摘要
随着无线通信技术的飞速发展，辐射源种类繁多，信号种类繁多。传统的确定单个辐射源的方法可能不再满足社会的需要。单个无线辐射源的识别对于保证通信系统的安全性，提高军事通信侦察与对抗能力具有重要意义，但大多采用传统的识别方法。本文介绍了深度学习作为一种分类方法。由于没有合适的公共数据集，我们在实验室环境下，使用6台相同型号的USRP设备，结合LabVIEW软件，采集5个单独辐射源发出的IQ信号，进行预处理，然后投入神经网络训练。收集到的数据可以作为一个公共数据集用于将来的个人识别。采用多种神经网络结构，调整参数，取得了较为满意的分类效果。
1. 简介
通信辐射源的个体识别是近年来通信对抗领域的一个重要课题。它主要是根据辐射源硬件在发射信号上不同于其他个体的特性来确定辐射源发射的信号。在此基础上，可以进行设备监控跟踪、电子干扰、军事打击和防御，这将大大有助于提高通信过程的安全性，不同于调制识别，个体识别主要研究同一类型辐射源发射的信号的指纹特征，这仅仅是由个体硬件差异引起的。
为了获取通信实体的相关信息，研究者提出了不同的识别方法，效果不同。通信辐射源识别最关键的任务是提取有效的特征。如果采用人工提取特征，由于信号数据量大，会出现如下问题提取过程耗时、难度大、复杂度高。如果能够提取出具有强分辨力的信号的本质特征，将对后续分类器的设计和识别性能的提高具有重要意义[1]。
近年来，深度学习方法在计算机视觉[2]、语音识别[3]和高光谱数据分类[4]中发挥了重要作用，成为许多分类方法的领头羊。深度网络模型通过连续训练提取数据样本的特征，可以表达复杂的非线性函数关系，获得数据丰富的基本信息[5]。使用深度学习方法不需要手动提取特征，并且具有很强的计算能力。设计师不需要太多的先验知识，很容易开始。
本文的主要贡献是：
·单个辐射源的识别缺乏一个标准的数据集。利用USRP设备采集信号数据，为辐射源个体识别研究提供了数据集
·对采集到的信号数据进行预处理，包括异常点剔除、归一化、数据分组等；
·使数据能正常地输入到神经网络中参考不同的深度神经网络，不断优化网络参数和结构，得到比较满意的识别效果。
2. 相关工作
在文[6]中，为了提高自动编码器在通信辐射源个体识别任务中的性能，提出了一种构造通信辐射源个体识别自动编码器的方法。提取通信辐射源信号的高电平积累，根据调制信息估计自编码器的结构参数。最后，通过验证实验选取性能达到阈值的结构参数，并存储在参数信息库中。文献[7]建议应用深入学习的理论与技术。针对辐射源的目标识别任务，采用改进的AlexNet作为特征提取工具，提取目标的细微特征，生成效果更高的智能网络模型。文献[8]通过高阶谱分析将原始通信辐射源信号从时域转换到高维特征空间，并利用大量未标记的高维样本训练叠加式自动编码器。在此基础上，通过少量标记的通信辐射源样本对softmax回归模型进行微调和训练，得到一个用于通信辐射源指纹特征提取的深度学习网络。文献[9]以deep自动编码器为基础，将训练过程分为两部分：无监督预训练和基于边缘Fisher映射的有监督训练。首先，挖掘大量未标记样本中包含的电台个体类别信息，训练深层自动编码器的最优参数。其次，在标记样本的辅助下，基于边缘Fisher映射对训练参数进行监督和微调，提高指纹特征识别同类个体的能力。文献[10]提出了一种多采样卷积神经网络来提取感兴趣区域的射频指纹，用于ZigBee设备的分类；为了提高ZigBee器件的性能，提出了一种信噪比自适应ROI选择算法。睡眠模式切换下的半稳态性能。神经网络采用多重下采样变换实现多尺度特征的自动提取和分类。
说到神经网络，卷积神经网络是最容易想到的。卷积是一种积分变换。通过不同的卷积核可以学习不同的空间特征。卷积核本质上是一种特殊的张量。通过不同的参数设置，可以将其乘以相应的输入矩阵，然后累加。经过不同的卷积处理，得到不同的特征输出。CLDNN[11]是一个由CNN、LSTM和DNN组成的框架。卷积神经网络（CNN）和长短时记忆（LSTM）在各种语音识别任务中都显示了它们在深度神经网络（DNN）中的有效性。CNN、LSTM和DNN在建模能力上是互补的，因为CNN擅长于减少频率变化，LSTM擅长于建模时间，DNN适合将元素映射到更可分离的空间。将CNN、LSTM和DNN结合到一个统一的联合训练框架中，可以通过在隐藏单元和输出（由DNN层提供）之间进行更深层次的映射来提高LSTM的性能并输出结果。循环神经网络的核心是通过上下文信息依赖来处理序列信息，但所有神经网络的数据流都是单向的，双向循环神经网络的基本思想非常简单。独立的递归神经网络训练可以有效地提高模型的精度。
GoogLenet[12]中的Inception结构是增加网络深度的一个成功方法。从输入层连接到不同尺度的卷积层，然后组合每个卷积层的输出连接，然后连接到softmax分类器。这种结构可以在减小参数的同时增加网络的深度和宽度，有效防止梯度消失的发生。ResNet[13]由何开明等人于2015年提出，解决了深层CNN模型难以训练的问题。这个结构如图1所示。他提到，如果你在一个经过训练的网络结构中加深层次的数量，然后继续训练，那么训练结果应该不会更糟。但实验结果表明，当网络层达到一定深度后，效果会变差，这就是退化问题。这说明传统多层网络结构的非线性表达很难表示同一映射，这使得深层网络很难找到一个好的参数来表示同一映射。ResNet很好地解决了这个问题。
3. 方法
A.
1）USRP
USRP（通用软件无线电外设）是一种通用软件无线电外设。其目的是使普通计算机像高带宽软件无线电设备一样工作，为无线通信系统起到数字基带和中频的作用。USRP由USRP主板、各种子板和相应的天线组成。基本的设计逻辑是所有的信号处理，如调制和解调都由通用计算机处理。
2） LabVIEW
LabVIEW（Laboratory Virtual Instrument Engineering Workbench）是国家仪器公司推出的一款创新软件产品。它也是目前应用最广泛的
使用的、增长最快、功能最强大的图形化软件开发集成环境。它被认为是一个标准的数据采集和仪表控制软件。
3） Keras
Keras是一个对新手友好的深度学习框架。其设计理念简单易用。它支持新手快速实现想法，并支持有效的设计实验来验证想法。它是用Python开发的，可以作为TensorFlow和Theano的应用程序接口，具有良好的可扩展性。它用于实验设计、调试、评估和可视化深度学习模型。
B数据采集
我们的实验使用6个USRP-N210，其中一个作为固定接收器，另一个作为源。发送端和接收端均通过网线与计算机连接，并在计算机上安装LabVIEW软件，配置发送和接收程序。发送带宽设置为1GHz，IQ接收频率为1MHz。波形如图2所示。将5个发射源的信号保存为文本文件，每个文件包含数百万行IQ数据。
数据应该经过预处理。因为每帧最前面的样本点是异常的，如图3所示，在投入网络训练之前，删除异常样本点。如果不删除异常点，将影响后续的规范化处理。之后，执行初始归一化操作以使数据与肉眼无法区分。实验选取128个样本点作为一个样本，样本长度为128，样本维数为2×128.选择128作为样本长度有两个原因。一是在调制方式识别中，通常采用128作为样本长度。二是实验中短样本长度的识别率较低，长样本长度的识别率不会有明显提高。实验训练批量设置为100，实验为监督学习，所以我们使用一个热编码来标记来自不同来源的不同数据样本。
C神经网络
在实验过程中，我们使用了五个模型：CNN、CLDNN、BRNN、Inception和Resnet来处理辐射源识别任务。实验中使用的损失函数是分类交叉熵，优化器选择adam。训练集与测试集的比例为9:1，按随机顺序随机选择。为防止过度装配，将“dropout”设置为0.5。在全连接层中，激活函数是ReLU函数，softmax函数用于分类。下面介绍网络模型结构。
对于CNN模型，设计的结构如表一所示。输入数据的维数是2×128，有两个卷积层。第一层卷积核数为32个，大小为1×第二层卷积核数为16，大小为2×3.第一致密层神经元数为32个，第二致密层神经元数为5个，每个卷积层前加一填充层。
对于CLDNN模型，设计的网络模型为功能模型，结构如表二所示。有三个卷积层。每层卷积核数为50个，大小为1×8.值得一提的是，第一层和第三层的卷积输出连接为LSTM层的输入。LSTM层神经元数目为256个，穿过LSTM层后进入致密层。致密层神经元数分别为256个和5个。
对于BRNN模型，其结构与CLDNN模型大致相同。不同之处在于卷积数据被输入到双向递归网络层，即选通递归单元（GRU）网络模型。GRU的最大贡献是用“更新门”结构代替LSTM网络的遗忘门和输入门，简化了LSTM网络的门结构。在保持与LSTM模型相同表达能力的前提下，更能提高递归神经网络的训练速度。双向方法可以有效地提高模型的精度。
对于Inception模型，这里不使用经典模型。该模块有三个支路，每层卷积核数为50个，第一个支路用1连接×1卷积核到1×8卷积核，第二个分支是1×1个卷积核连接到1×3个卷积核，第三个分支是1×1个卷积核。三者的输出作为稠密层的输入连接起来。
对于ResNet网络，最重要的是两个模块：conv\u块和identity\u块。不同的是在卷积层增加了convèu块的快捷方式，两者的输出不同。这是9层剩余网络，conv_块模块的卷积核为1×3，标识块模块的卷积核为1×7.
4. 结果
通过接收5个辐射源发出的IQ信号，我们进行了5次分类实验。实验中使用的辐射源是同一厂家同型号的USRP装置。发射信号的频率相同，采样频率也相同。尽量满足辐射源只有个体差异的差异。研究和讨论的主题是通过接收到的IQ信号来分别识别辐射源。对信号数据进行预处理，采用不同的神经网络结构进行训练。分类效果如图所示，每个神经网络使用的训练集和测试集是相同的。输入到网络中的样本长度与批量大小相同，并且网络参数（如dropout）也相同。我们发现几种网络结构的识别率是不一样的。Inception、CLDNN和BRNN的识别率明显优于其他网络，达到98%，而ResNet的识别率只能在90%左右，CNN的识别率可以达到80%。在收敛速度方面，Inception先收敛，ResNet收敛较慢。Inception通过增加网络的宽度来提高性能，使用不同大小的卷积核来提取不同尺度的特征，主要用于图像识别，这在这里也是适用的。循环神经网络的输入由前一层的输出和当前状态决定。它具有存储能力，并且对于处理序列信息特别有利。实验数据在实验室环境下采集，噪声影响较小，效果较好。下一步将增加障碍物和距离，收集更真实的实验数据，然后继续优化网络。