湯 鵬，徐以濤，李京華，王 殷，李 康，劉 娟，丁國如

（陸軍工程大學通信工程學院，南京，210007）

引 言

電子情報是從觀測到的信號中獲得有價值的信息。顯然，電子情報適用于非合作情況，因為如果是合作方，可以直接從合作方那里獲得信息，而對輻射源信號的分析與識別是獲得電子情報的重要過程之一。輻射源識別是分析和提取輻射源信號特征，進而判定輻射源身份的技術[1]。然而隨著信號調制方式越來越復雜，射頻設備種類越來越多，給輻射源識別增加了難度。但射頻設備內部器件自身的缺陷必然導致輻射源信號之間具有細微的差異，由于這些差異是硬件設備的特異性導致的，就如同人的指紋一樣，因此也被成為“輻射源指紋”[2]。利用輻射源指紋進行識別的技術被稱為輻射源個體識別（Specific emitter identification,SEI），又稱為輻射源指紋識別。在無線通信網絡中，對無線通信信號進行細微特征檢測識別，將物理層固有特征與傳統(tǒng)身份密鑰認證相結合，可以有效抵御偽裝欺騙攻擊，提高安全性能[3]。另一方面，隨著萬物互聯(lián)時代的來臨，為了解決無線電頻譜資源短缺不足的問題，必須對非法用戶進行識別管控，以保證合法用戶正常用頻，減少干擾[4]。而且隨著雷達探測、電子偵察和電子干擾等各類電子設備的廣泛應用，以及網絡技術、抗干擾技術的發(fā)展普及，使得電磁環(huán)境日益復雜。輻射源識別技術正是有效抵制這些行為的關鍵技術之一，其具備識別特定發(fā)射個體的作用，在無線網絡安全、電子偵察、頻譜資源管理和無線電管理等方面具有廣闊的發(fā)展前景和迫切的發(fā)展需求。圖1 是美國哈里斯公司研制的SEI 產品，該設備具備識別各類艦船和飛機的能力，可以用在電子偵察領域。

非合作輻射源識別的特點[5]主要體現(xiàn)在以下3 個方面：

（1）在非合作條件下，接收方沒有目標輻射源的先驗知識，對信號的處理都是盲處理。

（2）輻射源在復雜電磁環(huán)境的普遍應用，導致信號檢測與偵收都相當困難。

（3）隨著電子器件精密度的提高，導致輻射源間的差異越來越小，特征提取越來越難。

圖1 SEI 認證設備Fig.1 SEI certification tool

1 非合作輻射源識別分類

如圖2 所示，目前，輻射源識別根據(jù)研究對象的不同主要可分為雷達輻射源識別與通信輻射源識別。根據(jù)特征提取過程的不同可分為暫態(tài)過程識別和穩(wěn)態(tài)過程識別。

圖2 輻射源識別分類Fig.2 Classification of emitter identification

1.1 雷達輻射源識別

雷達輻射源識別技術（Radar emitter identifica?tion,REI）主要是對截獲的雷達輻射源信號進行分析，提取出信號參數(shù)和特征，實現(xiàn)對雷達輻射源的分類。雷達信號最常見的參數(shù)是脈沖描述字（PDW={DOA，TOA，RF，PA，PW}）[6]。隨著日益復雜的雷達信號體制，常規(guī)參數(shù)無法滿足識別要求，脈內分析越來越多地被用到識別當中[7]。根據(jù)傳感器信息源個數(shù)不同，可以將雷達輻射源識別技術分為單信息源REI 技術和多信息源REI 技術。單信息源REI 流程如圖3 所示。

圖3 中，先在傳感器接收到信號，經過參數(shù)測量和預處理，降低信號傳輸過程中受到的噪聲影響；然后對雷達輻射源進行特征提取，再對提取到的特征向量進行分類，對雷達輻射源信號進行識別,最后得到雷達的參數(shù)及類型等信息。

圖3 單信息源REI 流程圖[8]Fig.3 Process of single radar emitter identification

然而，單傳感器只能獲取有限的輻射源信息，在復雜電磁環(huán)境中識別能力受限，表現(xiàn)不佳，可以通過多個傳感器對雷達輻射源更好地識別。多信息源REI 流程如圖4[8]所示。

圖4 多信息源REI 流程圖Fig.4 Process of multiple radar emitter identification

在多信息源雷達輻射源識別中, 每個傳感器分別完成參數(shù)測量、預處理和特征提取, 經過分類識別后，再將每個傳感器處理的結果進行綜合處理，消除多個傳感器之間可能存在的冗余，提高準確性，給出雷達輻射源目標的一個更加可靠的、聯(lián)合的識別結果，從而獲得更多的有用信息。

1.2 通信輻射源識別

通信輻射源識別技術（Communication emitter identification,CEI）是利用偵察設備截獲的通信信號，分析信號的調制參數(shù)，雜散成分等信息，提取信號特征，進而實現(xiàn)對通信輻射源分類[5]。在傳統(tǒng)的通信信號特征獲取過程中，輻射源傳遞的通信信息是研究的重點；但是在研究通信輻射源識別時，表現(xiàn)出輻射源個體不同的細微特征成為需要獲取的信息。典型的通信輻射源識別流程如圖5 所示[5]。

圖5 通信輻射源識別流程圖Fig.5 Process of communication emitter identification

在通信輻射源識別流程中，傳感器的作用是接收通信輻射源信號，并得到波形等數(shù)據(jù)。信號預處理的目的是減輕噪聲對輻射源特征提取的影響，有利于提取有用的特征。特征提取即提取輻射源的細微特征。分類識別用分類器將提取的特征進行分類，給出識別結果?？刂破饔脕砜刂葡到y(tǒng)[5]。雷達輻射源識別與通信輻射源識別比較如圖6 所示。

1.3 輻射源暫態(tài)特征識別

暫態(tài)特征，也稱為瞬態(tài)特征，是輻射源切換工作模式（比如從啟動到進入平穩(wěn)工作，或從平穩(wěn)態(tài)到關閉）時提取的特征。暫態(tài)特征可以良好地體現(xiàn)暫態(tài)過程的非線性和非穩(wěn)定性，因而具有良好的分辨能力。但輻射源暫態(tài)特征識別主要有以下3 點困難：（1）暫態(tài)信號的開始和結束時間難以確定，在非合作條件下捕捉暫態(tài)信號難度大。（2）暫態(tài)過程持續(xù)時間短，需要非常高的采樣率才能保證識別的準確率。（3）暫態(tài)特征容易受到復雜信道等不理想環(huán)境的影響，一定程度上不能很好地反映發(fā)射機間的差異[9]。如圖7 所示，暫態(tài)特征主要包括時域特征和頻域特征[5]。時域特征方面，輻射源信號的幅度和相位特征比較明顯，易于分析，因此在暫態(tài)特征中較為常見，有不錯的識別效果[10?12]。頻域特征方面：小波分析能反映信號的不同頻率成分，具有不錯的識別效果[13?14]。瞬時頻率、頻率穩(wěn)定度和載波頻率等也用來作為特征識別輻射源，識別效果較好[15?18]。

圖6 雷達輻射源識別與通信輻射源識別比較Fig.6 Comparison of REI and CEI

圖7 輻射源識別暫態(tài)特征Fig.7 Transient features of emitter identification

1.4 輻射源穩(wěn)態(tài)特征識別

穩(wěn)態(tài)特征是指從輻射源處于穩(wěn)定工作狀態(tài)時產生的長時間信號中提取特征。相比于暫態(tài)信號，由于穩(wěn)態(tài)信號獲取簡單，可以從大量的發(fā)射信號中提取有效的識別特征。輻射源穩(wěn)態(tài)特征識別主要問題是對先驗信息的依賴程度較高，且性能受“小樣本”問題影響嚴重。如圖8 所示，輻射源穩(wěn)態(tài)特征主要集中在信號的調制參數(shù)、雜散特征、時頻特征和高階譜特征[19]。調制參數(shù)[20?23]是通過對信號調制參數(shù)進行數(shù)學變換，反映在信號上的差異。盡管調制參數(shù)特征明顯、形式多樣，然而需要較大的樣本量，識別同類型個體能力差。雜散特征[24?26]是輻射源內部元件的差異導致，通常利用信號的波動進行識別。雖然雜散特征能直接反映發(fā)射機信息，識別精度高，但實際復雜電磁環(huán)境中，它隱藏于大量輻射源信號中，處理速度慢，無法處理“小樣本”問題。時頻特征主要是通過時頻分析來實現(xiàn)，現(xiàn)有的方法有小波包變換[27?28]、余弦包變換[29]和經驗模態(tài)分解[30]。時頻特征雖然能準確反映個體差異，識別精度高，但高度依賴先驗信息。高階譜特征是將截獲的信號映射到高階域，獲得輻射源的高階統(tǒng)計特征[31?36]。高階譜特征雖然保留輻射源信息較完整，但高度依賴先驗信息，計算復雜度高。

圖8 輻射源識別穩(wěn)態(tài)特征Fig.8 Steady?state features of radiation emitter identification

2 非合作輻射源識別方法

目前，輻射源識別方法從體制上劃分主要包括兩類：（1）非機器學習方法，（2）是機器學習方法。非機器學習方法可分為特征參數(shù)匹配法、粗糙集分析法和脈內分析法等。機器學習的方法包括監(jiān)督學習、無監(jiān)督學習、集成學習、遷移學習和深度學習等，如圖9 所示。

圖9 輻射源識別方法分類Fig.9 Classification of radiation emitter identification methods

2.1 非機器學習體制的輻射源識別方法

非機器學習的輻射源識別方法主要通過時域、頻域以及時頻域分析方法提取載頻、帶寬、碼速率、頻率穩(wěn)定度和雜散特征等有實際物理意義的信號層特征來區(qū)分不同的輻射源。

2.1.1 特征參數(shù)匹配法

特征參數(shù)匹配法是將獲得的輻射源特征在特征庫中進行匹配。它具有方法簡單、計算快捷的優(yōu)點，但也有許多缺點：容錯性差、過度依賴數(shù)據(jù)庫中的先驗信息且對復雜脈內調制信號難以識別[8]。隨著電磁環(huán)境的日益復雜，在20 世紀90 年代后，特征參數(shù)匹配法已漸漸被其他有效的識別方法所代替。

2.1.2 脈內分析法

面對復雜體制的輻射源信號識別時出現(xiàn)的各種問題，研究人員開始研究輻射源信號的脈內特征。研究人員提出了許多的方法，比如基于小波包變換和支持向量機相結合的方法[37]、基于時頻分析結合二階四階矩估計的方法[38]、基于頻率穩(wěn)定度和載波頻偏的方法[39]等。盡管脈內特征能夠穩(wěn)定地反映輻射源固有的特性，但它受信噪比條件，信道狀態(tài)等影響較大。

2.1.3 粗糙集分析法

粗糙集理論從知識分類的觀點入手，不需要先驗信息，保持同樣分類效果的同時，通過知識約簡和規(guī)則提取[40]，將具有某種程度差別的輻射源信號劃分到不同的類型中。張政超等在構建粗糙集理論識別雷達輻射源信號的基礎上[41]，結合灰關聯(lián)理論[42]，有效地識別了輻射源信號；李玥結合粗糙集構建RBF 神經網絡分類器[43]。然而粗糙集去除冗余數(shù)據(jù)進行約簡的同時犧牲了一定程度的容錯力。

2.2 基于機器學習的輻射源識別方法

在以人工智能技術為核心科技的推動下，國內外研究人員將很多機器學習的算法應用到了輻射源識別領域。基于機器學習的輻射源識別方法一般是己方已經獲得大量（或少量）有類別標簽信息的輻射源觀測樣本，再對輻射源觀測信號進行特征提取，然后利用監(jiān)督（或半監(jiān)督）學習實現(xiàn)對輻射源分類識別。

2.2.1 基于監(jiān)督學習的輻射源識別方法

監(jiān)督學習從帶標記的樣本數(shù)據(jù)中訓練得到一個滿足性能要求的模型[44]。如圖9 所示，決策樹、貝葉斯和k最近鄰算法結構簡單，處理數(shù)據(jù)效率較高，易于實現(xiàn)，較早地應用到輻射源識別領域。其中，胡可等提出一種決策樹雷達輻射源識別方法，解決輻射源信號在外界環(huán)境和各種干擾情況下識別困難的問題，大大提高了信號的識別性能[45]。郭小賓等構建具有優(yōu)秀的分類性能的貝葉斯網絡分類器，并用于輻射源識別，有效地解決了不確定性問題[46]。王睿甲等采用頻率優(yōu)先最近鄰算法快速識別輻射源信號，來應對雷達告警系統(tǒng)（Radar warning receiver，RWR）/ 電子支援系統(tǒng)(Electronic support measure,ESM)設備計算能力不足的問題[47]。雖然基于決策樹、貝葉斯和k最近鄰的識別算法，理論成熟、原理簡單，但其應用條件相對嚴格，往往更適用于特定樣本集，具有較強的局限性，難以推廣應用。

人工神經網絡(Artificial neural networks,ANN) 由大量的神經元節(jié)點構成非線性變換系統(tǒng)，旨在探索大腦為什么能學習，模擬大腦如何學習的模型[34]。由于良好的學習能力和非線性映射能力[34]，ANN被廣泛應用在輻射源識別領域。孟偉等將神經網絡結合證據(jù)理論方法應用于輻射源識別，在低信噪比條件下識別性能良好[48]；劉海軍等提出結合云模型和矢量神經網絡，提高了識別能力[49]；劉凱等將獲得的頻率，重頻和脈寬等信號參數(shù)作為特征向量訓練BP 神經網絡，識別未知的雷達輻射源信號，并進行威脅等級評估[50]；徐雄以徑向基函數(shù)神經網絡為理論基礎，實驗中用EZB624 神經網絡板卡快速識別輻射源信號[51]。然而，ANN 本質思想是基于無限樣本推導的經驗風險最小化，存在過（欠）擬合和局部極值的情況。

支持向量機（Support vector machine,SVM）模型在解決小樣本、高維特征分類中表現(xiàn)出結構簡單、全局最優(yōu)和泛化能力強等優(yōu)勢[52]，被廣泛應用于輻射源識別領域。2004 年張葛祥等首次將SVM 算法用于雷達輻射源識別領域，取得較好的識別效果，驗證了該算法在雷達輻射源識別領域的有效性[53]；之后，李玫，徐少博等結合小波變換[27,37]、白航等結合小波變換和高階累積量[54]，使SVM 算法在信號識別的正確率和穩(wěn)定性方面均取得良好的效果。針對同類輻射源個體難以分類識別的問題，楊舉等采用混合核函數(shù)與SVM 相結合的方法[31]。針對低信噪比環(huán)境下識別率低的問題，高敬鵬等將調制特征送入SVM 分類器，取得了較高的識別率[38]。此外，楊倩等通過粒子群算法[55]，徐璟等通過蟻群算法和遺傳算法[56]實現(xiàn)了SVM 的參數(shù)優(yōu)化。SVM 結構簡單、泛化能力強，但SVM 在參數(shù)的確定、映射模型的選擇以及多分類問題上存在一定的缺陷。

2.2.2 基于無監(jiān)督學習的輻射源識別方法

無監(jiān)督學習是一種根據(jù)類別未知的訓練樣本，得到樣本間關系或模型的學習方式[57]。聚類是其中普遍使用的算法。聚類算法是在沒有先驗知識的條件下，將無標簽的元素按照元素之間的相似性分類的過程。聚類生成的簇是一類元素的集合，在同一個簇內，元素彼此相似。聚類算法根據(jù)不同的學習策略，可以分為原型聚類、密度聚類和層次聚類等[58]。原型聚類算法包括k?means 算法與高斯混合聚類。密度聚類算法中最有名的是基于密度的含噪應用空間聚類(Density?based spatial clustering of appli?cations with noise,DBSCAN)算法；層次聚類包含自底向上層次聚類(Agglomerative nesting,AGNES)算法，分裂的層次聚類(Divisive analysis,DIANA)算法和基于層次結構的平衡迭代約簡聚類(Balanced iter?ative reducing and clustering using hierarchies,BIRCH)算法[59]。針對未知的輻射源信號，陳俊達將已知類別與未知類別區(qū)分開，再用改進的k?means 算法識別輻射源[59]；李蒙等使用DBSCAN 算法，丟棄識別為噪聲的數(shù)據(jù)降低干擾[60]；吳瑩采用變分模態(tài)分解（Variational mode decomposition,VMD）方法來提取指紋特征，再通過聚類，均取得了良好的識別效果[61]?？傊诰垲惖妮椛湓醋R別通過保證同一類中的輻射源數(shù)據(jù)的相似度較高，而不同類中的輻射源數(shù)據(jù)的相似度盡量的低來進行輻射源識別。

2.2.3 基于集成學習的輻射源識別方法

單分類器可能在某個方面性能穩(wěn)定表現(xiàn)良好，但在其他方面或者復雜情形下并不理想。集成學習就是通過構建并結合多個單分類器來完成學習任務。它旨在通過各個分類器間的“合作”，達到獲得更強的泛化能力的“共贏”。集成學習方法主要包括基于并行方式的Bagging 方法和基于串行方式的Boosting 方法[62]。其中，王冰玉集成了Bagging 框架和RBF 神經網絡，實現(xiàn)了輻射源信號的識別，且識別效果優(yōu)于徑向基函數(shù)(Radial basis function,RBF)網絡[63]；黃穎坤等用不同的支持向量機組成分類器，提高輻射源信號的識別正確率[64]；陳春利利用線性集成規(guī)則處理多個深度學習模型，從而達到分類決策的目的，這不僅減輕過擬合問題，還提高集成算法的穩(wěn)定性[65]。集成學習是具有良好的識別性和泛化性的算法模型，但是其模型的復雜度也較大。

2.2.4 基于遷移學習的輻射源識別方法

現(xiàn)有表現(xiàn)比較好的監(jiān)督學習方法需要大量的標注數(shù)據(jù)，但人工標注數(shù)據(jù)是一項枯燥無味且成本較高的任務，越來越多的機器學習應用場景的出現(xiàn)，對輻射源系統(tǒng)模型的知識遷移能力提出了挑戰(zhàn)。遷移學習是從相關領域中遷移獲得的知識和技能到目標領域，完成目標領域的學習任務[66]。李蒙等結合遷移學習解決訓練樣本不足的問題[60]；秦嘉基于遷移學習構建深度學習模型，解決動態(tài)噪聲干擾導致識別率低的問題[67]；張超基于已知輻射源信號和未知輻射源信號，采用遷移成分分析法進行域變換識別輻射源[68]，均取得不錯的識別效果。

2.2.5 基于深度學習的輻射源識別方法

深度學習利用樣本數(shù)據(jù)，通過一定的訓練方法得到包含多個層級的深度網絡結構的模型[69]。它具有多隱層非線性單元，可以擬合任意復雜數(shù)據(jù)，具有強大的非線性擬合能力[70]。隨著深度學習在計算機視覺、語音圖像等領域取得革命性成就，學者也開始將深度學習應用到輻射源識別領域。徐超將經驗模式分解和小波包絡重解的邊際譜作為特征，實驗證明深度神經網絡比支持向量機分類效果好[28]。金相君在低頻條件下，利用同一型號輻射源在同一工作模式下的雜散特征，結合深度神經網絡進行分類識別，取得了良好的識別效果[33]。黃健航等用矩形積分雙譜特征訓練深度學習網絡模型，較好地解決了通信輻射源個體識別中“小樣本”問題[71]。冷鵬飛將信號包絡前沿作為特征，訓練多種神經網絡，深度神經網絡表現(xiàn)出很強的泛化能力[72]。周志文等結合深度學習提取特征，用于解決傳統(tǒng)人工提取特征不足的問題[73]。Wu 等提出基于長短期記憶的遞歸神經網絡，用于硬件特征的自動識別和輻射源的分類，在強噪聲下也能取得較高精度[74]。Kevin Mrchant 等用實驗室內及室外實地采集的兩組數(shù)據(jù)分別訓練，輸入到不同的卷積神經網絡模型中，得到了較高的識別率[75]。

2.3 非合作輻射源識別現(xiàn)狀分析

目前的研究成果主要落腳點是在提升算法的識別率上，特征提取和分類識別是輻射源識別中的兩個關鍵環(huán)節(jié)，因此大部分研究主要集中在特征提取方法和分類網絡設計上。

（1）特征提?。涸缙诘南嚓P研究一般結合專家知識，人為設計參數(shù)，再從發(fā)射器指紋或信道狀態(tài)信息中提取特征[76?79]，依靠經驗往往不能更深層次地挖掘數(shù)據(jù)，會造成特征不足，不能很好地反映輻射源特性的問題。近年來，人工智能技術在計算機視覺、語音圖像處理等領域取得良好的發(fā)展，以卷積神經網絡為代表的深度學習技術也應用到輻射源特征提取中。將采集的信號做變換得到的Hilbert 譜圖像[80]或者差分星座軌跡圖[81]，再提取特征進行識別分類。此外，深度學習能夠從高維信號中提取出更好的特征，可以直接對接收機檢測到的IQ 信號進行學習，有不錯的識別效果[82?85]。

（2）分類網絡：深層神經網絡具有學習，分析、預測RF 信號和表征RF 環(huán)境的相關參數(shù)的優(yōu)點。為了提高識別效率，研究人員對分類網絡的結構進行改進。Youssef 比較了SVM、深度神經網絡(Deep neural networks ,DNN)和卷積神經網絡(Convolutional neural networks,CNN)等不同類型的神經網絡和機器學習技術[86]。Hossein 等采用CNN 和RNN 對各種信噪比范圍內的IoT 設備進行分類[87]。Morin等利用深度學習研究動態(tài)信道對射頻指紋的影響[88]。在干擾等惡意行為的場景中，Debashri 等使用生成對抗網絡（Generative adversarial network, GAN）識別非法輻射源[89]。Yu Jiabao 提出了一種多采樣卷積神經網絡，從選定的區(qū)域中提取射頻指紋，用于ZigBee 設備的分類[90]。

盡管國內外對輻射源識別的研究工作已經解決了許多問題，但其中大部分工作的數(shù)據(jù)都是從已知的輻射源中采集，實際可看作是一種封閉集分類的問題?？墒菬o論數(shù)據(jù)集有多大，都不可能采集到世界上所有輻射源的數(shù)據(jù)，而任何新出現(xiàn)的未知的輻射源信號很難被正確地識別分類。最近，有研究人員針對上述情況進行研究：Andrey 等提出用深度學習探測大量未知的無線電設備[91]。隨后，Hanna 等指出對未知輻射源的識別與計算機視覺，自然語言處理中的異常檢測問題類似，并提出開集識別（open set recognition）方法，來識別未知輻射源信號。目前輻射源識別的分類器會錯誤地將未知輻射源歸到最相近的已知的輻射源類別中。異常檢測可以識別出與已知樣本不同的輻射源信號，然而它可能會將部分已知樣本視為單個類別。開集識別方法與異常檢測類似，然而它能同時在已知樣本之間進行分類，獨立地隔離每個類[92]。

3 非合作輻射源識別數(shù)據(jù)集調研

在圖片識別領域，有很多公開的、公認的并且比較完整的數(shù)據(jù)集，比如著名的MNIST 手寫數(shù)字數(shù)據(jù)集。然而，在個體識別技術的研究歷史上還沒有一個公開的數(shù)據(jù)集。本節(jié)將已經發(fā)表的研究成果實驗用的輻射源識別數(shù)據(jù)集分為兩大類：（1）通過計算機模擬仿真得到的輻射源數(shù)據(jù)集；（2）采用通信電臺、通用軟件無線電外設（USRP）和電子偵察設備等設備實際采集的輻射源數(shù)據(jù)集。

（1） 仿真得到的輻射源數(shù)據(jù)集

文獻[34]采用的是美國海軍實驗室的仿真雷達輻射源信號數(shù)據(jù)集，文獻[59]采用的數(shù)據(jù)集是根據(jù)22種雷達型號參數(shù)仿真生成，每種類別的雷達由于可能存在不同的工作模式，共有6 種調制類型[59]。數(shù)據(jù)集的具體信息如表1 所示。

表1 仿真數(shù)據(jù)集描述Table 1 Description of simulation data set

(2) 實際采集的輻射源數(shù)據(jù)集

文獻[19]使用通信電臺構建了專門用于通信輻射源識別的數(shù)據(jù)庫，主要包括：kenwood 數(shù)據(jù)集、krisun 數(shù)據(jù)集、USW 數(shù)據(jù)集以及 SW 數(shù)據(jù)集[19]。文獻[34]采用 NI?USRP2944R 硬件設備，并結合所搭載的LabVIEW 開發(fā)環(huán)境產生線性調頻（Linear frequency modulation,LFM）信號來進行實測數(shù)據(jù)實驗[34]。文獻[72]以某型號電子偵察設備偵收外部電磁環(huán)境輻射源信號[72]。數(shù)據(jù)集的具體信息如表2 所示。

表2 實測數(shù)據(jù)集描述Table 2 Description of measured data set

4 非合作輻射源識別的發(fā)展趨勢

（1）輻射源識別實用系統(tǒng)構建?，F(xiàn)有的識別方法雖然能對目標輻射源取得不錯的識別效果，但都是零散的一種或幾種識別方法的結合，在特定場景下對輻射源進行識別，應用范圍受到了限制。因此如何構建一個比較完備的輻射源識別系統(tǒng)是亟需考慮的問題。該系統(tǒng)應該包含如何去噪聲、數(shù)據(jù)預處理、特征級識別模型、決策級識別模型、識別結果如何充實到數(shù)據(jù)庫和精細化管理等。

（2）輻射源開集識別?，F(xiàn)有的輻射源識別一般都采用靜態(tài)處理機制，即在訓練之前，必須將所有的觀測數(shù)據(jù)準備好，處理完后再輸入分類網絡中進行識別。然而，在實際應用中，對抗的雙方處于無時無刻不在變化的復雜環(huán)境中，非合作方不可能采集到所有輻射源的數(shù)據(jù)，而任何新的未知輻射源信號會被錯誤分類。因此如何實現(xiàn)輻射源開集識別是一個重要的現(xiàn)實問題。

（3）低信噪比小樣本下的輻射源識別。在實際復雜多變的電磁環(huán)境下，輻射源信號在發(fā)送端、信道傳輸和接收端都會受到衰落、損耗、干擾和噪聲等各種非理想因素的影響，非合作方無法偵收到大量輻射源數(shù)據(jù)，甚至有可能連一個有類別的數(shù)據(jù)都無法獲得。即在低信噪比條件下有用樣本信息獲取困難。而目前基于機器學習的輻射源識別方法主要基于監(jiān)督學習或半監(jiān)督學習，需要大量的數(shù)據(jù)。那么，如果將監(jiān)督學習或半監(jiān)督學習的方法應用于上述情況，勢必會影響輻射源識別的效率與效果。因此如何在低信噪比小樣本條件實現(xiàn)輻射源的有效識別顯得尤為重要。

（4）與深度學習等技術進一步結合。目前已經有研究將深度學習技術與輻射源識別相結合，利用其強大的非線性擬合能力提取輻射源特征并實現(xiàn)分類，驗證了深度學習在輻射源領域的可行性。只是現(xiàn)在用于輻射源識別的深度學習模型本質上是從計算機視覺或者語音識別模型遷移而來，面向輻射源識別的深度學習框架目前還很少有，而且電磁頻譜信號相較于語音視頻信號更加抽象，因此深度學習技術在輻射源領域還存在很大的進步空間。將輻射源識別與深度學習進一步地結合有助于完成更多的識別任務，是輻射源識別領域非常重要的發(fā)展方向，具有十分巨大的潛在價值。

（5）針對移動硬件平臺的輻射源識別算法研究。雖然目前相關的研究成果比較多，并取得了良好的識別效果，但著重點在提升算法的識別率上，利用大量的數(shù)據(jù)樣本和計算資源，對硬件平臺有著較高的要求，尤其是神經網絡與輻射源識別的結合，并沒有考慮到算法實際部署的可能性和需要的代價。在實際應用中，要求可以將算法部署在已有的硬件平臺上，而不僅僅是在具有強大算力的硬件平臺上。因此研究可以部署在小型化、低功耗的移動設備和嵌入式設備上，并且有較高識別率的算法非常重要。

5 結束語

輻射源識別作為提高頻譜資源利用率的重要方法，具有重要研究價值和應用前景。本文梳理了輻射源識別的特點、分類以及方法，重點介紹了基于機器學習的識別方法，將機器學習方法引入輻射源識別領域，引導其向智能化發(fā)展，目前已經取得了顯著的成果。分析了輻射源識別的現(xiàn)狀，開集識別給識別新的未知輻射源提供了思路。接著對輻射源數(shù)據(jù)集進行了分類梳理，建立了一個公開公認的輻射源識別數(shù)據(jù)集具有重要意義。最后，本文對輻射源識別的未來發(fā)展趨勢進行了簡要分析，希望為其他研究人員在輻射源識別方面的工作提供一定參考。