2,···,ac],通過式(12)將通信輻射源原始高維雙譜特征數(shù)據(jù)矩陣X映射到c維子空間,得到降維后的雙譜特征數(shù)據(jù)矩陣Z.

(6)對(duì)降維后的雙譜特征數(shù)據(jù)進(jìn)行分類識(shí)別,得到通信輻射源識(shí)別結(jié)果.

利用SDA算法對(duì)通信輻射源雙譜特征數(shù)據(jù)進(jìn)行降維與識(shí)別,其流程如圖3所示.

圖3 通信輻射源雙譜特征樣本應(yīng)用SDA算法流程Fig.3 Flow chart of SDA algorithm on bispectra characteristic samples

SDA算法在降維過程中能有效利用有標(biāo)簽和無標(biāo)簽雙譜特征樣本來提高鑒別能力.有標(biāo)簽雙譜特征樣本用來最大化不同通信輻射源雙譜特征數(shù)據(jù)的類間分離性,無標(biāo)簽雙譜特征樣本用來估計(jì)出雙譜特征數(shù)據(jù)的內(nèi)在流形結(jié)構(gòu),挖掘出維數(shù)低、復(fù)雜度低的雙譜特征,這不僅簡化了計(jì)算復(fù)雜度,同時(shí)避免了數(shù)據(jù)和資源的浪費(fèi),提高了通信輻射源識(shí)別精度.

3 驗(yàn)證體系構(gòu)建與結(jié)果分析

在構(gòu)建驗(yàn)證系統(tǒng)時(shí),為驗(yàn)證矩形積分雙譜和半監(jiān)督鑒別分析下的通信輻射源識(shí)別方法效果,采用同類的10部FM電臺(tái)代表同類通信輻射源,以及一臺(tái)計(jì)算機(jī)進(jìn)行電臺(tái)識(shí)別實(shí)驗(yàn),并通過2組實(shí)驗(yàn)來說明本算法的有效性.

3.1 驗(yàn)證體系構(gòu)建

本工作所采用的10部FM電臺(tái),信道帶寬為25 kHz,中心頻率為410 MHz.接收FM電臺(tái)發(fā)射信號(hào)的接收機(jī)信道帶寬為100 kHz,采樣頻率為204.8 kHz,采樣點(diǎn)數(shù)為1 023 658個(gè)點(diǎn).采樣處理后得到的數(shù)據(jù)為零中頻I/Q正交數(shù)據(jù).每部電臺(tái)分別采樣9段樣本信號(hào).本工作使用Matlab R2012a軟件進(jìn)行仿真實(shí)驗(yàn),不同于一般仿真實(shí)驗(yàn),本工作用于仿真實(shí)驗(yàn)的電臺(tái)數(shù)據(jù)是從真實(shí)場景中接收得到；用于仿真的計(jì)算機(jī)型號(hào)為聯(lián)想Y470P-IFI,CPU主頻和型號(hào)分別為2.5 GHz和i5-2450M雙核處理器,內(nèi)存為8 GB.

對(duì)于每部FM電臺(tái),通過射頻接收機(jī)對(duì)FM電臺(tái)的發(fā)射信號(hào)進(jìn)行接收和預(yù)處理,獲得I/Q2路數(shù)字零中頻信號(hào),并將該時(shí)域信號(hào)作為后續(xù)處理的樣本信號(hào)數(shù)據(jù).計(jì)算機(jī)接著將樣本信號(hào)數(shù)據(jù)分為訓(xùn)練樣本和測(cè)試樣本,最終識(shí)別出測(cè)試樣本信號(hào)數(shù)據(jù)所屬FM電臺(tái).FM電臺(tái)訓(xùn)練樣本采用如式(13)所示的通過矩形積分雙譜提取出電臺(tái)的雙譜特征,隨后利用式(14)通過半監(jiān)督鑒別分析算法計(jì)算出投影轉(zhuǎn)換矩陣.測(cè)試樣本用于測(cè)試識(shí)別的結(jié)果,測(cè)試樣本同樣根據(jù)式(15)提取出雙譜特征后,使用訓(xùn)練樣本求出的投影轉(zhuǎn)換矩陣,將高維雙譜特征數(shù)據(jù)映射到低維子空間,然后進(jìn)行分類識(shí)別,得出最終FM電臺(tái)的識(shí)別結(jié)果.整個(gè)電臺(tái)識(shí)別系統(tǒng)流程如圖4所示.

圖4 電臺(tái)識(shí)別系統(tǒng)流程Fig.4 Flow chart of radio identification system

3.2 實(shí)驗(yàn)結(jié)果分析

本工作進(jìn)行2組實(shí)驗(yàn)來說明本算法的效果,其中一組為分析雙譜特征表征所屬通信輻射源效果實(shí)驗(yàn),另一組為評(píng)價(jià)矩形積分雙譜和半監(jiān)督鑒別分析下的通信輻射源識(shí)別方法的性能實(shí)驗(yàn).

第一組實(shí)驗(yàn)從10部FM電臺(tái)中任選3部電臺(tái)的樣本信號(hào),分別提取其雙譜特征,通過雙譜的截面圖及雙譜立體圖進(jìn)行顯示對(duì)比,雙譜截面圖即為通過沿雙譜立體圖按平面f1=f2得到的截面.10部FM電臺(tái)中的3部電臺(tái)樣本信號(hào)的雙譜截面圖及立體圖如圖5所示.

從圖5中可以看出,不同電臺(tái)的雙譜特征是存在著細(xì)微差異的,同時(shí)將1.2節(jié)中提到的雙譜作為階數(shù)最低的高階譜,計(jì)算復(fù)雜度相對(duì)較低且不存在相位和幅度的失真問題,以及抑制噪聲的優(yōu)勢(shì).因此,雙譜特征可作為通信輻射源信號(hào)指紋特征來表征所屬通信輻射源.

第二組實(shí)驗(yàn)根據(jù)圖4的電臺(tái)識(shí)別系統(tǒng)設(shè)計(jì)流程,從10部FM電臺(tái)中的每部電臺(tái)采樣樣本隨機(jī)選擇m(m=3,4,5,6,7)個(gè)樣本作為訓(xùn)練集,共有10m個(gè)訓(xùn)練樣本；將每部電臺(tái)的其余9-m個(gè)采樣樣本作為測(cè)試集,測(cè)試樣本總數(shù)為10×(9-m)；隨后每部電臺(tái)訓(xùn)練集中隨機(jī)選取2個(gè)樣本標(biāo)記所屬電臺(tái)標(biāo)簽,剩余m-2個(gè)訓(xùn)練樣本標(biāo)簽未知.對(duì)于本工作采用的SIB算法,在利用式(16)提取電臺(tái)雙譜特征時(shí),為了保留相對(duì)較多的信號(hào)雙譜特征以保證識(shí)別精度,假設(shè)傅里葉變換點(diǎn)數(shù)為512點(diǎn),即釆用256條積分路徑計(jì)算得到對(duì)應(yīng)的雙譜特征向量的維數(shù)為256維.對(duì)于SDA算法,在求解式(8)一致性關(guān)系矩陣Sij時(shí),構(gòu)建p-近鄰圖的鄰域個(gè)數(shù)設(shè)為3,式(4)中參數(shù)β設(shè)為0.1,那么利用式(17)通過半監(jiān)督鑒別分析算法計(jì)算出投影轉(zhuǎn)換矩陣后,根據(jù)式(12)將高維雙譜特征數(shù)據(jù)映射到低維子空間,即得到降維后的電臺(tái)雙譜特征向量維數(shù)為10維.為了驗(yàn)證本算法,分別采用矩形積分雙譜(SIB)、矩形積分雙譜+半監(jiān)督鑒別分析(SIB+SDA)、矩形積分雙譜+主成分分析(SIB+PCA)3種不同方法對(duì)FM電臺(tái)進(jìn)行特征提取并識(shí)別,分類器統(tǒng)一選用最近鄰分類器(1-nearest neighborhood,1-NN).為了避免單次識(shí)別實(shí)驗(yàn)結(jié)果的隨機(jī)性,將每種方法20次實(shí)驗(yàn)得到的平均識(shí)別率作為測(cè)試結(jié)果.3種算法識(shí)別FM電臺(tái)的結(jié)果如表2和圖6所示.

圖5 3部電臺(tái)樣本信號(hào)的雙譜截面圖及雙譜立體圖Fig.5 Bispectra sectional view and stereogram of 3 radio sample signals

表2 3種算法識(shí)別FM電臺(tái)結(jié)果比較Table 2 Comparisons of different algorithms to identify FM radios

圖6 3種算法識(shí)別FM電臺(tái)結(jié)果折線圖Fig.6 Line chart of different algorithms to identify FM radios

表2和圖6顯示了在訓(xùn)練集中有標(biāo)簽電臺(tái)樣本數(shù)目較少的情況下,3種算法的電臺(tái)識(shí)別結(jié)果.實(shí)驗(yàn)結(jié)果表明,本工作提出的SIB+SDA算法的識(shí)別效果較其他2種算法更佳.只使用SIB算法,即不處理雙譜特征向量,直接進(jìn)行后續(xù)分類識(shí)別,計(jì)算復(fù)雜度高且會(huì)造成不同的FM電臺(tái)信號(hào)雙譜特征在特征空間中產(chǎn)生交疊,導(dǎo)致電臺(tái)識(shí)別率較低.而SIB+PCA算法雖然對(duì)雙譜特征向量有降維效果,但是由于PCA屬于全局線性降維方法,很難有效處理FM電臺(tái)雙譜特征這種具有大量非線性結(jié)構(gòu)的數(shù)據(jù),故導(dǎo)致識(shí)別率也不是很高.同時(shí),在有標(biāo)簽樣本較少,即訓(xùn)練樣本中有標(biāo)簽電臺(tái)樣本數(shù)目只有2個(gè)時(shí),隨著訓(xùn)練樣本數(shù)目的增加,本工作提出的SIB+SDA算法識(shí)別率相比于其余2種算法有顯著提升,這是由于本算法通過SIB提取出電臺(tái)雙譜特征后,利用SDA算法對(duì)雙譜特征進(jìn)行降維,并根據(jù)有標(biāo)簽電臺(tái)雙譜特征數(shù)據(jù)來最大化不同電臺(tái)樣本數(shù)據(jù)的類間分離性,無標(biāo)簽電臺(tái)雙譜特征數(shù)據(jù)則用來估計(jì)電臺(tái)樣本數(shù)據(jù)的內(nèi)在流形結(jié)構(gòu),從而提高了識(shí)別精度,其對(duì)測(cè)試電臺(tái)樣本的識(shí)別率最高達(dá)87.6%；而SIB和SIB+PCA算法并沒有發(fā)揮無標(biāo)簽樣本的作用,即使訓(xùn)練樣本再加入無標(biāo)簽樣本,識(shí)別率提升效果也不好,其最高識(shí)別率分別為59.8%和61.6%,相比較后有效地顯示出SIB+SDA算法在有標(biāo)簽電臺(tái)樣本較少時(shí)的電臺(tái)識(shí)別性能.

4 結(jié)束語

針對(duì)傳統(tǒng)同類通信輻射源識(shí)別方法中存在的指紋特征難以提取,以及在先驗(yàn)標(biāo)簽信息較少時(shí)識(shí)別精確度不高的問題,本工作以指紋特征差異微小的同類通信輻射源為對(duì)象,提出了一種基于矩形積分雙譜和半監(jiān)督鑒別分析的通信輻射源識(shí)別方法.該方法采用矩形積分雙譜算法提取通信輻射源雙譜特征,將其作為指紋特征,以表征所屬通信輻射源；同時(shí),采用半監(jiān)督鑒別分析算法,根據(jù)雙譜特征數(shù)據(jù)的部分標(biāo)簽信息和非線性流形信息,將高維雙譜特征數(shù)據(jù)映射到低維子空間后進(jìn)行分類識(shí)別,從而提升通信輻射源識(shí)別性能.在同類FM電臺(tái)上的識(shí)別實(shí)驗(yàn)表明,在FM電臺(tái)訓(xùn)練樣本中具有先驗(yàn)標(biāo)簽信息的樣本較少時(shí),本工作所提方法對(duì)電臺(tái)測(cè)試樣本的識(shí)別率最高達(dá)87.6%,仍然具有較高的識(shí)別精度.矩形積分雙譜和半監(jiān)督流形學(xué)習(xí)下的通信輻射源識(shí)別方法,具有在同類通信輻射源識(shí)別中指紋特征提取和識(shí)別精度方面的優(yōu)勢(shì),因此可廣泛應(yīng)用于電子信息對(duì)抗、頻譜管理等領(lǐng)域,具有非常高的軍事和社會(huì)應(yīng)用價(jià)值.