一种基于深度置信网络的通信辐射源个体识别方法

刘高辉; 张晓博

doi:10.13443/j.cjors.2019012101

一种基于深度置信网络的通信辐射源个体识别方法

刘高辉^,,
张晓博

西安理工大学自动化与信息工程学院, 西安 710048

基金项目:

国家自然科学基金 61671375

详细信息

作者简介:
刘高辉 (1968-), 男, 陕西人, 西安理工大学自动化与信息工程学院副教授, 博士, 研究方向为通信信号处理和雷达信号处理

张晓博 (1993-), 男, 陕西人, 西安理工大学自动化与信息工程学院硕士研究生, 研究方向为通信信号处理

通信作者:
刘高辉 E-mail:liugh68@xaut.edu.cn

中图分类号: TN921
计量
- 文章访问数: 323
- HTML全文浏览量: 102
- PDF下载量: 35
出版历程
- 收稿日期: 2019-01-20
- 网络出版日期: 2020-12-30
- 发布日期: 2020-06-29
- 刊出日期: 2020-06-29

A method for personal identification of communication radiation source based on deep belief network

LIU Gaohui^,,
ZHANG Xiaobo

School of Automation and Information Engineer, Xi'an University of Technology, Xi'an 710048, China

摘要

摘要: 针对复杂电磁环境下通信辐射源个体识别问题，提出了一种小样本条件下基于深度置信网络的通信辐射源个体识别方法.首先分析通信辐射源信号频带内互调干扰信号的幅度和相位特性，建立基于互调干扰信号的通信辐射源个体特征；然后对辐射源信号进行预处理得到通信辐射源信号的矩形积分双谱，再采取对比散度的方法，利用高阶谱自底向上训练每个受限玻尔兹曼机，通过多次迭代得到合适的权重、隐藏层的偏差和可见层的偏差，从而提取出辐射信号的互调干扰信号特征；最后使用softmax分类器对训练模型进行微调，获得面向通信辐射源细微特征识别的深度学习网络.通过计算机的仿真得到了超过80%的识别率，进一步验证了该方法的有效性.
- 互相调制 /
- 高阶频谱 /
- 细微特征 /
- 深度置信网络 /
- 特征提取
Abstract: Aiming at the problem of individual identification of communication radiation sources in complex electromagnetic environment, we propose a method of mutual modulation interference recognition of communication radiation sources based on deep confidence network under small sample conditions. Firstly, we analyze the amplitude and phase characteristics of intermodulation interference of communication radiation sources, which can be used as individual characteristics to distinguish communication radiation sources. Then, the square integrated bispectra of communication radiation source adopts contrast divergence method to train each restricted Boltzmann machine from the bottom up, through which the appropriate weights, the deviation of the hidden layer and the deviation of the visible layer are obtained, which represent the intermodulation interference characteristics of the radiation source signal.Finally, the training model is fine-tuned by softmax classifier to obtain a deep learning network for the fine feature recognition of communication radiation sources.The recognition rate of more than 80% is obtained by computer simulation, which further validates the effectiveness of the method.
- intermodulation /
- higher order spectrum /
- subtlefeatures /
- deep belief network /
- feature extraction

HTML全文

引言

通信辐射源指纹(communication transmitter fingerprint, CTF)特征^[1]是指附加调制在发射信号上不影响信息传递、可检测、可重现的细微特征.在军事应用上, 可通过CTF识别敌方通信辐射源个体, 在此基础上判断敌方发射设备的重要程度, 对精确打击目标提供了重要的保障.在民用领域中, CTF特征可以用于准确判别通信电台对电磁频谱的使用情况, 及时发现非法电台等.

CTF特征的提取方法主要有信号暂态特征提取方法和信号稳态特征提取方法.信号暂态特征提取方法由于信号波形持续时间短导致特征提取难度高, 因此这种方法目前应用较少.信号稳态特征提取对稳态信号进行采样变换和提取, 可以达到准确提取信号指纹特征的目的. Wang D等^[2]提出了一种基于旋转不变技术的通信辐射源指纹提取方法, 该方法能够有效提取信号的指纹, 并且具有良好的识别效果. Zhuo F等^[3]提出了一种基于正交调制信号I/Q不平衡的CTF特征提取方法, 在使用之前需要估计信号的信噪比. Zhe Li等^[4]从理论上分析了CTF的特点, 提出了一种基于卡尔曼滤波的高精度指纹识别方法, 但该方法在信噪比较低时识别率难以达到满意的效果.文献[5]提出了一种基于双谱特征融合的CTF特征识别方法, 在提取个体的显著特征如载频、调制指数、载频变化率参数等的基础上与双谱融合作为识别通信辐射源个体差异的特征向量, 可以快速准确提取并分类识别CTF特征, 但该方法对训练样本数量要求较高, 在样本观测时间较短时, 其性能必将受到严重影响, 而且在实际过程中提取信号的多种特征往往会加大数据处理的难度, 降低处理效率.文献[6]将流形学习理论引入到通信辐射源的细微特征提取中, 有效解决了辐射源个体鲁棒的细微特征问题.文献[7]提出了一种基于全局潜在低秩表示的通信辐射源潜在细微特征的提取方法, 该方法充分挖掘了高维特征空间中辐射源的细微特征.

通信辐射源器件的杂散特征具有高度的平稳性、可检测性、独有性等^[1], 可以作为通信辐射源个体识别的依据.杂散特征主要包括谐波、交叉调制和互相调制.谐波通常位于信号频段外, 可以通过滤波器滤除, 所以不能用于区分通信辐射源个体.交叉调制只有当有用信号较弱, 干扰信号较强时, 才能被检测出来.互相调制是辐射源内部由几个频率非常接近的干扰信号之间产生的三阶互调产物, 通常位于信号频带内, 因此可以作为通信辐射源个体识别的依据.

“深度学习”(deep learning)这一术语是在2006年由Hinton等首次提出的^[8].深度学习是指通过神经网络将低层的特征映射到高层, 通过高层将数据的特征抽象出来, 以发现数据的分布式特征表示.近年来, 深度学习在信号处理领域应用广泛, 在语音识别^[9-10]、图像识别^[11]、视频识别^[12]、人脸识别^[13-14]以及电磁散射与逆散射的计算^[15]等方面有重大突破.上述研究表明, 深度学习网络结构有较强的函数表达能力和特征提取能力.文献[16]将深度受限玻尔兹曼机(restricted boltzmann machines, RBM)用于辐射源信号的提取和识别, 该方法在信噪比较低的情况下有较高的识别度和较强的鲁棒性, 证明了深度学习可以用于解决通信辐射源的识别问题.深度学习能够从信息处理的角度对人脑神经元进行模拟, 不需要对干扰信号的相位和幅度提前预知, 能够通过样本学习的方式获取干扰信号的幅度和相位特征, 进而区分出通信辐射源的个体.

针对实际复杂电磁环境下通信辐射源个体识别问题, 本文提出一种基于深度置信网络(deep belief network, DBN)的CTF特征提取方法.首先, 分析通信辐射源信号频带内互调干扰信号的幅度和相位特性, 建立基于互调干扰信号的通信辐射源个体特征; 然后, 通过预处理得到原始通信辐射源的高阶频谱; 其次, 对高阶频谱进行细微特征的提取, 利用大量的样本数据训练DBN; 最后, 利用一小部分数据对网络模型进行精调, 通过softmax分类器获取样本的分类, 从而有效挖掘“小样本”条件下通信辐射源观测样本的深层细微特征.

1 通信辐射源互调干扰产生机理和辐射源信号矩形积分双谱特性

1.1 通信辐射源互调干扰产生机理

通信辐射源的互调干扰主要考虑三阶互调产物, 下面主要分析其产生机理.

互相调制是由几个频率非常接近的干扰信号互相作用产生的.假设放大器输入两个频率为ω₁和ω₂的干扰信号, 则放大器会产生组合频率分别为(2ω₁-ω₂)和(2ω₂-ω₁)的干扰信号.如果干扰信号频率处于有用信号的信道内, 则此时互相调制产生的干扰信号会伴随着有用信号一起发射出去.若能将互调干扰信号识别出来, 则互调干扰信号可以作为通信辐射源的个体特征.由于各个放大器的工艺和性能以及外部环境方面存在着细微的差别, 因此产生互调干扰的信号频率和相位存在差异, 这些差异能反应出通信辐射源的个体区别.将互调干扰信号的幅度和相位信息进行提取分析, 能够较为准确地区分通信辐射源的个体.

1.2 辐射源信号矩形积分双谱特性

由于实际电磁辐射的环境较为复杂, 辐射信号或噪声一般并不完全服从高斯分布, 对信号细微特征的分析如果只有幅度信息是不充分的, 还需要一定的相位信息, 高阶谱可以求得信号的相位信息^[1].双谱是高阶谱分析中阶数最低、运算量最小、运算效率最高、处理方法相对简单的谱分析方法.双谱包含了高阶谱的所有特征, 可以恢复、提取信号的相位和幅度特征, 在系统的非线性特性表示方面有一定的优势, 因而较为适合信号的细微特征分析.

设信号为x(t), 其三阶相关函数可以表示为

$\begin{array}{*{20}{l}} {{c_{3x}}({\tau _1},{\tau _2}) = \int_{ - \infty }^{ + \infty } {{x^ * }} (t)}\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} x(t + {\tau _1})x(t + {\tau _2}){\rm{d}}{\tau _1}{\kern 1pt} {\rm{d}}{\tau _2}.} \end{array}$

(1)

式中, *表示复数共轭.信号的双谱表示为

$\begin{array}{l} B({\omega _1},{\omega _2}) = \sum\limits_{{\tau _1} = - \infty }^{ + \infty } {\sum\limits_{{\tau _2} = - \infty }^{ + \infty } {{c_{3x}}} } ({\tau _1},{\tau _2})\\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\rm{exp}}( - {\rm{j}}({\omega _1}{\tau _1} + {\omega _2}{\tau _2})). \end{array}$

(2)

如果直接提取信号的双谱特性进行识别, 需要进行二维模板匹配, 计算量较大.通过对信号双谱的积分路线设定, 可以将二维数据转化为一维数据, 得到局部积分双谱, 大大降低了计算量.

局部积分双谱存在双谱值的遗漏或者重复的问题, 可能会失去一些细微特征.矩形积分双谱(square integrated bispectra, SIB)作为一种局部积分双谱, 在提取信号的双谱特征时将信号的双谱值完全利用, 不存在丢弃个别双谱值或者多次利用双谱值的现象, 如图 1所示.

图 1 SIB积分路径图

Fig. 1 SIB integration path diagram

下载: 全尺寸图片幻灯片

如图 1所示, SIB的积分路径可以表述为一组以原点为中心的正方形组成的双谱值. SIB可定义为

${B_{{\rm{SI}}}}(\omega ) = \oint\limits_{{S_l}} {B({\omega _1},{\omega _2}){\rm{d}}{\omega _1}{\rm{d}}{\omega _2}} .$

(3)

式中:S_l表示矩形积分中的任意一条路径, 所有信号的全部双谱值信息都包含在积分路径中, 不存在丢弃个别双谱值或者多次利用双谱值的现象.矩形积分具有时移不变性, 能够完整地保留信号的幅度信息和相位信息, 并且能够抑制噪声带来的干扰.因此, 使用SIB提取辐射源信号的细微特征是非常合适的.

2 基于DBN通信辐射源个体识别的方法

DBN是由多层RBM堆叠组成的一个深度生成式(或判别式)的神经网络.通过预训练数据找出网络的局部最优解, 之后在网络上添加分类器(softmax分类器), 对网络提取后的特征进行分类. DBN模型如图 2所示.

图 2 DBN模型结构

Fig. 2 Structure of DBN model

下载: 全尺寸图片幻灯片

图 2中:V代表可视层, v₁、v₂、…、v_n分别代表可视层的神经元节点; H₁、H₂、H₃分别代表第一个、第二个和第三个隐层; h_{1, 1}、h_{1, 2}、…、h_{1, m}分别代表第一个隐层的神经元节点; h_{2, 1}、h_{2, 2}、…、h_{2, k}分别代表第二个隐层的神经元节点; h_{3, 1}、h_{3, 2}、…、h_{3, i}分别代表第三个隐层的神经元节点.相邻两层组成一个RBM, RBM₁、RBM₂、RBM₃分别代表三个RBM.

2.1 RBM

RBM是一种可通过输入数据集学习概率分布的随机生成神经网络.一个RBM包含一个随机隐单元构成的隐层和一个由随机可见单元构成的可见层.隐层一般是Bernoulli分布, 可见层一般是Gaussian分布或者Bernoulli分布. RBM可见层的神经元和隐层的神经元之间通过权值交换数据, 而隐层之间和可见层之间无数据交换, 即层间全连接, 层内无连接.

图 3为RBM模型结构, 其中:D是可视层的单元数量; M是隐藏层的单元数量; v_i表示可视层节点的值; h_i表示隐藏层节点的值; w_{i, j}是两个节点之间的权重.

图 3 RBM模型结构

Fig. 3 Structure of RBM model

下载: 全尺寸图片幻灯片

RBM是基于能量的模型, RBM中联合概率密度函数p(v, h)可以用能量函数E(v, h)来表示:

$p(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}}) = \frac{1}{Z}{\rm{exp}}( - E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})),$

(4)

$Z = \sum\limits_{\mathit{\boldsymbol{v, h}}} {{\rm{exp}}\left( { - E\left( {\mathit{\boldsymbol{v}}, \mathit{\boldsymbol{h}}} \right)} \right).}$ 模型关于v的边缘分布为

$\begin{array}{*{20}{l}} {p(\mathit{\boldsymbol{v}}|\mathit{\boldsymbol{\theta }}) = \sum\limits_h P (\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})}\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} = \frac{1}{Z}\sum\limits_h {{\rm{exp}}} ( - E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})).} \end{array}$

(5)

式中:θ表示隐藏层的向量参数, 通过学习θ使得p(v|θ)接近v的分布.

定义RBM能量函数, 系统的能量值达到最小时系统的稳定状态为最小化目标值, 即估计函数.对于一个Bernoulli(可见层节点)分布-Bernoulli(隐层节点)分布的RBM, 能量函数如公式(6)所示:

$\begin{array}{*{20}{l}} {E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}}) = - {\mathit{\boldsymbol{b}}^{\rm{T}}}\mathit{\boldsymbol{v}} - {\mathit{\boldsymbol{c}}^{\rm{T}}}\mathit{\boldsymbol{h}} - {\mathit{\boldsymbol{h}}^{\rm{T}}}\mathit{\boldsymbol{Wv}}}\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} = - \sum\limits_{i = 1}^D {{b_i}} {v_i} - \sum\limits_{j = 1}^M {{c_j}} {h_j} - }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sum\limits_{i = 1}^D {\sum\limits_{j = 1}^M {{v_i}} } {w_{i,j}}{h_j}.} \end{array}$

(6)

式中:b_i为可视层偏差; c_j是隐藏层偏差.

在RBM中, 可视层和隐藏层的状态可以看作随机变量.可视层中各个节点的值通过网络传递到隐藏层, 同时隐藏层的各个节点通过传递函数生成概率分布(一个二值化的值):

$p({h_j} = 1|\mathit{\boldsymbol{v}}) = \sigma \left( {\sum\limits_{i = 1}^D {{w_{i,j}}} {v_i} + {c_j}} \right).$

(7)

式中, σ表示sigmoid函数.

同理, 隐藏层同时能够反向传播到可视层.根据上面的结论, 各个可视层节点根据概率分布和传播的值可以得到一个二值化的值:

$p({v_j} = 1|\mathit{\boldsymbol{h}}) = \sigma \left( {\sum\limits_{j = 1}^M {{w_{i,j}}} {h_j} + {b_i}} \right).$

(8)

相似地, 对于一个Gaussian(可见层节点)分布-Bernoulli(隐层节点)分布RBM, 能量函数如下:

$\begin{array}{*{20}{l}} {E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}}) = - \frac{1}{2}\sum\limits_{i = 1}^D {{{({v_i} - {b_i})}^2}} - \sum\limits_{j = 1}^M {{c_j}} {h_j} - }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sum\limits_{i = 1}^D {\sum\limits_{j = 1}^M {{v_i}{w_{i,j}}{h_j}} .} } \end{array}$

(9)

相应的条件概率为

${p({h_j} = 1|\mathit{\boldsymbol{v}}) = \sigma (\sum\limits_{i = 1}^D {{w_{i,j}}} {v_i} + {c_j});}$

(10)

${p({v_j} = 1|\mathit{\boldsymbol{h}}) = N(\sum\limits_{j = 1}^M {{w_{i,j}}} {h_j} + {b_i},1).}$

(11)

Gaussian-Bernoulli分布RBM可以将实值的随机变量转换为二进制的随机变量, 然后再使用Bernoulli-Bernoulli分布的RBM进行进一步处理.

通过计算对数似然lnL(θ|v)的梯度可以得到RBM的权值更新公式, 具体如下:

$\begin{array}{*{20}{l}} {{\rm{ln}}L(\mathit{\boldsymbol{\theta }}|\mathit{\boldsymbol{v}}) = {\rm{ln}}\sum\limits_\mathit{\boldsymbol{h}} {{\rm{exp}}} ( - E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})) - }\\ \ \ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\rm{ln}}\sum\limits_\mathit{\boldsymbol{v,h}} {{\rm{exp}}} ( - E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})).} \end{array}$

(12)

然后各个参数可以用下面的公式进行梯度计算:

$\begin{array}{*{20}{l}} {\frac{{\partial {\rm{ln}}L(\mathit{\boldsymbol{\theta }}|\mathit{\boldsymbol{v}})}}{{\partial {w_{i,j}}}} = - \sum\limits_h p (\mathit{\boldsymbol{h}}|\mathit{\boldsymbol{v}})\frac{{\partial E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})}}{{\partial {w_{i,j}}}} + }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sum\limits_{\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}}} p (\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})\frac{{\partial E(\mathit{\boldsymbol{v}},\mathit{\boldsymbol{h}})}}{{\partial {w_{i,j}}}};} \end{array}$

(13)

$\frac{{\partial {\rm{ln}}L(\mathit{\boldsymbol{\theta }}|v)}}{{\partial {b_i}}} = {v_i} - \sum\limits_v p (\mathit{\boldsymbol{v}}){v_i};$

(14)

$\begin{array}{*{20}{l}} {\frac{{\partial {\rm{ln}}L(\mathit{\boldsymbol{\theta }}|\mathit{\boldsymbol{v}})}}{{\partial {c_j}}} = p({h_j} = 1|\mathit{\boldsymbol{v}}) - }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sum\limits_\mathit{\boldsymbol{v}} p (\mathit{\boldsymbol{v}})p({h_j} = 1|\mathit{\boldsymbol{v}}).} \end{array}$

(15)

2.2 softmax分类器

提取通信辐射源的特征之后, 还需要使用分类器完成对通信辐射源信号的分类.在DBN中通常使用的是softmax分类器, softmax分类器可以解决多分类问题, 同时能够有效地发挥监督学习的特点, 提高模型与训练集的拟合程度.

softmax分类器模型如图 4所示, θ_n为输入节点, y_k为输出节点, +1是一个类别标号为k的标签. softmax分类器利用输入层的特性θ对softmax分类器进行初始化, 该模型的结构与RBM结构有一定的相似度, 该模拟的输出不再是对输入的特征提取或映射, 而是对输入样本的不同类别做出估计.

图 4 softmax分类器模型

Fig. 4 Structure of softmax classifier model

下载: 全尺寸图片幻灯片

对于有标签的输入辐射源样本特征为x的信号, 假设样本共m个、特征维度为n+1、样本信号有k个不同的类别.标签是一个M维且元素类别标号取值k的列矢量, 在样本特征信号x的最后一列. softmax分类器会根据参数θ估计出p(y=j|x)(其中j为不同的样本信号, j=1, 2, …, k), 也就是估计每一种x分类出现的概率.现在用一个假设函数h_θ(x)对所有有标签的通信辐射源信号的分类概率进行表达:

$\begin{array}{l} {h_\theta }({\mathit{\boldsymbol{x}}^{(i)}}) = \left[ {\begin{array}{*{20}{c}} {p({y^{(i)}} = 1|{\mathit{\boldsymbol{x}}^{(i)}};\mathit{\boldsymbol{\theta }})}\\ {p({y^{(i)}} = 2|{\mathit{\boldsymbol{x}}^{(i)}};\mathit{\boldsymbol{\theta }})}\\ \vdots \\ {p({y^{(i)}} = k|{\mathit{\boldsymbol{x}}^{(i)}};\mathit{\boldsymbol{\theta }})} \end{array}} \right]\\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} = \frac{1}{{\sum\limits_{j = 1}^k {{\rm{exp}}} (\mathit{\boldsymbol{\theta }}_j^{\rm{T}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\mathit{\boldsymbol{x}}^{(i)}})}}\left[ {\begin{array}{*{20}{c}} {{\rm{exp}}(\mathit{\boldsymbol{\theta }}_1^{\rm{T}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\mathit{\boldsymbol{x}}^{(i)}})}\\ {{\rm{exp}}(\mathit{\boldsymbol{\theta }}_2^{\rm{T}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\mathit{\boldsymbol{x}}^{(i)}})}\\ \vdots \\ {{\rm{exp}}(\mathit{\boldsymbol{\theta }}_k^{\rm{T}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\mathit{\boldsymbol{x}}^{(i)}})} \end{array}} \right]. \end{array}$

(16)

式中, θ₁, θ₂, …, θ_k∈Rⁿ⁺¹是模型的参数.用softmax分类器进行分类时, θ表示一个k×(n+1)的矩阵[θ₁, θ₂, …, θ_k]^T, $\frac{1}{ \mathop \sum \limits_{j = 1}^k \exp \left(\boldsymbol{\theta}_{j}^{\mathrm{T}} \boldsymbol{x}^{(i)}\right)}$ 这一项对概率进行归一化, 使得所有概率之和为1.

为了判断模型参数θ和有标签的通信辐射源样本的拟合程度, 定义代价函数J(θ)作为有监督训练的目标函数:

$\begin{array}{*{20}{l}} {J(\mathit{\boldsymbol{\theta }}) = \frac{1}{2}\lambda \sum\limits_{i = 1}^k {\sum\limits_{j = 1}^n {\theta _{ij}^2} } - }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \frac{1}{m}\left[ {\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^k s } \{ {y^{(i)}} = j\} {\rm{ln}}\frac{{{{\rm{e}}^{\mathit{\boldsymbol{\theta }}_j^{\rm{T}}{\kern 1pt} {\mathit{\boldsymbol{x}}^{(i)}}}}}}{{\sum\limits_{i = 1}^k {{{\rm{e}}^{\mathit{\boldsymbol{\theta }}_l^{\rm{T}}{\kern 1pt} {\mathit{\boldsymbol{x}}^{(i)}}}}} }}} \right].} \end{array}$

(17)

式中:第一项是权重衰减项, λ表示大于0的衰减项, 通过惩罚不合理的参数值使得代价函数变为严格的凸函数, n表示样本特征维度的大小, θ_ij表示第i类第j个样本对应的模型参数; 第二项是样本正确分类的概率分布, m为输入有标签辐射源数据的个数, 样本信号有k个不同的类别, 其中s(y⁽ⁱ⁾=j)在y⁽ⁱ⁾=j时为1, 其余为0.

由于代价函数J(θ)是严格的凸函数, 故可以通过迭代的优化算法进行计算, 此处采用梯度下降法, 经过求导得到梯度公式为

$\begin{array}{*{20}{l}} {{\nabla _{{\mathit{\boldsymbol{\theta }}_j}}}J(\mathit{\boldsymbol{\theta }}) = - \frac{1}{m}[{\mathit{\boldsymbol{x}}^{(i)}}(1\{ {y^{(i)}} = j\} - }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} p({y^{(i)}} = j|\mathit{\boldsymbol{x}};\mathit{\boldsymbol{\theta }}))] + \lambda {\mathit{\boldsymbol{\theta }}_j}.} \end{array}$

(18)

则参数的迭代更新公式为

${\mathit{\boldsymbol{\theta }}_j} = {\mathit{\boldsymbol{\theta }}_j} - \alpha {\kern 1pt} {\kern 1pt} {\nabla _{{\mathit{\boldsymbol{\theta }}_j}}}J(\mathit{\boldsymbol{\theta }}),$

(19)

式中：α为学习率.当迭代计算使得代价函数J(θ)收敛至最小时, 输出最佳参数θ.

2.3 基于DBN模型的识别算法

在2.1节和2.2节的基础上提出DBN模型的通信辐射源个体识别的算法.同时考虑到硬件性能与运算效率, 将SIB特征作为高维输入样本.该模型由一个可见层、三个隐层和softmax输出层组成.首先利用数据本身无监督地对每个RBM进行初始化, 训练时DBN相邻的两层可以看成一个RBM, 可以独立地、充分地训练每个RBM, 达到参数收敛的目的, 将训练出来的数据单元的激活概率作为下一层的输入, 以后各层以此递推; 接下来在网络的顶层添加分类器(softmax分类器), 利用反向传播算法微调网络的权重, 之后测试每个测试样本落在每个标签上的概率, 概率最大的项即为识别的结果.算法的流程分为以下三个步骤.

步骤1 数据的预处理

对通信辐射源信号进行采样, 得到M个待识别通信源{T_i, i=1, 2, …, M}, 每个辐射源有N个样本信号, 则第i个辐射源的第k个信号可以表示为x_k⁽ⁱ⁾(n).计算采样信号{x_k⁽ⁱ⁾(n)}的离散傅里叶变换{x_k⁽ⁱ⁾(ω)}, 即

$x_k^{(i)}(m) = \sum\limits_{n = 0}^{T - 1} {x_k^{(i)}} (n){{\rm{e}}^{ - {\rm{j}}\frac{{2\pi mn}}{T}}},m = 0,1,2, \cdots ,T - 1.$

(20)

式中, T为样本信号的数据长度.

令 $\omega = \frac{{2\pi }}{T}m$ , 则可以得到

$x_k^{(i)}(\omega ) = \sum\limits_{n = 0}^{T - 1} {x_k^{(i)}} (n){{\rm{e}}^{ - {\rm{j}}\omega n}}.$

(21)

式中, $\omega=\left\{\frac{m}{T} 2 \pi | m=0, 1, 2, \cdots, T-1\right\}$ .

计算采样信号的频率双谱, 即

$\begin{array}{*{20}{l}} {B_k^{(i)}(\omega ) = B_k^{(i)}({\omega _1},{\omega _2})}\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} = X_k^i({\omega _1})X_k^i({\omega _2})X_k^i( - {\omega _1} - {\omega _2}).} \end{array}$

(22)

再计算采样信号的SIB, 即

$y_k^{(i)}(l) = \sum\limits_{{S_l}} {B_k^{(i)}} ({\omega _1},{\omega _2}).$

(23)

式中, S_l为积分路径.

步骤2

将预处理的SIB输入DBN中, 通过大量的训练调整网络的参数.具体的网络参数调整可以分为如下两个部分.

1) 通过无监督学习调整DBN中每个隐层的网络权重参数, 将调整后的隐层状态作为下一层的输入.

对于∀v∈S, 取初始值v⁽⁰⁾, 然后执行k步Gibbs采样, 其中第t=(1, 2, 3, …, k)步先后执行:

·利用P(h|v^(t-1))采样出h^(t-1);

·利用P(v|h^(t-1))采样出v^(k);

然后, 利用k步Gibbs采样后得到的v^(k)来近似估计公式期望项, 具体为

$\begin{array}{l} \frac{{\partial {\rm{ln}}P(v)}}{{\partial {w_{i,j}}}} \approx p({h_i} = 1|{v^{(0)}})v_j^{(0)} - \\ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} p({h_i} = 1|{v^{(k)}})v_j^{(k)}, \end{array}$

(24)

$\frac{{\partial {\rm{ln}}P(v)}}{{\partial {b_i}}} = v_i^{(0)} - v_i^{(k)},$

(25)

$\frac{{\partial {\rm{ln}}P(v)}}{{\partial {c_i}}} = p({h_i} = 1|{v^{(0)}}) - p({h_i} = 1|{v^{(k)}}).$

(26)

模型参数可以表示如下:

$\begin{array}{*{20}{c}} {w_{ij}^{(\tau + 1)} = v_{ij}^{(\tau )} + \eta (p({h_i} = 1|{v^{(0)}})v_j^{(0)} - }\\ {p({h_i} = 1|{v^{(k)}})v_j^{(k)}),} \end{array}$

(27)

$b_i^{(\tau + 1)} = b_i^{(\tau )} + \eta (v_i^{(0)} - v_i^{(k)}),$

(28)

$\begin{array}{*{20}{c}} {c_i^{( \tau+ 1)} = c_i^{(\tau )} + \eta (p({h_i} = 1|{v^{(0)}}) - }\\ {p({h_i} = 1|{v^{(k)}})).} \end{array}$

(29)

式中:τ是迭代的次数; η是学习速率.采样k次的对比散度表示为CD-k.

自底向上充分训练每一层网络, 得到最终的权重参数、隐藏层偏差以及可见层偏差.

2) 通过有监督的反向传播算法对整个网络参数进行调整.

步骤3 分类识别

采用softmax回归分类器实现目标识别, 并且输出识别结果.

在估计样本类别过程中, 首先通过公式(16)得到样本的分类概率函数h_θ(x).然后判断模型参数θ和有标签的通信辐射源样本的拟合程度, 定义代价函数J(θ).最后根据公式(19)迭代优化模型参数θ, 得到最终的模型.

3 仿真结果与分析

3.1 仿真设置

为了评价基于DBN的CTF特征算法的可操控性和高分辨性, 本次仿真实验主要对通信辐射源细微特征杂散成分中的互相调制进行仿真, 为了更好地分析实验结果, 将提出的算法与传统的基于杂散特征(R特征)提取方法、基于SIB特征的高阶统计方法进行实验比较.

本次仿真主要比较在训练样本个数不同情况下, 提取不同的互相调制干扰分量特征来反应个体差异.仿真模型为由三个RBM构成的DBN模型, DBN的可见层和三个隐藏层的神经元个数分别为1 024、512、256、128.随机产生5个完全相同的2FSK辐射源信号, 2FSK信号的两个频点分别为f₁=1 MHz, f₂=1.2 MHz, 码元速率为300 B.假设5个2FSK辐射源信号在辐射源物理器件的作用下叠加了不同的互相调制干扰信号, 该干扰信号是幅度和相位不同的正弦信号, 干扰信号的频率为1.1 MHz.互调干扰信号的具体参数如表 1所示, 对5个2FSK辐射源信号叠加不同的互相调制产生的干扰信号.信号为采样频率f_s=10 MHz, 采样时长为30 s.将采样的信号数据以文件的形式存储到计算机中, 等待分析处理.

表 1 有用信号叠加的互调干扰信号的幅度值及相位值

Tab. 1 Amplitude and phase values of mutual modulation signals superimposed by useful signals

干扰信号	干扰信号幅度	干扰信号相位
干扰信号1	0.02	$\frac{\pi }{6}$
干扰信号2	0.02	$\frac{\pi }{3}$
干扰信号3	0.04	$\frac{\pi }{6}$
干扰信号4	0.04	$\frac{\pi }{3}$
干扰信号5	0.06	$\frac{\pi }{2}$

下载: 导出CSV

| 显示表格

对提取的信号进行SIB变换后获得包含细微特征的高维数据, 将其输入DBN进行训练.训练时学习率η取值0.1.为了提高实验的精度, 对实验重复进行10次, 取平均识别率作为最终的结果, 所有实验均在一台CPU为Inter Core i5-2430M 2.4 GHz的笔记本电脑上运行.

3.2 算法识别性能

为了验证基于DBN的通信辐射源互相调制干扰提取算法在不同样本情况下识别通信辐射源个体特征的差异, 用仿真的辐射源信号采样的数据集进行分类实验, 并将相同实验条件下的实验结果与R特征、SIB方法进行比较.

从5个仿真信号中随机提取10⁵个样本, 分别从每个辐射源信号中随机选取10⁴、2×10⁴、3×10⁴、4×10⁴个有标签样本作为有标签样本集, 然后从剩余的样本中取3×10⁴个样本作为无标签样本集, 接着再从每个辐射源信号中选择10³个样本作为测试集, 最后得到5个实验组分别记为exam₁、exam₂、exam₃、exam₄、exam₅.实验重复10次, 计算识别率. R特征方法、SIB方法和本文DBN方法在取不同有标签样本数时的识别性能如图 5所示.

图 5 三种识别方式不同样本数的识别率

Fig. 5 The recognition rate of different training sample number taken by three different recognition

下载: 全尺寸图片幻灯片

由图 5可以看出:1)在不同的“小样本”条件下, DBN个体特征的识别率最高, 即本文提出的方法能够比较准确地表征个体特征, SIB方法次之, R特征的识别效果最差.2)在样本较为充足的情况下, exam₄、exam₅平均识别率超过80%, 说明本文方法能够比较准确地表征小样本情况下不同的信号源个体. 3)在样本比较充足的情况下各个算法的识别性能显著提升.本文所提出的算法仍然能够达到最优的识别性能, 说明DBN在大样本和小样本情况下都能满足通信辐射源个体识别的要求.

DBN能够利用多层网路结构对网络的数据进行提取, 因而DBN的特点是多层网络. DBN的层数对训练效果有非常重要的影响, 网络中如果隐含层数过少则难以充分提取特征, 隐层过多会加大训练的时间成本.如何选择隐层的数目是一个值得讨论的问题.

3.3 网络结构对识别率的影响

在保证神经元数目相同的条件下, 设计三层、四层、五层的网络结构, 具体神经元层数如表 2所示.

表 2 网络结构的选择

Tab. 2 Choice of network structure

层数	网络结构
三层	1024-256-128
四层	1024-512-256-128
五层	1024-512-384-256-128

下载: 导出CSV

| 显示表格

图 6 网络层数与识别率关系

Fig. 6 Network layer number vs. recognition rate

下载: 全尺寸图片幻灯片

从图 6可以看出:1)在测试次数足够的情况下, 不同的网络结构都能满足识别要求.2)三层网络识别率明显低于四层和五层网络.3)四层和五层网路识别率区别不大的情况下, 一般选择网络层数较低的网络结构, 以降低计算复杂度.

五层网络的识别率较四层网络区别不大, 考虑到在实际工程中的运用, 若硬件设施受限, 需要严格设定网络的训练次数.

从5个辐射源信号中提取5×10⁴个作为样本, 从中随机抽取2.5×10³个有标签样本作为有标签样本集, 从剩余的样本中抽取2×10⁴个作为无标签样本集, 从每个辐射源信号中选取100个样本作为测试集用于验证识别率.并且在网络微调阶段, 每10次微调输出网络结果, 用样本进行一次识别率测试, 记录识别率结果.对于每种网络同样进行1 000次微调, 通过对比相同迭代次数下不同网络结构对于测试集的识别率, 来判断网络训练效果的优劣.将5组数据分别用四层和五层网络进行训练, 令网络的预训练次数分别为5次, 20次, 200次, 具体结果如图 7和图 8所示.

图 7 四层网络训练次数与识别率关系

Fig. 7 Training times of four-layer network vs. recognition rate

下载: 全尺寸图片幻灯片

图 8 五层网络训练次数与识别率关系

Fig. 8 Training times of five-layer network vs. recognition rate

下载: 全尺寸图片幻灯片

从图 7和图 8可以看出:1)5次预训练由于训练样本不够充分, 四层和五层网络都没有收敛的趋势, 但四层和五层网络在200次训练后最终都达到收敛状态.2)在识别率都较高的情况下, 对于四层和五层网络20次训练收敛速度明显快于200次收敛速度.同样20次训练的识别率比200次训练的识别率也稍高. 3)对比四层和五层网络, 都能在20次训练达到收敛, 四层网络和五层网络的训练时间分别为113 min和123 min, 一定意义上时间成本可以不作为考虑的要素.

4 结束语

本文利用DBN的网络结构特征提取能力, 将DBN网络应用到通信辐射源信号细微特征识别中, 提出了一种基于DBN的通信辐射源个体识别的方法.仿真结果表明, 该方法能够有效地识别出通信辐射源的个体.并且通过仿真分析发现, 四层DBN网络的识别率明显高于三层DBN网络, 四层DBN网络和五层DBN网络的识别率相差较小, 考虑到运算复杂度等因素, 故而设置四层网络结构较为合理.随着深度学习理论的进一步完善, 这种方法在分析实际问题时有广阔的应用前景.

图 1 SIB积分路径图

Fig. 1 SIB integration path diagram

下载: 全尺寸图片幻灯片

图 2 DBN模型结构

Fig. 2 Structure of DBN model

下载: 全尺寸图片幻灯片

图 3 RBM模型结构

Fig. 3 Structure of RBM model

下载: 全尺寸图片幻灯片

图 4 softmax分类器模型

Fig. 4 Structure of softmax classifier model

下载: 全尺寸图片幻灯片

图 5 三种识别方式不同样本数的识别率

Fig. 5 The recognition rate of different training sample number taken by three different recognition

下载: 全尺寸图片幻灯片

图 6 网络层数与识别率关系

Fig. 6 Network layer number vs. recognition rate

下载: 全尺寸图片幻灯片

图 7 四层网络训练次数与识别率关系

Fig. 7 Training times of four-layer network vs. recognition rate

下载: 全尺寸图片幻灯片

图 8 五层网络训练次数与识别率关系

Fig. 8 Training times of five-layer network vs. recognition rate

下载: 全尺寸图片幻灯片

表 1 有用信号叠加的互调干扰信号的幅度值及相位值

Tab. 1 Amplitude and phase values of mutual modulation signals superimposed by useful signals

干扰信号	干扰信号幅度	干扰信号相位
干扰信号1	0.02	$\frac{\pi }{6}$
干扰信号2	0.02	$\frac{\pi }{3}$
干扰信号3	0.04	$\frac{\pi }{6}$
干扰信号4	0.04	$\frac{\pi }{3}$
干扰信号5	0.06	$\frac{\pi }{2}$

下载: 导出CSV

表 2 网络结构的选择

Tab. 2 Choice of network structure

层数	网络结构
三层	1024-256-128
四层	1024-512-256-128
五层	1024-512-384-256-128

下载: 导出CSV

参考文献(16)

[1]	徐书华.基于信号指纹的通信辐射源个体识别技术研究[D].武汉: 华中科技大学, 2007. XU S H.On the identification technique of individual transmitter based on signalprints[D]. Wuhan: Huazhong University of Science and Technology, 2007. (in Chinese)
[2]	WANG D, HU A, CHEN Y, et al. An ESPRIT-based approach for RF fingerprint estimation inmulti-antenna OFDM systems[J]. IEEE wireless communications letters, 2017, 6(6):702-705. http://www.researchgate.net/publication/318714213_An_ESPRIT-Based_Approach_for_RF_Fingerprint_Estimation_in_Multi-Antenna_OFDM_Systems
[3]	ZHUO F, HUANG Y, CHEN J. Radio frequency fingerprint extraction of radio emitter based on I/Q imbalance[J]. Procediacomputer science, 2017, 107:472-477. http://www.sciencedirect.com/science/article/pii/S1877050917303678
[4]	LI Z, YIN Y, WU L. Radio frequency fingerprint identification method in wireless communication[C]//International Conference on Machine Learning and Intelligent Communications. Springer, Cham, 2017: 195-202.
[5]	蔡忠伟, 李建东.基于双谱的通信辐射源体识别[J].通信学报, 2007, 28(2):75-79. http://d.old.wanfangdata.com.cn/Periodical/txxb200702012 CAI Z W, LI J D. Studyoftransmitter individual identification based on bispectra[J]. Journal oncommunication, 2007, 28(2):75-79.(in Chinese) http://d.old.wanfangdata.com.cn/Periodical/txxb200702012
[6]	雷迎科, 郝小军, 韩慧, 等.一种新颖的通信辐射源个体细微特征提取方法[J].电波科学学报, 2016, 31(1):98-104. http://www.cjors.cn/CN/abstract/abstract142.shtml LEI Y K, HAO X J, HAN H, et al. A novel fine feature extraction method for identifying communication transmitter[J]. Chinese journal of radio science, 2016, 31(1):98-104.(in Chinese) http://www.cjors.cn/CN/abstract/abstract142.shtml
[7]	唐哲, 雷迎科, 蔡晓霞.通信辐射源的潜在细微特征提取方法[J].电波科学学报, 2016, 31(5):883-890. http://www.cjors.cn/CN/abstract/abstract76.shtml TANG Z, LEI Y K, CAI X X. The extraction of latent fine feature of communication transmitter[J] Chinese journal of radio science, 2016, 31(5):883-890. (in Chinese) http://www.cjors.cn/CN/abstract/abstract76.shtml
[8]	HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural computation, 2006, 18(7):1527. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=b66e97177e8ce3590f5b9369eb533e53
[9]	LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553):436. http://d.old.wanfangdata.com.cn/Periodical/jsjyjyfz201309002
[10]	KENNY P, BOULIANNE G, OUELLET P, et al. Joint factor analysis versus eigenchannels in speaker recognition[J]. IEEE transactions on audio speech & language processing, 2007, 15(4):1435-1447. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=c88ee03a428835637843e1c20b2a0d61
[11]	OUYANG W, WANG X. Joint deep learning for pedestrian detection[C]//IEEE International Conference on Computer Vision, 2014: 2056-2063.
[12]	马勇, 鲍长春.基于稀疏神经网络的说话人分割[J].北京工业大学学报, 2015, 41(5):662-667. http://d.old.wanfangdata.com.cn/Periodical/bjgydxxb201505004 MA Y, BAO C C. Speaker segmentation based on sparse network[J].Journal of Beijing University of Technology, 2015, 41(5):662-667. (in Chinese) http://d.old.wanfangdata.com.cn/Periodical/bjgydxxb201505004
[13]	CHEN Y, CHEN Y, WANG X, et al. Deep learning face representation by joint identification-verification[C]//International Conference on Neural Information Processing Systems. MIT Press, 2014: 1988-1996.
[14]	ZHANG S, YANG H, YIN Z. Multiple deep convolutional neural networks averaging for face alignment[J]. Journal of electronic imaging, 2015, 24(3):033013. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=715f46e9540930c7022266c58973cd6d
[15]	王龙刚, 钟威, 阮恒心, 等.大尺度电磁散射与逆散射问题的深度学习方法[J].电波科学学报, 2018, 33(5):519-524. http://www.cjors.cn/CN/abstract/abstract806.shtml WANG L G, ZHONG W, RUAN H X, et al. Deep learning approach to large-scale electromagnetic scattering and inverse scattering problems[J] Chinese journal of radio science, 2018, 33(5):519-524. (in Chinese) http://www.cjors.cn/CN/abstract/abstract806.shtml
[16]	周东青, 王玉冰, 王星, 等.基于深度限制波尔兹曼机的辐射源信号识别[J].国防科技大学学报, 2016, 38(6):136-141. http://d.old.wanfangdata.com.cn/Periodical/gfkjdxxb201606022 ZHOU D Q, WANG Y B, WANG X, et al. Radar emitter signal recognition on deep restricted Boltzmann machine[J] Journal of National University of Defense Technology, 2016, 38(6):136-141. (in Chinese) http://d.old.wanfangdata.com.cn/Periodical/gfkjdxxb201606022

施引文献(26)

期刊类型引用(14)

1.	王艺卉，张志亮，于轩懿，徐芹，郭团奇. 面向特定辐射源识别的强关联师生模型. 舰船电子工程. 2025(02): 124-128+146 . 百度学术
2.	刘高辉，宋博武. DRSN与集成融合的OFDM辐射源个体识别方法. 信号处理. 2024(06): 1062-1073 . 百度学术
3.	曹家昆，刘高辉，余宁梅，韩晨飞. 一种通信辐射源正交调制细微特征提取和识别方法. 电波科学学报. 2024(06): 1019-1026 . 本站查看
4.	杨海宇，郭文普，康凯，何婧媛，边强. 注意力机制和CNN结合的雷达辐射源个体识别. 兵器装备工程学报. 2023(04): 290-296 . 百度学术
5.	刘高辉，于文涛. 基于深度自适应小波网络的通信辐射源个体识别. 网络安全与数据治理. 2023(05): 71-77 . 百度学术
6.	顾楚梅，曹建军，魏志虎，徐雨芯. 基于蚁群优化特征选择的辐射源个体识别. 计算机仿真. 2023(08): 13-17 . 百度学术
7.	曲凌志，杨俊安，刘辉，黄科举. 嵌入注意力机制的通信辐射源个体识别方法. 系统工程与电子技术. 2022(01): 20-27 . 百度学术
8.	谢跃雷，邓涵方. 基于改进ResNet的射频指纹识别方法. 电讯技术. 2022(04): 416-423 . 百度学术
9.	杨淑艳. 电力通信基站电磁辐射环境保护及检测方法研究. 能源与环保. 2022(04): 72-76 . 百度学术
10.	王伟，王钦钊，刘钢锋，程慧，陶溢，郭傲兵. 地面无人系统反制关键技术分析与综述. 航空学报. 2022(07): 23-47 . 百度学术
11.	唐乐，赵吉祥. 超低功耗短距离无线通信干扰源精准定位方法. 计算机仿真. 2021(02): 124-127+132 . 百度学术
12.	吕昊远，俞璐，周星宇，邓祥. 半监督深度学习图像分类方法研究综述. 计算机科学与探索. 2021(06): 1038-1048 . 百度学术
13.	马海洲，丁爱萍. 大数据时代无人船通信网络入侵信号攻击源识别模型. 舰船科学技术. 2021(24): 142-144 . 百度学术
14.	姚艳艳，俞璐，武欣嵘，陈一鸣. 面向个体识别的通信辐射源特征提取方法综述. 计算机时代. 2020(09): 41-44+49 . 百度学术

其他类型引用(12)

资源附件(0)

图(8) / 表(2)

计量

文章访问数: 323
HTML全文浏览量: 102
PDF下载量: 35
被引次数: 26

引言
1 通信辐射源互调干扰产生机理和辐射源信号矩形积分双谱特性
1.1 通信辐射源互调干扰产生机理
1.2 辐射源信号矩形积分双谱特性
2 基于DBN通信辐射源个体识别的方法
2.1 RBM
2.2 softmax分类器
2.3 基于DBN模型的识别算法
3 仿真结果与分析
3.1 仿真设置
3.2 算法识别性能
3.3 网络结构对识别率的影响
4 结束语

引言
1 通信辐射源互调干扰产生机理和辐射源信号矩形积分双谱特性
1.1 通信辐射源互调干扰产生机理
1.2 辐射源信号矩形积分双谱特性
2 基于DBN通信辐射源个体识别的方法
2.1 RBM
2.2 softmax分类器
2.3 基于DBN模型的识别算法
3 仿真结果与分析
3.1 仿真设置
3.2 算法识别性能
3.3 网络结构对识别率的影响
4 结束语

参考文献(16)

施引文献

资源附件(0)

最新公告

一种基于深度置信网络的通信辐射源个体识别方法

通信作者:
刘高辉 E-mail:liugh68@xaut.edu.cn

计量

A method for personal identification of communication radiation source based on deep belief network

引言

1 通信辐射源互调干扰产生机理和辐射源信号矩形积分双谱特性

1.1 通信辐射源互调干扰产生机理

1.2 辐射源信号矩形积分双谱特性

2 基于DBN通信辐射源个体识别的方法

2.1 RBM

2.2 softmax分类器

2.3 基于DBN模型的识别算法

3 仿真结果与分析

3.1 仿真设置

3.2 算法识别性能

3.3 网络结构对识别率的影响

4 结束语

期刊类型引用(14)

其他类型引用(12)

计量

目录

引言

1 通信辐射源互调干扰产生机理和辐射源信号矩形积分双谱特性

1.1 通信辐射源互调干扰产生机理

1.2 辐射源信号矩形积分双谱特性

2 基于DBN通信辐射源个体识别的方法

2.1 RBM

2.2 softmax分类器

2.3 基于DBN模型的识别算法

3 仿真结果与分析

3.1 仿真设置

3.2 算法识别性能

3.3 网络结构对识别率的影响

4 结束语

最新公告

一种基于深度置信网络的通信辐射源个体识别方法

通信作者: 刘高辉 E-mail:liugh68@xaut.edu.cn

计量

出版历程

A method for personal identification of communication radiation source based on deep belief network

引言

1 通信辐射源互调干扰产生机理和辐射源信号矩形积分双谱特性

1.1 通信辐射源互调干扰产生机理

1.2 辐射源信号矩形积分双谱特性

2 基于DBN通信辐射源个体识别的方法

2.1 RBM

2.2 softmax分类器

2.3 基于DBN模型的识别算法

3 仿真结果与分析

3.1 仿真设置

3.2 算法识别性能

3.3 网络结构对识别率的影响

4 结束语

期刊类型引用(14)

其他类型引用(12)

计量

出版历程

目录

引言

1 通信辐射源互调干扰产生机理和辐射源信号矩形积分双谱特性

1.1 通信辐射源互调干扰产生机理

1.2 辐射源信号矩形积分双谱特性

2 基于DBN通信辐射源个体识别的方法

2.1 RBM

2.2 softmax分类器

2.3 基于DBN模型的识别算法

3 仿真结果与分析

3.1 仿真设置

3.2 算法识别性能

3.3 网络结构对识别率的影响

4 结束语

通信作者:
刘高辉 E-mail:liugh68@xaut.edu.cn