一种辐射源个体指纹特征提取方法

技术领域

本发明属于信号处理技术领域，具体涉及一种辐射源个体指纹特征提取方法。

背景技术

现代信息化战场上存在着各种各样的电台和雷达设备,担负着指挥、控制、通讯、情报侦查、电子监听等诸多任务。为了取得优势,首要条件便是获取和控制战场信息,并有策略地对对方重要的电子设备及载体进行全方位的监测与及时准确的干扰、抗干扰和打击。然而,随着信号处理技术的迅猛发展,信号调制方式越来越多,大功率设备不断增加,电磁环境愈发复杂。原来意义上的通信调制识别方法提取信号的调制参数如载频、带宽、码元速率等简单特征已经难以识别辐射源个体，无法满足现代战场的需要。

辐射源射频指纹特征作为一种由无线电电路引起的特征，这几年在辐射源个体识别领域有着广泛的应用。指纹特征识别是通过提取模拟电路中的硬件缺陷引起的无意识调制特征来对无线设备进行识别的过程。这类特征普遍出现在所有无线设备中，且没有两台设备具有相同的指纹特征，其在个体识别领域具有很强的研究和应用价值。

从现有的辐射源个体识别方法来看，针对识别样本泛化性问题的研究较少。由于研究领域的特殊性，可获得的用作识别的辐射源数据稀缺，大部分研究都是基于纯仿真或半实物仿真数据进行的。这类数据在获取时满足InDistribution(ID)。容易造成深度模型过拟合，及难以将模型泛化到其他的数据集上。而在实际应用当中，模型部署上线后得到的数据有可能是OutofDistribution(OOD)，即分布偏移样本。战场辐射源为了提高反侦察能力，同一台辐射源也会经常变换调制方式和调制参数，这类样本相对于用于训练部署模型的样本而言属于分布偏移样本，现有方法很难在该类样本上取得较好的泛化性，导致辐射源个体识别率大幅下降。

《一种目标辐射源个体识别方法》(CN201810728417.8)、《一种雷达辐射源个体识别方法及系统》(CN202110559123.9)等分别对辐射源信号进行了时频特征的提取和雷达信号模糊函数特征提取，其在训练集和测试集上也有不错的识别准确率；但是这些方法都没有在存在分布偏移样本上进行测试，这些方法在该类样本中识别率会骤降。《基于微弱指纹特征的无线电辐射源身份判别系统及方法》(CN202211020314.9)虽然也对微弱指纹特征进行了提取，但是其还是根据传统的人工经验特征提取方法尝试对细微指纹特征解释，这种方法只能提取到已知产生原因的指纹特征，对于未知产生原因及环节的指纹特征提取能力较弱。在面对这种未知产生原因的指纹特征成为主要特征时，该类指纹特征提取方法泛化性较弱，辐射源个体的识别准确率也会下降。

发明内容

本发明旨在准确提取辐射源个体的细微指纹特征，以提高辐射源个体识别分类器在不同分布样本之间的泛化性。

为此，本发明的目的在于提出一种辐射源个体指纹特征提取方法。针对辐射源样本的特殊性，采用递归不变风险最小化框架，划分出分布不同的样本分别用作训练与测试，设置递归不败能险最小化损失函数引导深度神经网络模型学习指纹特征。并采用递归的方法，对每一类辐射源样本训练得到的模型进行保留，并用于下一类辐射源样本继续训练。这种框架下训练得到的模型既可以在单一辐射源样本中学习到不变的指纹特征，又可以准确区分不同辐射源个体之间指纹特征的差异。及时未来测试集中出现新的未知调制方式，也可以对其辐射源个体进行正确分类。

为达上述目的，本发明提出了一种辐射源个体指纹特征提取方法，包括：对辐射源信号半实物仿真获取样本；对所述的辐射源信号样本进行时频特征提取，将原始信号变换为特征矩阵或特征向量，更易于输入深度神经网络模型训练；对辐射源样本进行分布偏移样本划分，一部分样本用于模型训练，另一部分样本用于模型泛化性能力测试；将所述用于训练模型的样本输入深度神经网络，每次训练后保存模型，继续使用下一类辐射源样本递归，重复多次，获得辐射源个体指纹特征提取模型。使用所述训练好的模型，对用于测试的样本进行分类识别。具体方案如下：

一种射频个体指纹特征提取方法，包括：获取M台同型号辐射源的脉冲信号样本，每台辐射源样本应包含N种脉内调制方式，不同辐射源的样本间应满足同调制方式同参数；首先对所述辐射源样本进行时频特征提取，再输入到递归不变风险最小化框架RIRM中；样本在RIRM框架下，会先对不同辐射源样本进行随机调制方式的样本剔除，获得训练集数据和存在分布偏移的测试数据；再按照顺序，每次使用一台辐射源的样本数据用于神经网络模型训练，通过在模型中设置递归不变风险最小化损失函数的方式引导模型学习辐射源细微指纹特征；在每台辐射源样本训练完成后保存当前模型，以递归的方式参与下一台辐射源样本的训练；当框架内所有辐射源样本均参与过递归后完成模型生成，生成的该模型具有辐射源个体指纹特征的提取能力，以及对不同辐射源个体的识别能力；将样本输入时每种辐射源随机剔除的调制方式数据重新组合成验证集数据，用于测试该模型的指纹特征提取能力。

作为本发明的进一步改进，构建了一种用于辐射源个体指纹特征提取的递归不变风险最小化框架RIRM；该框架运行逻辑为：对输入样本中第一类辐射源样本采用随机剔除的方式，剔除其某一种调制方式，此时输入样本只包含N-1种调制方式；将该类辐射源样本输入深度神经网络进行训练，用于训练的深度神经网络模型中加入了递归不变风险最小化损失；在第一类辐射源的样本数据训练结束后，保留该训练模型；再采用同样的样本剔除方式，对输入样本中的第二类辐射源样本进行随机剔除，并使用之前保存的训练模型继续进行训练；该述过程总共递归M次，直到所有M台辐射源的样本均参与过模型的多次递归生成，特征提取流程结束，最终保存的模型具有强泛化性的辐射源个体指纹特征提取能力；将每次剔除的单一调制方式的样本数据组合成样本大小为M的测试集数据对模型性能进行测试。

作为本发明的进一步改进，模型训练前使用了多种时频特征分析方法提取了信号图片和序列两种不同维度的两类特征，并分别完成了特征编码；图片类特征采用短时傅立叶变换STFT、连续小波变化CWT、希尔伯特-黄变换HHT三种常见时频分析方式进行提取；特征编码时先对提取到的时频图进行灰度处理，处理成二维的灰度矩阵，并通过双线性插值的方法将灰度矩阵的大小统一处理成m*m维的特征矩阵；序列特征采用离散小波变换DWT、经验模态分解EMD提取；选取DWT得到的具有高频信息的细节分量小波系数、EMD得到的一级内涵模态分量IMF以及原始信号的幅值序列，分别差值为长度为n的等长度序列作为多通道的一维特征。

作为本发明的进一步改进，针对提取的两种特征将分别输入两种深度神经网络；其中，三通道二维矩阵特征输入二维残差网络Resnet进行训练；三通道一维向量特征输入一维卷积神经网络进行训练；二者同时进行训练，并将训练得到的特征向量在softmax层前进行组合获得最终分类结果；

深度神经网络中加入了RIRM项的损失函数，以解决分类模型在未知辐射源调制方式下的泛化性问题；RIRM损失用于解决训练与测试数据属于不同环境或不同分布下仍然存在潜在的因果关系的问题；此处的潜在因果关系为需要提取的指纹特征；RIRM的表达式如下：

损失函数中，Φ为数据表示，

本发明实施例的一种辐射源个体指纹特征提取方法，能够实现对辐射源个体的指纹特征进行准确提取，其通过提取每个辐射源独一无二的指纹特征，来区分不同的辐射源个体。在真实战场环境应用中，即使目标辐射源改变了自身的工作方式，该方法也可以对其进行准确的识别。

本发明的有益效果为：

1)提出了一种递归不变风险最小化的框架，其根据辐射源样本的特性对训练集和测试集数据进行划分；模型每次训练时会根据递归不变风险最小化损失，不断调整模型权重，学习辐射源自身不变的细微指纹特征；通过多次递归的方式，考虑学习到的指纹特征是否可以用于区分不同类别的辐射源个体；最后用划分后的测试集对模型性能进行测试。

2)辐射源个体指纹特征属于无意调制特征，属于非平稳信号部分，存在于辐射源信号的高频部分。对辐射源信号进行时频分析，是对非平稳信号部分特征最有效的提取手段。而离散小波系数和内涵模态分量均包含信号从低频和高频的部分，为减少输入特征维度，同时保留指纹特征可能存在的高频部分，选取两种系数的高频分量部分进行特征组合。

本发明附加的方面和优点将在下面的附图说明部分给出，部分将从下面的描述汇总变得明显。

附图说明

图1为本发明所述的辐射源个体指纹特征提取方法流程图。

图2为本发明提出的递归不变风险最小化框架图。

图3为本发明所述的时频特征提取流程图。

具体实施方式

下面结合附图进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

如图1所示，本发明所述的一种辐射源个体指纹特征提取方法，可大致分为辐射源信号样本半实物仿真、时频特征提取、分布偏移样本划分、深度神经网络模型训练、模型泛化性能力测试。

数据集获取采用7台完全相同型号的软件无线电设备发射机进行半实物仿真，每台发射机均设置多种同样的调制方式以及同样的调制参数。再使用一台软件无线电设备作为接收机采集数据。

如图3所示，时频特征提取采用多种时频分析方法对辐射源脉冲信号样本进行分析。其中可应用短时傅里叶变换(STFT)、CWT(连续小波变换)、希尔伯特-黄(HHT)三种方式提取时频图特征。为了方便使用三通道的二维Resnet模型进行训练，对时频图特征进行灰度化处理，并使用双线性插值的方式统一其维度。再使用离散小波变换(DWT)、经验模态分解(EMD)提取信号不同频率分量上的序列特征，使用高频含量较高的离散小波系数以及内涵模态分量，以及信号的幅值序列作为三通道一维卷机神经网络的输入。

样本划分部分从每个辐射源的样本中随机剔除一种脉冲调制方式的数据，将剩下的数据作为训练样本，并按照8:2的比例划分训练集于测试集。将抽取到的数据作为分布偏移样本，即训练模型的验证集。

在划分好训练集、测试集于验证集之后，模型开始训练。其中每次训练过程中，二维残差网络Resnet和一维卷积神经网络并行训练，训练得到的特征矩阵在softmax层前进行组合，经过softmax层之后输出分类结果。在完成一个辐射源样本数据的训练后重新进行样本的划分，继续对模型进行训练。在所有辐射源的样本均参与训练之后，得到最终的训练模型。

将每次样本划分过程中剔除的包含一类调制方式的某种辐射源数据全部组合成为验证集，输入到训练完成的模型中。测试结果使用各类辐射源识别的准确率、混淆矩阵、测试损失变化曲线等方式进行评估。根据识别结果的准确性可以判断模型是否学习到了辐射源个体之间的细微指纹特征差异。

本发明公开了一种辐射源个体指纹特征提取方法，基于递归不变风险最小化框架，将经过时频特征提取过的各类辐射源脉冲样本信号作为输入，对每类辐射源的随机调制方式样本进行剔除，构造出训练样本和测试样本存在分布偏移的数据集。训练样本会按照一定的顺序，将每个辐射源样本输入到深度神经网络进行训练。框架会保存每个辐射源样本训练得到的模型用于下一个辐射源的样本的训练，每次训练时使用的预训练模型均为上一个辐射源样本的生成模型，直到所有辐射源样本均参与了模型的生成。这种框架可以引导神经网络学习到除去脉冲信号调制方式不同的更细微的个体指纹特征。本发明提出的辐射源指纹特征提取方法面对真实场景中，由于辐射源目标实施反侦察策略，导致待识别信号中存在未知调制方式的情况，也能抓住辐射源不变的细微指纹特征，从而准确的识别出其具体的ID号。对辐射源个体识别技术的泛化性和应用前景具有重要意义。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。