辐射源识别方法、装置、电子设备及存储介质

技术领域

本发明涉及无线通信安全技术领域，尤其涉及一种辐射源识别方法、装置、电子设备及存储介质。

背景技术

随着无线通信技术的飞速发展，无线信号覆盖方方面面，各领域都离不开无线设备对信息的传输。各类无线通信网络设备，如物联网系统中的ZigBee设备、蓝牙设备等作为辐射源广泛地应用在各个领域。然而，在很多安全性要求较高的无线通信网络应用的场景中，恶意无线设备入侵或非法用户接入系统时有发生。这些恶意设备或者非法用户伪装成合法的设备或者用户，进行信息窃取或进行恶意攻击，严重威胁无线通信网络和信息安全。因此，无线设备安全与认证已成为重点关注领域，有效识别接入网路中无线设备的身份变得至关重要。

现有辐射源识别方法中，通常以提取辐射源信号时频谱图的熵特征、一阶矩特征、二阶矩特征作为辐射源射频指纹来识别，但这些特征本质上为统计量特征，其容易忽略一些局部且更为精细的有用特征。当待识别辐射源设备数量增加或者设备间差异更加细微时，不能够精细刻画个体间的差异，导致识别性能进一步恶化，识别精度较低，无法满足大量无线设备识别认证场景的需求。

因此，如何有效提升辐射源识别精度和信号处理效率，并提高待识别辐射源个体数量，以满足大量无线设备识别认证场景的需求已成为业界亟待解决的技术问题。

发明内容

本发明提供一种辐射源识别方法、装置、电子设备及存储介质，用以提取更加精细的辐射源指纹特征，有效提升识别精度和效率，提高待识别辐射源个体数量，以满足大量无线设备的实时识别认证场景需求。

本发明提供一种辐射源识别方法，包括：

基于待识别辐射源所发出信号的时域数据，确定所述待识别辐射源所发出信号的稳态信号，并从所述稳态信号中提取希尔伯特时频谱图指纹特征信息，所述希尔伯特时频谱图指纹特征信息包括控制点信息和幅度信息；

将所述希尔伯特时频谱图指纹特征信息输入到辐射源识别模型，得到所述辐射源识别模型输出的所述待识别辐射源的身份信息；所述辐射源识别模型是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的。

根据本发明提供的一种辐射源识别方法，所述从所述稳态信号中提取希尔伯特时频谱图指纹特征信息，包括：

对所述稳态信号进行信号分解，得到多个时间模态分量，并确定每个所述时间模态分量对应的目标希尔伯特时频谱图；

基于每个所述时间模态分量对应的目标希尔伯特时频谱图，确定每个所述时间模态分量对应的希尔伯特三维曲面；

对每个所述希尔伯特三维曲面进行贝塞尔曲面拟合，确定每个所述希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息，并对每个所述目标希尔伯特时频谱图进行投影变换，得到每个所述目标希尔伯特时频谱图的幅度信息；

根据每个所述希尔伯特三维曲面的贝塞尔曲面控制点信息和每个所述目标希尔伯特时频谱图的幅度信息，得到所述希尔伯特时频谱图指纹特征信息。

根据本发明提供的一种辐射源识别方法，所述对所述稳态信号进行信号分解，得到多个时间模态分量，包括：

对所述稳态信号进行傅里叶变换，得到所述稳态信号对应的频谱序列，并对所述频谱序列进行平滑处理，在处理后的频谱序列中提取各个峰值点对应的角频率；

从所述各个峰值点对应的角频率中，随机选取与预设模态数量相同数量的目标角频率，并根据各个所述目标角频率设定变分模态分解算法中的初始化角频率参数；

利用设定好初始化角频率参数的变分模态分解算法，对所述稳态信号进行信号分解，得到多个时间模态分量。

根据本发明提供的一种辐射源识别方法，所述确定每个所述时间模态分量对应的目标希尔伯特时频谱图，包括：

对每个所述时间模态分量进行希尔伯特变换，得到每个所述时间模态分量对应的原始希尔伯特时频谱图；

根据每个所述时间模态分量对应的原始希尔伯特时频谱图，计算每个所述原始希尔伯特时频谱图对应的边际谱；

根据每个所述原始希尔伯特时频谱图对应的边际谱的峰值中心频率，确定每个所述原始希尔伯特时频谱图中的能量集中区域；

从每个所述原始希尔伯特时频谱图中截取所述能量集中区域对应的希尔伯特时频谱图，得到每个所述时间模态分量对应的目标希尔伯特时频谱图。

根据本发明提供的一种辐射源识别方法，所述对每个所述希尔伯特三维曲面进行贝塞尔曲面拟合，确定每个所述希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息，包括：

按照预设步长，将每个所述希尔伯特三维曲面划分为多段希尔伯特子曲面；

对每个所述希尔伯特三维曲面中的各段希尔伯特子曲面进行贝塞尔曲面拟合，得到每段所述希尔伯特子曲面对应的贝塞尔拟合曲面的控制点信息；

综合每个所述希尔伯特三维曲面的各段希尔伯特子曲面对应的控制点信息，得到每个所述希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息。

根据本发明提供的一种辐射源识别方法，在所述将所述希尔伯特时频谱图指纹特征信息输入到辐射源识别模型之前，所述方法还包括：

获取多个已知辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本及对应的辐射源身份信息标签；

将每个所述希尔伯特时频谱图指纹特征信息样本及对应的辐射源身份信息标签作为一组训练样本，获取多组训练样本；

利用所述多组训练样本，对辐射源识别模型进行训练。

根据本发明提供的一种辐射源识别方法，所述利用所述多组训练样本，对辐射源识别模型进行训练，包括：

对于任意一组训练样本，将所述训练样本输入辐射源识别模型，输出所述训练样本对应的预测结果；

利用预设损失函数，根据所述训练样本对应的预测结果和所述训练样本中的人员信息标签计算损失值；

基于所述损失值，对所述辐射源识别模型的模型参数进行调整，直至训练完所有训练样本；

将训练完最后一个训练样本时所得到的模型参数作为训练好的辐射源识别模型的模型参数。

本发明还提供一种辐射源识别装置，包括：

处理模块，用于基于待识别辐射源所发出信号的时域数据，确定所述待识别辐射源所发出信号的稳态信号，并从所述稳态信号中提取希尔伯特时频谱图指纹特征信息，所述希尔伯特时频谱图指纹特征信息包括控制点信息和幅度信息；

识别模块，用于将所述希尔伯特时频谱图指纹特征信息输入到辐射源识别模型，得到所述辐射源识别模型输出的所述待识别辐射源的身份信息；所述辐射源识别模型是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述辐射源识别方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述辐射源识别方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述辐射源识别方法。

本发明提供的辐射源识别方法、装置、电子设备及存储介质，通过利用待识别辐射源所发出信号的时域数据，提取辐射源所发出信号的稳态信号，从稳态信号中提取更为精细的希尔伯特时频谱图指纹特征信息，包括刻画希尔伯特时频谱图形状纹理的控制点信息，以及表征希尔伯特时频谱图幅度变化的幅度信息，构成射频指纹特征，以对辐射源设备指纹进行精细刻画，进而利用提前训练好的辐射源识别模型对该希尔伯特时频谱图指纹特征信息进行分类识别，可以有效识别出待识别辐射源的身份信息，实现了辐射源设备的精准识别，提升了辐射源识别的识别精度和鲁棒性，同时也大大提高了可同时识别的辐射源个体数量，并保证了较高的识别准确率，可满足大量无线设备识别认证场景需求。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的辐射源识别方法的流程示意图；

图2是本发明提供的辐射源识别方法中采用改进VMD算法的结果示意图；

图3a是本发明提供的辐射源识别方法中原始希尔伯特时频谱图的示意图；

图3b是本发明提供的辐射源识别方法中边际谱的示意图；

图4是本发明提供的辐射源识别方法中目标希尔伯特时频谱图的示意图；

图5是本发明提供的辐射源识别方法与现有技术的对比结果示意图；

图6是本发明提供的辐射源识别装置的结构示意图；

图7是本发明提供的电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合图1-图7描述本发明的辐射源识别方法、装置、电子设备及存储介质。

图1是本发明提供的辐射源识别方法的流程示意图，如图1所示，包括：步骤110和步骤120。

步骤110，基于待识别辐射源所发出信号的时域数据，确定待识别辐射源所发出信号的稳态信号，并从稳态信号中提取希尔伯特时频谱图指纹特征信息，该希尔伯特时频谱图指纹特征信息包括控制点信息和幅度信息；

步骤120，将希尔伯特时频谱图指纹特征信息输入到辐射源识别模型，得到辐射源识别模型输出的待识别辐射源的身份信息；辐射源识别模型是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的。

具体地，本发明实施例所描述的待识别辐射源所发出信号的时域数据可以选择为同相与正交分量(In-phase and Quadrature components，IQ)形式的数据，其也可以为本领域技术人员所公知的其他形式的数据。

可以理解的是，在本发明的实施例中，稳态信号指的是待识别辐射源所发出信号的成分中达到功率稳定状态的信号部分。

本发明实施例所描述的希尔伯特时频谱图指纹特征信息指的是通过对稳态信号进行希尔伯特变换得到希尔伯特时频谱图(Hilbert Spectrum)，进而从该希尔伯特时频谱图中提取到的射频信号指纹的特征信息，其可以包括用于刻画希尔伯特时频谱图形状纹理的控制点信息，以及表征希尔伯特时频谱图幅度变化的幅度信息。

本发明实施例所描述的待识别辐射源的身份信息可以包括辐射源设备的种类、型号以及身份标识号(ID)等信息，通过待识别辐射源的身份信息可以唯一指向辐射源个体。

本发明实施例所描述的辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本是通过获取辐射源所发出信号的稳态信号样本，计算稳态信号样本的希尔伯特时频谱图，并从该希尔伯特时频谱图中提取出控制点信息和幅度信息特征所得到的。

本发明实施例所描述的辐射源识别模型可以是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的，用于对待识别辐射源的身份信息进行识别，学习不同辐射源的身份信息与其发出信号稳态信号中提取到的希尔伯特时频谱图指纹特征信息之间的内在关系，从而输出高精度的识别结果。

其中，本发明所描述的辐射源身份信息标签是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本预先确定的，并与辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本是一一对应的。也就是说，训练样本中的每一个辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本，都预先设定好携带一个与之对应的辐射源身份信息标签。

在本发明的实施例中，步骤110中，实时采集待识别辐射源所发出信号的时域IQ数据。如将ZigBee设备作为待识别辐射源，而在无线2.4GHz频段内可能同时存在蓝牙设备信号、WIFI设备信号和ZigBee设备信号，此时需要通过频谱分析方法分离出同频段不同类型的信号，滤除蓝牙设备信号和WIFI设备信号，从而得到待识别辐射源的信号数据。

进一步地，从待识别辐射源的信号中截取出稳态信号。具体来说，可以对待识别辐射源所发出脉冲信号的时域IQ数据进行短时傅里叶变换(Short-Time FourierTransform，STFT)，得到该脉冲信号的能量包络，其中，能量包络可以准确地体现出信号由噪声阶段，到暂态再到稳态的上升趋势。然后，用低通滤波器对能量包络曲线进行平滑处理，由信号的能量包络的最大值和最小值计算自适应阈值，根据自适应阈值确定暂态信号的起始点，起始点后的所有样本点位置处的包络值均大于自适应阈值，根据起始点和信号暂态时间长度、采样率可以确定暂态信号段，在暂态信号段之后，紧接着的信号段便是稳态信号段，由此，可以从待识别辐射源的信号中截取出稳态信号段。

进一步地，对截取到的稳态信号进行希尔伯特变换得到希尔伯特时频谱图，并从中提取到包括控制点信息和幅度信息的希尔伯特时频谱图指纹特征信息，构成辐射源的射频指纹特征。

在本发明的实施例中，步骤120中，进一步将提取到的该希尔伯特时频谱图指纹特征信息输入到预先训练好的辐射源识别模型，通过辐射源识别模型对该希尔伯特时频谱图指纹特征信息进行识别，可以得到待识别辐射源的身份信息。

本发明实施例的辐射源识别方法，通过利用待识别辐射源所发出信号的时域数据，提取辐射源所发出信号的稳态信号，从稳态信号中提取更为精细的希尔伯特时频谱图指纹特征信息，包括刻画希尔伯特时频谱图形状纹理的控制点信息，以及表征希尔伯特时频谱图幅度变化的幅度信息，构成射频指纹特征，以对辐射源设备指纹进行精细刻画，进而利用提前训练好的辐射源识别模型对该希尔伯特时频谱图指纹特征信息进行分类识别，可以有效识别出待识别辐射源的身份信息，实现了辐射源设备的精准识别，提升了辐射源识别的识别精度和鲁棒性，同时也大大提高了可同时识别的辐射源个体数量，并保证了较高的识别准确率，可满足大量无线设备识别认证场景需求。

基于上述实施例的内容，作为一种可选的实施例，从稳态信号中提取希尔伯特时频谱图指纹特征信息，包括：

对稳态信号进行信号分解，得到多个时间模态分量，并确定每个时间模态分量对应的目标希尔伯特时频谱图；

基于每个时间模态分量对应的目标希尔伯特时频谱图，确定每个时间模态分量对应的希尔伯特三维曲面；

对每个希尔伯特三维曲面进行贝塞尔曲面拟合，确定每个希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息，并对每个目标希尔伯特时频谱图进行投影变换，得到每个目标希尔伯特时频谱图的幅度信息；

根据每个希尔伯特三维曲面的贝塞尔曲面控制点信息和每个所述目标希尔伯特时频谱图的幅度信息，得到所述希尔伯特时频谱图指纹特征信息。

具体地，本发明实施例所描述的时间模态分量指的是通过对待识别辐射源所发出信号中的稳态信号进行信号分解得到的时域上的模态分量序列信号。

本发明实施例所描述的目标希尔伯特时频谱图是通过在时间模态分量的希尔伯特时频谱图上截取感兴趣区域中的时频谱图得到的。

在本发明的实施例中，可以采用变分模态分解(Variational ModeDecomposition，VMD)算法对稳态信号进行信号分解，获取到多个时间模态分量，并通过希尔伯特变换处理，确定每个时间模态分量对应的目标希尔伯特时频谱图。

现有辐射源识别方法中，通常采用希尔伯特黄变换进行信号处理，其是一种适合非线性和非平稳信号的时频分析工具，可以进行自适应的信号分解，但是其中关键算法经验模态分解(Empirical Mode Decomposition,EMD)算法存在着计算效率低、端点效应和模态混叠等问题。

在本发明的实施例中，采用VMD算法进行信号处理，其是一种非递归分解的信号处理方法，在时域和频域具有良好的分辨率，计算简单且不存在模态混叠问题。每个模态分量都是具有各自中心频率的有限带宽信号，不存在模态混叠问题和端点效应。VMD其实是一个变分模型迭代搜寻最优解的问题，在寻优过程中，自适应地确定每个模态分量的最优中心频率及带宽，得到多个各自频率区域的相对平稳信号。

然而，虽然利用VMD算法进行信号分解，可以解决EMD算法存在的模态混叠等问题，但是VMD算法中角频率初始值采用的初始化方式也使得VMD分解算法较为耗时，不利于应用于实时性要求较高的场景。

基于上述实施例的内容，作为一种可选的实施例，对稳态信号进行信号分解，得到多个时间模态分量，包括：

对稳态信号进行傅里叶变换，得到稳态信号对应的频谱序列，并对频谱序列进行平滑处理，在处理后的频谱序列中提取各个峰值点对应的角频率；

从各个峰值点对应的角频率中，随机选取与预设模态数量相同数量的目标角频率，并根据各个目标角频率设定变分模态分解算法中的初始化角频率参数；

利用设定好初始化角频率参数的变分模态分解算法，对稳态信号进行信号分解，得到多个时间模态分量。

具体地，本发明实施例所描述的预设模态数量指的是预先设定的数量，其可以根据经验值确定，是较为准确的信号分解后的模态数量K。在本发明的实施例中，预设模态数量具体可以取值为K＝3，也就是将稳态信号分解为3个时间模态分量。

在本发明的实施例中，还可以采用改进的VMD算法进行信号分解，来提高算法的运行效率。

具体来说，首先对稳态信号进行傅里叶变换，得到稳态信号对应的频谱序列，并对频谱序列进行平滑处理，以减少抖动尖峰，在处理后的频谱序列中找到各个峰值点，并提取各个峰值点对应的角频率。

进一步地，在本实施例中，可以从各个峰值点对应的角频率中，随机选取与预设模态数量相同数量的目标角频率，并将各个目标角频率的取值设定为VMD算法中的初始化角频率参数，以此优化VMD算法中角频率的初始值。

进一步地，在本实施例中，利用设定好初始化角频率参数的VMD算法，对稳态信号进行信号分解，可以使分解算法快速获得各个窄带信号合适的中心频率，获取得到多个时间模态分量。

图2是本发明提供的辐射源识别方法中采用改进VMD算法的结果示意图，如图2所示，在本发明的实施例中，改进的VMD算法相较于传统VMD算法，在信号分解所耗费的时间上得到了极大提升，并且随着分解信号的信号长度不断增加，效果变得更加明显。

本发明实施例的方法，通过改进VMD算法，在以较为准确的预设模态数量的基础上，优化算法中角频参数的初始化值，可以使VMD算法收敛速度更快，大大降低迭代次数，缩短VMD算法对稳态信号的分解时间，提升VMD算法的效率，可以很好地应用于实时性要求较高的技术场景。

基于上述实施例的内容，作为一种可选的实施例，确定每个时间模态分量对应的目标希尔伯特时频谱图，包括：

对每个时间模态分量进行希尔伯特变换，得到每个时间模态分量对应的原始希尔伯特时频谱图；

根据每个时间模态分量对应的原始希尔伯特时频谱图，计算每个原始希尔伯特时频谱图对应的边际谱；

根据每个原始希尔伯特时频谱图对应的边际谱的峰值中心频率，确定每个原始希尔伯特时频谱图中的能量集中区域；

从每个原始希尔伯特时频谱图中截取能量集中区域对应的希尔伯特时频谱图，得到每个时间模态分量对应的目标希尔伯特时频谱图。

具体地，在本发明的实施例中，在通过改进的VMD算法分解稳态信号得到多个时间模态分量之后，对每个时间模态分量进行希尔伯特变换，可以得到每个时间模态分量对应的原始希尔伯特时频谱图，具体过程可以通过如下公式描述，分解前的稳态信号x(n)可以写作：

其中，R[]表示取实数部分的运算符，K为预设的时间模态数量，u

根据每一时间模态分量的瞬时幅度a

上述得到的希尔伯特时频谱图中，存在空白区域即不包含信息的区域，因此，可以对能量信息集中的目标区域(Region of Interest，ROI)进行截取，之后从截取的ROI中提取特征。

进一步地，在本发明的实施例中，根据每个时间模态分量对应的原始希尔伯特时频谱图，将各原始希尔伯特时频谱图在时间轴上进行积分，计算每个原始希尔伯特时频谱图对应的边际谱，用以描述幅值(或能量)在频率轴上的分布。通过寻找边际谱的峰值得到频率能量的中心，进而可以根据每个原始希尔伯特时频谱图对应的边际谱的峰值中心频率，确定出每个原始希尔伯特时频谱图中的能量集中区域ROI。最后，从每个原始希尔伯特时频谱图中截取ROI区域中的希尔伯特时频谱图，可以得到每个时间模态分量对应的目标希尔伯特时频谱图。

图3a是本发明提供的辐射源识别方法中原始希尔伯特时频谱图的示意图，如图3a所示，在本实施例中，通过对时间模态分量进行希尔伯特变换得到原始希尔伯特时频谱图后，可以看出，该谱图中在频率轴60至400位置处存在大面积无信息区域，为避免大量多余计算，可以对原始希尔伯特时频谱图作进一步处理，截取出能量集中区域的谱图。

图3b是本发明提供的辐射源识别方法中边际谱的示意图，如图3b所示，在本实施例中，将图3a所示的原始希尔伯特时频谱图在时间轴上进行积分，得到对应的边际谱，在该边际谱中显示，在频率轴20至60的位置存在谱峰，其可以表征原始希尔伯特时频谱图中的能量集中区域。

图4是本发明提供的辐射源识别方法中目标希尔伯特时频谱图的示意图，如图4所示，在本实施例中，通过在图3b所示的边际谱中寻找谱峰峰值，确定频率能量的中心，根据该频率能量的中心，从每个原始希尔伯特时频谱图中确定出能量集中的ROI区域，进而从每个原始希尔伯特时频谱图中截取ROI区域中的希尔伯特时频谱图，得到目标希尔伯特时频谱图。

本发明实施例的方法，通过计算每一时间模态分量希尔伯特谱图的边际谱，获得能量集中区域，截取出只包含信息的希尔伯特时频谱图，方便后续图谱特征信息的提取，避免了在大面积无信息区域进行操作，提高了算法效率，有利于提高辐射源识别的效率。

进一步地，在本发明的实施例中，基于获取到的每个时间模态分量对应的目标希尔伯特时频谱图，从幅值-时间-频率三维空间上，对每个目标希尔伯特时频谱图通过变换拉伸进行曲面展开，得到规整曲面结构，由此确定出每个时间模态分量对应的希尔伯特三维曲面，并对每个希尔伯特三维曲面进行贝塞尔曲面拟合，得到其对应的控制点信息，由此得到每个希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息。

需要说明的是，贝塞尔曲线是以伯恩斯坦(Bernstein)多项式为数学基础的参数化曲线，类似的，贝塞尔曲面同样是以伯恩斯坦多项式为基础，由一维曲线拓展至二维曲面，m×n贝塞尔曲面定义为：

其中，P

其中，u、v均为间隔参数，取值范围为0到1；m与n均为阶数，

还需要说明的是，控制点位置决定了贝塞尔曲面的走势，在给定一组确定的控制点后，可以唯一确定一个贝塞尔曲面。也就是说，由于其一一对应关系，若给定一个平滑曲面，则可以根据指定阶数，求解得到一组唯一的控制点。因此，可利用这一对应关系，对得到的希尔伯特三维曲面进行贝塞尔曲面拟合控制点坐标求解，将得到的控制点信息作为新的低维度特征向量，可以很大程度地减少特征库存储空间，并降低后续计算复杂度。

基于上述实施例的内容，作为一种可选的实施例，对每个所述希尔伯特三维曲面进行贝塞尔曲面拟合，确定每个希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息，包括：

按照预设步长，将每个希尔伯特三维曲面划分为多段希尔伯特子曲面；

对每个希尔伯特三维曲面中的各段希尔伯特子曲面进行贝塞尔曲面拟合，得到每段希尔伯特子曲面对应的贝塞尔拟合曲面的控制点信息；

综合每个希尔伯特三维曲面的各段希尔伯特子曲面对应的控制点信息，得到每个希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息。

具体地，本发明实施例所描述的预设步长指的是预先设定的曲面分段数，其可以根据实际计算进行灵活设置。

可以理解的是，希尔伯特子曲面指的是将希尔伯特三维曲面进行分段后得到的希尔伯特三维曲面段。在本发明的实施例中，按照预设步长，可以将每个希尔伯特三维曲面在时间轴上进行分段，划分得到M段希尔伯特子曲面，M＞1。

进一步地，在本实施例中，利用贝塞尔曲面及其控制点来对希尔伯特三维曲面进行最优拟合，即需要估计控制点的最佳位置P，使得贝塞尔曲面和希尔伯特三维曲面可以最大程度的拟合。

在本实施例中，由于贝塞尔曲面拟合过程是一个从非参数曲面到参数曲面的过程，可以将待拟合的一部分三维立体曲面定义为S＝{s(x,y)|x∈[0,X-1],y∈[0,Y-1]}。

估计曲面的所有最佳控制点位置

其中，s(x,y)为待拟合的三维立体曲面中的点，m,n为贝塞尔曲面的维度，

由此，按照上述计算过程，可以对每个希尔伯特三维曲面中的各段希尔伯特子曲面进行d×d阶贝塞尔曲面拟合，从而得到每段希尔伯特子曲面对应的贝塞尔拟合曲面的控制点信息。进而将每个希尔伯特三维曲面中各段希尔伯特子曲面对应的控制点信息进行组合，得到每个希尔伯特三维曲面在最优拟合下的贝塞尔曲面控制点信息。

需要说明的是，在本实施例中，根据不同的实例，分段数M即预设步长、每段是否等长、贝塞尔曲面拟合阶数d×d均可根据实际情况灵活设置，本发明对此不作具体限定。

本发明实施例的方法，通过采用贝塞尔曲面拟合算法，对每个希尔伯特时频谱图对应的希尔伯特三维曲面进行分段拟合，可以快速计算出每个希尔伯特时频谱图对应的控制点信息，从而提取到希尔伯特时频谱图局部且更为精细的特征信息，便于后续辐射源识别计算，有利于大幅提升辐射源识别的精度。

进一步地，在本发明的实施例中，在确定每个希尔伯特三维曲面的贝塞尔曲面控制点信息时，还可以对相应的希尔伯特时频谱图面向幅值轴进行投影变换，得到每个希尔伯特时频谱图的幅度曲线，由此得到每个希尔伯特时频谱图的幅度信息，由此，可以将每个希尔伯特三维曲面的贝塞尔曲面控制点信息和每个希尔伯特时频谱图的幅度信息进行组合，可以得到稳态信号对应的希尔伯特时频谱图指纹特征信息，从而构成辐射源的精细化射频指纹特征信息，为下一步模型识别提供有效的输入数据。

本发明实施例的方法，通过对截取的稳态信号进行信号分解，获取多个时间模态分量，并利用希尔伯特时频谱图分析计算，从各个时间模态分量提取希尔伯特时频谱图精细化指纹特征信息，获取辐射源更为精细的射频指纹特征信息，可以对存在细微个体差异的不同辐射源设备个体实现更为精细且全面的表征，有利于极大地提升可同时识别辐射源个体的数量和辐射源识别精度。

基于上述实施例的内容，作为一种可选的实施例，在将希尔伯特时频谱图指纹特征信息输入到辐射源识别模型之前，该方法还包括：

获取多个已知辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本及对应的辐射源身份信息标签；

将每个希尔伯特时频谱图指纹特征信息样本及对应的辐射源身份信息标签作为一组训练样本，获取多组训练样本；

利用多组训练样本，对辐射源识别模型进行训练。

具体地，在将希尔伯特时频谱图指纹特征信息输入到辐射源识别模型之前，还需对辐射源识别模型进行训练，具体训练过程如下：

将标识有辐射源身份信息标签的希尔伯特时频谱图指纹特征信息样本与该辐射源身份信息标签作为一组训练样本。针对多个不同辐射源所发信号的样本，通过截取稳态信号段，得到各个辐射源的稳态信号样本，进而可以按照前述特征提取方式，提取出各个稳态信号样本对应的希尔伯特时频谱图指纹特征信息样本，结合标识的辐射源身份信息标签，组成一组训练样本，由此，针对各个不同辐射源所发信号的样本，则可获得多组训练样本。

在本发明的实施例中，每个希尔伯特时频谱图指纹特征信息样本及其对应的辐射源身份信息标签均是一一对应的。

然后，在获得多组训练样本之后，再将多组训练样本依次输入至辐射源识别模型，即将每组训练样本中的希尔伯特时频谱图指纹特征信息样本及其对应的辐射源身份信息标签同时输入至辐射源识别模型，根据辐射源识别模型的每一次输出结果，通过计算损失函数值，对辐射源识别模型的模型参数进行调整，最终完成辐射源识别模型的训练过程。

本发明实施例的方法，通过将标识有辐射源身份信息标签的希尔伯特时频谱图指纹特征信息样本与该辐射源身份信息标签作为一组训练样本，利用多组训练样本对辐射源识别模型进行模型训练，确保辐射源识别模型的识别精度。

基于上述实施例的内容，作为一种可选的实施例，利用多组训练样本，对辐射源识别模型进行训练，包括：

对于任意一组训练样本，将训练样本输入辐射源识别模型，输出训练样本对应的预测结果；

利用预设损失函数，根据训练样本对应的预测结果和训练样本中的人员信息标签计算损失值；

基于损失值，对辐射源识别模型的模型参数进行调整，直至训练完所有训练样本；

将训练完最后一个训练样本时所得到的模型参数作为训练好的辐射源识别模型的模型参数。

具体地，本发明实施例所描述的预设损失函数指的是预先设置在辐射源识别模型里的损失函数，用于模型评估。

在本发明的实施例中，辐射源识别模型可以基于多层感知机(Multi-LayerPerceptron，MLP)神经网络模型构建的。

在获得多组训练样本之后，对于任意一组训练样本，将该训练样本中的希尔伯特时频谱图指纹特征信息样本与其对应的辐射源身份信息标签同时输入至辐射源识别模型，输出该训练样本识别结果对应的预测概率值。

在此基础上，利用预设损失函数根据该训练样本识别结果对应的预测概率值和训练样本中携带的辐射源身份信息标签计算损失值。

在本发明的实施例中，预设的辐射源身份信息标签的表示方式可以根据实际需求进行设置，此处不做具体限定。

在计算获得损失值之后，本次训练过程结束，更新辐射源识别模型中的模型参数之后，再进行下一次训练。在训练的过程中，在训练完最后一个训练样本或训练次数达到预先设置的最大训练次数时，将此时得到的模型参数作为训练好的辐射源识别模型的模型参数，则辐射源识别模型训练完成。

本发明实施例的方法，通过对辐射源识别模型进行训练，将辐射源识别模型的损失值控制在预设范围内，从而有利于提高辐射源识别模型对辐射源身份信息的识别精度。

可选地，在本发明的实施例中，辐射源识别模型还可以是基于其他分类算法模型构建的，其中，分类算法模型可以包括但不限于K最近邻分类(K-Nearest neighbors，KNN)算法模型或支持向量机模型(Support Vector Machine，SVM)。

在本发明实施例中，可以采用交叉验证支持向量机模型CV-SVM的方式训练模型。在训练过程中，首先将多个辐射源的稳态信号对应的希尔伯特时频谱图指纹特征信息作为样本数据，然后设定惩罚参数C和核函数参数g的范围，根据网格搜索思想，建立不同参数对(C，g)，利用前述样本数据计算不同参数对的交叉验证准确率，取正确率最高的参数值组得到最优参数对(C，g)。最后，根据最优参数对(C，g)、多个辐射源的身份信息标签以及多个辐射源所发出信号样本对应的希尔伯特时频谱图指纹特征信息样本训练SVM模型，得到辐射源识别模型。

可选地，在本发明的实施例中，还可以通过多个辐射源的身份信息标签以及多个辐射源所发出信号样本对应的希尔伯特时频谱图指纹特征信息样本训练KNN算法模型，得到辐射源识别模型。

以训练KNN算法模型得到的辐射源识别模型为例，对如何基于辐射源识别模型得到待识别辐射源身份信息的过程进行说明。

若辐射源识别模型是基于KNN算法模型训练得到的，则辐射源识别模型包括有训练数据以及标签数据，训练数据包括已知身份信息的辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息，标签数据包括这些辐射源的个体身份信息。

在辐射源识别模型识别过程中，将待识别辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息作为测试数据输入到基于KNN算法模型构建的辐射源识别模型中，计算测试数据与各个训练数据之间的距离。然后，按照距离的递增关系进行排序，选取距离最小的K个点，确定前K个点所在类别的出现频率，并返回前K个点中出现频率最高的类别作为测试数据的预测分类，即可得到待识别辐射源的身份信息。

在本发明的一个具体实施例中，选用20个同一批次的CC2530的ZigBee模块作为待识别的辐射源设备，对于每个设备各收集700个信号样本。通过频谱分析将同频段的蓝牙信号分离，得到ZigBee数据。通过对ZigBee数据进行暂态起始点检测，截取稳态信号段，再通过改进的VMD算法将稳态信号分解为特定数量的多个时间模态分量，对每个时间模态分量进行希尔伯特变换，得到对应的原始希尔伯特时频谱图，并通过计算其边际谱截取能量集中区域得到每个目标希尔伯特时频谱图。

进一步地，将各目标希尔伯特时频谱图的矩阵看作三维立体曲面，对每个希尔伯特三维曲面进行变换拉伸，得到规整曲面结构，并将拉伸后的希尔伯特三维曲面按长度分为多段，对每段进行贝塞尔曲面拟合，将得到的控制点信息作为特征。同时，对各希尔伯特三维曲面向幅值轴做投影变换，得到幅度曲线，获取到幅度信息。进而，将每个希尔伯特三维曲面的控制点信息和幅度信息进行组合，可以得到希尔伯特时频谱图指纹特征信息。

最后，在本实施例中，可以利用基于KNN算法模型构建的辐射源识别模型对提取到的各个希尔伯特时频谱图指纹特征信息进行识别分类，输出各个辐射源的身份信息，并与其他现有技术进行了实验结果对比。

图5是本发明提供的辐射源识别方法与现有技术的对比结果示意图，如图5所示，在本发明的实施例中，与现有技术中基于变分模式分解和熵矩特征(VMD-EM2)的识别方法、基于变分模式分解和谱特征(VMD-SF)的识别方法以及基于变分模式分解和直方图特征(VMD-HOG)的识别方法进行了识别精度结果的对比。参照图5可以看出，当本发明实施例的方法同时识别15个不同辐射源设备时，识别准确率可达95.40％；识别20个不同辐射源设备时依然可以达83.58％的准确率，识别精度远远高于现有技术中其他三类方法，并且在待识别辐射源设备个体数量增加时，本发明实施例的方法的下降幅度更小，效果更为稳定。

下面对本发明提供的辐射源识别装置进行描述，下文描述的辐射源识别装置与上文描述的辐射源识别方法可相互对应参照。

图6是本发明提供的辐射源识别装置的结构示意图，如图6所示，包括：

处理模块610，用于基于待识别辐射源所发出信号的时域数据，确定所述待识别辐射源所发出信号的稳态信号，并从所述稳态信号中提取希尔伯特时频谱图指纹特征信息，所述希尔伯特时频谱图指纹特征信息包括控制点信息和幅度信息；

识别模块620，用于将所述希尔伯特时频谱图指纹特征信息输入到辐射源识别模型，得到所述辐射源识别模型输出的所述待识别辐射源的身份信息；所述辐射源识别模型是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的。

本实施例所述的辐射源识别装置可以用于执行上述辐射源识别方法实施例，其原理和技术效果类似，此处不再赘述。

本发明实施例的辐射源识别装置，通过利用待识别辐射源所发出信号的时域数据，提取辐射源所发出信号的稳态信号，从稳态信号中提取更为精细的希尔伯特时频谱图指纹特征信息，包括刻画希尔伯特时频谱图形状纹理的控制点信息，以及表征希尔伯特时频谱图幅度变化的幅度信息，构成射频指纹特征，以对辐射源设备指纹进行精细刻画，进而利用提前训练好的辐射源识别模型对该希尔伯特时频谱图指纹特征信息进行分类识别，可以有效识别出待识别辐射源的身份信息，实现了辐射源设备的精准识别，提升了辐射源识别的识别精度和鲁棒性，同时也大大提高了可同时识别的辐射源个体数量，并保证了较高的识别准确率，可满足大量无线设备识别认证场景需求。

图7是本发明提供的电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行上述各方法所提供的辐射源识别方法，该方法包括：基于待识别辐射源所发出信号的时域数据，确定所述待识别辐射源所发出信号的稳态信号，并从所述稳态信号中提取希尔伯特时频谱图指纹特征信息，所述希尔伯特时频谱图指纹特征信息包括控制点信息和幅度信息；将所述希尔伯特时频谱图指纹特征信息输入到辐射源识别模型，得到所述辐射源识别模型输出的所述待识别辐射源的身份信息；所述辐射源识别模型是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的。

此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的辐射源识别方法，该方法包括：基于待识别辐射源所发出信号的时域数据，确定所述待识别辐射源所发出信号的稳态信号，并从所述稳态信号中提取希尔伯特时频谱图指纹特征信息，所述希尔伯特时频谱图指纹特征信息包括控制点信息和幅度信息；将所述希尔伯特时频谱图指纹特征信息输入到辐射源识别模型，得到所述辐射源识别模型输出的所述待识别辐射源的身份信息；所述辐射源识别模型是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的辐射源识别方法，该方法包括：基于待识别辐射源所发出信号的时域数据，确定所述待识别辐射源所发出信号的稳态信号，并从所述稳态信号中提取希尔伯特时频谱图指纹特征信息，所述希尔伯特时频谱图指纹特征信息包括控制点信息和幅度信息；将所述希尔伯特时频谱图指纹特征信息输入到辐射源识别模型，得到所述辐射源识别模型输出的所述待识别辐射源的身份信息；所述辐射源识别模型是根据辐射源所发出信号对应的希尔伯特时频谱图指纹特征信息样本以及对应的辐射源身份信息标签训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。