雷達(dá)輻射源個體識別綜述

史 亞 張文博 朱明哲 王 磊 徐勝軍

①(西安建筑科技大學(xué)信息與控制工程學(xué)院 西安 710055)

②(西安電子科技大學(xué)電子工程學(xué)院 西安 710071)

1 引言

輻射源個體識別，又稱為特定輻射源識別(Specific Emitter Identification, SEI)，其通過對截獲的電磁信號進(jìn)行外部特征測量來獲取個體特征，繼而根據(jù)情報(bào)庫實(shí)現(xiàn)對感興趣無線電輻射源個體的唯一識別[1-6]。SEI在電子情報(bào)、電子支援措施、認(rèn)知無線電、無線網(wǎng)絡(luò)身份認(rèn)證等領(lǐng)域均有重要應(yīng)用，可大致分為雷達(dá)輻射源個體識別和通信輻射源個體識別兩類[2]，本文僅關(guān)注前者，實(shí)則在方法論上二者可以相互借鑒。雷達(dá)輻射源個體識別是電子對抗領(lǐng)域的研究熱點(diǎn)，它對雷達(dá)信號進(jìn)行特征分析與分類識別，從而區(qū)分不同的雷達(dá)個體，為電子對抗系統(tǒng)在復(fù)雜環(huán)境中進(jìn)行威脅分析和告警提供有力支撐。

SEI始于20世紀(jì)60年代，國外起步較早[1,7-9]，國內(nèi)從20世紀(jì)90年代開始展開研究[10,11]。雷達(dá)輻射源個體識別屬于雷達(dá)輻射源識別(Radar Emitter Recognition, RER)的高級任務(wù)[6,11-13]，而RER還包括調(diào)制類型識別和波形識別[13-19]。個體識別更大的挑戰(zhàn)是：當(dāng)輻射源類型、參數(shù)相同時(shí)(如同一流水線生產(chǎn)的同型號、同批次的不同雷達(dá))仍能被正確區(qū)分，這正是“identification”與“recognition”的微妙差異。SEI的關(guān)鍵問題可概括為：(1)個體特征的產(chǎn)生機(jī)理；(2)個體特征提取；(3)分類識別。其中，機(jī)理分析為特征提取提供指南，特征提取則決定著整個系統(tǒng)的性能優(yōu)劣。雷達(dá)輻射源個體識別系統(tǒng)如圖1所示。

圖1 雷達(dá)輻射源個體識別系統(tǒng)框圖

隨著雷達(dá)技術(shù)的不斷發(fā)展，早期基于脈沖描述字、脈沖重復(fù)間隔(Pulse Repetition Interval,PRI)等傳統(tǒng)特征的個體識別方法已無法適應(yīng)復(fù)雜的電磁環(huán)境，因此各種新特征、新方法應(yīng)運(yùn)而生。文獻(xiàn)[17,18]對RER技術(shù)的研究現(xiàn)狀進(jìn)行了綜述，但對個體識別的綜述不夠全面。文獻(xiàn)[4,6,14,16,20,21]的相關(guān)章節(jié)對雷達(dá)輻射源個體識別的研究現(xiàn)狀進(jìn)行了較詳細(xì)的總結(jié)，但止于2013年。更重要的是，自2016年周東青等人[22]將深度學(xué)習(xí)[23]引入RER領(lǐng)域后，近5年來基于深度學(xué)習(xí)的RER和SEI方法備受青睞，但尚缺綜述論文(而通信輻射源個體識別方向已有較新穎的綜述[24])。因此，針對雷達(dá)輻射源個體識別問題，本文從個體特征機(jī)理分析、基于手工特征的識別方法、基于深度學(xué)習(xí)的識別方法和數(shù)據(jù)集構(gòu)建4個方面著手開展系統(tǒng)、全面的文獻(xiàn)綜述工作，并進(jìn)行總結(jié)與展望，期冀推動雷達(dá)輻射源個體識別理論和方法研究的進(jìn)一步發(fā)展。需要說明的是，關(guān)于雷達(dá)信號的降噪、分選可參考文獻(xiàn)[6,25]，本文不予展開。此外，與最新發(fā)表的“輻射源指紋特征提取方法述評”[26]一文相比，本文的不同之處在于：(1)聚焦于雷達(dá)輻射源個體識別問題，個體特征提取方法的歸類方式更簡潔；(2)還涉及分類器、融合識別以及用于性能驗(yàn)證的數(shù)據(jù)集構(gòu)建方法，更加系統(tǒng)化；(3)對基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別方法進(jìn)行了詳細(xì)的展開，并給出了評述。

2 個體特征機(jī)理分析

個體特征只有具備唯一性、獨(dú)立性和穩(wěn)定性等特性[1,4]，才不容易受發(fā)射信號波形、有意調(diào)制類型、復(fù)雜電磁環(huán)境、接收機(jī)性能等影響。自20世紀(jì)80年代起，脈內(nèi)無意調(diào)制(Unintentional Modulation On Pulse, UMOP)被普遍認(rèn)為是個體特征的產(chǎn)生機(jī)理[3,4,7,10,14,27-33]。UMOP屬于雷達(dá)發(fā)射機(jī)的固有屬性，是由發(fā)射管、功放等發(fā)射機(jī)關(guān)鍵器件產(chǎn)生的寄生調(diào)制，無法避免、消除和偽造，而調(diào)制形式和調(diào)制量對于不同發(fā)射機(jī)又有差異，從而使得個體識別成為可能[27]。因此，目前的機(jī)理分析工作主要基于UMOP而展開。

輻射源信號從生成到被截獲的整個過程與很多因素有關(guān)，但附加在信號上的無意調(diào)制本質(zhì)上只和發(fā)射機(jī)有關(guān)?；诖耍F(xiàn)有方法主要從發(fā)射機(jī)的結(jié)構(gòu)著手，先建立關(guān)鍵器件的簡化模型，進(jìn)而通過數(shù)學(xué)建模將機(jī)理與特征關(guān)聯(lián)起來，由此指導(dǎo)個體特征的提取。文獻(xiàn)[3]將功放視為非線性動力學(xué)系統(tǒng)，利用相空間分析法區(qū)分雷達(dá)個體。文獻(xiàn)[4]分別對發(fā)射機(jī)的磁控管和功放進(jìn)行數(shù)學(xué)或物理建模分析，推導(dǎo)出了自激指數(shù)、頻推系數(shù)等特征。文獻(xiàn)[27]將UMOP分為脈內(nèi)無意調(diào)幅(Unintentional Amplitude MOP, UAMOP)和脈內(nèi)無意調(diào)相(Unintentional Phase MOP, UPMOP)兩類，并定性地認(rèn)為UPMOP更穩(wěn)定。文獻(xiàn)[14]將發(fā)射機(jī)的相位噪聲(簡稱相噪)視為產(chǎn)生UMOP的主要因素，其通過分析發(fā)射機(jī)頻率合成器和射頻放大鏈的相噪特性得出：相噪的外在表現(xiàn)形式為包絡(luò)起伏、載頻漂移等，故而提取了包絡(luò)、載頻均值與方差等作為個體特征。文獻(xiàn)[20,34]將發(fā)射機(jī)振蕩器的相噪建模為正弦信號，繼而對含不同相噪的雷達(dá)信號進(jìn)行雙譜分析以尋找個體差異。在文獻(xiàn)[34,35]的基礎(chǔ)上，文獻(xiàn)[6]深入分析了模糊函數(shù)與相噪之間的對應(yīng)關(guān)系。此外，發(fā)射機(jī)在發(fā)射有用信號的同時(shí)還不可避免地會輸出各種獨(dú)特且穩(wěn)定的雜散信號，也是產(chǎn)生UMOP的因素之一[35,36]。

無意調(diào)制是多種因素的綜合效應(yīng)，所以為了降低機(jī)理研究難度，上述方法通常先簡化雷達(dá)發(fā)射機(jī)的結(jié)構(gòu)，并假設(shè)發(fā)射機(jī)各關(guān)鍵器件相互獨(dú)立[14]，而相位噪聲也簡單地建模為正弦信號?？梢哉f，現(xiàn)有研究成果都是對個體特征產(chǎn)生機(jī)理的近似分析，并且與特征提取方法之間的關(guān)聯(lián)性不夠強(qiáng)[6]。很多文獻(xiàn)都是通過實(shí)驗(yàn)結(jié)果來驗(yàn)證個體特征的有效性[4]，而即使實(shí)驗(yàn)結(jié)果能夠表明個體差異的存在，也無法完全證明這種差異就是來自所構(gòu)建的機(jī)理分析模型。隨著雷達(dá)技術(shù)的發(fā)展，以發(fā)射機(jī)為研究對象而開展的機(jī)理分析工作越來越難，從而導(dǎo)致以機(jī)理分析為依據(jù)的個體特征提取工作也變難，因此亟需轉(zhuǎn)變機(jī)理研究思路。所截獲的雷達(dá)信號本身包含了個體差異的全部有用信息[28]，因此將復(fù)雜的發(fā)射機(jī)作為“黑盒子”而深度挖掘信號本身所蘊(yùn)含的個體差異信息，不失為一條可行途徑。雖然該思路弱化了個體特征機(jī)理的物理本質(zhì)，但已經(jīng)證明能夠進(jìn)一步提升個體識別性能；正是基于此，基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別方法日益流行。

3 基于手工特征的雷達(dá)輻射源個體識別

在深度學(xué)習(xí)流行之前[37]，手工特征提取和分類器設(shè)計(jì)是解決模式識別問題的兩大基本步驟。本節(jié)從手工特征提取、分類器和融合識別3個方面闡述基于手工特征的雷達(dá)輻射源個體識別研究進(jìn)展。

3.1 手工特征提取

(1)時(shí)域特征。雷達(dá)輻射源信號的UAMOP曲線(或稱為瞬時(shí)幅度、包絡(luò))、脈內(nèi)無意調(diào)頻(Unintentional Frequency MOP, UFMOP)曲線(或稱為瞬時(shí)頻率)和UPMOP曲線(或稱為瞬時(shí)相位)均為時(shí)域特征。文獻(xiàn)[21,31,38]指出，信號的瞬時(shí)幅度、瞬時(shí)頻率和瞬時(shí)相位富含個體差異信息，所以可作為無意特征。文獻(xiàn)[38]分別對UFMOP曲線和UPMOP曲線進(jìn)行了類內(nèi)類間可分性分析，對比結(jié)果表明UPMOP特征更優(yōu)。文獻(xiàn)[39]提取了UAMOP曲線和UPMOP曲線對雷達(dá)信號進(jìn)行聚類分析。文獻(xiàn)[40]先利用貝塞爾曲線對UPMOP曲線進(jìn)行平滑降噪，然后采用深度學(xué)習(xí)實(shí)現(xiàn)個體識別。文獻(xiàn)[41]對民航2次雷達(dá)數(shù)據(jù)進(jìn)行分析，結(jié)果表明UAMOP曲線和UFMOP曲線的前后沿具有穩(wěn)定性，并且UFMOP特征的判別能力優(yōu)于UAMOP特征。文獻(xiàn)[42]將信號的瞬時(shí)頻率波形和瞬時(shí)幅度波形作為個體特征，進(jìn)而通過模板分段尋優(yōu)與匹配實(shí)現(xiàn)個體識別。文獻(xiàn)[8]通過分析脈沖前沿的頻率結(jié)構(gòu)而提取了頻率偏差曲線特征，其屬于UFMOP特征。文獻(xiàn)[43]先通過瞬時(shí)頻率估計(jì)獲取信號的頻率漂移曲線，提取該曲線的幾何特征后用支持向量機(jī)(Support Vector Machine, SVM)完成分類。文獻(xiàn)[14,20]將載頻均值與方差或載頻偏移值作為個體特征。從機(jī)理角度而言，發(fā)射機(jī)頻率源的制作工藝存在偏差，不同雷達(dá)的載頻穩(wěn)定度不盡相同，因此載頻差異可用于區(qū)分雷達(dá)個體[14]。

從性能上來說，UPMOP曲線特征最優(yōu)，UFMOP次之。從特征獲取的難易程度而言，UPMOP曲線特征需首先建立相位觀測模型[38]，UFMOP特征需利用頻率估計(jì)算法精確估計(jì)瞬時(shí)頻率或載頻，而UAMOP曲線特征雖易受大氣傳播效應(yīng)和噪聲影響但獲取相對容易[27]，所以使用較多。文獻(xiàn)[30]將包絡(luò)的上升/下降時(shí)間、上升/下降角度、上升與下降交點(diǎn)、頂降時(shí)間、UFMOP曲線及其回歸線等拼接后作為個體特征，并利用主成分分析(Principal Component Analysis, PCA)和線性判別分析進(jìn)行降維。文獻(xiàn)[14]提出一種利用Morlet小波分層提取信號包絡(luò)的方法，并將每層包絡(luò)的上升沿、下降沿、頂降和脈寬作為個體特征。包絡(luò)的上升沿較為穩(wěn)定[41]，不易受多徑影響，因此可只選取包絡(luò)上升沿和部分脈頂(統(tǒng)稱為包絡(luò)前沿)作為個體特征。文獻(xiàn)[44,45]將包絡(luò)前沿作為初級特征，利用深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)[44]或深度強(qiáng)化學(xué)習(xí)[45]提取高級特征。文獻(xiàn)[46]對包絡(luò)前沿進(jìn)行2次特征提取，從而得到高階矩特征。包絡(luò)的前后沿或上升/下降沿包含雷達(dá)開關(guān)機(jī)時(shí)的瞬態(tài)信息，因此也可視為瞬態(tài)特征。

(2)頻域特征。頻譜和功率譜[6,31]是最常用的頻域特征，但不能有效區(qū)分有意調(diào)制和無意調(diào)制[31]。文獻(xiàn)[31]提取了頻域分布密度特征，其在零頻附近聚集且關(guān)于零頻呈非對稱性，性能優(yōu)于頻譜和功率譜。無意調(diào)制同樣會破壞頻譜的對稱性，所以文獻(xiàn)[47]先用快速傅里葉變換(Fourier Transform,FT)求得頻譜，繼而將頻譜左右兩部分之間的歐氏距離、互相關(guān)和偏度作為個體特征，由此區(qū)分單頻、線性調(diào)頻(Linear Frequency Modulation, LFM)和二進(jìn)制相移鍵控(Binary Phase Shift Keying,BPSK)信號。文獻(xiàn)[48]將頻譜作為初級特征，利用1維卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)同時(shí)實(shí)現(xiàn)深層特征提取與分類。

考慮發(fā)射機(jī)器件的非理想性和相噪，文獻(xiàn)[14]將高階統(tǒng)計(jì)量方法引入輻射源識別中。其中，雙譜最為常用，它的兩個自變量均為譜頻率，所以屬于頻域特征。文獻(xiàn)[14]利用非參數(shù)法估計(jì)雙譜，并對比了兩類實(shí)測信號雙譜的幅度譜、對角切片、能量幅度與頻率等特征之間的差異。文獻(xiàn)[49]將信號的雙譜幅度譜看作圖像，對其向量化后再利用層次極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)自動學(xué)習(xí)特征，實(shí)現(xiàn)了對4類有意調(diào)制類型的識別。雙譜幅度譜是2維特征，為降低冗余性可進(jìn)一步提取1維特征[14,20,34,50-52]，或進(jìn)行2維數(shù)據(jù)壓縮[53-55]。文獻(xiàn)[50]沿平行于雙譜主對角或次對角的直線路徑積分而得到對角積分雙譜特征；文獻(xiàn)[51]提取了雙譜的正、反對角切片作為個體特征，并利用PCA進(jìn)行降維。對角切片或?qū)欠e分會損失很多有用的譜信息，因此文獻(xiàn)[34,20]按圍線路徑積分提取了圍線積分雙譜的波形熵、能量熵、圍線雙譜均值作為個體特征。文獻(xiàn)[52]提出了雙譜-拉東變換(Bispectrum-Radon Transform, BRT)，即沿任意角度的直線路徑求積分，然后設(shè)計(jì)了降噪自編碼器(Denoising Auto-Encoder, DAE)與受限玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)混合的深度學(xué)習(xí)模型。文獻(xiàn)[53]采用2維局部保持投影對雙譜進(jìn)行2維壓縮后輸入CNN模型，文獻(xiàn)[54,55]則取雙譜第1象限的幅度和相位輸入至對抗網(wǎng)絡(luò)，均能減輕深度模型的計(jì)算開銷?？紤]無意調(diào)制的周期性和信號的循環(huán)平穩(wěn)性，文獻(xiàn)[36]將循環(huán)平穩(wěn)理論引入SEI中以捕捉更多的信號細(xì)節(jié)。為了降低運(yùn)算量，文獻(xiàn)[36]提取了譜頻率為0的1維循環(huán)譜切片(即循環(huán)譜零頻切片)作為個體特征，在仿真和實(shí)測數(shù)據(jù)上均獲得了較優(yōu)的結(jié)果。結(jié)合高階統(tǒng)計(jì)量，文獻(xiàn)[50]進(jìn)一步提出了基于循環(huán)雙譜的RER方法。

(3)時(shí)頻域特征。時(shí)頻分析從時(shí)間和頻率兩個角度對信號進(jìn)行刻畫，在RER中占據(jù)重要地位。文獻(xiàn)[27]利用魏格納-威利分布(Wigner-Ville Distribution, WVD)和喬伊-威廉斯分布(Choi-Williams Distribution, CWD)對多種調(diào)制信號進(jìn)行脈內(nèi)細(xì)微特征分析。文獻(xiàn)[29]對正弦信號、LFM信號和多分量信號分別進(jìn)行了短時(shí)傅里葉變換(Short Time Fourier Transform, STFT)、小波變換(Wavelet Transform, WT)和WVD分析，由此所得的窗口傅里葉脊、小波脊和WVD對信號的脈內(nèi)細(xì)微特征具有良好的分辨能力。文獻(xiàn)[56,57]先用STFT獲取信號的2維時(shí)頻表示，再通過隨機(jī)投影和PCA聯(lián)合降維[56]或能量累積量計(jì)算[57]獲得1維特征，最后由深度學(xué)習(xí)實(shí)現(xiàn)分類。信號的時(shí)頻表示也可視為圖像，從而將時(shí)頻分析與圖像處理、機(jī)器學(xué)習(xí)結(jié)合起來。文獻(xiàn)[13]先獲取信號的STFT圖像(可看作初級特征)，進(jìn)而用尺度不變特征變換(Scale-Invariant Feature Transform, SIFT)提取尺度特征和位置特征作為SVM的輸入；文獻(xiàn)[58,59]利用深度學(xué)習(xí)從信號的STFT圖像中提取特征。與STFT相比，WT屬于多分辨分析方法。文獻(xiàn)[14]采用Harr小波提取LFM, BPSK等4類有意調(diào)制信號的脈內(nèi)特征；文獻(xiàn)[60]將Morlet小波時(shí)頻圖作為初級特征，然后輸入至深度學(xué)習(xí)模型中。小波包變換對信號的高低頻都進(jìn)行分解，所以對頻率成分的刻畫更為精細(xì)。文獻(xiàn)[33,61]將小波包分解的系數(shù)作為個體特征；文獻(xiàn)[62]先對信號進(jìn)行多層小波包分解，進(jìn)而計(jì)算各系數(shù)的能量作為特征。

STFT, WT和小波包變換的時(shí)頻聚集性有限，文獻(xiàn)[63]利用同步壓縮變換(SynchroSqueezing Transform, SST)提升時(shí)頻圖的能量聚集性，其首先對信號的STFT進(jìn)行SST，然后提取了瞬時(shí)頻率和能量特征，進(jìn)而利用深度學(xué)習(xí)實(shí)現(xiàn)個體識別。此外，雙線性時(shí)頻分析也能獲得更高的時(shí)頻聚集性，典型代表包括WVD和Cohen類。WVD具有理想的時(shí)頻分辨率，但存在嚴(yán)重的交叉項(xiàng)干擾。通過優(yōu)化Cohen類的核函數(shù)能夠在抑制交叉項(xiàng)的同時(shí)保持較高的分辨率，代表方法包括平滑偽WVD(Smoothing Pseudo WVD, SPWVD), CWD、改進(jìn)的B分布(Modified B Distribution, MDB)等[50]。文獻(xiàn)[50]提取了信號SPWVD的各階Rényi熵作為特征向量，采用SVM對各種調(diào)制信號進(jìn)行分類。文獻(xiàn)[64]先分別沿時(shí)間軸、頻率軸和時(shí)頻2維平面對CWD進(jìn)行條紋狀或塊狀劃分，基于各子塊的能量提取了熵、峰度、偏度等構(gòu)成信號特征。文獻(xiàn)[50]將信號的MDB看作圖像，提取了中心矩、偽Zernike矩和局部二值模式(Local Binary Pattern, LBP)直方圖作為特征。

近年來，模糊函數(shù)(Ambiguity Function, AF)特征在RER中受到較多關(guān)注。對信號進(jìn)行AF變換，可獲得其在時(shí)延和頻偏2維平面上的聯(lián)合表示[6]。針對分選問題，文獻(xiàn)[65]提取了AF主脊切面的旋轉(zhuǎn)角、重心和慣性半徑構(gòu)成特征向量。單頻信號的AF能量主要集中于頻偏為0、正負(fù)兩倍載頻的位置，因此文獻(xiàn)[35]提取了AF零頻偏切片(Zero-Doppler-slice of AF, AF0)作為個體特征。進(jìn)一步，文獻(xiàn)[6]提出了AF代表性頻偏切片(Representative-Doppler-slice of AF, AFR)特征，其性能優(yōu)于AF0特征但頻偏位置需通過搜索獲得?？紤]噪聲影響，文獻(xiàn)[66]提出了基于導(dǎo)數(shù)約束平滑的AF最大能量切片波形提取算法，并將波形的對稱系數(shù)與AF最大能量角度作為特征。文獻(xiàn)[67,68]將AF切片作為初級特征，繼而利用深度學(xué)習(xí)實(shí)現(xiàn)分類。

較之FT, WT等基于特定基分解的方法，稀疏時(shí)頻分析旨在從過完備的時(shí)頻原子庫中選取與信號內(nèi)在結(jié)構(gòu)最匹配且盡量少的原子表示信號，自適應(yīng)能力較強(qiáng)。文獻(xiàn)[69]構(gòu)造了多尺度Spectrum原子庫，利用匹配追蹤獲得最佳原子并將其關(guān)鍵參數(shù)作為信號特征。經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)則無需預(yù)設(shè)基函數(shù)或原子庫，能夠完全根據(jù)信號的自身特點(diǎn)分解信號。利用EMD可以先將給定信號分解為若干固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)，然后對每個IMF進(jìn)行希爾伯特變換，由此可得希爾伯特-黃變換(Hilbert-Huang Transform, HHT)。文獻(xiàn)[70]將雷達(dá)信號各IMF的能量作為神經(jīng)網(wǎng)絡(luò)的輸入；文獻(xiàn)[71]從信號的HHT時(shí)頻圖中分別提取了主成分、相關(guān)系數(shù)、熵和深度特征，然后利用SVM評價(jià)各種特征的性能。針對EMD存在的端點(diǎn)效應(yīng)、模態(tài)混疊等問題，進(jìn)一步發(fā)展出了固有時(shí)間尺度分解(Intrinsic Time-scale Decomposition, ITD)和變分模態(tài)分解(Variational Mode Decomposition,VMD)等方法。文獻(xiàn)[72]先用ITD進(jìn)行信號分解與重構(gòu)，繼而將重構(gòu)信號的樣本熵作為個體特征；文獻(xiàn)[32,73]利用VMD提取信號特征。

對于上述時(shí)頻域識別方法有如下評述：

(1) 一些方法只開展了調(diào)制類型識別實(shí)驗(yàn)，未進(jìn)行個體識別實(shí)驗(yàn)。但是，時(shí)頻特征對信號的描述更為全面，能夠發(fā)掘體現(xiàn)個體差異的細(xì)節(jié)信息，所以這些方法理論上也適用于SEI問題。

(2) 較之時(shí)域特征和頻域特征，時(shí)頻域特征與個體識別機(jī)理之間的關(guān)聯(lián)度不夠緊密。但就識別性能而言，時(shí)頻域特征往往更優(yōu)，這得益于其良好的信號表示能力。該結(jié)論進(jìn)一步印證了前文觀點(diǎn)，即弱化機(jī)理分析而從信號本身著手深挖有用信息是可行的。

(3) 輻射源信號的時(shí)頻表示可視為圖像，從而可以自然而然地借鑒圖像處理、計(jì)算機(jī)視覺等領(lǐng)域的特征提取方法，尤其是為深度學(xué)習(xí)的引入提供了堅(jiān)實(shí)基礎(chǔ)。

(4)其他特征。本節(jié)最后簡要介紹一些上述特征之外的特征，統(tǒng)稱為其他特征。輻射源信號包括正常工作部分和開機(jī)瞬態(tài)部分[4,6]，前文主要基于信號的正常工作部分提取特征。發(fā)射機(jī)的開機(jī)瞬間包含無意輻射特征，可提取脈沖的上升時(shí)間、上升角度、曲線面積、峰值功率、偏度、峰度、標(biāo)準(zhǔn)差、熵、分形維等作為個體特征[14,30,74]。基于這些瞬態(tài)特征，文獻(xiàn)[74]對比了多種判別分析算法的性能。文獻(xiàn)[4]基于發(fā)射機(jī)模型推導(dǎo)出自激指數(shù)和頻推系數(shù)特征；文獻(xiàn)[3,4]基于非線性動力學(xué)提取了相空間特征；文獻(xiàn)[75]基于分形理論提取了盒維數(shù)等特征。

為方便參考，表1匯總了本文介紹的所有手工特征提取方法。實(shí)際應(yīng)用中，需結(jié)合各種特征提取方法的適用場景來選取合適的特征。時(shí)域特征(尤其是包絡(luò))通常適用于中、高信噪比及輻射源個數(shù)較少的情形，頻域及時(shí)頻域特征通常不受此限制，穩(wěn)定性優(yōu)于時(shí)域特征。瞬態(tài)特征、分形特征等其他特征的穩(wěn)定性較難保證，較少單獨(dú)使用。時(shí)域及頻域特征的硬件實(shí)現(xiàn)簡單、高效，因此更適用于實(shí)時(shí)系統(tǒng)。各種時(shí)頻特征能夠從不同的視角感知雷達(dá)個體間的差異，較難預(yù)先判斷哪種特征具有絕對優(yōu)勢。在當(dāng)前復(fù)雜的電磁環(huán)境下，單一特征的判別能力通常有限，而特征的多樣性則為系統(tǒng)后端進(jìn)行多特征融合識別奠定了基礎(chǔ)。還需要特別指出的是，對于RER問題而言，將1維時(shí)間序列信號直接作為深度模型輸入的方法比較少見，更普遍且有效的做法是“手工特征+深度學(xué)習(xí)模型”。因此，本節(jié)也是第4節(jié)的預(yù)備知識。

表1 雷達(dá)輻射源信號手工特征提取方法匯總

3.2 分類器

不論是有意調(diào)制識別、SEI還是其他分類任務(wù)，很多分類器都可以共用。因此，本節(jié)只簡要梳理RER中常用的分類器，更全面的總結(jié)見文獻(xiàn)[6,14,16,76]。文獻(xiàn)[16]將RER技術(shù)的發(fā)展分為3個階段，其中第1階段主要采用模板匹配法。文獻(xiàn)[8,20,42]采用了“波形曲線特征+模板匹配”的方法，文獻(xiàn)[77]提取了雷達(dá)信號的5維個體特征或射頻、脈寬等傳統(tǒng)特征，然后用模板匹配、K近鄰(K-Nearest Neighbor, KNN)或神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。20世紀(jì)90年代初正值神經(jīng)網(wǎng)絡(luò)的第2次高潮，RER技術(shù)由此邁入第2階段。文獻(xiàn)[77]分別設(shè)計(jì)了4層和3層的網(wǎng)絡(luò)對17類輻射源進(jìn)行個體識別；隨后，文獻(xiàn)[78]將PRI、射頻和脈寬3種特征作為3層感知器的輸入。與國外基本同步，肖先賜[28]于1991年指明了神經(jīng)網(wǎng)絡(luò)在電子對抗方向的應(yīng)用前景。早期主要采用“傳統(tǒng)特征+神經(jīng)網(wǎng)絡(luò)”的方法，如文獻(xiàn)[79]將PRI、射頻和脈寬參數(shù)輸入至模糊自適應(yīng)共振理論映射網(wǎng)絡(luò)；文獻(xiàn)[80]將PRI、射頻和脈寬的區(qū)間值作為向量神經(jīng)網(wǎng)絡(luò)的輸入；基于傳統(tǒng)特征，文獻(xiàn)[81]還利用極限梯度提升(eXtreme Gradient Boosting, XGBoost)算法對50類雷達(dá)信號進(jìn)行分類。受限于傳統(tǒng)特征本身的表征能力，該階段的分類算法難以充分發(fā)揮優(yōu)勢。接著，RER技術(shù)進(jìn)入“脈內(nèi)特征+各種分類器”的第3階段。鑒于脈內(nèi)特征良好的表示能力，文獻(xiàn)[41,47]采用KNN作為分類器；文獻(xiàn)[70]將IMF特征作為徑向基神經(jīng)網(wǎng)絡(luò)的輸入。20世紀(jì)90年代中后期開始，統(tǒng)計(jì)機(jī)器學(xué)習(xí)蓬勃發(fā)展，因此基于SVM[6,13,14,16,33,35,43,50,71], ELM[49,82]等分類器的RER方法成為近十年的主流。隨著神經(jīng)網(wǎng)絡(luò)的再次復(fù)興，基于深度學(xué)習(xí)的RER方法于2016年興起，本文認(rèn)為當(dāng)前RER技術(shù)已進(jìn)入“脈內(nèi)特征+深度學(xué)習(xí)”的第4階段，詳見第4節(jié)。

3.3 融合識別

雷達(dá)信號的不同特征具有不同的表示能力，不同分類器的決策能力也不同，這為多特征、多分類器融合奠定了基礎(chǔ)。決策層融合利用了不同分類器之間的決策差異，如文獻(xiàn)[14]利用D-S(Dempster-Shafer)證據(jù)理論組合多個神經(jīng)網(wǎng)絡(luò)的結(jié)果；文獻(xiàn)[60]先將提取的深度特征送入不同核函數(shù)下的SVM，然后進(jìn)行線性組合；文獻(xiàn)[82]提出基于自適應(yīng)權(quán)值的多個概率SVM或概率ELM的組合方法。特征層融合主要利用不同特征表示之間的互補(bǔ)性，如文獻(xiàn)[30]將瞬態(tài)特征和UFMOP曲線特征直接串聯(lián)；文獻(xiàn)[6]分別利用典型相關(guān)分析(Canonical Correlation Analysis, CCA)、判別CCA、多集CCA和多集判別CCA提取兩特征集或多特征集的相關(guān)特征，對雷達(dá)信號的模糊函數(shù)切片特征進(jìn)行融合。此外，還有一種介于特征層融合和決策層融合之間的核層融合方法[83,84]，其理論基礎(chǔ)是多核學(xué)習(xí)(Multiple Kernel Learning, MKL)，當(dāng)各基核對應(yīng)于不同特征時(shí)便可將MKL視為一種融合工具。文獻(xiàn)[83]率先將MKL引入雷達(dá)輻射源個體識別中，針對信號的時(shí)域、頻域和時(shí)頻域特征先分別構(gòu)建基核，然后利用多核SVM實(shí)現(xiàn)融合識別。文獻(xiàn)[84]將MKL和CCA相結(jié)合，提出了基于融合核CCA的雷達(dá)輻射源融合識別方法。融合識別是提升SEI系統(tǒng)性能的有效途徑之一，不同融合方式可以相互結(jié)合以充分發(fā)揮各自的優(yōu)勢，從而獲得更加可靠、魯棒的識別結(jié)果。

4 基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別

深度學(xué)習(xí)可以實(shí)現(xiàn)不同層次的特征表示和知識抽象[23]，已成功應(yīng)用于計(jì)算機(jī)視覺[37]、雷達(dá)目標(biāo)識別[85]、通信信號識別[24,53]等領(lǐng)域。對雷達(dá)輻射源個體識別而言，如果將基于現(xiàn)有機(jī)理分析方法所提取的UMOP特征輸入深度網(wǎng)絡(luò)，經(jīng)過層層學(xué)習(xí)不斷增強(qiáng)其特征表示能力進(jìn)而提升識別性能，則有望弱化個體特征產(chǎn)生機(jī)理與提取方法之間的關(guān)聯(lián)度，從而降低機(jī)理分析的難度。因此，基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別成為最近5年的研究熱點(diǎn)。本節(jié)針對24篇代表性文獻(xiàn)進(jìn)行歸納總結(jié)，脈絡(luò)如圖2所示。下面分別介紹基于深度RBM/自編碼器(Auto-Encoder, AE)網(wǎng)絡(luò)、基于卷積網(wǎng)絡(luò)和基于對抗網(wǎng)絡(luò)的RER(含個體識別)方法。

圖2 基于深度學(xué)習(xí)的雷達(dá)輻射源識別方法示意圖

4.1 基于深度RBM/AE網(wǎng)絡(luò)的方法

AE以重構(gòu)輸入為目標(biāo)，由1個輸入層、1個隱層和1個輸出層組成[37]，增加隱層數(shù)量即可得深度自編碼器網(wǎng)絡(luò)(Deep Auto-encoder Network, DAN)。RBM由1個可見層和1個隱層構(gòu)成，堆疊多個RBM即可得DBN。DBN和DAN對輸入數(shù)據(jù)進(jìn)行層層抽象，最終可獲得壓縮或低維的特征表示，因此他們常被用作特征提取器。文獻(xiàn)[22]最先將DBN用于調(diào)制類型識別，其將輻射源信號直接作為DBN的輸入，并添加了Softmax輸出層，從而同時(shí)實(shí)現(xiàn)了特征提取與分類。雖然算法性能得以驗(yàn)證，但仍需探討的是原始時(shí)間序列直接作為網(wǎng)絡(luò)輸入是否合適。針對雷達(dá)輻射源個體識別，文獻(xiàn)[44]將包絡(luò)前沿作為DBN的輸入。包絡(luò)特征有明確的機(jī)理支撐，再借助DBN則理論上可以挖掘出其包含的個體差異信息。文獻(xiàn)[44]不僅測試了算法的識別率，還對輸入、第1～2個隱層輸出的類別可分性進(jìn)行了可視化對比，所得結(jié)果很好地呼應(yīng)了理論推斷。因此，以3.1節(jié)的手工特征作為初級特征并利用DBN或DAN提取深度特征，已成為目前的主流方案之一。文獻(xiàn)[68]將模糊函數(shù)主脊切片作為初級特征，用DBN實(shí)現(xiàn)調(diào)制類型識別；文獻(xiàn)[52]將BRT特征先輸入至DAE，然后再經(jīng)過兩層RBM，最后由邏輯斯蒂層實(shí)現(xiàn)分類；文獻(xiàn)[56]將信號的STFT圖像作為初級特征，經(jīng)降維和向量化后送入堆疊自編碼器網(wǎng)絡(luò)(Stacked Auto-encoder Network, SAN)提取高級特征，最后由邏輯回歸分類器完成分類識別；文獻(xiàn)[57]將STFT的能量累積量特征作為強(qiáng)化DBN(Reinforced DBN, RDBN)模型的輸入，對8種有意調(diào)制類型進(jìn)行分類；文獻(xiàn)[60]提出“WT+堆疊DAE”的調(diào)制類型識別方法；文獻(xiàn)[63]提出“SST+SAN”的個體識別方法?？梢?，這些方法大多采用時(shí)頻特征作為初級特征。如前所述，雖然很多時(shí)頻特征背后的機(jī)理支撐不夠明確，但在DBN, DAN等深度學(xué)習(xí)模型的“努力”下輻射源個體間的差異信息能夠被進(jìn)一步放大。因此，從雷達(dá)信號本身出發(fā)不斷增強(qiáng)個體差異的研究思路切實(shí)可行。

4.2 基于卷積網(wǎng)絡(luò)的方法

卷積神經(jīng)網(wǎng)絡(luò)(CNN)起源于最早的LeNet-5模型，目前已經(jīng)在結(jié)構(gòu)設(shè)計(jì)、模型訓(xùn)練、應(yīng)用等方面取得了豐富的成果[37]。相比之下，近年來DAN, DBN等模型的進(jìn)展比較緩慢。CNN最初用于2維圖像，之后衍生出針對1維信號的1D-CNN模型，在RER中均有應(yīng)用(本文中CNN針對2維數(shù)據(jù))。文獻(xiàn)[86]先將射頻、脈寬和PRI特征分別經(jīng)過3個并列的1維卷積-池化模塊，拼接后再經(jīng)過2個全連接層，最后接至輸出層，對67種雷達(dá)類型進(jìn)行了分類，屬于1D-CNN模型。文獻(xiàn)[45]提出了基于深度強(qiáng)化學(xué)習(xí)的雷達(dá)輻射源個體識別方法，其將包絡(luò)前沿作為初級特征，Q函數(shù)用設(shè)計(jì)的1D-CNN(含2個卷積層、2個池化層和3個全連接層)進(jìn)行擬合。文獻(xiàn)[48]將頻譜特征輸入至由2個卷積層、1個池化層和2個全連接層組成的1D-CNN模型來實(shí)現(xiàn)個體識別，并對比了原始時(shí)間序列作為網(wǎng)絡(luò)輸入時(shí)模型的性能，結(jié)果表明直接將時(shí)間序列作為網(wǎng)絡(luò)輸入的方法不可行。文獻(xiàn)[87]以原始時(shí)間序列為輸入，設(shè)計(jì)了基于注意力機(jī)制的1D-CNN模型。文獻(xiàn)[48]與[87]的實(shí)驗(yàn)結(jié)果相互對立，本文將在后文予以討論。文獻(xiàn)[67]將模糊函數(shù)切片作為初級特征，輸入至由5個卷積層、3個池化層和2個全連接層組成的1D-CNN模型。文獻(xiàn)[88]設(shè)計(jì)了具有3個卷積層、3個池化層和2個全連接層的1D-CNN模型，分別將包絡(luò)、頻譜、功率譜、循環(huán)譜零頻切片、模糊函數(shù)切片等個體特征輸入所設(shè)計(jì)的網(wǎng)絡(luò)。這些1D-CNN模型的主要區(qū)別是卷積層、池化層和全連接層的數(shù)量不同。

雷達(dá)輻射源信號的時(shí)頻表示可視作圖像，從而可以直接設(shè)計(jì)CNN模型。該策略無需先將2維特征向量化或切片化，從而較好地保留了時(shí)頻特征的空間結(jié)構(gòu)信息。文獻(xiàn)[58]針對STFT的實(shí)部和實(shí)虛部雙通道分別搭建了兩種CNN模型對8種調(diào)制類型進(jìn)行分類。文獻(xiàn)[89]將信號的STFT譜作為初級特征，先利用第1個CNN模型和顯著性檢測方法獲得STFT譜的顯著圖，然后將顯著圖輸入至另一個結(jié)構(gòu)相同的CNN模型。文獻(xiàn)[89]嘗試從認(rèn)知的角度解譯CNN模型：即使兩類信號的STFT譜極為相似，他們的顯著圖差異仍肉眼可見，從而利用分類。文獻(xiàn)[15]設(shè)計(jì)了與LeNet-5相似的CNN模型，并采用新的Cohen類核函數(shù)計(jì)算信號的時(shí)頻特征，對其濾波和二值化處理后作為CNN的輸入。除了將時(shí)頻表示作為初級特征，還可以先將1維特征變形為圖像后再使用CNN，如文獻(xiàn)[90]將射頻、脈寬和PRI特征轉(zhuǎn)化為圖像。此外，文獻(xiàn)[91]則將雷達(dá)脈沖的波形當(dāng)作圖像，即相當(dāng)于通過拍攝原始時(shí)間序列來創(chuàng)建圖像數(shù)據(jù)集，然后設(shè)計(jì)了含4個卷積層、2個池化層和3個全連接層的CNN模型實(shí)現(xiàn)個體識別，實(shí)質(zhì)等同于將原始時(shí)間序列作為初級特征。

本節(jié)最后對不同深度學(xué)習(xí)模型相結(jié)合的RER方法進(jìn)行簡要介紹，如將CNN與DAE、長短時(shí)記憶(Long Short-Term Memory, LSTM)網(wǎng)絡(luò)等聯(lián)合起來以提升性能。文獻(xiàn)[59]將STFT向量化特征先輸入至DAE，接著將DAE的輸出向量重新調(diào)整為矩陣形式后作為CNN的輸入，實(shí)現(xiàn)對幾種調(diào)制類型的識別。其中，DAE的主要作用是對STFT進(jìn)行降噪處理。LSTM擅長分析時(shí)間序列[23,37]，文獻(xiàn)[40]將信號的UPMOP曲線作為初級特征，然后設(shè)計(jì)了LSTM與1D-CNN并行的網(wǎng)絡(luò)結(jié)構(gòu)用于輻射源個體識別。

4.3 基于對抗網(wǎng)絡(luò)的方法

上述基于深度學(xué)習(xí)的RER方法普遍假設(shè)訓(xùn)練樣本充足，但實(shí)際中往往會遇到小樣本問題，因此還需考慮小樣本情形下的輻射源深度特征學(xué)習(xí)和識別方法。生成式對抗網(wǎng)絡(luò)(Generative Adversarial Network, GAN)能夠通過生成器和判別器之間的對抗博弈來生成新數(shù)據(jù)，因此可用于數(shù)據(jù)擴(kuò)增而緩解小樣本問題[92]。文獻(xiàn)[93]將信號的雙譜直方圖作為初級特征，然后利用信息最大化GAN(Information maximizing GAN, InfoGAN)實(shí)現(xiàn)通信輻射源個體識別；該文獻(xiàn)是GAN模型用于小樣本條件下輻射源識別問題的初步嘗試，還有待深入研究。受對抗思想的啟發(fā)，文獻(xiàn)[54]提出了基于對抗式共享-私有網(wǎng)絡(luò)(Adversarial Shared-Private Network,ASPN)的SEI方法，其出發(fā)點(diǎn)是：輻射源信號包含所有輻射源之間共享的公共特征和每個輻射源各自私有的個體特征兩部分，但個體特征容易淹沒在公共特征中。ASPN由1個共享子卷積網(wǎng)絡(luò)和1個私有子卷積網(wǎng)絡(luò)組成，其采用正交約束和對抗式訓(xùn)練將個體特征從輸入信號中完全剝離出來，從而用于區(qū)分輻射源個體。接著，文獻(xiàn)[55]又提出與ASPN相似的判別對抗網(wǎng)絡(luò)模型，旨在將輻射源信號中包含的有意調(diào)制信息和無意調(diào)制信息完全區(qū)分開來。文獻(xiàn)[54,55]巧妙地將深度模型與輻射源個體特征的機(jī)理聯(lián)系起來，頗具獨(dú)創(chuàng)性。

為方便參考，表2匯總了本文介紹的基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別方法，且有如下評述：

表2 基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別方法匯總

(1) 卷積網(wǎng)絡(luò)因引入了局部感受野、權(quán)值共享、池化等機(jī)制而更容易訓(xùn)練，并且可以根據(jù)實(shí)際需求靈活調(diào)整網(wǎng)絡(luò)層數(shù)。綜合考慮訓(xùn)練效率和深度特征的表征能力，卷積神經(jīng)網(wǎng)絡(luò)無疑是RER中的主流模型，比基于深度RBM/AE網(wǎng)絡(luò)的方法具有更廣泛的適用性。

(2) 本節(jié)24篇文獻(xiàn)中針對個體識別的文獻(xiàn)為14篇，其余為有意調(diào)制類型識別。在“初級特征+深度學(xué)習(xí)”的RER框架下，無論是個體識別還是調(diào)制類型識別，利用深度學(xué)習(xí)能夠挖掘出輻射源個體之間的細(xì)微差異或有意調(diào)制方式之間的差異，目的不同但方法相通，故本節(jié)對二者未做嚴(yán)格區(qū)分。

(3) 以原始時(shí)間序列作為網(wǎng)絡(luò)輸入的相關(guān)文獻(xiàn)有4篇[22,48,87,91]，其中文獻(xiàn)[48]為對比反例，文獻(xiàn)[91]將時(shí)間序列轉(zhuǎn)化為波形圖像。本文認(rèn)為，即使采用深度學(xué)習(xí)也較難直接從雷達(dá)脈沖信號中挖掘出細(xì)微的個體差異信息。因此，對于雷達(dá)輻射源個體識別而言，以UMOP特征作為初級特征更為合理，識別系統(tǒng)同時(shí)依靠手工提取的初級特征和學(xué)習(xí)到的高級特征來提升性能。需要指出的是，LSTM本身擅長處理時(shí)間序列，所以“原始時(shí)間序列+LSTM”的方法則值得繼續(xù)研究。

5 雷達(dá)輻射源個體識別數(shù)據(jù)集現(xiàn)狀

從獲取方式來看，現(xiàn)有的個體識別數(shù)據(jù)集主要包括計(jì)算機(jī)模擬和實(shí)驗(yàn)室/外場實(shí)測兩大類。由于領(lǐng)域的特殊性，雷達(dá)輻射源個體識別沒有公開的標(biāo)準(zhǔn)數(shù)據(jù)集可用，因此本文對這兩大類數(shù)據(jù)集僅做簡要說明。

5.1 計(jì)算機(jī)模擬數(shù)據(jù)集

機(jī)理分析模型是生成模擬數(shù)據(jù)集的主要依據(jù)。文獻(xiàn)[4]根據(jù)所建立的發(fā)射機(jī)功放模型構(gòu)造了兩個功放作為待區(qū)分的輻射源個體，并在相同激勵下加入強(qiáng)度不同的高斯白噪聲以獲得各種信噪比條件下的觀測樣本。相位噪聲可建模為正弦函數(shù)，因此文獻(xiàn)[34-36,40,51]將相噪加至各種調(diào)制信號而生成個體識別數(shù)據(jù)集。文獻(xiàn)[43]將輻射源開機(jī)啟動時(shí)溫度變化所引起的頻率漂移建模為復(fù)指數(shù)函數(shù)，生成3個輻射源的仿真數(shù)據(jù)開展實(shí)驗(yàn)。文獻(xiàn)[38]根據(jù)建立的信號輸出模型和相位觀測模型生成實(shí)驗(yàn)數(shù)據(jù)，文獻(xiàn)[44]基于假設(shè)的脈沖包絡(luò)函數(shù)生成實(shí)驗(yàn)數(shù)據(jù)。這些數(shù)據(jù)集構(gòu)建方法與第2節(jié)闡述的特征機(jī)理密切相關(guān)，易于實(shí)現(xiàn)且無硬件成本。但是，仿真條件過于簡單化和理想化，不能很好地契合真實(shí)場景中存在的各種復(fù)雜情形[12]。

5.2 實(shí)驗(yàn)室/外場實(shí)測數(shù)據(jù)集

在完全相同的采集條件下，文獻(xiàn)[4]在微波暗室實(shí)驗(yàn)室采集了4個輻射源的數(shù)據(jù)。信號發(fā)生器可用來模擬雷達(dá)輻射源，故文獻(xiàn)[20,40,43,63,75,89]均利用信號發(fā)生器獲取實(shí)驗(yàn)數(shù)據(jù)。此外，文獻(xiàn)[32]采集了同一生產(chǎn)線生產(chǎn)的4個固態(tài)雷達(dá)功放的數(shù)據(jù)。在實(shí)驗(yàn)室環(huán)境下，數(shù)據(jù)采集平臺易于搭建，采集條件和采集數(shù)量均可控，從而有利于克服客觀因素的影響而聚焦于發(fā)射信號本身，有助于機(jī)理研究和個體特征的差異分析。但是，實(shí)驗(yàn)室環(huán)境偏理想化，且輻射源個數(shù)較少，難以體現(xiàn)真實(shí)電磁環(huán)境的復(fù)雜性。國防科技大學(xué)的研究團(tuán)隊(duì)[21,38,41,72]和西安電子科技大學(xué)的研究團(tuán)隊(duì)[6,35,36,63,83,84,88,89]采用外場實(shí)測的2次雷達(dá)數(shù)據(jù)開展實(shí)驗(yàn)，該數(shù)據(jù)便于獲取且數(shù)據(jù)量較大，可以充分驗(yàn)證UMOP特征的唯一性和穩(wěn)定性。近年來，廣播式自動相關(guān)監(jiān)視(Automatic Dependent Surveillance-Broadcast, ADS-B)技術(shù)受到大力推廣，文獻(xiàn)[12,48,52]采集了ADS-B信號開展實(shí)驗(yàn)。除民用數(shù)據(jù)外，文獻(xiàn)[32,45,91]利用軍用數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。文獻(xiàn)[14,31,42,44,46,61,74]也采用實(shí)測數(shù)據(jù)驗(yàn)證個體識別方法的性能，但文獻(xiàn)中未明確是在實(shí)驗(yàn)室還是外場獲取的數(shù)據(jù)。外場數(shù)據(jù)最契合真實(shí)環(huán)境，所以最能夠用于個體識別性能的驗(yàn)證，而聯(lián)合使用模擬和實(shí)測數(shù)據(jù)則可以更加全面地驗(yàn)證方法性能。由于實(shí)測數(shù)據(jù)集的私有性及篇幅原因，本文未給出具體的實(shí)驗(yàn)性能對比，但各特征域下代表性手工特征的性能對比可直接參考文獻(xiàn)[6,35,83,88]。目前，基于深度學(xué)習(xí)的個體識別方法之間尚缺系統(tǒng)性的實(shí)驗(yàn)比對。

6 結(jié)束語

6.1 當(dāng)前現(xiàn)狀

當(dāng)前，電子對抗環(huán)境日趨復(fù)雜，雷達(dá)輻射源個體識別研究面臨的挑戰(zhàn)主要體現(xiàn)在以下方面：

(1)雷達(dá)新技術(shù)的發(fā)展必然導(dǎo)致圍繞雷達(dá)發(fā)射機(jī)而進(jìn)行的機(jī)理研究工作難度加大。弱化機(jī)理與個體特征之間的關(guān)聯(lián)度，以雷達(dá)信號本身為研究對象，運(yùn)用各種信號處理方法提取個體特征，并結(jié)合深度學(xué)習(xí)進(jìn)一步挖掘個體差異信息是目前的主流策略，既繞開了瓶頸局限，也達(dá)到了提升個體識別性能的目的。

(2)基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別是近年來SEI領(lǐng)域的研究熱點(diǎn)，但對于深度特征的可解釋性研究不足。將深度學(xué)習(xí)引入SEI，一方面期冀降低機(jī)理研究難度，更重要的是如果能夠?qū)νㄟ^深度學(xué)習(xí)所獲取的個體差異信息從認(rèn)知角度予以解釋，無疑能夠突破SEI機(jī)理研究困境。

(3)SEI系統(tǒng)在非合作方式下訓(xùn)練樣本有限，但現(xiàn)有的數(shù)據(jù)集幾乎沒有考慮實(shí)際中常見的小樣本和不平衡問題。文獻(xiàn)[93]嘗試?yán)肎AN模型緩解小樣本問題，文獻(xiàn)[12]提出了一種新的平衡機(jī)制克服不平衡問題，都取得了初步成功，有待繼續(xù)研究。

6.2 未來展望

基于當(dāng)前研究現(xiàn)狀，未來雷達(dá)輻射源個體識別技術(shù)將沿著以下幾個方面繼續(xù)發(fā)展：

(1)隨著數(shù)據(jù)量的積累以及深度學(xué)習(xí)方法、可解釋性研究的不斷深入，基于深度學(xué)習(xí)的雷達(dá)輻射源個體識別還有很大研究空間。例如，考慮效率和實(shí)時(shí)性需求，如何設(shè)計(jì)更高效、輕量的深度模型；如何將人工智能領(lǐng)域廣義的模型可解釋性[94]遷移至SEI領(lǐng)域具體的模型可解釋性，進(jìn)而建立可解釋性與個體可區(qū)分性機(jī)理之間的聯(lián)系。這些方向都值得深入研究和探討，從而完善深度學(xué)習(xí)在SEI領(lǐng)域的應(yīng)用。

(2)小樣本、不平衡條件下雷達(dá)輻射源信號的深度特征學(xué)習(xí)和分類尚處于起步階段。文獻(xiàn)[95]對小樣本學(xué)習(xí)問題進(jìn)行了詳盡的綜述，我們可以借鑒一些現(xiàn)有方法，如GAN及其各種變體、孿生網(wǎng)絡(luò)等，讓SEI系統(tǒng)在合作和非合作方式下均能夠利用深度學(xué)習(xí)提升識別性能。

(3)從技術(shù)層面考慮，簡單性和實(shí)用性對于SEI系統(tǒng)的運(yùn)行余部署至關(guān)重要，因此傳統(tǒng)的“手工特征+分類器”的個體識別方法以及多特征融合識別的方法仍值得繼續(xù)關(guān)注，而不是唯深度學(xué)習(xí)不用。