CN114943246A - 一种基于双谱特征提取的半监督特定辐射源识别方法 - Google Patents

Abstract

本发明公开了一种基于双谱特征提取的半监督特定辐射源识别方法，其中，该方法包括：获取发射极的辐射源信号和辐射源信号样本；将辐射源信号输入训练好的生成对抗网络半监督模型，以进行信号识别处理；其中，训练好的生成对抗网络半监督模型是基于辐射源信号样本的双谱估计作为特征表示训练得到；根据信号识别处理，对发射极的辐射源信号进行分类识别。本发明能够实现训练过程的稳定，并在三类场景中表现出卓越的半监督分类性能，能够在有限的混合样本下对发射极进行有效的训练和识别。

Description

一种基于双谱特征提取的半监督特定辐射源识别方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于双谱特征提取的半监督特定辐射源识别方法。

背景技术

特定辐射源识别(Specific emitter identification,SEI)是指利用硬件设备物理层的固有缺陷对单个发射极进行识别和唯一关联的技术。深度学习(DL)以其自动提取高维特征的独特优势近年来在SEI中表现出了巨大潜力。然而，监督式神经网络的训练效果很大程度上依赖于样本分布的泛化性和数据标签的完整性，而大多数的SEI任务往往在非合作条件下进行，如电子侦察、频谱博弈等。因此获得足够的标记样本来训练DL模型和捕获数据的潜在分布通常花费巨大。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于双谱特征提取的半监督特定辐射源识别方法，将半监督学习(SSL)引入到SEI中，期望从未标记数据和标签数据的组合中学习，以获得与监督学习等同甚至更好的性能。将信号样本的双谱估计作为信号的特征表示，并将标记数据的类别标签分布嵌入到输入隐含层中以指导GAN的训练过程。通过监督式训练和无监督训练实现对分类网络的共享权重更新，并重新定义生成模型的优化函数解决博弈原则所导致的模式崩溃问题。大量的数值实验结果表明，BFE-CGAN能够实现训练过程的稳定，并在三类场景中表现出卓越的半监督分类性能，能够在有限的混合样本下对发射极进行有效的训练和识别。

为达上述目的，本发明提出了一种基于双谱特征提取的半监督特定辐射源识别方法，包括：

获取发射极的辐射源信号和辐射源信号样本；将所述辐射源信号输入训练好的生成对抗网络半监督模型，以进行信号识别处理；其中，所述训练好的生成对抗网络半监督模型是基于所述辐射源信号样本的双谱估计作为特征表示训练得到；根据所述信号识别处理，对所述发射极的辐射源信号进行分类识别。

本发明实施例的基于双谱特征提取的半监督特定辐射源识别方法，能够实现训练过程的稳定，并在三类场景中表现出卓越的半监督分类性能，能够在有限的混合样本下对发射极进行有效的训练和识别。

本发明的有益效果为：

1)提出了一种基于GAN的半监督的SEI训练方式，使用少量标记数据x_Labled和未标记数据x_Unlabled共同对判别器的权重进行更新，提高对于训练数据和标签互相关信息的利用率。并将后端输出Softmax层的维数扩展到K+1，实现基于少量标注样本的半监督自分类。

2)从接收的稳态信号中提取双谱对角向量B_x作为鉴别特征，与预处理后的信号片段串联作为发射极的分类索引；并在GAN中引入标记数据的标签概率分布c作为条件变量，经过编码后与先验输入噪声z组成联合隐层表征，增强生成过程的可控制性。

3)为了提高GAN的稳定性和收敛速度，在最小化半监督的判别损失函数L_D的同时，向生成损失函数L_G中增加特征匹配损失用于最小化潜在数据和真实数据之间的分布差异。并定义基于正则卷积神经网络的基本模块，改善对一维时间序列的建模能力。

4)将SEI问题扩展到具有多个中继的通信转发场景当中。在该场景中，使用的等增益合并算法(EGC)对来自多个中继的支路信号进行处理，并探讨了不同中继器个数和混合调制数据对于识别效果的影响。这是第一次将SEI应用于具有多个中继器的通信场景。

5)多场景中的仿真结果验证了本发明提出的半监督SEI方案的有效性。首先针对于GAN中的收敛和生成样本评价指标进行了讨论，并分析了辐射源数量K，标记样本规模NL，信噪比SNR，调制格式、中继器数量以及接收端调制类型的未知性等因素对于模型分类精度的影响。此外，算法还在非理想信道中进行了验证。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于双谱特征提取的半监督特定辐射源识别方法的流程图；

图2为根据本发明实施例的单跳通信系统结构图；

图3为根据本发明实施例的单中继通信结构图；

图4为根据本发明实施例的多中继通信结构图；

图5为根据本发明实施例的原始的GAN结构图；

图6为根据本发明实施例的特征向量提取流程示意图；

图7为根据本发明实施例的半监督条件下的BFE-ACGAN结构示意图；

图8为根据本发明实施例的生成器和监督判别器的标签嵌入矢量示意图；

图9(a)和图9(b)分别为根据本发明实施例的生成器和判别器的结构示意图；

图10为根据本发明实施例的功放失真处理前的调制信号示意图；

图11为根据本发明实施例的半监督判别器和监督生成器的损耗结果示意图；

图12为根据本发明实施例的辐射源个数K＝5时单跳场景下的识别效果示意图；

图13为根据本发明实施例的辐射源个数K＝4时单跳场景下的识别效果示意图；

图14为根据本发明实施例的辐射源个数K＝3时单跳场景下的识别效果示意图；

图15为根据本发明实施例的样本数量N_s和标记样本数量N_L变化对于识别结果的影响示意图；

图16为根据本发明实施例的辐射源数量对于四类调制样式的识别性能影响示意图；

图17为根据本发明实施例的不同发射极采用不同调制样式示意图；

图18为根据本发明实施例的K＝3的算法在混合数据集上的识别结果示意图；

图19为根据本发明实施例的K＝4时算法在混合数据集上的识别结果示意图；

图20为根据本发明实施例的改变中继器数量R和辐射源数量K对于四种调制方式的识别性能变化柱状图；

图21为根据本发明实施例的测试多种调制方式的数据集在接收分集场景下的识别性能变化示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

下面参照附图描述根据本发明实施例提出的基于双谱特征提取的半监督特定辐射源识别方法。

图1是本发明一个实施例的基于双谱特征提取的半监督特定辐射源识别方法的流程图。

如图1所示，该方法包括但不限于以下步骤：

S1，获取发射极的辐射源信号和辐射源信号样本；

S2，将辐射源信号输入训练好的生成对抗网络半监督模型，以进行信号识别处理；其中，训练好的生成对抗网络半监督模型是基于辐射源信号样本的双谱估计作为特征表示训练得到；

S3，根据信号识别处理，对发射极的辐射源信号进行分类识别。

下面结合附图对本发明实施例做详细的阐述。

可以理解的是，本发明提出基于双谱特征提取条件生成对抗网络BispectrumFeature Extraction–CGAN(BFE-CGAN)的半监督SEI方案，使用标记样本和未标记样本训练BE-CGAN，选择降维后的双谱估计作为个体识别的特征向量以提高不同辐射源个体的区分度，并将其和原始信号concatenate以提取输入序列的时间关联度。利用已知数据的标签编码后作为额外的条件变量嵌入SEI框架以指导模型的训练。中继器用于两个网络节点之间物理信号的双向转发，在通信场景中应用广泛。目前的SEI工作Zhang和Satija只针对在单跳场景和中继场景下的发射极和中继器失真问题，但缺乏考虑恶劣信噪比条件下多个中继器接收分集场景中的射频指纹叠加问题。

进一步地，对系统模型和GAN进行阐述。

本发明考虑不同通信场景下的SEI问题，通过模拟功率放大器的非线性失真对发射极进行区分，功放失真可以反映来自辐射源的稳定硬件特征信息，包括幅度、相位和频率畸变等特征，因此往往被认为是射频指纹的主要来源。

单跳通信系统Single Hop Communication System，如图2所示：

单跳通信系统是一个典型的时分多址通信系统，SEI通过射频指纹对不同的发射机进行唯一关联，系统中的辐射源信号是分时接收的，因此无需考虑盲源分离问题。通常认为功放的系统响应是无记忆的，因此我们采用非线性函数描述功放的系统响应，功放的输入s(n)可以表示为：

式中m(n)表示来自基带的已调制信号，f_c和f_s分别表示载频和采样频率，引入泰勒多项式对功放的特异性进行描述，在单跳场景下的功放系统输出响应Γ^(k)(·)可表示为：

式中

为泰勒多项式的系数，作为非线性项对射频指纹进行模拟，M为泰勒多项式的阶数，本发明设置为3。经过功放系统响应后的接收信号表示为：

r(n)＝H_krΓ^(k)(s(n))+w(n)

H_kr为发射端到接收端的信道衰落系数，w(n)为信道加性噪声，单跳场景中的接收信号最终表示为：

单中继通信Communication scenario with single relay，如图4所示：

考虑在多个功率放大器和单个中继存在的中继通信系统中，中继机r的接收信号t(n)表示为：

式中v(n)为加性噪声，H_kr为第k个发射端到中继端r的信道衰落系数，则接收端R收到经过中继转发的信号r(n)可以表示为：

r(n)＝H_rRΓ^(r)(t(n))+q(n)

式中H_rR为中继端到接收端的信道衰落系数，Γ^(r)(·)为中继端的功放系统响应，q(n)为加性噪声，因此接收信号最终表示为：

式中

为泰勒多项式的系数。

多中继通信Communication scenario with multiple relays，如图5所示：

典型的单跳场景和Communication scenario with single relay中的SEI方案已经得到讨论。但现实应用当中，往往涉及多个中继端对辐射源信号的同步转发问题，如多无人机平台的电子侦察、多传感器的数据关联问题、恶劣信噪比下解决深度衰落效应的空间分集接收问题。在本发明的工作中，增加了对这一场景的研究。

图5为本发明提出的运用多个中继端对辐射源信号进行接收处理的场景，由于存在多个中继端的硬件缺陷，接收信号样本会受到多个中继端的指纹污染，这增加了该场景下的识别难度。由图5可知，第rk个中继端的接收信号表示为：

H_k,rk为第k个辐射源和第rk个中继端之间信道的衰落系数，p^(k,rk)(n)为加性信道噪声。后端的多个中继端与接收机R共同组成一个合作传输的MISO系统，按照等增益合并算法(EGC)得到输出信号，EGC通常定义为将各支路信号包络以等权重相加得到输出。MISO系统的输入为第rk个中继端的转发分量Γ^(rk)(t_rk(n))，Γ^(rk)(·)为第rk个中继端的系统响应，则利用窄带K重分集方案的合并输出为：

式中y_rk(n)为接收机R的接收信号分量，α_k为合并权重，l^(rk,R)(n)为第rk个中继端和接收机R的信道加性噪声，中继端个数为K，

为第rk个中继端的泰勒多项式系数，H_rk,R为第rk个中继端与接收端R的信道衰落系数。在所有输入支路信号平均噪声功率相同的情况下，对合并权重α_k进行归一化处理，使其满足

目的是为了保证分集支路中的噪声总功率和分集输出的噪声功率相同。

进一步地，GAN是由Goodfellow等提出的一类无监督生成模型，其最初的结构如图6所示。GAN由生成器G和判别器D组成，生成器将输入的随机噪声矢量不断拟合，使其接近真实数据分布P_data(x)并输出G(z)，判别器则对来自生成器的样本属于真实样本分布P_data(x)的概率进行输出。生成器G和判别器D处于对抗促进的动态过程当中，最终达到纳什均衡。GAN的训练实际上是最大化D的区分正确率和最大化生成器输出G(z)被判别为真实样本的概率，D的优化过程表示为：

式中V(G,D)表示目标函数，Ε(·)表示期望算子，对于G而言，迭代的目的是提高其对真实分布P_data(x)的拟合能力，因此G的损失函数为：

最终二者的训练简化为二元博弈问题，所优化的目标函数表示为：

当D满足D^*＝arg max_D V(G,D)时，此时的D被训练为最佳判别器。如果生成数据和真实数据分布匹配，即P_G(x)＝P_data(x)，则梯度下降到全局最优解状态，因此本发明在优化过程中固定判别器，只利用反向传播的梯度对生成器进行训练，此时的极大极小博弈问题可以简化为：

式中的JSD(·||·)表示Jensen-Shannon divergence，反映了两个分布的差异，实际的优化目标则是最小化JSD。

进一步地，对于半监督SEI框架，现有的基于DL框架的半监督学习算法可划分为三类：一、利用无标记数据预训练网络后用标记数据对网络参数进行微调；二、有标记数据训练网络，利用从网络中得到的深度特征实现半监督算法；三、端到端的半监督深度模型。但前两类DL模型训练均是基于标记数据，其本质属于监督学习的范畴。本发明开发了一类基于双谱特征提取的自分类GAN(BFE-ACGAN)，将标记数据的标签信息作为条件变量，经过隐含编码后通过全连接层结构嵌入到G和D当中，从而实现对生成器和判别器的监督训练；对于未标记数据，充分利用样本分布对判别器进行无监督训练，值得一提的是，表征硬件设备信息的特征向量被连接在真实样本中，且监督D和无监督D共享网络权重。

对于双谱特征向量B提取，目前常用的SEI方案是将经过预处理后的信号进行特征提取，作为信号的表征送入分类器完成识别。射频指纹提取的目的是放大不同辐射源之间的个体差异信息。高阶累积量能够有效抑制加性高斯色噪声，描述信号相对于高斯白噪声的偏离程度，截获序列r(n)的k阶累积量定义为：

C_kr(τ₁,τ₂,...,τ_k-1)＝cum{r(n),r(n+τ₁),...,r(n+τ_k-1)

当其满足绝对可和条件：

则k阶累积量的谱定义为k阶累积量的k-1阶Fourier变换：

S_kx(ω₁,ω₂,...,ω_k-1)

当k＝3时，高阶累积量的谱被称为双谱：

因此双谱的求解可以用二维角频率平面上的傅里叶变换进行简化，由于ω₁轴和ω₂轴可以相互替换，因此双谱在平面内以对称的形式存在。本发明将原始双谱进行降维，利用其对称性，将实数矩阵的对角值作为特征向量，与原始信号相concatenate，特征提取过程如图6所示。

进一步地，对于Bispectrum Feature Extraction-ACGAN，考虑一个半监督条件下的SEI问题，本发明需将其划分为监督部分和无监督部分。对于来自K个辐射源的标记数据集

有监督D往往通过Softmax层输出其判别概率：

式中l_k,k＝1,2,...,K为K维分类向量中的元素，K为辐射源的个数。通过最小化预测标签和真实标签之间的交叉熵完成对判别模型的有监督训练。

对于来自K个辐射源的未标记数据集

将生成器的输出标记为第K+1类，无监督的判别模型只需被设计为真假二分类网络，对于无标签数据的判别可以表示为：

p_model(c＝K+1|x)＝1-D(x)

式中D(x)来自于无监督D。则半监督条件下的D成为K+1类的分类网络，框架如图7所示，图7中蓝色通道表示监督训练过程，绿色通道代表无监督训练过程。

进一步地，在给定的框架当中，本发明在G和监督的D中嵌入额外的条件变量作为已知信息，并将先验输入噪声和条件信息组成联合隐层表征，从而实现了生成数据可控制性。生成器和监督判别器的标签嵌入矢量分别如图8所示。

借鉴DCGAN中的思想，本发明利用改进的卷积架构约束完成生成器和判别器的层次表示，并分别在G和D中定义基本模块，通过基本模块的连接实现从噪声向量z到真实世界数据的映射和对两类输入的判别。表格1给出了本发明设计的两类基本结构。

表1

BASIC BLOCK OF GENERATOR

BASIC BLOCK OF DISCRIMINATOR

在G的基本模块当中，本发明引入上采样层实现输入噪声向量的超分辨率映射，提高对信号细节的捕捉能力。并嵌入两个卷积层提取信号特征，LeakyRelu被用来对卷积层进行激活，目的是保留负半轴的梯度，加快收敛，斜率设置为0.2，Dropout层和BN层分别用于防止过拟合和阻止梯度爆炸；在D的基本模块当中两个关联卷积层的设置与G中的相同，模块最后设置平均池化对信号进行下采样降维，依靠基本模块连接的G和D结构如图9(a)和图9(b)所示。半监督的判别器可以分为两个模块，Binary Classifier Model.预测图像的真伪，在输出层使用sigmoid激活函数，并利用binary cross entropy loss function.进行优化。而Multi-Class Classifier Model.预测了图像的类别、输出层中的softmax激活函数，并利用categorical cross entropy loss function进行了优化。这两个模型都有不同的输出层，但是共享所有的特征提取层。这意味着对其中一个分类器模型的更新将影响两个模型。

图9(a)和图9(b)中生成器的隐含矢量经过Dense和Reshape层后成为维度为24*100的特征矢量，经过6个基本模块后输出1*1500的信号分量；对于判别器，输入为信号样本或隐含矢量，经过Dense和Reshape层后输出1536*1的特征矢量，判别器中含有7个基本模块，将输出经过全连接层展平后分别输入Sigmoid层，得到第K+1类的无监督判别概率；Softmax层用来输出对K类辐射源个体的监督判别概率。

进一步地，对目标函数优化，模型的训练过程本质是对所设目标函数的优化过程，对于本发明提出的半监督判别器而言，按照输入样本的类型将损失函数划分为三类：来自标记样本的损失L_{x_Labled}、来自未标记样本的损失L_{x_Unlabled}以及生成样本损失L_G(z|c)。用交叉熵表示标记样本损失L_{x_Labled}，即计算真实类别分布P(x)和预测类别分布Q(x)的K-L散度，从而保证将真实样本的标签判断正确，且不能将生成样本判断为输入标签，此时的判别器实际为一个标准的K分类器，其损失函数表示为：

式中P_model(·)表示预测类的概率，未标记样本的损失L_{x_Unlabled}的本质为模型将未标记样本判别为真实样本的损失，因此只需判断样本的真伪，而无需计算标签带来的损失，即最大化概率logP(c∈{1,2,...,K}|x)，因此判别器中属于无监督学习部分的损失函数表示为：

生成样本损失L_G(z|c)则定义为将生成样本判断为假样本的损失，在训练中需要最大化其被判别为生成样本的概率，图9(a)和图9(b)中设置为第K+1类，可以表示为：

因此D的损失函数L_D由监督学习损失L_s和无监督学习损失L_uns组成，可表示为：

式中α定义为无监督调整参数，监督生成器的损失函数为最小化其输出被判断为假的概率，通常表示为：

其中D(G(z|c)表示D将生成样本判别为第K+1类。这种损失函数将会导致梯度的消失，即当D的参数更新至局部最优时，生成器很难据此进行更新，因此本发明在生成器损失函数中增加特征匹配损失，实现生成样本和真实样本的约束匹配，特征匹配部分的损失函数L_{Fea_match}可定义为：

式中σ(·)表示判别器中间层的输出特征值，||·||表示2-范数。因此生成器的损失函数表示为：

在训练过程中，本发明固定G和D，只针对一方的权重展开更新，利用生成对抗训练调整网络模型参数，并采用特征匹配加快模型收敛，将生成器的输出向决策边界逼近。在算法一中解释了本发明的实现过程。

进一步地，本发明评估了所提出的半监督SEI方案性能，选取在标记样本测试集上的准确率作为衡量指标，讨论了在单跳、Single Relay communication scenario、Communication scenario with multiple relays场景下的识别效果。这是SEI方案第一次在多中继通信场景中得到验证。为了提高结果的可信度，本发明进行了1000次的蒙特卡洛仿真，并与其他基本方法进行了比较。

如图10所示，为了验证本发明的算法对于不同频率调制方式、相位调制方式信号的兼容性和鲁棒性，选取4种调制格式生成仿真数据集，包括binary phase-shift keying(BPSK),quadrature phase-shift keying(QPSK)，Binary Frequency Shift Keying(BFSK)，quadrature Frequency-shift keying(QFSK)，四种信号的模型及参数说明如表2所示：

表2

QPSK信号的相位

f_s设置为0.2GHz，载频取值为20MHz和40MHz，巴克码组Cn取值范围为7、11和13位码组。同一信噪比下每一类调制信号的训练样本数量为5000，测试集的样本个数为2000，每一条样本的采样点数为1000。在仿真场景下，本发明选取泰勒多项式的系数，作为非线性项对射频指纹进行模拟。将发射极的数量设置为3,4,5，泰勒多项式的系数

在表3中给出，阶数默认为3，将失真处理后的信号经过功率归一化后加入噪声验证BFE-ACGAN的鲁棒性。

表3

对于生成式对抗模型而言，训练的稳定性是保证其性能的关键因素，因为其训练过程中往往会出现模式崩溃或梯度消失问题。图11给出了半监督判别器和监督生成器的损耗结果，epoch的个数设置为800。

从图11中曲线中可以看出，判别器的损失函数在第400个epoch后基本达到稳定，而生成器的损失函数也能在波动后达到低值的稳定，说明提出的BFE-ACGAN能够在较少的迭代过程中达到稳定的收敛状态。

进一步地，对于生成器输出样本分布的评估目前仍然是一个持续的挑战。在计算机视觉当中，可以通过直观观察生成的样本质量，比如相似性和平滑性等指标。但对于一维信号生成任务而言，无法直观给出关于生成样本的方差以及其与真实数据相似程度的定量信息。比如提供了一类评估生成器的指标，即Inception Score(IS)。IS考虑以下两个方面评估生成器的质量：对于单一的标签概率分布，其熵值应该小；而对于一批生成信号而言，其平均概率分布的熵值应该大，以保证生成样本的多样性。

l₂-范数通过比较生成样本和真实样本之间的欧氏距离，来评估生成数据和真实数据分布之间的相似程度，其表达式为：

式中Δx为真实样本和生成样本之间的距离向量。表4给出了baselines和本发明提出的BFE-ACGAN在同一训练集下的Evaluation metrics，并和全连接层搭建的BasicGAN、VAE，加入卷积层的DCGAN等进行对比。BFE-ACGAN的生成IS样本得分最高，并且具有最小的L2范数。本发明认为这得益于我们在模型中嵌入的双谱对角向量，不仅能够对原始信号进行有效表征，加强对真实样本的逼近程度，而且能够提高生成样本的多样性。

表4

进一步地，本发明分别考虑了在单跳场景、单个中继场景和多中继场景下的BFE-ACGAN识别性能。在训练阶段，针对给定类别的训练集对网络进行迭代，构造稳定的分类模型；在识别阶段，将带标记的测试集送入网络进行预测，并将预测标签和原始标签进行比较，从而得到在监督数据集上的识别准确率。在不同场景中，将考虑对识别准确率有显著影响的变量，如调制方式、信噪比、待识别辐射源的个数(K＝3,4,5)。特别地，对于半监督学习，标记样本和未标记样本的规模也对模型的分类性能有一定影响，因此在结果中也增加了对于数据量变化导致识别结果波动的讨论。

对于单跳场景下的识别效果，在单跳场景下，调制后的基带信号经过发射极辐射后附加了硬件的功放失真，经过信道传输后到达中继端r。接收信号中只附加收发信道间的传播噪声。图12、图13和图14分析了不同发射极数量下，BFE-ACGAN对于四类仿真调制信号的识别性能。本发明在实验数据中加入了高斯白噪声g(n)以测试鲁棒性，噪声服从均值为0，方差为σ²的正态分布，即g(n)～N(0,σ²)。收发间的信道衰落系数H_kr设置为1，当前类别下的标记样本数量为1000条。对于四类调制方式，BFE-ACGAN在SNR超过16db后的识别准确率能达到80％以上，在仿真条件下具有较好的兼容性。即便在较低信噪比下，在单跳通信场景下也能达到较高的准确率，这主要因为我们在网络中嵌入的双谱特征能够在低信噪比下有较高的分离度。总的来看，随着辐射源的数量增加，BFE-ACGAN的分类性能也发生一定程度的下降。

图15给出了样本数量N_s和标记样本数量N_L变化对于识别结果的影响，待识别的辐射源数量K设置为5。发现标记样本的比值

会影响低信噪比下的识别准确率，且二者成正比关系。除此之外，发现样本数量N_s最终影响模型在高信噪比下的识别性能。这是由于尽管BFE-ACGAN有生成数据的功能，但是生成的样本并不能为判别器提供更丰富的特征。从损失函数来看，判别器更多地依靠大量的未标记样本的分布P_data对其参数进行自更新，因此样本数量的增加一定会影响其识别的准确率。

对于单个中继的通信场景，下面对单个中继场景中的信号收发过程展开讨论。在该场景下，调制后的基带信号经过发射极Ek放大后辐射到自由空间，经过信道传输后到达中继端r。中继端r的作用是对输入信号进行放大和转发，因此会将其射频指纹附加到输入信号t(n)当中。经过功放失真后的转发信号经过信道传输后最终到达接收机R。相比于单跳场景中的识别问题，该场景下的SEI复杂度更高。高斯信道下的信道衰落系数Hkr和HrR设置为1。特别地，与单跳场景中的仿真不同，我们还考虑了在中继端对于调制类型未知的影响，即发射极Ek功放输入的基带信号不属于同一类调制方式。

图16给出了辐射源数量对于四类调制样式的识别性能影响。从图16中可以看出，由于截获信号受到了中继端的指纹污染，因此在NS＝5000，NL＝3000的最优样本条件下的识别准确率低于单跳场景。随着信噪比的增加，四类调制信号的识别准确率有明显提高。识别性能也随着待识别发射极的增加而恶化，这与我们的认知相符。在高信噪比的情况下(SNR＝24dB)，本发明的方案准确率能达到80％以上，且不同发射极数量(K＝3,K＝4,K＝5)下的识别性能差别并不大，说明足够高的信噪比能够对抗中继附加特征的影响。但在低SNR的情况下，可能需要设计更深的网络结构和分离度更高的特征提取方案来克服高斯噪声的影响。

图17给出了不同发射极采用不同调制样式的情况，分别考虑了K＝2时的6类调制组合、K＝3的四类调制组合和K＝4时的1类混合调制格式，标记样本与

的值设为0.6。在图17中，本发明发现对于接收端两类调制方式未知的情况下，提出的半监督框架在低信噪比下也能保持较高的识别概率，当信噪比大于8db时，六种调制方式组合的识别正确率能达到90％以上，这是因为待识别波形中本身的调制样式信息提高了识别概率，使得其能够对抗发射极和中继的指纹污染。图18给出了K＝3时算法对于在混合数据集上的识别结果。对于给出的三种混合方式，BFE-ACGAN都能表现出较好的兼容性。在信噪比大于12dB时，识别准确率能达到80％以上，显然本发明的方案不依赖于调制方案。

图18给出了K＝4时算法在混合数据集上的识别结果。从图18中可以看出，在接收端调制方式未知的情况下，BFE-ACGAN对于四类发射极的识别结果最终能够保持在91％左右。

对于多个中继的通信场景，分集接收技术是在恶劣信噪比条件下改善无线信道传输效果的有效解决方案。多个中继存在的通信场景本质是一种半合作条件下的空间分集系统。来自独立辐射源的已调制信号序列s(n)经自由传播后抵达中继端r_i，因此前端的传播是非合作条件下的信号截获问题。第二步为经过中继端r_i转发后到达接收机R，因此该过程又可简化为一个合作的MISO系统，本发明利用EGC算法对该过程的分集信号进行合并，将各支路包络以相等的权重相加而得到输出，目的是提高SEI系统的鲁棒性并降低多径衰落的影响。

图20给出了改变中继器数量R和辐射源数量K对于四种调制方式的识别性能变化柱状图。分别是QPSK-K-5，BPSK-K-4，QFSK-K-3，BFSK-K-2，训练样本的数量设置为2500，其中标记样本占60％。从图20中可以看出，在多个中继器存在的通信场景下，本发明所提出的半监督SEI方案识别性能低于单跳和单个中继的通信场景，这是由于多个中继指纹的影响会通过等增益合并附加到接收信号当中，从而增加识别难度。但是本发明发现仍能在不同调制样式中，识别准确率能够随信噪比的增加而迅速改善。在发射极个数一定的情况下，其识别准确率随着中继器个数的增加而缓慢下降，并且发射极个数的增加会导致识别性能的恶化。在多个中继存在的通信场景中，本发明的半监督SEI方案在信噪比较低时(SNR＝0dB)时达到40％以上，在5个中继器存在的情况下，识别准确率最高能够达到90％(SNR＝24dB)。

类似地，本发明测试了多种调制方式的数据集在接收分集场景下的识别性能变化。图21给出了两类混合调制方案的结果。显然在多个中继存在的通信场景中，本发明也能表现出较高的识别准确率，接收端调制方案的未知性对于算法性能影响不大。

根据本发明实施例的基于双谱特征提取的半监督特定辐射源识别方法，将半监督学习(SSL)引入到SEI中，期望从未标记数据和标签数据的组合中学习，以获得与监督学习等同甚至更好的性能。将信号样本的双谱估计作为信号的特征表示，并将标记数据的类别标签分布嵌入到输入隐含层中以指导GAN的训练过程。通过监督式训练和无监督训练实现对分类网络的共享权重更新，并重新定义生成模型的优化函数解决博弈原则所导致的模式崩溃问题。

Claims (9)

1.一种基于双谱特征提取的半监督特定辐射源识别方法，其特征在于，包括以下步骤：

获取发射极的辐射源信号和辐射源信号样本；

将所述辐射源信号输入训练好的生成对抗网络半监督模型，以进行信号识别处理；其中，所述训练好的生成对抗网络半监督模型是基于所述辐射源信号样本的双谱估计作为特征表示训练得到；

根据所述信号识别处理，对所述发射极的辐射源信号进行分类识别。

2.根据权利要求1所述的方法，其特征在于，所述训练好的生成对抗网络半监督模型是基于所述辐射源信号样本的双谱估计作为特征表示训练得到，包括：

将所述辐射源信号样本分为标记样本和未标记样本；

将所述标记样本和未标记样本输入所述对抗网络半监督模型，选择降维后的双谱估计作为个体识别的特征向量，并将所述降维后的双谱估计和所述辐射源信号样本串联以提取输入序列的时间关联度；

基于所述输入序列的时间关联度，利用预设数据的标签编码作为额外的条件变量以得到训练好的生成对抗网络半监督模型。

3.根据权利要2所述的方法，其特征在于，对于来自K个所述辐射源信号样本的标记数据集

有监督判别器通过Softmax层输出其判别概率：

其中，l_k,k＝1,2,...,K为K维分类向量中的元素，K为辐射源的个数。

4.根据权利要求3所述的方法，其特征在于，对于来自K个所述辐射源信号样本的未标记数据集

将生成器的输出标记为第K+1类，对于所述未标记数据集的判别表示为：

p_model(c＝K+1|x)＝1-D(x)

其中，D(x)来自于无监督判别器。

5.根据权利要求4所述的方法，其特征在于，对于所述生成器的隐含矢量经过Dense和Reshape层后成为维度为24*100的特征矢量，经过6个预设模块后输出1*1500的信号分量。

6.根据权利要求5所述的方法，其特征在于，对于所述判别器输入为所述辐射源信号样本或隐含矢量，经过Dense和Reshape层后输出1536*1的特征矢量，经过7个预设模块将输出经过全连接层展平后分别输入Sigmoid层，得到第K+1类的无监督判别概率，以及经过Softmax层输出对K类所述辐射源信号样本的监督判别概率。

7.根据权利要求6所述的方法，其特征在于，按照输入的所述辐射源信号样本的类型将损失函数划分为来自标记样本的损失L_{x_Labled}、来自未标记样本的损失L_{x_Unlabled}以及生成样本损失L_G(z|c)。

8.根据权利要求7所述的方法，其特征在于，用交叉熵表示所述来自标记样本损失L_{x_Labled}，计算真实类别分布P(x)和预测类别分布Q(x)的K-L散度，则所述判别器的损失函数表示为：

其中，P_model(·)表示预测类的概率。

9.根据权利要求8所述的方法，其特征在于，对于所述未标记样本的损失L_{x_Unlabled}，则所述判别器中属于无监督学习部分的损失函数表示为：

对于所述生成样本损失L_G(z|c)则定义为将生成样本判断为假样本的损失。

Images