基于特征融合的跳頻信號(hào)射頻指紋識(shí)別技術(shù)

李明笛,謝 軍,楊鴻杰,耿夢(mèng)婕,未爭(zhēng)超,段亞楠,劉冀川

(1.中國(guó)電子科技集團(tuán)公司 第54研究所， 石家莊 050081;2.河北省電磁頻譜認(rèn)知與管控重點(diǎn)實(shí)驗(yàn)室，石家莊 050011)

0 引言

跳頻通信是抗干擾性能極優(yōu)的通信體制，具有截獲概率低，組網(wǎng)能力強(qiáng)等優(yōu)勢(shì)，在軍事通信領(lǐng)域中應(yīng)用廣泛。跳頻電臺(tái)識(shí)別存在兩方面難題。一是源于個(gè)體識(shí)別技術(shù)特點(diǎn)，隨著通信技術(shù)的快速發(fā)展，現(xiàn)有的通信輻射源采用穩(wěn)定度極高、雜散抑制能力很強(qiáng)的數(shù)字式器件，電臺(tái)的一致性、穩(wěn)定性表現(xiàn)得越來(lái)越好，導(dǎo)致傳統(tǒng)的通信輻射源個(gè)體識(shí)別方法無(wú)法從時(shí)域、頻域等方面提取到使得目標(biāo)個(gè)體識(shí)別率達(dá)到一定標(biāo)準(zhǔn)的有效特征。同樣，用跳頻周期估計(jì)、測(cè)向測(cè)距、功率測(cè)量等信號(hào)參數(shù)信息實(shí)現(xiàn)跳頻信號(hào)個(gè)體識(shí)別對(duì)參數(shù)估計(jì)準(zhǔn)確度依賴較高，且受噪聲干擾時(shí)的魯棒性表現(xiàn)較弱，不適用于戰(zhàn)場(chǎng)的復(fù)雜環(huán)境。二是跳頻電臺(tái)本身的特點(diǎn)。由于跳頻電臺(tái)頻率快速跳變的特點(diǎn)，導(dǎo)致跳頻電臺(tái)的指紋特征容易受到環(huán)境變化的影響，而且由于信號(hào)每個(gè)跳頻段的長(zhǎng)度較短，個(gè)體穩(wěn)態(tài)特征表現(xiàn)不夠充分，從而使得個(gè)體識(shí)別變得更加困難。目前對(duì)跳頻信號(hào)個(gè)體識(shí)別的研究很少，由于跳頻電臺(tái)的開(kāi)機(jī)、關(guān)機(jī)、頻率切換特征表現(xiàn)明顯，以提取信號(hào)的暫態(tài)特征為主，常采用包絡(luò)瞬時(shí)特征提取[1]和頻域瞬時(shí)特征提取[2]的方法，提取信號(hào)的頻率切換特征[3]、瞬時(shí)相位特征[4]、分形特征[5]等,而且多以提取二維有效特征為主。這些研究多數(shù)不使用分類器或者使用機(jī)器學(xué)習(xí)的支持向量機(jī)[6]、隨機(jī)森林[7]等分類器，這使得個(gè)體識(shí)別準(zhǔn)確率不甚理想，且只能識(shí)別少數(shù)目標(biāo)，當(dāng)目標(biāo)數(shù)量增多時(shí)需要提升信號(hào)特征的維度，使得不同個(gè)體之間的差異更易區(qū)分。

RFID目前主要分為兩種方法，一種是機(jī)器學(xué)習(xí)的方法，另一種是深度學(xué)習(xí)方法。機(jī)器學(xué)習(xí)方法通過(guò)進(jìn)行特征提取、特征融合、使用分類器進(jìn)行分類來(lái)實(shí)現(xiàn)，此流程對(duì)提取有效特征的依賴性較強(qiáng)[7]，提取的特征有多種類型，有時(shí)域特征[8]、頻域特征、變換域特征[9]、圖像特征[10]等，例如LI J提取信號(hào)盒維數(shù)作為其包絡(luò)特征[11]，岳嘉穎提取雙譜特征[12]并通過(guò)降維處理進(jìn)行簡(jiǎn)化，通過(guò)提取眼圖特征[13]和特征融合實(shí)現(xiàn)了10 dB信噪比下識(shí)別準(zhǔn)確率的提升。深度學(xué)習(xí)不需要過(guò)多的先驗(yàn)信息，也不需要進(jìn)行特征提取，而是直接將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，通過(guò)改變網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)對(duì)參數(shù)的自動(dòng)調(diào)整，生成適應(yīng)于RFID的網(wǎng)絡(luò)模型。輸入網(wǎng)絡(luò)的可以是基帶實(shí)信號(hào)、信號(hào)包絡(luò)[7]、復(fù)信號(hào)[14]、星座圖[15]、時(shí)頻圖[16]等，也可以使用特征融合，使得網(wǎng)絡(luò)對(duì)特征的提取更加全面。深度學(xué)習(xí)進(jìn)行RFID的主要任務(wù)為選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)與選擇輻射源的輸入形式。綜合之前國(guó)內(nèi)外的研究來(lái)看，雖然深度學(xué)習(xí)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)具有一定的隨機(jī)性、盲目性，且實(shí)時(shí)性差，需要訓(xùn)練網(wǎng)絡(luò)耗費(fèi)大量時(shí)間，但是總體上來(lái)看，深度學(xué)習(xí)具有更高的識(shí)別準(zhǔn)確率，且不依賴于特征的提取，在對(duì)非合作未知目標(biāo)的判別問(wèn)題中發(fā)揮著重要作用，但是絕大多數(shù)對(duì)基于深度學(xué)習(xí)的RFID研究仍停留在對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整上，殘差網(wǎng)絡(luò)[17]在識(shí)別中表現(xiàn)的效果好因此備受青睞，在原始?xì)埐罹W(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上有許多的改進(jìn)方法，唐震[18]將I/Q兩路信號(hào)進(jìn)行特征融合，使用數(shù)據(jù)增強(qiáng)技術(shù)達(dá)到擴(kuò)充樣本的目的，構(gòu)建了深度殘差收縮網(wǎng)絡(luò)的識(shí)別模型，相比于同樣復(fù)雜度的殘差網(wǎng)絡(luò)模型，識(shí)別準(zhǔn)確率得到了提升；王春升[19]運(yùn)用了原型學(xué)習(xí)的基本思想，提出了原型網(wǎng)絡(luò)模型，證明了該模型比其它模型具有更好的識(shí)別效果，但是殘差塊往往用于深層網(wǎng)絡(luò)，訓(xùn)練時(shí)間長(zhǎng)且容易過(guò)擬合，數(shù)據(jù)輸入形式也多為一維信號(hào)。

之前的研究工作中，耿夢(mèng)婕[7]通過(guò)將信號(hào)包絡(luò)直接輸入神經(jīng)網(wǎng)絡(luò)與提取特征后輸入分類器進(jìn)行對(duì)比，證明了深度學(xué)習(xí)比基于特征提取的機(jī)器學(xué)習(xí)具有更高的識(shí)別準(zhǔn)確率，任進(jìn)[20]、侯濤[21]等進(jìn)行了基于深度學(xué)習(xí)的調(diào)制方式識(shí)別，在其研究基礎(chǔ)上，個(gè)體識(shí)別是在其基礎(chǔ)之上提取更加細(xì)微的指紋特征。最近三年，很多方法都加入了差分的思想，如差分Hilbert譜圖[22]，差分復(fù)信號(hào)[14]，差分星座圖[23]等，而且進(jìn)行了更多提取變換域特征的研究。PENG L[10]提取復(fù)信號(hào)的差分星座圖，從而使得信號(hào)在不需要同步等先驗(yàn)條件下獲得較高的識(shí)別準(zhǔn)確率，蔣紅亮[15]用等勢(shì)星座圖法進(jìn)行了個(gè)體識(shí)別研究，為星座圖特征提取開(kāi)辟新思路，楊鑫[16]基于時(shí)頻能量譜進(jìn)行了三部跳頻電臺(tái)的識(shí)別，以上都是采用單一特征進(jìn)行提取，呂昊遠(yuǎn)[24]利用加權(quán)平均思想改進(jìn)了偽標(biāo)簽的賦值方式，得到了改進(jìn)的偽標(biāo)簽半監(jiān)督方法在測(cè)試集的識(shí)別準(zhǔn)確率，但是他們的識(shí)別準(zhǔn)確率沒(méi)有超過(guò)95%，而且運(yùn)用星座圖特征的識(shí)別效果普遍優(yōu)于時(shí)頻圖；岳嘉穎[12]運(yùn)用三維雙譜圖像進(jìn)行特征提取，但是效果并不理想，通過(guò)閱讀文獻(xiàn)發(fā)現(xiàn)，雙譜大多數(shù)情況下作為一種特征參與特征融合從而提高識(shí)別準(zhǔn)確率，由于雙譜良好的抗噪聲性能，對(duì)于信噪比較低的情況下選擇用雙譜特征來(lái)提升識(shí)別準(zhǔn)確率是理論上可行的。

本文設(shè)計(jì)了一種簡(jiǎn)單的卷積網(wǎng)絡(luò)結(jié)構(gòu)和特征提取的改進(jìn)方法，通過(guò)研究不同的特征融合方法對(duì)識(shí)別準(zhǔn)確率的影響，提出了一種基于跳頻信號(hào)時(shí)頻域、改進(jìn)后的星座圖、改進(jìn)的雙譜域融合與深度學(xué)習(xí)的識(shí)別方法，并研究了不同圖像大小對(duì)識(shí)別準(zhǔn)確率的影響，設(shè)計(jì)了合適的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提升識(shí)別準(zhǔn)確率，與之前的依靠其中某一種特征提取的方法進(jìn)行了對(duì)比實(shí)驗(yàn)，證明了設(shè)計(jì)合理的特征融合方法可提高識(shí)別準(zhǔn)確率，最后仿真不同傳輸信道條件，對(duì)本文提出方法的魯棒性進(jìn)行了研究。

1 信號(hào)處理

1.1 Hilbert-Huang譜獲取

HHT不受測(cè)不準(zhǔn)原理制約，適用于非線性的突變信號(hào)分析[25]，相比于傅里葉變換，能顯示出時(shí)頻關(guān)系和各頻率分量的大小。所以選擇用HHT時(shí)頻圖來(lái)進(jìn)行細(xì)微特征提取，能更好地提取信號(hào)的時(shí)頻域特征。將采集的單路基帶信號(hào)data(t)進(jìn)行Hilbert變換可得到I/Q兩路的復(fù)信號(hào)：

(1)

(2)

Dataup=Data×e2πfti/fs

(3)

其中:t為采樣點(diǎn)序列，f取400 kHz，fs為采樣率。取中頻信號(hào)實(shí)部進(jìn)行HHT變換，經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)，得到：

(4)

其中:s(t)為中頻信號(hào)實(shí)部，如圖1所示。n為固有模態(tài)函數(shù)(IMF)的個(gè)數(shù)，imfi(t)為第i個(gè)IMF，rn(t)為剩余分量，這樣，就將中頻信號(hào)分解得到了各個(gè)頻率分量。濾波器使得信號(hào)存在延遲，截取有效部分進(jìn)行分析。

圖1 中頻信號(hào)實(shí)部

對(duì)每一個(gè)IMF求Hilbert變換：

(5)

使用歐拉公式，解析信號(hào)hi(t)表示為：

hi(t)=ai(t)eiθi(t)

(6)

ai(t)為瞬時(shí)幅度，θi(t)為瞬時(shí)相位。

這樣就得到了信號(hào)的瞬時(shí)能量ai(t)2與瞬時(shí)頻率ωi=dθi(t)/dt。

將信號(hào)的ai(t)2大小用顏色表示，繪制其關(guān)于時(shí)間和頻率的函數(shù)，如圖2所示。

圖2 中頻信號(hào)時(shí)頻圖

1.2 星座圖獲取與處理

星座圖轉(zhuǎn)移軌跡可以將不同內(nèi)容，不同發(fā)射時(shí)刻的信號(hào)匯聚在一起，表征PSK類信號(hào)總體上的差異，經(jīng)分析得知，不同個(gè)體星座圖可能存在發(fā)散程度、偏移量大小等細(xì)微差異。由于目標(biāo)發(fā)射的是8 PSK類信號(hào)，復(fù)信號(hào)Data(t)表示為:

Data(t)=

(7)

其中：ωc為信號(hào)載頻，g(t)為波形函數(shù)，Ts為符號(hào)周期，M=8為相移鍵控的相位個(gè)數(shù)。對(duì)s(t)做M次方非線性變換:

gM(t)e-jMwct,0≤t≤Ts,0≤m≤M-1

(8)

此時(shí)M倍載頻位置存在離散譜分量，對(duì)復(fù)信號(hào)Data(t)的8次方進(jìn)行FFT變換，其頻譜存在峰值對(duì)應(yīng)的橫坐標(biāo)是快速傅里葉變換(FFT)點(diǎn)數(shù)，也就是等比例縮放的頻偏。如下所示：

fbias=fft(data8)

(9)

(10)

(11)

得到的頻偏曲線如圖3所示。其中fbias為頻偏，fmax為頻偏最大峰值對(duì)應(yīng)的采樣點(diǎn)，f0為經(jīng)過(guò)將fmax轉(zhuǎn)換為實(shí)際頻偏得到的值。從而使得每個(gè)數(shù)據(jù)點(diǎn)t的頻偏得以糾正。

圖3 八次方頻譜圖

這時(shí)星座圖還存在偏移，去除偏移，得到星座轉(zhuǎn)移軌跡圖如圖4(a)、(b)所示，由于所研究的信號(hào)為2 PSK與4 PSK調(diào)制方式的疊加，相當(dāng)于8 PSK調(diào)制方式，星座圖存在方向性，這里，我們將2 PSK調(diào)制的兩個(gè)星座點(diǎn)的方向調(diào)整為縱向，如圖4(c)所示，這樣可以降低星座圖的朝向?qū)ψR(shí)別準(zhǔn)確率的影響。具體作法為：選用1.5倍帶寬作為窗長(zhǎng)的升余弦濾波器進(jìn)行匹配濾波去除噪聲后，通過(guò)定時(shí)同步，找到最大的同步字相關(guān)峰對(duì)應(yīng)的采樣點(diǎn)，即最佳采樣點(diǎn)，得到如圖5所示的定時(shí)后聚類清晰的星座圖，再用K均值聚類算法的優(yōu)化算法，即K++算法，找到各個(gè)聚類中心，進(jìn)而判斷星座圖所處的方向，再進(jìn)行相應(yīng)角度的旋轉(zhuǎn)，即可得到方向一致的星座圖。

圖4 得到的不同方向星座圖

圖5 定時(shí)后與聚類后的星座圖

1.3 雙譜獲取

由于高階譜對(duì)高斯噪聲具有很好的抑制作用[26]，雙譜為三階累計(jì)量的二維傅里葉變換，是最簡(jiǎn)單的高階譜，且保留了除了線性相位之外的全部信號(hào)特征，所以選擇對(duì)跳頻信號(hào)進(jìn)行雙譜估計(jì)來(lái)提取信號(hào)的有效特征。雙譜估計(jì)的方法分為參量估計(jì)與非參量估計(jì)法。非參量估計(jì)不用對(duì)信號(hào)建立模型，對(duì)實(shí)際采集到的信號(hào)的分析相對(duì)簡(jiǎn)單，非參量估計(jì)又存在直接法與間接法，間接法是先估計(jì)信號(hào)三階累積量再對(duì)其進(jìn)行傅里葉變換，直接法是先進(jìn)行傅里葉變換再估計(jì)信號(hào)的三階累積量。本文采用間接法進(jìn)行雙譜估計(jì)。

Data的的三階累計(jì)量為：

C3x(τ1,τ2)=

E{data*(t)data(t+τ1)data(t+τ2)}

(12)

其中：data*(t)為實(shí)信號(hào)data(t)的共軛，τ1，τ2為延遲。經(jīng)過(guò)傅里葉變換，得到雙譜為：

D(ω1)D(ω2)D*(ω1+ω2)

(13)

D(ω)為data(t)的傅里葉變換，設(shè)置fft長(zhǎng)度256，窗長(zhǎng)5，每個(gè)片段樣本數(shù)為256，重疊率50%，繪制四層等高線，得到雙譜圖如圖6所示。

圖6 四層等高線雙譜圖

由圖可見(jiàn)，不同個(gè)體的雙譜存在細(xì)微差異，但是很難提取某個(gè)特征去表征它們之間的差異。之前的研究中對(duì)雙譜特征提取以對(duì)角切片法為主，這會(huì)丟失雙譜的部分信息，所以本文選擇保留雙譜的二維特征，將其作為一個(gè)整體降維歸一化后進(jìn)行特征提取。

2 卷積網(wǎng)絡(luò)設(shè)計(jì)

2.1 批量歸一化(BN)層

BN層可以在深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程中保證網(wǎng)絡(luò)中的隱藏層的輸入分布保持不變，主要思想是，對(duì)輸入數(shù)據(jù)進(jìn)行白化操作，即減去均值后除以標(biāo)準(zhǔn)差，這樣可以加快網(wǎng)絡(luò)收斂，防止過(guò)擬合。BN層有兩個(gè)參數(shù)γ和β，可通過(guò)學(xué)習(xí)參數(shù)進(jìn)行仿射變換，可得到最終的BN層輸出。

(14)

(15)

其中：μ，σ，ε分別為輸入所有元素的均值，方差和偏移量。

通常，BN層放在卷積層之后，激活函數(shù)之前，由于BN層對(duì)輸入進(jìn)行歸一化后進(jìn)行線性變換，這樣可以使用BN層的參數(shù)改變卷積核每一個(gè)位置的參數(shù)。

2.2 交叉熵?fù)p失函數(shù)(CrossEntropy Loss)

交叉熵是信息論中一個(gè)重要的概念，可以用來(lái)作為兩個(gè)概率分布差異性的評(píng)判指標(biāo)。

相對(duì)熵可以衡量某個(gè)隨機(jī)變量的兩個(gè)概率分布P(x)和Q(x)，其中P(x)為樣本真實(shí)分布，Q(x)為模型預(yù)測(cè)的分布，將相對(duì)熵公式展開(kāi)：

(16)

前面項(xiàng)H(p(x))是信息熵，后面項(xiàng)是交叉熵，交叉熵公式為：

(17)

由于在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中，輸入數(shù)據(jù)是確定的，所有輸入數(shù)據(jù)的概率分布P(x)是確定的，所有信息熵就是一個(gè)常量，我們?cè)诰W(wǎng)絡(luò)訓(xùn)練時(shí)需要減小真實(shí)概率分布與預(yù)測(cè)概率分布之間的差值，所以需要最小化相對(duì)熵，也就相當(dāng)于最小化交叉熵，因?yàn)榻徊骒氐倪\(yùn)算復(fù)雜度低，所以采用交叉熵作為損失函數(shù)。

2.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與特征融合

設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，由于深度卷積網(wǎng)絡(luò)具有很好的分類效果，且結(jié)構(gòu)相對(duì)簡(jiǎn)單，在深度卷積網(wǎng)絡(luò)的基礎(chǔ)上使用BN層，以減小訓(xùn)練誤差，增強(qiáng)網(wǎng)絡(luò)的泛化能力，防止在訓(xùn)練過(guò)程中發(fā)生梯度的消失或爆炸，提高網(wǎng)絡(luò)的訓(xùn)練速度。經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，多層全連接層可以使得識(shí)別準(zhǔn)確率提高，使用標(biāo)簽軟化(Label-smooth)，設(shè)置標(biāo)簽權(quán)值0.9，防止過(guò)擬合。

取星座圖，雙譜和Hilbert譜具有相同尺寸大小的矩陣。將三個(gè)矩陣在通道維上連接，生成的3*n*n矩陣輸入網(wǎng)絡(luò)訓(xùn)練，其中n為樣本尺寸的長(zhǎng)和寬。網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示，使用了三個(gè)卷積層，兩個(gè)全連接層，網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)簡(jiǎn)單。

圖7 網(wǎng)絡(luò)訓(xùn)練流程

輸入的數(shù)據(jù)為[1 024*3*n*n]格式的數(shù)組。其中批量大小取1 024，通道數(shù)為3，由于網(wǎng)絡(luò)相對(duì)簡(jiǎn)單，訓(xùn)練輪數(shù)epoch取10。樣本分為訓(xùn)練集，驗(yàn)證集和測(cè)試集，三部分的占比為6：2：2。分類問(wèn)題中，損失函數(shù)用來(lái)表示預(yù)測(cè)結(jié)果和數(shù)據(jù)實(shí)際標(biāo)簽之間差距的大小，交叉熵?fù)p失函數(shù)是將LogSofMax和NLLLoss集成到一個(gè)類中，在解決多分類問(wèn)題中效果顯著，本文使用交叉熵?fù)p失函數(shù)，并使用Adam優(yōu)化方法。激活函數(shù)使用Relu激活函數(shù)，最后一層為softmax層，選擇學(xué)習(xí)率自適應(yīng)調(diào)整策略，隨損失函數(shù)變化調(diào)整學(xué)習(xí)率，加快訓(xùn)練收斂速度。

3 實(shí)驗(yàn)結(jié)果

3.1 預(yù)處理

所選取的跳頻電臺(tái)為200～240 MHz，設(shè)置采樣率1.6 M/s,中心頻率220 MHz,帶寬60 MHz對(duì)信號(hào)進(jìn)行采樣。三部跳頻電臺(tái)采樣時(shí)長(zhǎng)為3 min，每個(gè)采集時(shí)長(zhǎng)取1.5 ms,以保證長(zhǎng)于每個(gè)突發(fā)的時(shí)長(zhǎng),從而使得采樣片段完整。對(duì)采集信號(hào)進(jìn)行DDC(變頻、下采樣、濾波)操作，得到基帶信號(hào)。其包絡(luò)如圖8所示。通過(guò)對(duì)Data通過(guò)UW前導(dǎo)碼進(jìn)行定時(shí)同步：由于采樣率設(shè)置為符號(hào)速率的8倍，用37位UW字和信號(hào)每隔8位做相關(guān)，如圖9所示，找到相關(guān)峰，即為最佳采樣點(diǎn)，對(duì)相關(guān)峰設(shè)置閾值，去除噪聲和無(wú)用信號(hào)，將得到的信號(hào)進(jìn)行歸一化處理，以方便網(wǎng)絡(luò)訓(xùn)練。

圖8 采集到的樣本

圖9 UW字同步示意圖

取其中的30 000個(gè)突發(fā)信號(hào)片段作為樣本，由于有6部電臺(tái)，共有180 000(6*30 000)組樣本。為了證明本文方法有效性，分別將比較不同信噪比，不同數(shù)據(jù)輸入形式，相同網(wǎng)絡(luò)結(jié)構(gòu)下個(gè)體識(shí)別準(zhǔn)確率。信號(hào)處理使用Matlab2019,卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試使用Python3.4。

3.2 有效性分析

在第一個(gè)對(duì)照實(shí)驗(yàn)中，將星座轉(zhuǎn)移軌跡散點(diǎn)圖轉(zhuǎn)化為熱力圖[27]，如圖10所示，圖中的漸變顏色代表散點(diǎn)的稀疏程度，圖片包括RGB三通道，圖片大小256*256。第二個(gè)對(duì)照實(shí)驗(yàn)將通道數(shù)為1的星座點(diǎn)圖輸入。第三個(gè)對(duì)照實(shí)驗(yàn)提取HHT譜輸入[22]。第四個(gè)對(duì)照實(shí)驗(yàn)將通道數(shù)為1的雙譜矩陣輸入。

圖10 星座轉(zhuǎn)移軌跡熱力圖

樣本被轉(zhuǎn)換到變化域進(jìn)行特征提取時(shí)，矩陣大小選取成為一個(gè)重要的影響因素，從經(jīng)驗(yàn)分析的角度來(lái)看，圖像尺寸越大，分辨率越高，似乎網(wǎng)絡(luò)提取到的細(xì)微特征越全面，所以在一定范圍內(nèi)增加圖像大小是有必要的，但是神經(jīng)網(wǎng)絡(luò)計(jì)算復(fù)雜度會(huì)隨著圖像大小的增加而急劇增加，而且當(dāng)圖像尺寸大小增加時(shí)，噪聲等無(wú)用信息可能會(huì)被當(dāng)成細(xì)微特征而使得識(shí)別準(zhǔn)確率下降。為了對(duì)本文方法的結(jié)果進(jìn)行更全面的分析，實(shí)驗(yàn)選取在30 dB的高斯白噪聲條件下進(jìn)行，每一個(gè)樣本分別生成尺寸大小為300*300，400*400，500*500，600*600，700*700和800*800的幾種對(duì)應(yīng)的變換域矩陣進(jìn)行研究，為了證明特征融合的有效性，選取三個(gè)特征種的每一個(gè)單獨(dú)輸入作為對(duì)照實(shí)驗(yàn)，還進(jìn)行了星座熱力圖輸入作為對(duì)照實(shí)驗(yàn)來(lái)研究星座圖處理的方式對(duì)識(shí)別準(zhǔn)確率的影響。

實(shí)驗(yàn)結(jié)果如圖11所示，由圖可見(jiàn)所有實(shí)驗(yàn)在600*600分辨率時(shí)的識(shí)別準(zhǔn)確率都是最高的，當(dāng)圖像分辨率高于700*700時(shí)識(shí)別準(zhǔn)確率降低，因?yàn)檫@時(shí)圖像包含了大量無(wú)用信息，改變了原始的有用信號(hào)數(shù)據(jù)分布，。本文的方法識(shí)別準(zhǔn)確率比三種特征域中任何一種單獨(dú)輸入時(shí)的識(shí)別準(zhǔn)確率高，在600*600的圖像大小條件下可以達(dá)到99.29%，遠(yuǎn)高于其它方法，說(shuō)明特征融合提高了個(gè)體識(shí)別準(zhǔn)確率，分辨率降低比分辨率提高對(duì)識(shí)別準(zhǔn)確率的影響更明顯，星座圖包含了更多有效的細(xì)微特征，在各個(gè)對(duì)比的圖像大小條件下都能達(dá)到90%以上的識(shí)別準(zhǔn)確率，星座散點(diǎn)圖在低分辨率時(shí)表現(xiàn)出更高較高的識(shí)別準(zhǔn)確率，雙譜特在不同圖像大小情況下差異不明顯，但星座熱力圖特征卻受圖像分辨率影響顯著。

圖11 不同輸入和圖像尺寸條件下個(gè)體識(shí)別準(zhǔn)確率

3.3 魯棒性分析

當(dāng)信號(hào)通過(guò)有線信道傳播時(shí)，信號(hào)中包含的噪聲主要是加性高斯白噪聲，當(dāng)信號(hào)在無(wú)線信道中傳播時(shí)，信號(hào)中噪聲的大小服從瑞利分布，由于信噪比過(guò)低時(shí)，無(wú)法通過(guò)定時(shí)同步生成聚類相對(duì)清晰的星座圖，也就無(wú)法調(diào)整星座轉(zhuǎn)移軌跡散點(diǎn)圖的方向，所以為了驗(yàn)證本文方法的優(yōu)越性，仿真了兩種信道條件下的樣本，選擇研究SNR為5 dB、10 dB、15 dB、20 dB、25 dB、30 dB幾種情況下本文所提出方法對(duì)6個(gè)部跳頻電臺(tái)信號(hào)的識(shí)別準(zhǔn)確率，結(jié)果如圖12所示。

圖12 不同噪聲條件下的識(shí)別準(zhǔn)確率

由圖可知，在信噪比降低時(shí)，識(shí)別準(zhǔn)確率快速下降，瑞利信道下識(shí)別準(zhǔn)確率低于高斯信道下的識(shí)別準(zhǔn)確率，尤其在信噪比降低時(shí)，瑞利信道下的識(shí)別效果迅速下降，信噪比為5 dB時(shí)，相比于高斯信道下識(shí)別準(zhǔn)確率79.33%，瑞利信道下識(shí)別準(zhǔn)確率只有66.93%。在高斯信噪比大于10 dB時(shí)，本文方法的識(shí)別準(zhǔn)確率在87%以上，高于[7]中的準(zhǔn)確率，說(shuō)明本文方法具有一定的魯棒性。

本文方法在高斯信噪比為10 dB與30 dB條件下識(shí)別準(zhǔn)確率的混淆矩陣如圖13所示，由圖可知，電臺(tái)1和2，電臺(tái)1和3，電臺(tái)3和4的相似性比較高，在識(shí)別中容易混淆，由于電臺(tái)一致性極高，硬件差異表現(xiàn)差異微小，本文方法依然可以得到很高的識(shí)別準(zhǔn)確率，說(shuō)明該方法具有實(shí)用性。

圖13 SNR為30 dB與10 dB時(shí)的混淆矩陣

4 結(jié)束語(yǔ)

本文提出了一種基于2 PSK和4 PSK混合調(diào)制的星座圖生成與預(yù)處理方法，同時(shí)還提出了一種多特征的融合方法，通過(guò)將跳頻電臺(tái)的三種特征融合，結(jié)合了各個(gè)特征在區(qū)分個(gè)體中的優(yōu)勢(shì)，提升了個(gè)體識(shí)別識(shí)別準(zhǔn)確率且具有一定的抗干擾能力。本文還研究了不同圖像尺寸和噪聲條件對(duì)識(shí)別準(zhǔn)確率的影響。本文設(shè)計(jì)了一種相對(duì)簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)，節(jié)約了訓(xùn)練階段的運(yùn)算成本，使得在無(wú)干擾的室外環(huán)境下，對(duì)三部跳頻電臺(tái)的識(shí)別準(zhǔn)確率達(dá)到了99.29%。由于神經(jīng)網(wǎng)絡(luò)提取的特征可解釋性差，下一步的研究計(jì)劃結(jié)合人為指紋特征提取和神經(jīng)網(wǎng)絡(luò)提取特征，來(lái)進(jìn)一步提升識(shí)別準(zhǔn)確率，并加入更多的目標(biāo)來(lái)測(cè)試識(shí)別效果。