CN111050315B - 一种基于多核双路网络的无线发射机识别方法 - Google Patents

Abstract

本发明公开了一种基于多核双路网络的无线发射机识别方法，属于电磁领域；具体包括，首先、调制信号经过发射机进行功率放大后，发射给接收机进行采样接收，对接收信号进行统计特征处理得到循环谱，提取循环谱中的高峰密度值作为特征；然后，将所有特征值输入全连接的多核双路网络模块中，从循环谱中学习每个发射机的表征性特征，将得到的结果并集融合；通过训练多核双路网络模型后，对融合的特征结果进行测试，得到各测试特征对应的归一化的特征向量；并通过softmax分类器得到每个特征分别对应的概率值，选择概率值最大的即为最终待识别分类的无线发射机。本发明不仅简化计算的复杂度，同时减少由于噪声干扰导致分类效果不理想的情况。

Description

一种基于多核双路网络的无线发射机识别方法

技术领域

本发明属于电磁领域，涉及微波射频技术，具体是一种基于多核双路网络的无线发射机识别方法

背景技术

无线通信网络方面，存在着大量非法用户的介入，软件层的身份标志容易被篡改，导致一些非法设备的接入很难被识别，如果从用户的发射信号中分析出终端的硬件特征，再配合目前传统的网络安全等方式进一步对用户的身份进行锁定，便可大幅度的提升通信网络安全性；故此基于接入设备发射机硬件层固有属性特征的无线发射机识别技术应运而生。该技术利用循环谱和神经网络等方法，分析了无线发射机在硬件上的非线性特性，通过循环谱提出特征的方法从接收信号中提取出不同发射机个体硬件层的特征差异信息，从而分辨出不同的个体。

目前，无线发射机识别技术对硬件层的特征提取方法可分为三大类：基于信号参数的统计特征提取方法，基于信号变换域的统计特征提取方法和基于发射机非线性的统计特征提取方法。其中，基于发射机非线性的统计特征提取方法，从器件非线性的角度来建模发射机非线性行为，用循环谱提取发射机个体差异特征，基于深度学习的方法分类训练，最终提升了无线发射机的识别精度。

目前无线发射机识别方法通过无线发射机非线性特性分析、提取和网络训练。发射机非线性识别使用的模型不同，其主要可以分为无记忆多项式模型，延迟神经网络模型以及Volterra级数模型等。非线性模型识别主要基于包络高阶特征、高阶谱分析、高阶累积量、小波变换、分形维数以及时频分析等手段提取特征差异。目前常用传统分类识别方法，主要是距离分类器、线性分类器、最近邻分类器、决策树分类器以及贝叶斯分类器等，在高信噪比的情况下，具有良好的分类识别效果，但是在低信噪比下识别效果并不理想。

公开号CN110018447A的申请文件：基于双谱分析与卷积神经网络的信号发射机个体识别方法，对不同发射机个体发射的信号采用直接双谱法进行分析，得到双谱特征矩阵，并将其转化为二维特征图像，并用卷积神经网络对二维特征图像进行分类，最终得到了不错的识别准确率。

但是，上述文件基于在不同信噪比下对信号添加相位噪声的方式模拟不同的发射机，基于双谱分析提取特征，利用卷积神经网络对其训练从而识别不同的发射机，对信号添加相位噪声的方式模拟不同的发射机信号，不能较为全面的描述无线发射机的集合，导致实际识别的结果较为局限。

发明内容

本发明针对：当前采用对信号添加相位噪声的方式模拟不同的发射机信号，不能较为全面的描述无线发射机的集合，从而导致实际识别的结果较为局限，且简单的卷积神经网络在低信噪比下分类效果并不理想；提出了一种基于多核双路网络的无线发射机识别方法。

具体步骤如下：

步骤一、调制信号经过某个待识别无线发射机进行功率放大后，由放射器天线发射；

功率放大器的输入信号x(n)设为：

其中，g(n)表示采样点n对应的数字基带调制信号，n为功率放大器的输入信号的采样点，N表示输入信号采样点的总数，f_s表示功率放大器输入信号的采样频率，f_c表示功率放大器输入信号的载频。

功率放大器的非线性行为用简易Volterra多项式模型来描述，功率放大器的输出信号y(t)表达式如下：

F_PA(·)代表功率放大器的非线性函数，Q为对齐项的记忆深度，h(τ_i)为多项式的模型系数，τ_i表示第i个时间差；n'是对齐项的非线性阶数，m为滞后项的记忆深度。

步骤二、接收机对放射器天线发出的信号进行采样接收，并输出接收信号。

接收信号表达式如下：

A表示接收机采样接收信号的幅度，g(t)表示t时刻的数字基带调制信号，ω_c表示接收机采样接收信号的载波频率，θ_c表示发射机的初始载波相位，

表示由于相位抖动导致的相位偏移，h(t)表示遵循瑞利分布的无线信道，ω(t)为接收信号中的噪声函数。

步骤三、对接收信号进行统计特征处理得到循环谱，提取循环谱中的高峰密度值作为特征；

统计特征是指：用频率f上下间隔α/2的谱分量的互相关求得循环谱；

接收信号y(t)的循环谱函数

计算公式为：

T为接收信号的循环周期，α为循环频率。

提取高峰密度值的计算函数

如下：

Y_T(t,f)是接收信号的短时傅里叶变换；

步骤四、将所有的高峰密度值分别输入多核残差网络提取模块与多核全连接网络模块，从循环谱中学习每个发射机的表征性特征，将得到的结果并集融合。

多核残差网络提取模块通过残差旁支通路重复利用循环谱的各特征；多核全连接网络提取模块通过密集连接通路探索循环谱的各特征，将两种网络提取模块得到的各特征结果通过并行连接的方式结合，同时利用不同卷积核得到不同尺度的特征融合。

步骤五、将融合的特征结果划分为训练集和测试集，并利用训练集对全连接的多核双路网络模型进行训练；

首先，构建训练数据集X_F，有标签的样本表示如下:

(X_F,y)＝{(F⁽¹⁾,y⁽¹⁾),(F⁽²⁾,y⁽²⁾),…,(F⁽ⁱ⁾,y⁽ⁱ⁾)}

其中，y表示每个样本相应的标签集，(F⁽ⁱ⁾,y⁽ⁱ⁾)表示第i个已打标签的样本数据集，训练集的大小为M'。

表示F⁽ⁱ⁾的标签。N'为总的发射机类别数目，若为第j类，则在y⁽ⁱ⁾中

是1，其他各项为0。

然后，将第i个已标签样本(F⁽ⁱ⁾,y⁽ⁱ⁾)输入全连接的多核双路网络模型，经非线性转换后，得到归一化的特征向量，公式如下：

s_θ(·)表示多核双路网络模型，参数

表示第j类发射机的特征提取值。

同理，采用最小化损失函数利用训练数据集X_F对多核双路网络模型进行训练；

损失函数J(θ)定义如下：

L(θ)是似然函数，表示公式为：

F⁽ⁱ⁾作为多核双路网络模型的输入，训练多核双路网络模型的最终目标是获得最优的θ*，公式为：θ*＝argmaxP(y|X_F；θ)。

步骤六、将测试集输入到训练好的多核双路网络模型中，得到各测试特征对应的归一化的特征向量；

步骤七、将归一化的各特征向量通过softmax分类器，得到每个特征节点分别对应的概率值，选择概率值最大的特征节点，即为最终待识别分类的无线发射机。

softmax分类器是将多个神经元的输出分别映射到(0，1)区间内，在最后选取输出节点的时候，选择概率最大的节点作为预测目标。

本发明的优点在于：

1)、一种基于多核双路网络的无线发射机识别方法，用简易Volterra多项式模型来描述功率放大器的非线性行为，并且使用循环谱提取简易Volterra放大器模型的有效特征，同时应用多核双路卷积网络对特征进行无线发射机识别，与其他算法相比在准确度和计算量方面具有很好的表现。

2)、一种基于多核双路网络的无线发射机识别方法，利用Volterra级数模型的准确度，提出了基于简易Volterra多项式模型的无线发射机识别方法，以多核双路卷积网络算法作为决策准则，能够对多个目标进行快速识别，使整体能够达到较好的性能。

3)、一种基于多核双路网络的无线发射机识别方法，与传统的发射机识别方法相比，利用简易Volterra级数模型构造的非线性的准确度，提出了基于循环谱提取表征特征作为最终的特征来进行发射机识别的依据，不仅简化计算的复杂度，同时减少由于噪声干扰导致分类效果不理想的情况。

附图说明

图1是本发明一种基于多核双路网络的无线发射机识别方法原理图；

图2是本发明一种基于多核双路网络的无线发射机识别方法的流程图；

图3是本发明利用接收信号得到循环谱图并提取特征值的示意图；

图4是本发明训练多核双路网络模块得到最优的θ^*的原理图；

图5是本发明全连接的多核双路网络的细节图；

图6是本发明使用四种不同模型提取特征参数后得到的分类准确率对比图；

图7是本发明使用四种不同模型提取特征参数后在不同信噪比下不同epoch的准确度对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明作进一步的详细描述。

本发明涉及通信领域的无线发射机识别，考虑了功率放大器模型准确度以及低信噪比的问题，以无线发射机功率放大器模型为基础，结合非线性信号的循环谱，使用循环谱作为模型的初始输入特征，相比于人工设计繁琐的特征而言，降低了复杂度。此外，本发明选择深度学习方法中的基于多核残差结构和多核全连接结构的卷积神经网络，将二者结合，并且利用不同的卷积核得到不同尺度的特征融合，从而提高无线发射机识别的准确率。具体是一种基于多核双路网络的无线发射机识别方法。如图1所示，从图中可看出，本方法粗略分为两个模块，即特征提取模块和基于多核双路网络的分类模块。单个调制信号g(n)与

结合后，作为功率放大器的输入信号x(n)，经过功率放大后得到输出信号y(t)，通过特征提取模块对信号进行统计特征处理得到循环谱，提取循环谱中的高峰密度值作为特征，特征集合为{S₁,S₂,S₃,...S_m}；经过全连接的多核双路网络的分类模块学习每个发射机的表征性特征并且基于softmax的分类器进行发射机识别。

如图2所示，具体步骤如下：

步骤一、调制信号经过某个待识别无线发射机功率放大后，由放射器天线发射；

功率放大器的输入信号x(n)设为：

其中，g(n)表示采样点n对应的数字基带调制信号，n为功率放大器的输入信号的采样点，N表示输入信号采样点的总数，f_s表示功率放大器输入信号的采样频率，f_c表示功率放大器输入信号的载频，cos()为余弦调制函数。

功率放大器(下文简称功放)是无线发射机的最主要器件，发射机内部器件的非线性特征主要来源于功率放大器的系统响应。由于功率放大器是典型的非线性系统，本实施例使用简易volterra多项式模型来表示该系统；功率放大器的输出信号y(t)其表达式如下：

F_PA(·)代表功率放大器的非线性函数，Q为对齐项的记忆深度，h(τ_i)为多项式的模型系数，τ_i表示第i个时间差；n'是对齐项的非线性阶数，m为滞后项的记忆深度。

步骤二、接收机对放射器天线发出的信号进行采样接收，并输出接收信号。

接收信号表达式如下：

A表示接收机采样接收信号的幅度，g(t)表示t时刻的数字基带调制信号，ω_c表示接收机采样接收信号的载波频率，θ_c表示发射机的初始载波相位，

表示由于相位抖动导致的相位偏移，h(t)表示遵循瑞利分布的无线信道，ω(t)为接收信号中的噪声函数。

步骤三、对接收信号进行统计特征处理得到循环谱，提取循环谱中的高峰密度值作为特征；

无线信号具有循环平稳性，故此无线信号的循环谱图在循环频率不为零的地方有较大的非零值，而噪声则集中在循环频率为零的地方，循环谱可以有效的区分信号与噪声。

具体的特征提取过程细节如图3所示，特征提取模块中，信号经过时间差τ固定后，信号的自相关函数便是关于时间t的周期函数。基于傅里叶分析理论，一个周期函数可以展开为级数：

其中

为循环频率，对于循环平稳信号，自相关函数是周期的，所以自相关函数的傅里叶级数只有在α处才会有值，而高斯噪声的自相关函数只有在零处不为零，故而其傅里叶级数展开后只在循环频率α为零处才有值，其余循环频谱处，傅里叶级数为零。且傅里叶级数是关于时间差τ的函数，基于对平稳信号的自相关函数得到关于τ的傅里叶变换的功率谱方法，可得到提取高峰密度值的计算函数

如下：

Y_T(t,f)是接收信号的短时傅里叶变换。循环谱密度函数

常被称为谱相关密度函数，循环平稳信号y(t)的频谱中某频率f的循环谱密度值可用f上下间隔α/2的谱分量的互相关求得。接收信号y(t)的循环谱函数

计算公式为：

T为接收信号的循环周期。

步骤四、将所有的高峰密度值分别输入多核残差网络提取模块与多核全连接网络模块，从循环谱中学习每个发射机的表征性特征，将得到的结果并集融合。

多核双路网络的细节如图5所示，由三个模块组成，分别是多核残差网络提取模块，多核全连接网络提取模块和融合模块。多核残差网络提取模块与多核全连接网络模块同时从输入的循环谱中提取表征特征，而后将这些被提取的特征融合。最后，基于softmax分类模块使用融合模块的输出来进行发射机识别。

ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”，增强训练过程中梯度的反向传播，从而能训练出更深的CNN网络。Densenet网络模型建立的是前面所有层与后面层的密集连接，加强了特征前向传播，缓解了深度网络梯度消失问题，并且加强了特征重用，同时减少了参数数量。本发明提出了多核双路网络模型整合ResNet模型和Densenet网络模型的优点，将深度残差网络的残差旁支通路再利用特征和密集连接网络的密集连接通路探索新特征相结合，同时利用不同卷积核得到不同尺度的特征融合，从而提高个体识别的准确率。

步骤五、将融合的特征结果划分为训练集和测试集，并利用训练集对全连接的多核双路网络模型进行训练；

多核双路网络模块用于从循环谱中学习每个发射机的表征性特征并且基于softmax的分类器进行发射机识别，此模块整体的结构图如图4所示：

首先，构建训练数据集X_F，标注数据样本集和相应的标签集；

有标签的样本表示如下:

(X_F,y)＝{(F⁽¹⁾,y⁽¹⁾),(F⁽²⁾,y⁽²⁾),…,(F⁽ⁱ⁾,y⁽ⁱ⁾)}

其中，y表示每个样本相应的标签集，(F⁽ⁱ⁾,y⁽ⁱ⁾)表示第i个已打标签的样本数据集，训练集的大小为M'。

表示F⁽ⁱ⁾的标签。N'为总的发射机类别数目，若为第j类，则在y⁽ⁱ⁾中

是1，其他各项为0。

然后，将第i个已标签样本(F⁽ⁱ⁾,y⁽ⁱ⁾)输入全连接的多核双路网络模型，经内部网络的非线性转换后，得到归一化的特征向量，被用作最终的输出。

特征向量分别表示不同的无线发射机，归一化的特征向量公式如下：

s_θ(·)表示多核双路网络模型，参数θ＝[w₁,w₂,…,w_k,b₁,b₂,…,b_k]，w_k代表第k个权重，b_k代表第k个偏置值；

表示第j类发射机的特征提取值。使用小批梯度下降(mini-batch stochastic gradient descent,SGD)方法和反向传播算法更新多核双路网络的权重w，直到收敛至常数。

同理，采用最小化损失函数，利用训练数据集X_F对多核双路网络模型进行训练；

损失函数J(θ)定义如下：

L(θ)是似然函数，表示公式为：

F⁽ⁱ⁾作为多核双路网络模型的输入，训练多核双路网络模型的最终目标是获得最优的θ*，最大条件概率准则被用作最小化损失函数，公式为：θ*＝argmaxP(y|X_F；θ)。

步骤六、将测试集输入到训练好的多核双路网络模型中，经过内部网络的非线性转换后，得到各测试特征对应的归一化的特征向量；

步骤七、将归一化的各特征向量通过softmax分类器，得到每个特征节点分别对应的概率值，选择概率值最大的特征节点，即为最终待识别分类的无线发射机。

softmax分类器是将多个神经元的输出分别映射到(0，1)区间内，在最后选取输出节点的时候，选择概率最大的节点作为预测目标。

本发明中提出的多核双路网络在各个方面与其他方法比较得出的结果，如图6所示，使用四种不同模型提取特征参数后，在进行分类的准确率变化。在不同阶级数不同记忆深度的条件下，以循环谱为特征输入网络中训练，用多核双路网络训练可以得到更准确的分类；当信噪比在9dB的状态下，分类准确度达到了98％。

如图7所示，为多核双路网络在不同信噪比下不同epoch的准确度，相同信噪比下在epoch为150的情况下便可以达到网络理想训练效果下的准确度，更多次的训练只会浪费更多的时间，故此在训练的过程中只需要设置150epoch便可以获得较为理想的识别结果。

Claims (4)

1.一种基于多核双路网络的无线发射机识别方法，其特征在于，具体步骤如下：

步骤一、调制信号经过某个待识别无线发射机进行功率放大后，由放射器天线发射；

功率放大器的输入信号x(n)设为：

其中，g(n)表示采样点n对应的数字基带调制信号，n为功率放大器的输入信号的采样点，N表示输入信号采样点的总数，f_s表示功率放大器输入信号的采样频率，f_c表示功率放大器输入信号的载频；

功率放大器的非线性行为用简易Volterra多项式模型来描述，功率放大器的输出信号y(n)表达式如下：

F_PA(·)代表功率放大器的非线性函数，Q为对齐项的记忆深度，h(τ_i)为多项式的模型系数，τ_i表示第i个时间差；n'是对齐项的非线性阶数，m为滞后项的记忆深度；

步骤二、接收机对放射器天线发出的信号进行采样接收，并输出接收信号；

步骤三、对接收信号进行统计特征处理得到循环谱，提取循环谱中的高峰密度值作为特征；

接收信号y(t)的循环谱函数

计算公式为：

T为接收信号的循环周期，α为循环频率；

提取高峰密度值的计算函数

如下：

Y_T(t,f)是接收信号的短时傅里叶变换；统计特征是指：用频率f上下间隔α/2的谱分量的互相关求得循环谱；

步骤四、将所有的高峰密度值分别输入多核残差网络提取模块与多核全连接网络模块，从循环谱中学习每个发射机的表征性特征，将得到的结果并集融合；多核双路网络模型包括：多核残差网络提取模块，多核全连接网络模块和融合模块；多核残差网络提取模块通过残差旁支通路重复利用循环谱的各特征；多核全连接网络模块通过密集连接通路探索循环谱的各特征，将两种网络提取模块得到的各特征结果通过并行连接的方式结合，同时利用不同卷积核得到不同尺度的特征融合；

步骤五、将融合的特征结果划分为训练集和测试集，并利用训练集对全连接的多核双路网络模型进行训练；

步骤六、将测试集输入到训练好的多核双路网络模型中，得到各测试特征对应的归一化的特征向量；

步骤七、将归一化的各特征向量通过softmax分类器，得到每个特征节点分别对应的概率值，选择概率值最大的特征节点，即为最终待识别分类的无线发射机。

2.如权利要求1所述的一种基于多核双路网络的无线发射机识别方法，其特征在于，所述的步骤二中接收信号表达式如下：

A表示接收机采样接收信号的幅度，g(t)表示t时刻的数字基带调制信号，ω_c表示接收机采样接收信号的载波频率，θ_c表示发射机的初始载波相位，

表示由于相位抖动导致的相位偏移，h(t)表示遵循瑞利分布的无线信道，ω(t)为接收信号中的噪声函数。

3.如权利要求1所述的一种基于多核双路网络的无线发射机识别方法，其特征在于，所述的步骤五具体过程为：首先，构建训练数据集X_F，有标签的样本表示如下:

(X_F,y)＝{(F⁽¹⁾,y⁽¹⁾),(F⁽²⁾,y⁽²⁾),…,(F⁽ⁱ⁾,y⁽ⁱ⁾)}

其中，y表示每个样本相应的标签集，(F⁽ⁱ⁾,y⁽ⁱ⁾)表示第i个已打标签的样本数据集，训练集的大小为M'；

表示F⁽ⁱ⁾的标签；N'为总的发射机类别数目，若为第j类，则在y⁽ⁱ⁾中

是1，其他各项为0；

然后，将第i个已标签样本(F⁽ⁱ⁾,y⁽ⁱ⁾)输入全连接的多核双路网络模型，经非线性转换后，得到归一化的特征向量，公式如下：

s_θ(·)表示多核双路网络模型，参数θ＝[w₁,w₂,…,w_k,b₁,b₂,…,b_k]，

表示第j类发射机的特征提取值；w_k代表第k个权重，b_k代表第k个偏置值；

同理，采用最小化损失函数利用训练数据集X_F对多核双路网络模型进行训练；

损失函数J(θ)定义如下：

L(θ)是似然函数，表示公式为：

F⁽ⁱ⁾作为多核双路网络模型的输入，训练多核双路网络模型的最终目标是获得最优的θ^*，公式为：θ^*＝argmaxP(y|X_F；θ)。

4.如权利要求1所述的一种基于多核双路网络的无线发射机识别方法，其特征在于，所述的步骤七中，softmax分类器是将多个神经元的输出分别映射到(0，1)区间内，在最后选取输出节点的时候，选择概率最大的节点作为预测目标。

Images