【论文学习】9、基于Inception和LSTM网络的通信辐射源个体识别技术

摘要

由于通信辐射源的指纹特征差异较小，传统的机器学习算法难以提取特征进行识别，因此需要采用深度学习方法。LSTM是一种改进的递归神经网络，擅长处理长期序列数据。初始模块可以在同一层上获得不同尺度的特征。本文结合inception结构和LSTM网络来识别5个USRPs。实验中使用的数据集由USRP和LabVIEW收集。根据发送端和接收端之间的障碍物收集了两组数据，这两组数据比仅使用软件模拟的数据更接近真实环境。与其它网络结构相比，该方法具有更高的识别率。

1.介绍

在战场环境中，不同的单个无线电辐射源需要交换信息。通信辐射源的个体识别是情报侦察和电子支援的前提，是跟踪目标源位置、获取敌方通信网络的基础。不同类型通信辐射源的识别比较简单，因为发射信号的特性有很大的不同。然而，类似的通信辐射源之间只有细微的差别，难以区分。由于电磁环境的日益复杂，对通信辐射源的个体识别提出了很大的挑战，成为研究的热点和难点。

近年来，主要采用以下方法来研究单个辐射源的识别。文献[1]采用双谱作为个体识别的基本特征向量，并结合对分类有重要贡献的辐射源特征参数，并利用径向基神经网络分类器实现通信辐射源信号的个体分类识别，文献[2]利用了脉冲包络波前波形的高阶矩特征受高斯噪声影响较小的特点，提高了辐射源各特征参数的有效性。文献[3]提出了一种基于模糊函数子空间特征优化的个体识别方法。在显著提高辐射源个体识别性能的同时，进一步消除了模糊函数特征的冗余。文学[4]提出了一种基于经验模态分解的通信辐射源个体识别方法，利用EMD方法将稳态信号的主信号分量与杂散信号分量分离，然后提取杂散分量的频域特征，针对信号的细微特征，采用支持向量机（SVM）分类器对多个通信辐射源进行分类识别。文献[5]利用宽带数字接收、信号分选与跟踪、数字正交混频等技术，即时提取包络的上升沿波形，并从“指纹”模板计算出Hausdorff距离，实现雷达辐射源的识别与匹配。目的。文献[6]提出了一种基于时频奇异值和奇异向量的新方法，该方法将需要较少先验信息的频谱引入到更合适的分类器中，可以捕获来自同一类型三个无线电的信号。该系统旨在评估这种方法。其他文献也选取了不同的特征，在个体识别的研究上取得了一定的成果。

然而，随着深度学习的不断发展，神经网络在个体辐射源识别的研究中非常有效。本文主要讨论了基于初始LSTM网络的通信辐射源个体识别任务，该网络通过不同的卷积层提取多尺度特征，在保证跳转连接识别率的前提下提高收敛速度，并与其他网络进行了比较，我们得到了更高的识别效果。

2. 相关工作

传统的机器学习算法能够完成特征的学习，但不具备特征提取的能力。深度学习方法具有良好的特征提取能力，提取的特征能够更准确地描述数据。强大的深度学习模型可以深度展示大数据中蕴含的丰富信息，对未来做出更准确的预测。在研究通信辐射源个体识别的过程中，深度学习技术慢慢进入了人们的视野，成为一种竞争的方法。

GoogLenet[7]中的Inception模块是增加网络深度的一个成功方法。从输入层连接到不同尺度的卷积层，然后组合每个卷积层的输出连接，然后连接到softmax分类器。这种结构可以在减小参数的同时增加网络的深度和宽度，有效防止梯度消失的发生。本文使用的初始模块有三个分支：（1）1×1核（2）3×3核（3）两个3×3核。两个3×3核可以代替5×5核，在效果相近的情况下，减少了参数的数量和计算量。

略

3. 方法

为了研究单个通信辐射源的识别，我们采用6USRP-N210作为信号采集的辐射源，固定一个作为接收器。发送端和接收端程序由LabVIEW软件设置，USRP通过网线与计算机相连。为了探索不同环境下的识别效果，我们设置了两个环境。一种是封闭的、无遮蔽的环境，另一种是遥远的、被障碍物阻挡的环境。采集数据时设置的带宽为1GHz，采样频率为1MHz。采集的数据是一个IQ信号，两个载波相互正交。

3.1. 数据预处理

通过USRP采集了5个辐射源的IQ信号。信号内容为正弦波，存储格式为TXT文件。每个文件都有数百万个采样点。文件内容是两列数据，即I和Qroad。在采集过程中，发现每一帧的起始点数据都有异常，需要对这些点进行剔除。**每个辐射源发出的信号的振幅或功率可能不同，这可能使识别每个个体变得容易。**为了防止这种情况，我们进行了归一化操作。Inew和Qnew是通过将通道I和通道Q的数据按相等比例展开而形成的，如等式（4）和（5）所示，并在区间[0，1]中标准化。在进入网络之前，采样点被分成若干组并进行标记。标签使用一个热编码。

3.2. 神经网络结构

利用深度学习方法识别个体通信辐射源，神经网络的选择是非常重要的。我们借鉴了初始结构多尺度卷积的思想，设计了一个初始结构与LSTM相结合的网络，如图2所示利用普通的CNN、CLDNN、Inception网络，得到了较好的结果。其中，CLDNN是一个由CNN、LSTM和DNN组成的框架，我们的工作是在卷积阶段并行地提取不同大小的卷积核的特征，并在此基础上添加剩余连接。

4. 结果

数据采集分为实验室环境和实际环境。共收集到5个USRP排放源。在采集信号的过程中，尽量保持环境条件和采集方法不变，使辐射源只由个体间的物理差异来识别。所采用的深度学习网络结构分为CNN、CLDNN、Inception和Inception-LSTM。样本长度设置为128，损失函数使用分类交叉熵，优化器为adam，正则化使用参数为0.5的dropout和批归一化层[10]。当网络层数和参数量大致相同时，得到的结果如图3所示。在实验室环境下，由于噪声影响小，个体识别精度高，初始LSTM方法的优点没有得到体现。在实际环境中，由于发送端和接收端的障碍物以及它们之间的距离，信号明显减弱，识别率降低，初始LSTM方法在相同条件下的性能优于其他方法，不同环境下的具体识别效果如图4所示。