1 引言
在通信系统中,发送接收方的主要关注点是信号携带的信息。然而在接收到的信号中不仅承载了需要的信息,也在无形中夹杂了发射机个体的硬件信息,而这部分信息属于发射机个体的“指纹”[1]。随着科技的进步,我们能够将这些附带的指纹信息与对应的辐射源个体连接起来,从而达到识别辐射源个体的目的[2]。在军事领域,对敌方的通信电台进行识别,从而确定敌方的武器平台,对我们初步了解战场态势有着极其重要的作用[3]。
CNN的经典用例是执行图像分类,CNN神经网络通过卷积核对数据的卷积,能识别图片中的某些特征,通过多年的发展,相比其他神经网络,CNN发展的较为成熟,在图片识别方面,CNN有着突出的能力[4]。近年来,与CNN神经网络搭配的特征有小波变换[5]、双谱特征[6]、经验模态分解[7]等,并且都能得到很好的识别效果。
对电台数据,我们通过接收机采样,得到的是一维的IQ数据。通过对IQ数据的观察,我们发现,当I路数据呈现出现特定波形时,Q路数据也会呈现出对应的变化。这种I路与Q路对应的变化,在同一电台数据中有重复性,在不同电台数据中存在差异性。特征的重复性,为我们进行分类提供了思路。特征的差异性,是我们区分不同辐射源的基础。
针对这种波形变化上的细微差别,本文提出了IQ图特征,通过对I、Q路数据的截取转化,我们得到数据变化处的波形图片的矩阵,这种转换的好处在于我们知道像素在相邻的区域所代表的具体含义,让输入神经网络的数据有实际的意义。再利用成熟的CNN神经网络,实现对波形图片的分类,从而确定特定辐射源个体。
2 通信辐射源信号采集与预处理
2.1 数据采集
本文的实验数据来自同一型号的不同个体的五部超短波电台,采集场景为30M绕射,电台在楼梯口拐角处,信号采集器在另一边的楼梯口拐角处,电波需要通过墙壁的反射。电台为同一人说话的语音通信数据。电台数据信号采集时,接收机作为非协作方经过采集获得零中频I/Q信号。5部超短波电台为FM调制,中心频率分别设置为35 MHz、55 MHz和85 MHz,工作模式为“小功率”。信号采集时采集器显示的信号频率界面如下图1所示。
图1 信号采集器界面频域图
Fig.1 Frequency domain diagram of signal collector interface
信号采集器接收机的参数设置如表1所示。
表1 信号采集器接收机的参数设置
Tab.1 Parameter setting of signal collector receiver
参数参数值信号带宽11.2 kHz接收机采集增益接收机信道带宽6 dB100 kHz采样率312.5 kHz采样时间3 s
采集得到的部分信号如图2。
图2 采集得到的信号IQ路部分数据图
Fig.2 Partial data diagram of the IQ path of the collected signal
2.2 数据特征的处理
我们绘制出IQ两路数据的波形,我们会发现,当I路数据变化的时候,Q路数据的变化是对应的,这种波形的变化,存在两个特征:重复性与个体特异性。图3展示的为同一型号不同个体的两个辐射源IQ两路信号的波形图。
图3 同一类型不同个体两部电台IQ图变化处的截取片段
Fig.3 Intercepted clips at the change of IQ maps of the two stations
上面展示的为电台1与电台2的IQ波形,我们发现在同一次采集的数据中,特定的波形变化是会重复的,并且,在不同开关机情况下,如果我们设置的实验参数相同,则特定的波形变化任然会出现。通过对比2部不同电台的波形,他们对应的波形在幅度、抖动位置等细节地方是有个体差异的。
这种波形的重复性,说明我们的数据中,有很大一部分的数据是重复的,如果我们取一部分的数据,通过CNN神经网络,能很好的识别出其中的特征,那么,对需要识别的数据,由于特征的重复性,我们只需要小部分数据,就能够知道未知数据的特征。从而得到很好的结果。而波形个体的差异性,可以让我们很好的区分出不同的辐射源个体。
数据特征处理流程如下所示:
A、数据归一化
为了避免数据幅度对特征的影响,我们把数据归一化,得到幅度最大值为100的I、Q路数据。
B、对数据经行截取
对归一化的I\Q路数据,取每1000个点为一个数据样本,每一部电台我们截取2000个样本。
图4 截取特征片段示意图
Fig.4 Schematic diagram of intercepting feature fragments
C、对数据进行维度变化
将截取的一维数据点,变成二维矩阵。如图5(a)所示。矩阵中,横轴为时间轴,纵轴为一维数据对应的值,首先对截取的一维数据进行采样,将样本长度从1000降为250。然后,将一维的矩阵变成二维的矩阵图。最后,再对I路和Q路得到的矩阵进行拼接,得到如图5(b)所示的IQ图特征。
图5 特征拼接过程示意图
Fig.5 Schematic diagram of feature stitching process
3 实验与分析
3.1 实验参数优化
CNN神经网络最初是用来识别图片的,我们采用上述方法,将一维的时间序列变成二维的图片特征,这种类似手写数字矩阵图片的特征,更好的符合CNN神经网络的特性,能将数据的最原始特征充分的暴露出来。为了使搭建的神经网络更好的实现对特征的识别,我们进行网络参数优化的实验。
输入网络的训练集为5部超短波电台的I/Q图,每部电台取2000个样本,每个样本的大小为200×500的矩阵,训练集为10000×200×500的矩阵。测试集我们从信号的剩余部分任意取,每个样本的大小为200×500的矩阵,测试集为10000×200×500的矩阵。
网络参数设置对应实验结果如下:
表2 初始学习率对实验结果的影响
Tab.2 Effect of initial learning rate on experimental results
初始学习率0.010.0010.0001训练集正确率20% 99.5%99.71%测试集正确率20% 89.78%92.55%
表3 卷积核大小对实验结果的影响
Tab.3 The effect of convolution kernel size on the experimental results
卷积核大小3579训练集正确率99.82%99.79%99.71%99.66%测试集正确率89.96%91.39%92.55%91.32%
通过上面的实验,我们最终采用3层卷积层加2层全连接层的CNN神经网络模型,如图6所示。
训练样本为5类电台数据,每类2000个训练样本,网络优化方法为Adam方法,初始学习率设置为0.0001,卷积核大小设置为7,迭代次数100000次,epoch设置为20次,批次大小为30。在最优参数设置下,我们得到的训练次数与正确率关系如图7所示。
图6 本实验条件下最优条件下神经网络结构示意图
Fig.6 Schematic diagram of the neural network structure under the optimal conditions under this experimental condition
图7 超短波电台数据训练集训练结果示意图
Fig.7 Schematic diagram of the training results of the UHF radio data training set
训练完网络后,我们保存网络模型。使用未训练的数据制作测试集,调用保存好的神经网络模型对测试集进行测试,得到的结果为:
表4 超短波电台实验结果
Tab.4 Ultrashort wave radio experiment results
训练集正确率测试集正确率99.68%93.05%
从图8我们可以看出,第三个辐射源与第五个辐射源具有比较好的类内聚集度,与其他辐射源的区别最大,在此试验下,不存在错分的情况。第二个辐射源与第一个辐射源的特征比较相似,第二个辐射源类内聚集度比较差,比较容易出现分类错误。
图8 测试集混淆矩阵
Fig.8 Confusion matrix of the test set
3.2 不同特征对比实验
高阶谱分析广泛用于信号处理,在理论上,高阶谱可以完全抑制任何高斯噪声和对称分布的非高斯噪声,能够保留信号的幅度和相位信息并且与时间无关,因此高阶谱分析也就成为了目前主流的特征提取方法[8-9]。三阶谱是最简单的高阶谱,也被称为双谱,由于处理方法较为简便,能够刻画信号的非线性特征, 与功率谱相比更是能够提供相位信息,得到了广泛的应用[10-11]。
小波变换或称多分辨率分析,是将信号在小波基下展开,在时间．尺度二维平面上进行分解。小波分解可视为信号能量在时频平面上进行分割,称为时频铺叠,而小波系数对应着信号能量在小波原子的时频局域的强度。
我们分别求信号的双谱特征与IQ图特征,CNN网络分别调制为各自特征对应的最佳状态。实验数据为同一型号的5部超短波电台,每部电台2000个样本,其中,求取双谱特征时,每一段数据长度为4096个数据点,数据重叠部分设置为5%,每段数据长度为128,FFT点数为128长度不够的补零。实验结果如图9所示。
图9 双谱特征与IQ图特征训练集训练结果
Fig.9 Training result of bispectrum feature and IQ graph feature training set
图9为训练集的epochs数与正确率的结果图,我们通过训练,保存训练好的模型。再截取未被使用的电台数据,制作测试集,调用上面训练好的模型,对测试集进行分类,得到的实验结果如表5所示。
表5 双谱特征与IQ图特征测试集结果
Tab.5 Bispectrum feature and IQ graph feature test set results
特征类型双谱特征小波特征IQ图特征测试集正确率31.25%88.64%93.05%
实验结果说明,IQ图特征,结合CNN神经网络能更好的表征信号的特性。在这种情况下,双谱特征,容易产生过拟合,这也是训练集结果比较好,保存模型后,用测试集测试结果不理想的原因。
3.3 特征的适用性实验
本文使用的IQ图特征,在实际工程应用中较为简单方便,减少了大量数据预处理的工作,只需要对数据的简单变换,减少了数据变化过程中的信息缺失,最大程度上保留了原始数据的信息。并且输入的为二维矩阵,满足CNN神经网络用来处理图片的初衷,所以能获得很好的效果。
本实验,旨在验证IQ图特征的普遍适用性,实验数据为两大类电台数据,分别为超短波电台,短波电台与kirsun手持式对讲机。每大类电台有同型号不同个体的电台5部,我们分别进行实验,得到的训练集结果如图10所示。
图10 两种不同类型电台训练集训练结果
Fig.10 Training results of two different types of radio training sets
训练模型后,我们再制作测试集,输入保存好的神经网络模型,得到的结果如表6所示。
表6 两种不同类型电台测试集结果
Tab.6 Two different types of radio test set results
电台类型超短波电台短波电台测试集正确率93.05% 85.5%
通过实验,我们可以发现,IQ图特征在超短波与短波电台上都有着比较好的效果,具有一定的泛化性。
4 结论
CNN神经网络的在处理图片分类问题上有着巨大的优势,所以,本文提出了将一维IQ数据转化成IQ图片的形式,再结合神经网络对电台数据进行分类的方法。由于IQ图特征有重复性与个体的差异性,所以,通过神经网络学习到的特征能适用于未知数据的分类上。通过实验的验证,这种方法在超短波电台上识别率能达到93%,通过对比双谱特征、小波变换特征,在此情况下,IQ图特征能取得更高的正确率,不易发生过拟合的现象。最后,通过验证不同型号的电台,表明该特征具有一定的泛化性,能满足侦察不同辐射源的要求。由于该算法使用的为发展较为成熟的CNN神经网络,识别效果稳定。特征变换处理速度快,具有很高的实用性。
[1] 黄培培. 通信辐射源特征提取技术研究[D]. 成都:电子科技大学, 2017: 1- 4.
HUANG Peipei.Research on Feature Extration Technilogy of Communication Transimitter Individual[D]. Chengdu:University of Electronic Science and Technology of China, 2017: 1- 4.(in Chinese)
[2] 丁敏. 通信辐射源个体识别技术研究[D]. 成都:电子科技大学, 2017: 1-5.
DING Min.On The Identification of Communication Individual Transmitter[D]. Chengdu:University of Electronic Science and Technology of China, 2017: 1-5.(in Chinese)
[3] 李涛涛. 基于局部描述子的小样本学习方法研究[D].南京：南京大学, 2019: 18-31.
LI Taotao.Few-Shot Learning Based on Local Descriptors[D].Nanjing:Nanjing University, 2019: 18-31.(in Chinese)
[4] TAN Mingxing, QUOC Le. EfficientNet Rethinking Model Scaling for Convolutional Neural Networks[C]∥Proceedings of the 36th International Conference on Machine Learning. Long Beach: PMLR, 2019: 6105- 6114.
[5] 余沁, 程伟, 李敬文. 利用小波变换特征提取的通信辐射源个体识别方法[J]. 信号处理, 2018, 34(9): 1076-1085.
YU Qing, CHENG Wei, LI Jingwen. Specific Emitter Identification Using Wavelet Transform Feature Extraction[J]. Journal of Signal Processing, 2018, 34(9): 1076-1085.(in Chinese)
[6] 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: 91-104.
XU Shuhua.On the Identification Technique of Individual Transmitter Based on Singalprints[D].Wuhan:Huazhong University of Science and Technology, 2007: 91-104.(in Chinese)
[7] LIANG Jianghuang, HUANG Zhitao, LI Zhiwei. Method of Empirical Mode Decomposition in Specific Emitter Identification[J]. Wireless Personal Communications, 2017, 96(3): 1-15.
[8] 桂云川, 杨俊安, 万俊. 基于双谱特征融合的通信辐射源识别算法[J]. 探测与控制学报, 2016(38): 91-95.
GUI Yunchuan, YANG Junan, WAN Jun. A Transmitter Recognition Algorithm Based on Dual Speectrun Feature Fusion[J]. Journal of Detection and Control, 2016(38): 91-95.(in Chinese)
[9] 王欢欢, 张涛. 结合时域分析和改进双谱的通信信号特征提取算法[J]. 信号处理, 2017, 33(6): 864- 871.
WANG Huanhuan, ZHANG Tao. Extraction Algorithm of Communication Signal Characteristics Based on Improved Bispectra and Time-domain Analysis[J]. Journal of Signal Processing, 2017, 33(6): 864- 871.(in Chinese)
[10] 柳征, 姜文利, 周一宇. 基于小波包变换的辐射源信号识别[J]. 信号处理, 2005, 21(5): 460- 464.
LIU Zheng, JIANG Wenli, ZHOU Yiyu. Emitter Signals Recognition Based on Wavelet Packet Transform[J]. Signal Processing, 2005, 21(5): 460- 464.(in Chinese)
[11] HUANG Guangquan, YUAN Yingjun, WANG Xiang, et al. Specific Emitter Identification Based on Nonlinear Dynamical Characteristics[J]. Canadian Journal of Electrical and Computer Engineering, 2016, 39(1): 34- 41.
