[发明专利]基于深度残差网络的特定辐射源识别方法及装置

说明书

本发明属于辐射源识别技术领域，特别涉及一种基于深度残差网络的特定辐射源识别方法及装置，该方法包含：对接收信号进行时频分析，并将得到的Hilbert时频谱转化为灰度图像；以灰度图像为输入，利用深度残差网络提取反映在图像中的射频指纹特征，获取辐射源的识别结果。本发明针对通信信号非平稳、非线性的特性，将Hilbert时频谱的灰度图像作为信号的表现形式，利用深度残差网络提取辐射源的射频指纹特征，完成分类识别；将深度学习应用于通信信号处理领域，充分发挥其强大的自学习能力，克服人为认识局限性，提高处理效率；并通过仿真实验验证在复杂通信系统和复杂信道条件下的识别效果均具有很强的鲁棒性，对于辐射源信号识别技术发展具有重要指导意义。

技术领域

本发明属于辐射源识别技术领域，特别涉及一种基于深度残差网络的特定辐射源识别方法及装置。

背景技术

特定辐射源识别(SEI,Specific Emitter Identification)，即通过提取射频信号上能够体现辐射源个体差异的细微特征，以期实现对特定目标的识别。由于射频指纹特征不依赖通信内容，且难以伪造；因此，SEI技术在无线网络安全和通信侦察对抗等民用和军事领域具有重要的应用价值。SEI的核心技术在于发现并提取准确有效的射频指纹特征。根据来源不同，现有的特征主要可以分为以下两大类：预定(predefined)特征和推测(inferred)特征。预定特征，顾名思义，即根据已知的特征机理预先定义得到的。这类特征需要对射频指纹特征具备一定的了解，特征本身具有明确的物理意义，易于理解。例如，Brik等人设计了无源辐射装置识别系统(PARADIS,passive radiometric deviceidentification system)，从星座图上提取了6种调制域特征对138个无线设备的识别率超过了99％。此外，功率放大器系数和振荡器相位噪声指数也分别被用作射频指纹特征，取得了不错的识别效果。与预定特征相比，推测特征不具备明确的物理意义，是在分类识别的过程中根据个体差异推测得到的，主要是利用一些数学变换的方法得到的。例如，采用希尔伯特-黄变换的方法，以多种Hilbert谱的统计量作为特征对信号进行识别；此外，对三阶矩进行傅里叶变换得到的双谱，以及小波变换等方法也被用来推测得到射频指纹特征。然而，无论是预定特征抑或是推测特征，都受限于人们的先验认识，这就注定了现有特征的局限性。具体地说，预定特征主要受限于人们对特征产生机理及表现形式的认识不充分；而推测特征则非常依赖于人们对信号有限的分析处理方法。

近年来，深度学习在图像识别、人机博弈等应用中取得众多突破性的成就。受其鼓舞，深度神经网络也逐渐推广到雷达、通信信号处理领域，并已经在调制识别和特定雷达信号识别中取得了许多研究成果。由于通信辐射源个体之间的差异十分微小，现阶段，利用深度学习进行SEI的研究尚处于起步阶段。Kevin Merchant将时域复基带残差信号的波形作为输入，利用卷积神经网络(CNN,convolutional neural network)对7个ZigBee设备进行识别，识别率达到92.29％。需要指出的是，CNN的网络架构对图像具有更强的针对性和适用性，但存在不能充分发挥CNN深度自学习图像信息的巨大优势，在一定程度上影响了识别效果；选择以降维压缩后的双谱图像作为输入，利用CNN提取特征并进行识别，识别效果明显优于传统方法。然而，通过比较公开发表的现有特征，可发现双谱特征的识别效果始终难以令人满意，以双谱图像作为接收信号的图像表示并不是一种理想的选择；此外，对双谱图像的压缩降维在除去冗余信息的同时，也会造成部分特征细节的损失，进一步影响了识别的效果。

发明内容

为此，本发明提供一种基于深度残差网络的特定辐射源识别方法及装置，克服人为认识的局限性，提高处理效率，具有很强的工程应用前景。

按照本发明所提供的设计方案，一种基于深度残差网络的特定辐射源识别方法，包含如下内容：

对接收信号进行时频分析，并将得到的Hilbert时频谱转化为灰度图像；

以灰度图像为输入，利用深度残差网络提取反映在图像中的射频指纹特征，获取辐射源的识别结果。