基于解調重構的跳頻信號輻射源個體識別方法*

劉人瑋,查 雄,李天昀,章昕亮,龔 佩

(信息工程大學 信息系統工程學院,鄭州 450001)

0 引 言

特定輻射源識別(Specific Emitter Identification,SEI)是指從信號中提取出不同發射機包含的非理想特性,從而達到輻射源個體識別的目的[1]。這些非理想特性來自于發射機在制造時受到工藝、環境、材料等因素的影響,因此每個發射機難以避免地具有細微的、唯一的且難以偽造的特征,這些特征也被稱為“指紋特征”。SEI技術在軍用領域的目標跟蹤識別方面或者民用領域的頻譜管理、無線電安全方面都有較強的現實意義和應用價值[2]。

SEI技術的核心是提取穩定有效的特征以保證能夠做到個體識別。為此,研究者們嘗試將信號映射到不同的變換域上以完成識別任務,包括功率譜[3]、積分雙譜[4-6]、循環譜[7]、EMD[8-9]等。除功率譜外,其他變換域的譜圖通常在高維空間中,而這樣不利于特征的表示,因此需要將其降維后再提取特征,這樣的作法會對發射機自身的“指紋特征”造成損失。同時,這些方法均存在一定程度的時間-頻率分辨率的矛盾。

除直接在調制信號上進行數學變換外,利用解調后的IQ數據作為特征也是研究的一個熱點。文獻[10]將基帶信號直接送入卷積神經網絡進行識別,但是其僅對I/Q不平衡進行討論,沒有考慮發射機的整體結構。文獻[11]將基帶信號繪制成灰度矢量圖后,送入卷積神經網絡以完成分類任務。針對矢量圖受多普勒影響較嚴重的問題,文獻[12]將矢量圖進行分解后,利用多特征融合的方法提高識別性能。

跳頻通信技術具有優秀的抗干擾、抗截獲和多址組網能力,在軍事通信和民用移動通信中都得到了廣泛的應用[13],如CHESS系統、SINCGARS系列、藍牙技術等。由于跳頻信號存在諸多優點,研究人員對其從各個方面進行了研究,包括跳頻系統設計[14-16]、跳頻信號檢測[17-19]、跳頻參數估計[20]、跳頻信號分選[21-27]等。其中,跳頻信號分選可以分為跳頻信號規格識別以及跳頻信號輻射源個體識別。跳頻信號規格識別[21-24]的主要任務是在寬帶中識別出不同規格的跳頻信號,這些跳頻信號的跳頻速率、跳頻圖案、信號規格等往往不同,通過參數估計或者特征提取等手段,完成跳頻信號分類工作。跳頻信號輻射源個體識別[25-27]是將SEI技術應用在跳頻信號上,面對的跳頻信號通常是規格相同甚至協議相同的信號,與跳頻信號規格識別是互補關系。

文獻[25]將頻率跳變瞬態特征作為跳頻信號的指紋特征,使用2.4 GHz的4種藍牙信號進行測試,取得較好的效果,但是由于該文是在電磁屏蔽環境下進行實驗,因此難以驗證算法在低信噪比下的魯棒性。文獻[26]以跳頻信號的開機瞬態包絡作為研究對象,對其多個特征構造特征集并進行識別。文獻[27]將跳頻信號的每個跳點拆分為上升瞬態、穩態和下降瞬態,對這三個狀態分別進行短時傅里葉變換后輸入至各自的卷積神經網絡中。目前,跳頻信號輻射源個體識別大多集中于跳頻信號的跳變瞬態,但是存在兩點問題:一是在低信噪比下,信號瞬態的檢測、捕獲均存在難度;二是可提取的特征不多且容易受到環境影響。

針對以上問題,本文提出了一種基于解調重構的跳頻信號輻射源個體識別方法。該方法不再對瞬態特征進行討論,而是考慮使用跳頻信號的穩態信息進行分類識別。本文主要工作如下:①對發射機畸變特征進行建模,并給出合適的畸變范圍;②對跳頻信號進行預處理,獲得各個跳點的原始基帶波形和理想基帶波形;③設計適合以波形為輸入的Transformer,完成輻射源個體識別工作。

1 發射機畸變模型

I/Q調制發射機的畸變模型[11-28]如圖1所示,包含I/Q不平衡畸變、等效低通濾波器畸變、相位噪聲和功率放大器非線性畸變。本節將對這4部分模型進行介紹,同時給出較為合理的畸變參數選取原則。

圖1 I/Q調制發射機畸變模型

1.1 I/Q不平衡畸變

本文將發射機中存在的I/Q不平衡畸變均等效為基帶的I/Q不平衡畸變。理想I/Q基帶信號為

s(t)=I(t)+jQ(t)

(1)

即I路與Q路完全正交。但是,在實際情況下,I/Q路存在不完全正交的現象,即幅值存在偏差、相差不嚴格在90°。同時,I/Q路可能存在較小的直流分量。結合以上三種畸變,實際畸變信號可表示為

x(t)=(GIejφII(t)+jGQejφQQ(t))+(cI+jcQ)

(2)

式中:GI和GQ分別為I/Q路的增益偏差;φI和φQ分別為I/Q路的相位偏差;cI和cQ分別為I/Q路的直流分量。

文獻[29]給出了實際I/Q調制器正交失衡畸變范圍,文獻[37]進一步縮小該范圍,將其轉換為本文的畸變模型后,可規定取值范圍如下:A∈[-1,1],P∈[-3,3],cI,cQ∈[-0.015,0.015]。

1.2 等效低通濾波器畸變

在發射機中可能在基帶、中頻及射頻均存在濾波器的畸變影響,本文將其等效為基帶的低通濾波器畸變。構造濾波器畸變的頻率響應[11]為

H(f)=A(f)ejφ(f)

(3)

式中:幅頻響應為A(f)=a0+ancos(2παf),相頻響應為φ(f)=2πb0f+bnsin(2πβf)。通常,線性參數a0=b0=1,濾波器畸變體現在與幅度和時延相關的系數α,β,an和bn上。本文借鑒文獻[11]的畸變參數,規定畸變參數取值如下:α=4,β=4;an～N(0,0.052),bn～N(0,0.052),N(·)代表正態分布。

1.3 相位噪聲

相位噪聲主要由頻率合成器產生。理想情況下,頻率合成器的輸出為

s(t)=ej2πfct

(4)

當存在相位噪聲φn(t)時,帶有畸變的載波信號為

x(t)=ej(2πfct+φn(t))

(5)

如圖2所示,理想的載波信號應為一個單頻信號,然而實際情況中相位噪聲會使得頻譜泄露,較嚴重的相位噪聲會使星座圖上的星座點在標準星座點附近振蕩。

圖2 理想/實際頻率源的功率譜示意圖

文獻[30]對鎖相環的相位噪聲功率譜進行了詳細的介紹,文獻[31]則給出二階鎖相環的相位噪聲可以建模為高斯白噪聲經過一階Butterworth濾波器之后的輸出相位,即

(6)

求解相位噪聲的自相關函數為

(7)

式中:n(k)為高斯白噪聲;BPLL為環路3 dB等效噪聲帶寬;σφn為相位噪聲均方根值;Ts為采樣周期?？梢钥闯?BPLL和σφn決定相位噪聲大小。文獻[31]說明了σφn的典型值為1°～3°,文獻[1]給出了合理的BPLL和σφn取值,本文規定其范圍如下:BPLL∈[500,1 500]Hz,σφn∈[1,3]°。

1.4 功率放大器非線性畸變

對于窄帶功率放大器,通常使用Taylor級數模型描述其非線性。假設功放的輸入信號為

s(t)=ρ(t)ej2πfct

(8)

則輸出信號為

(9)

式中:{λ1,λ3,…,λ2K-1}是Taylor級數的系數。歸一化的Taylor級數中,λ1=1,通常λ3<0且|λk|隨k的增加而減小。

如Analog HMC6981放大器,增益G=26 dB,三階截斷點IP3=43.5 dBm,可以得到λ3=-0.011 9。

文獻[33]給出了Taylor級數的仿真值,本文給出的Taylor級數取值范圍為λ3∈[-0.03,-0.01],λ5∈[-0.01,0]。

2 跳頻信號預處理

不同于常規通信信號,跳頻信號單跳持續時間短,且兩跳之間存在切換時間,因此在做跳頻信號輻射源個體識別前,需要進行一定的預處理。本節首先對跳頻信號進行建模,然后介紹本文所需的預處理流程。

2.1 信號模型

定義跳頻信號的跳頻周期Th,駐留時間Td,信道切換時間Tsw,則有

Th=Td+Tsw

(10)

對于跳頻信號s(t),可將其表示為[17]

(11)

式中:As為跳頻信號的幅度;k表示在觀測時間內的第k跳;tk表示第k跳的發生時刻;fk表示第k跳的載波頻率;rect為基帶成型。應當注意的是,在每跳的信道切換時間內,沒有信息傳輸,即rect=0。

在對跳頻信號進行預處理時,假設跳頻的載波頻率個數N、載波頻率集F={f1,f2,…,fN}、單跳駐留時間Td、跳頻周期Th為已知量。

2.2 跳變定時

跳變定時的目的是找到每跳駐留時間的起點,可以分為3步,即信道化、能量積分和檢出跳點。

步驟1 對接收到的信號r(t)進行信道化。將r(t)分別與頻率為{f1,f2,…,fN}的各個本地載波進行下變頻處理,然后再經過低通濾波器,得到各個信道的基帶信號Y(t):

(12)

步驟2 對信道化后的各路基帶信號進行能量積分。將Y(t)中的N路信號取平方,再分別進行積分得到各路短時能量E(t),每次積分長度為Td。

(13)

步驟3 得到最佳起點并檢出跳點。將E(t)各路相加得到整體的能量變化EY(t),然后以Th為間隔累加,能量最大值點為單跳駐留時間的中點,該點前移Td/2即為第一個跳點的最佳起點ts,故每跳的最佳起點為{ts,ts+Th,ts+2Th…}。根據每一路在駐留時間的能量大小,判斷出該時刻跳點出現的信道,即檢出跳點。圖3為跳變定時示意圖。

圖3 跳變定時示意圖

于是,可以得到包含每一跳原始基帶波形的信號yB(t)。對于第i跳,t∈[ts+(i-1)Th,ts+iTh],則

(14)

式中:index表示為取下標操作;ix可以理解為在該跳時間內能量最大的信道。

2.3 解調重構

為了使深度學習過程中有一定的“參考”,本文設計將解調后的結果重構成理想基帶波形yI(t)作為參考波形。解調重構的過程如下:對yB(t)進行定時同步,解調出符號;根據調制方式和過采倍數,設定成型濾波后,得到yI(t)。

(15)

(16)

式中:F[·]表示非數據輔助估計非線性變換式,本文選擇較為簡單的絕對值非線性算法:

F[yB(n)]=|yB(n)|

(17)

于是,該跳點的每個最佳采樣點nk可表示為

(18)

同時nk=mk+μk,mk是nk的整數部分,μk是nk的小數部分,使用立方插值的Farrow結構插值器計算最佳采樣點的值:

yB(nk)=[μk2μk1]·

(19)

根據yB(nk)的值就可以解調出符號sym,再經過成型濾波器就可獲得理想的重構基帶信號yI(t)。

3 用于輻射源識別的Transformer

Transformer[35]作為與卷積神經網絡、循環神經網絡不同的深度學習網絡,在多個領域上取得了良好的效果,本節將介紹用于輻射源識別的Transformer 架構。

3.1 整體結構

本文網絡架構如圖4所示,由輸入端、骨干網絡和輸出端組成。當前,本文將重構波形作為“參考”存在,提出了應用Transformer編碼器的輻射源個體識別網絡。

圖4 網絡架構示意圖

3.2 輸入端

輸入端由嵌入層和位置編碼層構成。將原始波形yB(n)和重構波形yI(n)合并后作為網絡的輸入。假設每跳傳輸M個符號,過采率sps=Fs/RB,則每跳的采樣點數len0=M×sps。

嵌入層實際上為1維卷積層。嵌入層的輸入通道數為4,輸出通道數設置為4×sps,卷積核大小為sps。該操作意在將每個符號長度的采樣點視為一個“單詞”,其長度dmodel=4×sps,即輸出通道數。

實際上,跳變定時難以做到每次都精確到跳變處的采樣點(尤其是低信噪比下),為此需要得到類似重疊滑動窗口的效果。設s為每次向后滑動長度占單個符號采樣點數的比例(為方便敘述,后文簡稱為滑動比例s),則嵌入層的步進stride為

stride=?s×sps」

(20)

式中:?·」代表向下取整。由此,可得到嵌入層輸出的向量長度len為

(21)

至于位置編碼,本文使用了與Transformer原文相同的正弦型位置編碼:

(22)

同時,輸入端增加一個可學習的分類向量,長度為dmodel,該向量的網絡輸出即為分類結果。

3.3 骨干網絡

骨干網絡由Transformer編碼層組成。骨干網絡的參數有編碼層個數nlayers,注意力頭個數nheads,詞向量長度dmodel和逐位前饋網絡投影維度dim_feedforward。

同Transformer,dim_feedforward設置為2 048。根據多次實驗,本文給出網絡參數的建議取值范圍:

(23)

該取值范圍為建議值,可以設置超出該范圍的取值,但是可能會使網絡較難收斂或者參數量過大而導致效果一般。同時可以看出,不建議過采率sps≤10。

3.4 輸出端

輸出端即全連接層,輸入通道數為dmodel,輸出通道數為輸出分類個數nclasses。經過輸出端后,對各類計算softmax以判出分類得分,進一步得出分類結果。

4 實驗

本文實驗條件設置如下:采樣率20 MHz;跳頻信號具有8個載頻,分別為[1,2,3,4,5,6,7,8]MHz;跳速500 hop/s;每跳總時長為50個符號周期,其中5個符號周期用于信道切換,45個符號周期用于傳輸內容。無特殊說明時,符號速率400 kBd,即sps=50;QPSK調制。20個輻射源,畸變參數如表1所示。信噪比Eb/N0為7～25 dB,步進2 dB。每個Eb/N0下,每個輻射源包含1 000個訓練樣本和1000個測試樣本。

表1 輻射源畸變參數

本實驗使用NVIDIA GeForce RTX 2080 Ti GPU在PyTorch 1.9.0上進行,學習率為10-4,所有模型均訓練50輪。

4.1 分析有/無重構波形對識別準確率的影響

本文將理想的重構波形和原始波形一并輸入至神經網絡中,目的是使神經網絡在學習發射機畸變時,能夠有不受發射機畸變影響的“參考”。

圖5展示了有/無重構波形時的網絡識別準確率,網絡參數統一設置為nheads=5,s=0.25。有重構波形的網絡設置nlayers=3,與之對比的無重構波形的網絡,一個設置相同層數進行對比,即nlayers=3;另一個為了平衡參數量(因為無重構波形時,輸入為有重構波形時的一半,同時網絡參數也減少一半),設置nlayers=6?？梢钥闯?無論是相同層數還是相同參數量的無重構波形網絡,其識別準確率均不如有重構波形時,由此可證明本方法的有效性。

圖5 有/無重構波形時的識別準確率

4.2 分析網絡參數對識別準確率的影響

圖6展示了不同滑動比例s下的識別準確率,可以看出,采用重疊滑窗的效果會有一定提升,但是如果滑動距離過小,導致進入Transformer編碼層的序列長度較大,效果小幅下降。因此,滑動比例s應該取一個適當大小的值,當單跳符號數在[30,50]之間時,建議滑動比例s取值范圍為[0.2,0.5]。

圖6 不同滑動比例s下的識別準確率

圖7和圖8展示了不同編碼層個數nlayers和注意力頭個數nheads下的準確率。整體來說,這兩個參數對準確率影響不大。nlayers直接改變了網絡參數量,而對于本文的畸變模型及參數而言,不需要過大的網絡。訓練時發現,nlayers=3時的網絡比nlayers=4或5時更易于收斂,在訓練50輪時,nlayers=3的網絡收斂情況更佳,因此其準確率稍高。nheads不改變網絡參數量,而是通過降低特征維度以使注意力學習到不同的模式。同樣地,訓練時發現,nheads較高會導致網絡難以收斂?？梢钥闯?nheads≥2時的準確率相近,且略優于nheads=1。

圖7 不同編碼層個數nlayers下的識別準確率

圖8 不同注意力頭個數nheads下的識別準確率

綜上,驗證了3.3節給出的網絡參數建議范圍的合理性。

4.3 分析過采率對識別準確率的影響

圖9展示了不同過采率sps下的識別準確率,可以看出,過采率的提高對本文方法識別準確率的提高是有幫助的。造成該現象的原因可能在于更高的采樣率能夠刻畫出更多的波形非線性特征,有利于網絡的特征提取。

圖9 不同過采率下的識別準確率

4.4 分析符號個數對識別準確率的影響

對于跳頻信號而言,跳速是一個重要的指標。本文方法將每一跳作為一個獨立的信號,因此跳速對本文算法的直接影響不大。然而,假設信號跳速很高,可能間接導致每跳的符號個數減少。

圖10展示了不同符號個數nsyms下的識別準確率,可以看出,較少的符號個數可能會使識別準確率下降,但同時符號個數的持續增加不會使性能有明顯提高,反而可能會在訓練耗費更多的資源。因此,符號個數適中即可,在50倍過采條件下,建議符號個數盡量保持在[30,50]之間即可。

4.5 對比不同方法下的識別準確率

文獻[11]提出了一種將矢量圖送入神經網絡進行輻射源識別的方法(后稱矢量圖方法),圖11展示了本方法與矢量圖方法的識別準確率對比。其中,矢量圖方法使用 ResNet50 作為神經網絡,輸入使用1跳/5跳產生的、大小為224×224的矢量圖。需要說明的是,本文方法和1跳矢量圖方法將每一跳單獨視作一個單位,不需要數據輔助;而5跳矢量圖方法由于需要進行各跳間的拼接,因此需要數據輔助(如同步字頭)對每一跳進行同步以消除可能由相位模糊帶來的干擾。

從圖11可以看出,本文方法在識別準確率優于矢量圖方法,原因可能在于:一是本文方法利用重構波形,使得網絡更易學習到與輻射源個體相關的非線性知識;二是本文方法將波形直接輸入至網絡,而非矢量圖是將信號轉換為圖片。在信號轉換為圖片后,導致圖片上存在較多冗余信息(如矢量圖中包含較多空白區域),同時可能會對信號里的信息造成損失(如信號的浮點值轉換為像素值)。但是矢量圖方法對10倍過采率的信號依然有適應性,這是該方法相比本文方法的優點所在。

5 結束語

本文提出了一種基于解調重構的跳頻信號輻射源個體識別方法。該方法首先對跳頻信號進行各跳的跳變定時,得到各跳的原始基帶波形;然后解調出各跳的符號序列,再重構出理想波形;最后將原始波形和重構波形送入網絡中,得到分類結果。實驗結果表明,該方法能夠有效地對20類輻射源進行識別,且對跳頻信號較短的序列長度有適應性,不需要同步序列作為數據輔助。但是,該方法對采樣率有一定要求,過采率不宜低于10倍,對設備要求較高。在下一步工作中,可以考慮嘗試使用在嵌入層后加入全連接層提高特征維度,以降低網絡對采樣率的需求。