基於多尺度一維卷積神經網絡的輻射源個體識別檢視原始碼討論檢視歷史

來自 網絡 的圖片

基於多尺度一維卷積神經網絡的輻射源個體識別輻射源個體識別技術是電子偵察系統中的核心技術之一，也是國內外電子戰領域研究的前沿方向。它通過對接收的電磁信號進行特徵測量，將輻射源電磁特徵與輻射源個體相匹配，進而識別出發射該電磁信號的設備類型。輻射源識別結果對分析通信網絡結構、確定敵威脅等級和戰術決策有着關鍵性作用。

主要工作

面對複雜多變的電磁環境，傳統輻射源識別方法已經無法達到戰場環境對於識別性能和應用範圍的指標要求。隨着人工智能的發展，利用深度學習進行輻射源識別有了新的突破和進展。因此本方案綜合運用深度學習方法，從輻射源個體識別的整體方案設計、模型性能優化研究、小樣本條件下的輻射源識別等方面，開展如下工作：

1．提出了一種基於多尺度一維卷積神經網絡的識別算法。

該算法利用多尺度卷積核和一維卷積神經網絡實現了多尺度的指紋特徵提取，解決了在輻射源信號較為複雜的情況下，識別性能明顯下降的問題。由實采輻射源信號進行仿真，結果表明，當實采的民航客機ADS-B輻射信號數據組數目從10個增至20、50、100個，且信號的複雜化程度也逐步提高時，算法的識別精度始終穩定在80%以上，明顯優於傳統識別方法，證實了本方案算法的精準性和魯棒性，有效滿足了實際應用的指標需求。

2．提出了一種基於遷移學習的小樣本處理算法。

該算法利用在大規模數據集上訓練好的模型進行遷移，將卷積層用於小樣本模型的特徵提取，對全連接層進行微調，從而實現了小樣本情況下模型訓練信息不充分的問題和源域向目標域的「知識遷移」。解決了實際戰術通信網絡中，因輻射源標記樣本數不足，導致新增輻射源個體識別困難的問題。由實采輻射源信號進行仿真，結果表明小樣本條件下，本方案提出的算法有效提升了新增輻射源個體識別的精度和模型的訓練速度。

研究背景及意義

在當今這個科學技術迅猛發展的時代，信息技術一方面給人們的生產生活帶來諸多方便，一方面也使得現代電磁環境越來越複雜。在軍事領域，以電磁為基礎的電子戰，在現代戰爭中占據了至關重要的位置。電子偵察監視敵方電子設備，解惑敵方電磁信號，掌握敵方情報，以便先發制人。電子干擾發射干擾電磁信號，傳遞誤導信息，進行自我隱蔽。電子防禦通過誘餌信號、誘導防輻射導彈等措施，保護己方電子設備。然而越來越複雜的電磁環境使得電子戰中如何區分敵我信號成了急需解決的一大難題；在民用、商用領域，無線通信技術被廣泛應用，各種通信終端逐漸面世，頻譜資源愈發緊張，數據的安全性和傳輸的保密性越來越受人們所關注，在這樣複雜的電磁環境如何防止非法入侵和惡意干擾也成了網絡和通信安全的一大難題[1]。

基於上述種種問題和挑戰，輻射源個體識別(specific emitter identification，SEI)，即特定輻射源識別技術被廣大學者提出。SEI技術是指從輻射源的信號中提取出一些能夠表徵輻射源個體差異的特徵向量，並從此特徵向量中選擇出差異較大的特徵，通過分類器或者神經網絡進行識別，以實現信號與輻射源個體及所屬平台或武器相對應的過程。在SEI技術中，採用的特徵是因輻射源發射機中器件的差異，而附加在輻射源信號上的無意調製信息，即輻射源的「指紋」，該信息是信號的固有特徵，表徵了信號的物理層特性，不隨輻射源信號形式以及其工作環境的改變而發生變化，因此SEI技術的識別效果不受輻射源信號參數、調製方式、工作環境的限制，適用於絕大多數輻射源系統。這也是SEI技術一經提出就倍受關注的原因之一。

SEI技術於上世紀五六十年代在美國海軍中提出，此後在美國和歐洲的多家研究機構和公司都展開了對SEI技術的研究，經過近60年的發展，部分SEI技術已應用於了實戰 裝備，例如美國的AN/UYX-4、AN/ALR-95(V)2、AN/BLQ-10(V)以及部分衛星都已裝備了SEI技術。相比於國外，我國對於SEI技術的研究起步相對較晚，於上世紀80年代着手研究，目前關於SEI技術的理論研究已取得了相當豐碩的成功，但仍然存在諸多問題：其一，輻射源的個體特徵缺少準確的數學模型支撐，大都只是從輻射源個體特徵的形成機理出發進行特徵提取，所提特徵受信號形式以及樣本數量的影響較為嚴重[2]；其二，廣大學者對於SEI技術的研究主要集中在尋找更能表徵輻射源個體的特徵和識別效果更好的分類器，多年來SEI技術的識別正確率越來越高、穩定性也越來越好，與此同時SEI技術所需的計算量也越來越大，使得算法的實時性較差，硬件實現難度較大，不利於實戰裝備的應用；其三，關於SEI技術的研究，大都還停留在理論階段，僅在實驗室的仿真環境下驗證其識別性能，缺乏SEI技術硬件實現的研究以及外場實測數據的驗證；其四，大家都在強調自己所研究內容的優勢，忽略了對於各類異構特徵綜合應用的考慮。

國內外研究現狀及分析

國外研究者對於該領域的探索起步很早，已經具有完整和系統的輻射源識別理論，成果頗豐。相比之下，國內在此項技術的研究上始於西安電子科技大學等高校，起步較晚且技術研究水平落後於國外軍事大國。多年來國內外學者主要經歷了從開關機的瞬時暫態信號特徵過渡到正常工作的穩態特徵研究，從調製特徵過渡到微特徵的分析提取，從整體層面的信號分析到局部特徵分析。

輻射源的個體識別如今已有50餘年歷史，在技術的研究上國內外的發展歷程比較相似，均包含以下幾個階段：

（1）基於參數對比的方法。該方法通過處理戰場信號後獲得載頻、帶寬和調製類型等參數並進一步將這些參數與己方已有的特徵庫對比識別，在早期信號類型單一、參數簡單，因此該方法在輻射源個體識別技術的初期具有良好的識別效果，只要輻射源參數固定，則基本參數對比法能滿足實際的需求。在效果上它的識別率主要取決於本地特徵庫的建立情況，特徵庫容量越大種類越齊全則識別率將有極大的保證。此類方法通過提取出的基礎參數與已有的參數庫對比從而進行個體識別，在一定程度上算法簡易且效率和準確率都能在當時的環境下得到保證。但相應的代價就是對特徵庫的要求較高，若出現具有新參數的敵方信號，則不能保證識別的正確性。此外，這種基本的參數對比法不具有較高的靈活性，在後續的電子戰技術發展中，電磁空間日益複雜多變，信號體制類型種類繁多。敵方輻射源信號不可能只具有簡單的參數設置，因此需要研究更深入具有靈活性的算法。

（2）基於專家系統的方法。隨着對戰場信號分析的深入，各種信號分析方法逐漸發展形成體系，專家系統的方法優勢在於它可以通過許多相關領域技術摸索總結出符合實際的輻射源信號參數變化情況，這些變化規律在物理意義上可以有相對合理的解釋，在數學上可以有相對完備的推導，基於專家系統得到的參數結果與實際信號的表現相差無幾。這種利用經驗的表示可以極大的降低對於本地特徵庫的要求，相比於早期的參數對比法更具有靈活性，且能保證日常的識別準確度。另一方面，相比於參數匹配的方法結合專家系統能夠在新參數產生後提高檢測和識別率。然而此方法只是基本參數對比法的改進形式，專家系統得到的信號變化規律對於所有的新參數形式不一定具有適用性，因此基本參數對比法出現的問題它並不能完全解決。該方法若想得到相對完備的變化規律，需要用時間和運算成本來換取更好的識別率。

（3）基於脈內細微特徵與識別算法結合的方法。隨着現代戰場日益複雜多變的信號形式和擁擠不堪的電磁環境，普通的信號參數對比和估計已經難以承擔輻射源識別任務，更深入的機理研究，提取更穩定可靠的指紋特徵才能符合電子偵察的目的。實際中對於輻射源的精準識別需要更高層次的脈內特徵，這些細微特徵的提取主要通過提高特徵維數和對信號的細分來得到，識別結果的好與壞最主要體現在特徵提取的影響，具有更好可分性的特徵是需要重點關注和研究的。在準確提取特徵的基礎上，結合高效的識別算法，能極大的滿足高識別率的需求。不管信號調製體制如何變化，這些微特徵與之無關因此可作為個體識別的關鍵研究方向。在識別算法方面包括經典機器學習算法和最近幾年來發展飛速的智能學習網絡。

以上方法中，參數匹配和細微特徵結合機器學習的方法都屬於非智能化的識別方法，專家系統和人工神經網絡屬於智能化的識別方法，這些算法均具有實際應用價值，應根據需求進行選取。