CN113887502B - 一种通信辐射源时频特征提取与个体识别方法及系统 - Google Patents

Abstract

一种通信辐射源时频特征提取与个体识别方法及系统，包括以下步骤：射频数据接收，对原始射频数据信号按信号帧进行均值——方差归一化，使每帧信号均服从均值为0，方差为1的高斯分布；对归一化之后的信号帧进行短时傅里叶变换，调整变换参数，得到的时频矩阵为方阵；对时频矩阵进行最大值——最小值归一化，然后进行取整操作，得到灰度图像；时频灰度图像作为输入，输出样本所属的类别。本发明基于非参数化时频特征的半监督通信辐射源个体识别方法在具体应用时，采用的时频特征可以更好的表征无线信号中的细微特征，方法的泛化能力较强；其次采用半监督学习的方法可以有效解决在大规模个体识别中，标签数据集难以获取和标签数据集的错误标签问题。

Description

一种通信辐射源时频特征提取与个体识别方法及系统

技术领域

本发明属于通信辐射源个体识别技术领域，特别涉及一种通信辐射源时频特征提取与个体识别方法及系统。

背景技术

随着无线通信技术的快速发展和物联网设备的数量的快速增长，无线通信系统的安全性日益受到人们的重视，传统基于密钥的身份认证系统由于易窃取，易更改等问题，难以满足物联网时代大规模无线设备的身份认证问题，因此设计一种智能的身份认证系统进行合法设备辨识也就变得极为重要。在通信系统中，通信辐射源之间由于其硬件设备的特性差异，导致发射的无线信号中带有可区分的细微特征，这部分细微特征被称为射频指纹，与发射机结构中的载波频偏、相位偏移以及功率放大器非线性特性等有关。由于射频指纹的唯一性、稳定性、不可改变性等特性，现如今，基于射频指纹的通信辐射源个体识别技术已经称为了频谱监管和个体识别的重要技术。

传统的基于射频指纹的通信辐射源个体识别技术，首先进行专家特征提取，然后利用分类器进行个体识别，这种方法存在复杂度较高，先验信息难以提取等问题，泛化能力和鲁棒性较低。得益于深度学习在图像识别、语音识别领域取得的巨大成功，基于深度学习的通信辐射源个体识别技术逐渐得到了广泛应用，并取得了非常好的识别效果。该技术可以利用时域、频域等原始无线信号，通过卷积神经网络进行特征提取，避免了专家特征的先验性、复杂性，可以更好的应用于信号特征未知、细微特征难以辨识等个体识别领域。

但是现如今基于深度学习的个体识别技术大多采用监督学习的方法，即通过大量的标签数据集进行特征提取，这在大规模个体识别领域是难以实现的。半监督学习方法利用大量无标签数据集和少量标签数据集进行特征提取，解决了大规模个体识别领域数据难以打标签的问题。比较常见的半监督学习方法大多利用无标签数据集进行预训练，然后基于标签数据集进行网络微调，这一方面导致了巨大的计算开销，另一方面也造成了标签数据集特征在网络预训练阶段的浪费。

现有技术的缺陷和不足：

1.现有通信辐射源个体识别方法泛化能力较低，识别精度依赖于特定信号特征。

2.传统基于监督学习的通信辐射源个体识别技术在标签数据量较少以及大规模个体识别领域难以应用；

3.现有基于半监督学习方法在网络预训练阶段计算开销大，训练时间长以及无法在预训练阶段无法有效利用标签数据集特征。

发明内容

本发明的目的在于提供一种通信辐射源时频特征提取与个体识别方法及系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种通信辐射源时频特征提取与个体识别方法，包括以下步骤：

射频数据接收，对原始射频数据信号按信号帧进行均值——方差归一化，使每帧信号均服从均值为0，方差为1的高斯分布；

对归一化之后的信号帧进行短时傅里叶变换，调整变换参数，得到的时频矩阵为方阵；对时频矩阵进行最大值——最小值归一化，然后进行取整操作，得到灰度图像；得到包含大量数据的无标签时频数据集，以及包含少量数据的标签时频数据集；

时频灰度图像作为输入，并在像素值均值——方差归一化后输入卷积神经网络，采用半监督学习方法进行网络训练，训练好的网络模型用于个体分类识别，接受新的时频样本作为输入，并输出样本所属的类别。

进一步的，短时傅里叶变换具体为：对每一信号帧进行短时傅里叶变换STFT，通过调整STFT的FFT长度，overlap长度参数，得到的时频矩阵为一方阵。

进一步的，得到灰度图像具体为：对时频矩阵进行最大值——最小值归一化，然后乘以255后进行取整，将时频矩阵值映射到[0,255]区间，即一个像素大小为W×W的灰度图像；

进一步的，均值——方差归一化和最大值——最小值归一化的计算公式分别为：

进一步的，得到包含大量数据的无标签时频数据集D＝(x_i)_i∈[1,N]，以及包含少量数据的标签时频数据集S＝(x_si,y_i)_i∈[1,M]，其中x为时频数据，y为对应的标签数据，M＜＜N；

构建每一批训练的数据集：对于每一个时频图像x_i∈D执行随机数据增强，方式包括：几何变换、仿射变换、视觉变换、添加随机噪声或高斯滤波操作，具体增强方式为每次随机选取；经过数据增强以后，每个x_i得到两个视图样本和/>分别称为锚视图和正视图；对于x_si∈S，不进行任何数据增强操作。

进一步的，得到每一批训练的数据集，其中锚视图数据集为正视图数据集为/>标签数据集为x_s∈R^m×(W×w×1)，n和m分别为对应的批大小；对于标签数据集中数据对应的标签进行独热编码，得到对应的标签矩阵为y_s∈R^m×K，其中K为辐射源个体类别数。

进一步的，对于训练，首先对于灰度图像像素值进行均值——方差归一化，然后输入CNN进行计算，三个数据集对应的输出分别为z_s∈R^n×K；其中，对于第i个时频数据x_i的输出为行向量z_i∈R^1×K。

进一步的，计算锚视图数据和正视图数据输出与标签数据输出的相似度，其中相似度函数d(a,b)的计算表达式为:

这里τ>0，为相似度函数的温标参数，决定着a与b的相似度结果；

利用最近邻编码器对锚视图数据生成伪标签编码向量，其中向量元素值为属于对应类别的可能性，计算公式为:

同理得正视图数据的伪标签编码向量为:

这里有

进一步的，计算和/>之间的交叉熵，用于判断锚视图和正视图的伪标签编码向量是否相似；对伪标签编码向量进行锐化处理，即通过指数锐化函数ρ(·)的处理，使得伪标签编码向量中，数值大的值变大，数值小的值变小；锐化函数ρ(·)计算公式为：

其中k＝1,…,K，T>0为锐化参数；

分别计算和/>以及/>和/>之间的交叉熵值，即/>和将两部分交叉熵值加起来得到

对一次训练的无标签数据批训练数据集中所有样本的交叉熵和进行平均得到：

以上得到了半监督训练方法下CNN交叉熵的计算公式，进一步地，根据

得到残差熵的计算公式为：

对残差熵ΔH进行反向传播，并根据梯度下降原则调整CNN参数，至此完成了一次批训练的正向和反向传播，直到网络参数稳定或者预设epoch值迭代结束，基于非参数化时频特征的半监督通信辐射源个体识别网络训练结束，所得网络为最优网络结构。

进一步的，一种通信辐射源时频特征提取与个体识别系统，包括：

预处理模块，用于射频数据接收，对原始射频数据信号按信号帧进行均值——方差归一化，使每帧信号均服从均值为0，方差为1的高斯分布；

对归一化之后的信号帧进行短时傅里叶变换，调整变换参数，得到的时频矩阵为方阵；对时频矩阵进行最大值——最小值归一化，然后进行取整操作，得到灰度图像；得到包含大量数据的无标签时频数据集，以及包含少量数据的标签时频数据集；

个体识别模块，用于时频灰度图像作为输入，并在像素值均值——方差归一化后输入卷积神经网络，采用半监督学习方法进行网络训练，训练好的网络模型用于个体分类识别，接受新的时频样本作为输入，并输出样本所属的类别。

与现有技术相比，本发明有以下技术效果：

本发明所描述的基于非参数化时频特征的半监督通信辐射源个体识别方法在具体应用时，采用的时频特征可以更好的表征无线信号中的细微特征，方法的泛化能力较强；其次采用半监督学习的方法可以有效解决在大规模个体识别中，标签数据集难以获取和标签数据集的错误标签问题。

本方法利用少量标签数据集和大量无标签数据集进行特征提取，在预训练过程中，不同于以往半监督学习方法只采用无标签数据集进行预训练，并生成伪标签，该方法同时基于标签数据集和无标签数据集，并以无标签数据不同视图所得到得伪标签编码向量交叉熵最小为原则进行网络训练，可以在预训练阶段有效利用标签数据集特征，实现更高的识别精度。

对于交叉熵的计算方式，本方法对伪标签编码向量进行了锐化处理，并对每批数据交叉熵值做平均处理，而后基于残差熵做反向传播，更新网络参数，可以避免预训练过程中的collapse现象并且可以降低预训练时间。

综上，本发明所述方法具有所需标签数据集较少，训练计算开销低，识别精度高的优点。

附图说明

图1为本发明的系统结构示意图；

图2为卷积神经网络的半监督学习方法；

图3为生成伪标签编码向量所用最近邻编码器的结构示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

图1是本发明的系统结构示意图，主要包括两个模块：预处理模块和个体识别模块。其中，预处理模块接受原始无线信号作为输入，可以为复信号或者实信号。首先，预处理模块对原始信号按信号帧进行均值——方差归一化，使得每帧信号均服从均值为0，方差为1的高斯分布；然后，对归一化之后的信号帧进行短时傅里叶变换，调整变换参数，使得得到的时频矩阵为方阵；数据可视化操作中首先对时频矩阵进行最大值——最小值归一化，然后乘以255并进行取整操作，使得时频矩阵取值被映射到[0,255]区间，那么可以得到像素值为W×W的灰度图像。均值——方差归一化和最大值——最小值归一化的计算公式分别为：

个体识别模块接受时频灰度图像作为输入，并在像素值均值——方差归一化后输入卷积神经网络，网络的训练采用半监督学习方法，具体如图2所示。训练好的网络模型用于个体分类识别，接受新的时频样本作为输入，并输出样本所属的类别。

图2为本发明所采用半监督学习方法示意图。如图所示，训练所采用的数据集包括大量数据的无标签时频数据集D＝(x_i)_i∈[1,N]和包括少量数据的标签时频数据集S＝(x_si,y_i)_i∈[1,M]，其中x为时频数据，y为对应的标签数据，一般情况下M＜＜N。具体的训练方法包括一下步骤。

步骤1：构建标签数据批训练数据集。假设辐射源个体类别数为K，首先从K个类别中随机选取k₁个类别(0<k₁<K)，然后从选取的每个类别中分别随机选取k₂个样本，这些数据共同组成一次训练的标签数据集x_s∈R^m×(W×W×1)，其中m＝k₁×k₂,为批大小。对于标签数据集中数据对应的标签进行独热编码，那么可以得到对应的标签矩阵为y_s∈R^m×K，标签矩阵中的每一行为一个数据样本标签的独热编码，即y_si∈R^1×K。

如果第i个样本为第k类，那么

步骤2：构建无标签数据批训练数据集。从无标签数据中随机选取n个样本，n为批大小。对于每一个时频图像样本x_i∈D执行随机数据增强，方式包括：几何变换、仿射变换、视觉变换、添加随机噪声、高斯滤波等操作，具体增强方式为每次随机选取。经过数据增强以后，每个x_i得到两个视图样本和/>分别称为锚视图和正视图。图2输入部分分别展示了三种经过变换后的时频图像样本。

步骤3：三种时频图像样本经过卷积神经网络进行计算后分别得到 z_s∈R^n×K，如图3中输出部分所示，这里三种时频图像样本使用的为同一卷积神经网络。其中，对于第i个时频数据x_i的输出为行向量z_i∈R^1×K。

步骤4：利用相似度函数d(a,b)计算锚视图数据和正视图数据输出与标签数据输出的相似度。

这里τ>0，为相似度函数的温标参数，决定着a与b的相似度结果。

步骤5：如图中所示，进一步地利用最近邻编码器对锚视图数据生成伪标签编码向量，其中向量元素值为属于对应类别的概率可能性。最近邻编码器的计算原理示意图如图3所示。

同理，

和/>中的元素均为概率取值，那么有/>

步骤6：进一步地，为了判断锚视图和正视图的伪标签编码向量是否相似，需要计算和/>之间的交叉熵。由于/>和/>均是由同一个无标签时频样本经过不同的数据增强方式得到，那么在CNN训练过程中可能出现学习停止的问题，对于任何输入数据，CNN的输出结果相同，即collapse现象。为了避免以上问题的发生，在本发明中，对伪标签编码向量进行锐化处理，即通过指数锐化函数ρ(·)的处理，使得伪标签编码向量中，数值大的值变大，数值小的值变小，增强神经网络对于预测结果的“自信心”。锐化函数ρ(·)计算公式为：

其中k＝1,…,K，T>0为锐化参数。

步骤7：如图2所示，分别计算和/>以及/>和/>之间的交叉熵值，即和/>将两部分交叉熵值加起来可以得到

对一次训练的无标签数据批训练数据集中所有样本的交叉熵和进行平均可以得到：

步骤8：以上得到了该半监督训练方法下CNN交叉熵的计算公式。进一步地，由于在锐化处理中引入了和/>在一次批训练中，所有数据的伪标签编码向量锐化平均值趋于不变，因此需要去除锐化平均值的影响。

那么可以得到残差熵的计算公式为：

步骤9：综上，我们推导出了基于标签时频数据集和无标签时频数据集进行半监督学习的交叉熵函数计算公式，接下来对残差熵ΔH进行反向传播，并根据梯度下降原则调整CNN参数，至此完成了一次批训练的正向和反向传播。

重复步骤1-步骤9，直到网络参数稳定或者预设epoch值迭代结束。进一步地，基于标签时频数据集对该网络进行微调训练，采用标准监督学习方法，通过调整训练参数的方法指导训练，直到得到最优的训练结果。至此，基于非参数化时频特征的半监督通信辐射源个体识别网络训练结束，所得网络为最优网络结构。

如图3所示为生成伪标签编码向量所用最近邻编码器的结构示意图。根据前文说明，每一批训练标签时频数据集中共有m个样本，为了判断无标签时频数据x_i所属类别，分别计算该无标签时频数据输出与每一个标签时频数据z_s,j的相似度/>为了更好地比较这些相似度值，对结果进行归一化处理，即：

对于每一个标签时频数据x_s,j,其对应的标签的独热编码向量为y_s,j。由于归一化的相似度值表征了无标签时频数据属于该类别的可能性，那么由该归一化相似度值对独热编码向量y_s,j进行加权，即

对每批训练中，不同标签数据的加权结果进行求和，那么即可以表征在该次训练中，无标签数据属于每个类别的概率向量，即伪标签编码向量：

Claims (7)

1.一种通信辐射源时频特征提取与个体识别方法，其特征在于，包括以下步骤：

射频数据接收，对原始射频数据信号按信号帧进行均值——方差归一化，使每帧信号均服从均值为0，方差为1的高斯分布；

对归一化之后的信号帧进行短时傅里叶变换，调整变换参数，得到的时频矩阵为方阵；对时频矩阵进行最大值——最小值归一化，然后进行取整操作，得到灰度图像；得到包含大量数据的无标签时频数据集，以及包含少量数据的标签时频数据集；

时频灰度图像作为输入，并在像素值均值——方差归一化后输入卷积神经网络，采用半监督学习方法进行网络训练，训练好的网络模型用于个体分类识别，接受新的时频样本作为输入，并输出样本所属的类别；

对于训练，首先对于灰度图像像素值进行均值——方差归一化，然后输入CNN进行计算，三个数据集对应的输出分别为z_s∈R^n×K；其中，对于第i个时频数据x_i的输出为行向量z_i∈R^1×K；

计算锚视图数据和正视图数据输出与标签数据输出的相似度，其中相似度函数d(a,b)的计算表达式为:

这里τ>0，为相似度函数的温标参数，决定着a与b的相似度结果；

利用最近邻编码器对锚视图数据生成伪标签编码向量，其中向量元素值为属于对应类别的可能性，计算公式为:

同理得正视图数据的伪标签编码向量为:

这里有

计算和/>之间的交叉熵，用于判断锚视图和正视图的伪标签编码向量是否相似；对伪标签编码向量进行锐化处理，即通过指数锐化函数ρ(·)的处理，使得伪标签编码向量中，数值大的值变大，数值小的值变小；锐化函数ρ(·)计算公式为：

其中k＝1,…,K，T>0为锐化参数；

分别计算和/>以及/>和/>之间的交叉熵值，即/>和/>将两部分交叉熵值加起来得到

对一次训练的无标签数据批训练数据集中所有样本的交叉熵和进行平均得到：

以上得到了半监督训练方法下CNN交叉熵的计算公式，进一步地，根据

得到残差熵的计算公式为：

对残差熵ΔH进行反向传播，并根据梯度下降原则调整CNN参数，至此完成了一次批训练的正向和反向传播，直到网络参数稳定或者预设epoch值迭代结束，基于非参数化时频特征的半监督通信辐射源个体识别网络训练结束，所得网络为最优网络结构。

2.根据权利要求1所述的一种通信辐射源时频特征提取与个体识别方法，其特征在于，短时傅里叶变换具体为：对每一信号帧进行短时傅里叶变换STFT，通过调整STFT的FFT长度，overlap长度参数，得到的时频矩阵为一方阵。

3.根据权利要求1所述的一种通信辐射源时频特征提取与个体识别方法，其特征在于，得到灰度图像具体为：对时频矩阵进行最大值——最小值归一化，然后乘以255后进行取整，将时频矩阵值映射到[0,255]区间，即一个像素大小为W×W的灰度图像。

4.根据权利要求1所述的一种通信辐射源时频特征提取与个体识别方法，其特征在于，均值——方差归一化和最大值——最小值归一化的计算公式分别为：

5.根据权利要求1所述的一种通信辐射源时频特征提取与个体识别方法，其特征在于，得到包含大量数据的无标签时频数据集D＝(x_i)_i∈[1,N]，以及包含少量数据的标签时频数据集S＝(x_si,y_i)_i∈[1,M]，其中x为时频数据，y为对应的标签数据，M＜＜N；

构建每一批训练的数据集：对于每一个时频图像x_i∈D执行随机数据增强，方式包括：几何变换、仿射变换、视觉变换、添加随机噪声或高斯滤波操作，具体增强方式为每次随机选取；经过数据增强以后，每个x_i得到两个视图样本和/>分别称为锚视图和正视图；对于x_si∈S，不进行任何数据增强操作。

6.根据权利要求5所述的一种通信辐射源时频特征提取与个体识别方法，其特征在于，得到每一批训练的数据集，其中锚视图数据集为正视图数据集为/> 标签数据集为x_s∈R^m×(W×W×1)，n和m分别为对应的批大小；对于标签数据集中数据对应的标签进行独热编码，得到对应的标签矩阵为y_s∈R^m×K，其中K为辐射源个体类别数。

7.一种通信辐射源时频特征提取与个体识别系统，其特征在于，基于权利要求1至6任意一项所述的一种通信辐射源时频特征提取与个体识别方法，包括：

预处理模块，用于射频数据接收，对原始射频数据信号按信号帧进行均值——方差归一化，使每帧信号均服从均值为0，方差为1的高斯分布；

对归一化之后的信号帧进行短时傅里叶变换，调整变换参数，得到的时频矩阵为方阵；对时频矩阵进行最大值——最小值归一化，然后进行取整操作，得到灰度图像；得到包含大量数据的无标签时频数据集，以及包含少量数据的标签时频数据集；

个体识别模块，用于时频灰度图像作为输入，并在像素值均值——方差归一化后输入卷积神经网络，采用半监督学习方法进行网络训练，训练好的网络模型用于个体分类识别，接受新的时频样本作为输入，并输出样本所属的类别。