一种基于度量与深度学习的辐射源射频特征提取方法

1.本发明属于辐射源射频特征提取技术领域，具体涉及一种基于度量与深度学习的辐射源射频特征提取方法。


背景技术：

2.辐射源射频(rf)特征提取技术在电子对抗、频谱管理、认知无线电、无线网络安全等诸多领域都有广泛的应用。辐射源是雷达和通信等系统的核心部件，它产生一个具有足够功率的rf信号，并通过天线进行传输。辐射源在生产以及工作过程中存在各种非理想特性，这种自身的非理想特性会导致发射的有意调制(im)信号存在偏差，从而携带蕴含硬件信息的无意调制(um)，即它以um的形式附加在im信号上，这种um源于辐射源内部众多的电子元器件(如信号源、混频器、功率放大器等模块)，以“合力”形式表现在im信号上。而且这种非理想特性因设备而异，是辐射源固有的特性，且不可伪造，难以改变。
3.同时，不同um参数的辐射源具有不同的um信息(又称rf信息)，会导致rf信号之间存在rf差异。不同的im参数具有不同im信息(又称信号信息)，会导致rf信号之间存在信号差异。因此，rf信号主要受信号信息与rf信息两个因素的影响。辐射源不同的um参数和im参数可以产生携带不同rf信息和信号信息的rf信号。
4.那么如何通过接收的rf信号更精确的表征rf信息，即提取rf特征，是当前学者们非常关注的问题。目前已经提出了许多特征提取方法，传统的特征提取方法主要分为时域、频域、时频域和变换域。这些方法的缺点是依赖专家知识和经验进行手动特征提取和设计，并且方法和特征维度较高，特征层次较浅。借鉴于深度学习技术与辐射源识别技术成功的相结合，越来越多的学者关注如何利用深度学习技术自动提取rf特征，但研究仍处于起步阶段。
5.无论是传统的特征提取方法，或是基于神经网络的特征提取方法，均是对恒定um参数(即同一生产厂家、同一型号的个体)和恒定im参数(即同一调制类型，同一频率等)下的rf信号进行分析与特征提取，即恒定um信息与im信息，这种恒定参数的假设过于理想；同时，这些方法最主要的问题均是将rf信号直接进行特征提取，即倾向于将im信息和um信息作为一个整体进行分析，然而并没有关注im信息带来的干扰，提取的rf特征中包含了大量im信息。
6.与此同时，随着各种技术的飞速发展，辐射源发射的rf信号越来越复杂，当执行不同的任务时，通常采用im参数“随机”变化的rf信号，即im信息增大。并且随着电路集成工艺的改进，元器件之间的非理想特性正在减小，即um信息减弱。换而言之，um信息的减弱会隐含的使im信息增大，im信息的增大会隐含的使um信息减弱。im信息增大和um信息减弱，使得传统方法难于提取具有良好稳定性和可分性的rf特征。事实上，携带蕴含硬件信息的um只占rf信号上传递信息的极小部分，即rf信号携带的信号信息可能覆盖rf信息，或者可能完全超过rf信息。与im信息相比，um信息非常微弱且难以表征。由于rf信号即包含im信息，又包含um信息，但此时我们不关心im的形式，因此，在辐射源rf特征提取技术中，im信息不仅
仅是一个无用信息，而是一个强有力的干扰信息。这使得辐射源rf特征提取技术带来严峻挑战。
7.总之，从目前辐射源rf特征提取技术的研究来看，在复杂情况下，采用现有方法难以提取到具有良好的稳定性和可分性的rf特征，辐射源rf特征提取技术的难度大幅度增大，并且由于缺乏可变参数下的im信息对提取rf特征带来的影响，使得传统方法提取的rf特征很容易受im信息的干扰而失效。那么如何有效的减少im信息的干扰，从而“轻松”地提取出具有良好稳定性和可分性的rf特征，是当前急需解决的问题。


技术实现要素：

8.本发明的目的是为解决在复杂情况下，采用现有方法难以提取到具有良好的稳定性和可分性的rf特征，且提取的rf特征易受im信息的干扰而失效的问题，而提出了一种基于度量与深度学习的辐射源射频特征提取方法。
9.本发明为解决上述技术问题所采取的技术方案是：
10.一种基于度量与深度学习的辐射源射频特征提取方法，所述方法具体包括以下步骤：
11.步骤1、建模n类辐射源结构模型，通过调整um参数，分别为每类辐射源结构模型生成p个辐射源个体；
12.通过调整各个辐射源个体的im调制参数，生成携带rf信息的rf信号样本集，将生成的携带rf信息的rf信号样本集作为建模数据集；
13.根据生成建模数据集时采用的im调制参数来生成不携带rf信息的rf信号样本集，将生成的不携带rf信息的rf信号样本集作为理想训练数据集；
14.步骤2、分别对建模数据集和理想训练数据集中的每个rf信号样本进行处理，得到每个rf信号样本对应的处理结果；
15.步骤3、搭建ae网络，所述ae网络中包括信号特征编码器f
sig
和重构解码器fd，利用理想训练数据集中的rf信号样本的处理结果对搭建的ae网络进行训练；
16.步骤4、设计frm网络，所述frm网络中包括rf特征编码器g
rf
、重构解码器gd和度量得分器gs，利用建模数据集中的rf信号样本的处理结果和训练好的ae网络对frm网络进行训练；
17.步骤5、获取待检测rf信号，对获取的信号进行处理后，将处理结果输入训练好的受信号特征编码器f
sig
输出约束的frm网络，将rf特征编码器g
rf
的输出作为辐射源射频特征提取结果。
18.本发明的有益效果是：
19.本发明中首先设计了ae网络和frm网络，利用ae网络中训练好的信号特征编码器来固定深度信号特征，从而在特征域上约束frm网络中的rf特征编码器可以自动提取出不包含信号信息的深度rf特征，可以减少信号信息的干扰，使其不敏感于im信息，使深度rf特征具有良好的稳定性，并将rf信息与rf特性一一对应；其次，使用度量学习方法在frm网络中设计了一个度量得分器，使网络在学习过程中减少同类辐射源下不同im参数的rf信号样本在特征域之间的距离，增加不同类辐射源下的rf信号样本在特征域之间的距离，使深度rf特征具有良好的可分性；最后，利用frm网络中的重构解码器和度量得分器分别通过无监
督和有监督的双重学习来优化rf特征编码器，使其通过rf特征编码器从非理想rf信号中自动提取的深度rf特征同时具有良好的稳定性和可分性，采用这种端到端的方法训练frm网络，可以消除单独网络训练过程中的不一致性问题，从而获得最优网络；在此基础上，采用原始时域信号作为网络的输入，没有进行复杂的时频变换等，避免了特征信息的丢失，并减低了预处理带来的复杂度。并在一个批次样本上设计frm网络的输入与目标函数，使网络训练速度加快，此外，网络没有分层初始化和微调阶段，这简化了其训练过程。本发明在复杂背景下，仍可以“轻松”提取rf特征，为辐射源射频特征提取技术提供了新思路。
附图说明
20.图1为不同类res模型链路；
21.图2为不同类res模型下不同im的rf信号频谱图；
22.图3为深度rf特征提取方法流程图；
23.图4为生成rf信号数据集流程图；
24.图5为ae网络；
25.图6为frm网络；
26.图7为度量得分器；
27.图8为不同res的深度rf特征的热力分布图；
28.图9为不同res下的cw信号的深度rf特征在二维空间中的可视化分布图；
29.图10为不同res下的bpsk信号的深度rf特征在二维空间中的可视化分布图；
30.图11为不同res下的lfm信号的深度rf特征在二维空间中的可视化分布图；
31.图12为不同res下的三种im的深度rf特征在二维空间中的可视化分布图。
具体实施方式
32.具体实施方式一、本实施方式所述的一种基于度量与深度学习的辐射源射频特征提取方法，所述方法具体包括以下步骤：
33.步骤1、建模n类辐射源结构模型，通过调整um参数，分别为每类辐射源结构模型生成p个辐射源个体；
34.通过调整各个辐射源个体的im调制参数，生成携带rf信息的rf信号样本集(非理想rf信号)，将生成的携带rf信息的rf信号样本集作为建模数据集；
35.根据生成建模数据集时采用的im调制参数来生成不携带rf信息的rf信号样本集，将生成的不携带rf信息的rf信号样本集作为理想训练数据集；
36.步骤2、分别对建模数据集和理想训练数据集中的每个rf信号样本进行处理，得到每个rf信号样本对应的处理结果；
37.步骤3、搭建ae网络，所述ae网络中包括信号特征编码器f
sig
和重构解码器fd，利用理想训练数据集中的rf信号样本的处理结果对搭建的ae网络进行训练；
38.步骤4、设计frm网络，所述frm网络中包括rf特征编码器g
rf
、重构解码器gd和度量得分器gs，利用建模数据集中的rf信号样本的处理结果和训练好的ae网络对frm网络进行训练；
39.步骤5、获取待检测rf信号，对获取的信号进行处理后，将处理结果输入训练好的
受信号特征编码器f
sig
输出约束的frm网络，将rf特征编码器g
rf
的输出作为辐射源射频特征提取结果。
40.本实施方式中设计开发了一种基于度量与深度学习的辐射源射频特征提取方法，结合度量学习与深度学习技术，研究如何有效的减少im信息的干扰，来降低辐射源rf特征提取技术的难度，以在复杂情况下从辐射源发射的rf信号中“轻松”提取出具有稳定性和可分性的深度rf特征，从一个全新的角度研究辐射源射频特征提取。
41.具体实施方式二、本实施方式与具体实施方式一不同的是，所述不携带rf信息的rf信号样本为：
42.y
id
＝x
im
＝im(s)
43.其中，y
id
为不携带rf信息的rf信号样本，s为基带信号，im(
·
)为im系统；
44.所述携带rf信息的rf信号样本为：
45.y
nid
＝rf(x
im
)＝rf(im(s))
46.其中，y
nid
为携带rf信息的rf信号样本，rf(
·
)为rf系统。
47.其它步骤及参数与具体实施方式一相同。
48.具体实施方式三、本实施方式与具体实施方式一或二不同的是，所述rf信号样本的处理方式为：
49.对于任一rf信号样本，从该rf信号样本中提取同相数据和正交数据：再将同相数据和正交数据串联：
50.x
′
＝[xi,xq]
[0051]
其中，xi为同相数据，xq为正交数据，x
′
为串联结果；
[0052]
对串联结果x
′
进行最大绝对值归一化处理，则该rf信号样本对应的处理结果为：
[0053][0054]
其中，x为该rf信号样本对应的处理结果，|x
′
max
|为串联结果中的数据的最大绝对值。
[0055]
其它步骤及参数与具体实施方式一或二相同。
[0056]
具体实施方式四、本实施方式与具体实施方式一至三之一不同的是，所述对搭建的ae网络进行训练时采用的优化器为自适应矩估计优化器，学习率设置为0.0001，采用的目标函数为：
[0057][0058]
其中，l
ae
为训练ae网络时采用的目标函数，xi为理想训练数据集中的第i个rf信号样本对应的处理结果，为xi经过ae网络的输出，||
·
||为2范数，q代表批量大小。
[0059]
其它步骤及参数与具体实施方式一至三之一相同。
[0060]
具体实施方式五、本实施方式与具体实施方式一至四之一不同的是，所述xi经过ae网络的输出为：
[0061]h′
sig
＝f
sig
(xi,ω
sig
)
[0062]
[0063]
其中，f
sig
为信号特征编码器，ω
sig
为信号特征编码器的参数，h
′
sig
为信号特征编码器的输出，fd为重构解码器，ωd为重构解码器的参数。
[0064]
其它步骤及参数与具体实施方式一至四之一相同。
[0065]
具体实施方式六、本实施方式与具体实施方式一至五之一不同的是，所述对frm网络进行训练时采用的优化器为自适应矩估计优化器，学习率设置为0.0001，采用的目标函数为：
[0066]
l
frm
＝λ1lr+λ2l
ms
[0067]
其中，l
frm
为训练frm网络时采用的目标函数，lr为重建目标函数，l
ms
为度量目标函数，λ1表示重建目标函数的比例权重，λ2表示度量目标函数的比例权重。
[0068]
其它步骤及参数与具体实施方式一至五之一相同。
[0069]
具体实施方式七、本实施方式与具体实施方式一至六之一不同的是，所述重建目标函数为：
[0070][0071]
其中，y
nm
为建模数据集中第n类辐射源下第m个rf信号样本对应的处理结果，为y
nm
经过受ae网络的特征编码器输出约束的frm网络的输出，n为辐射源类的总数，m为批样本中每类辐射源下rf信号样本的个数。
[0072]
其它步骤及参数与具体实施方式一至六之一相同。
[0073]
具体实施方式八、本实施方式与具体实施方式一至七之一不同的是，所述y
nm
经过受ae网络输出约束的frm网络的输出为：
[0074][0075]
其中，θd为frm网络的重构解码器gd的参数，h
rs
为h
rf(nm)
和h
sig
的拼接结果，h
sig
为y
nm
经过训练好的ae网络的信号特征编码器f
sig
的输出，h
rf(nm)
为y
nm
经过frm网络的rf特征编码器g
rf
的输出；
[0076]hrf(nm)
＝g
rf
(y
nm
,θ
rf
)
[0077]
其中，θ
rf
表示rf特征编码器的参数。
[0078]
其它步骤及参数与具体实施方式一至七之一相同。
[0079]
具体实施方式九、本实施方式与具体实施方式一至八之一不同的是，所述度量目标函数l
ms
的计算过程为：
[0080]
步骤1)、将批样本中的rf信号样本对应的处理结果表示为[(y
11
,y
12
,
…
,y
1m
),(y
21
,y
22
,
…
,y
2m
),
…
,(y
n1
,y
n2
,
…
,y
nm
)]，将批样本中的rf信号样本对应的处理结果输入frm网络后，将frm网络的rf特征编码器g
rf
输出的深度rf特征表示为：[(h
rf(11)
,h
rf(12)
,
…
,h
rf(1m)
),(h
rf(21)
,h
rf(22)
,
…
,h
rf(2m)
),
…
,(h
rf(n1)
,h
rf(n2)
,
…
,h
rf(nm)
)]；
[0081]
步骤2)、计算深度rf特征质心，将步骤1)中输出的深度rf特征与计算出的深度rf特征质心进行拼接组成n
×m×
n个rf特征对，将组成的n
×m×
n个rf特征对作为度量得分器的输入；
[0082]
所述步骤2)中，将步骤1)中输出的深度rf特征与计算出的深度rf特征质心进行拼接，其具体为：
[0083][0084]
其中，h
rf(nm)
代表批样本中的rf信号样本y
nm
对应的处理结果经过frm网络的rf特征编码器的输出，代表当k＝n时，h
rf(nm)
对应的深度rf特征质心，ck代表当k≠n时，h
rf(nm)
对应的深度rf特征质心，h
rf(nmk)
代表rf信号样本y
nm
与深度rf特征质心的拼接结果；
[0085]
步骤3)、利用度量得分器gs计算出每个rf特征对中的rf特征与深度rf特征质心之间的相似性得分：
[0086]snmk
＝gs(h
rf(nmk)
,θs)
[0087]
其中，θs表示度量得分器的参数；
[0088]
步骤4)、根据步骤3)的结果构造度量目标函数l
ms
；
[0089]
所述步骤4)的具体过程为：
[0090][0091][0092]
其中，l
ms
为中间变量，log是以e为底的对数。
[0093]
其它步骤及参数与具体实施方式一至八之一相同。
[0094]
具体实施方式十、本实施方式与具体实施方式一至九之一不同的是，所述ck和c(
k-m)的计算过程为：
[0095][0096]
其中，h
rf(ki)
代表批样本中第k类辐射源下的第i个rf信号样本对应的处理结果经过frm网络的rf特征编码器的输出，εi[
·
]表示求均值；
[0097][0098]
其它步骤及参数与具体实施方式一至九之一相同。
[0099]
实施例
[0100]
下面结合附图对本发明做进一步详细说明，如图1至图7所示，本发明提供的辐射源射频特征提取方法，包括以下步骤：
[0101]
1、建模辐射源：根据辐射源的工作原理，使用具有测量参数的仿真平台，通过选用不同um参数搭建了一个dds信号源模型和三类rf链路模型(pa1、pa2和pa3)，通过结合dds信号源模型和rf链路模型，搭建了三类雷达辐射源结构模型(res1、res2和res3)，如图1所示。
此外，在同类res模型下，通过略微调整每个模块的um参数，搭建了四个辐射源个体(rei)模型，使不同类res模型之间存在结构差异，而同类res模型下的不同rei模型之间存在个体差异。
[0102]
2、生成数据集：基于上述建模，首先，通过调整不同im调制参数(包括调制类型mt、频率f、带宽b和输入功率p)，生成具有非理想特性的三种调制类型的源信号：连续波(cw)、线性调频(lfm)和二进制相移键控(bpsk)；然后被不同类rf链路模型放大，生成不同参数下的非理想rf信号，以构建复杂背景下的建模数据集；其次，将90％的样本划分为建模训练数据集，其余10％用作建模测试数据集。如图2所示，为三类res模型产生的rf信号的频谱图，很明显，三类res模型在不同调制类型下的rf信号的频谱纯度方面表现出明显的差异。最后，基于建模数据集的im参数生成不携带rf信息的理想rf信号，构建对应的理想训练数据集。
[0103]
3、rf信号模型：
[0104]
我们认为，对于im信号x
im
，可以被认为是基带信号s通过im系统im(
·
)生成的，即：
[0105]
x
im
＝im(s)
[0106]
辐射源也可以被视为携带rf信息的rf系统rf(
·
)。若rf系统是理想的，即辐射源发射的rf信号不携带rf信息，则发射的理想rf信号模型可以表示为：
[0107]yid
＝x
im
[0108]
若rf系统是非理想的，即携带rf信息的rf系统发射的rf信号模型可以表示为：
[0109]ynid
＝rf(x
im
)＝rf(im(s))
[0110]
事实上，rf系统是一个复杂的、非线性的且未知的系统，因此，系统的具体参数无法通过简单的计算获取。同时，不同类辐射源由于携带不同的rf信息，对应不同的rf系统。因此，不同um参数和im参数可以产生携带不同rf信息和信号信息的各种rf信号，即参数域到数据域的映射。
[0111]
因此，本发明的思路是：如果能够将数据域映射到特征域，使得神经网络能够自动学习分别表示rf信息和信号信息的相关特征，并利用信号特征在特征域来约束rf特征，则将会“轻松”提取出可变im参数下的rf信号中的rf特征。为了区别传统方法手动提取的rf特征，本发明将利用深度学习自动提取的rf特征重命名为“深度rf特征”，如图3所示，为深度rf特征提取方法流程图。
[0112]
此外，需要说明的是，本发明在辐射源结构层次上进行rf特征提取，即它与在辐射源个体层次上进行rf特征提取有着本质的区别。个体层次上是指不同辐射源个体之间的差异，而结构层次上则侧重于不同类辐射源结构之间的差异。即在本发明的辐射源建模中，如图4所示，同类辐射源结构可以包含许多不同辐射源个体，这在本发明中被认为是同类辐射源结构，提取的是同类rf特征，这种在复杂层次上研究辐射源rf特征技术会具有挑战性。即本文的复杂情况一方面表现在辐射源类型复杂，即um参数复杂，另一方面表现在im参数复杂可变。
[0113]
4、数据预处理：对建模数据集和理想训练数据集的rf信号进行数据预处理。首先从rf信号中提取同相/正交(i/q)数据，然后将其串联后进行最大绝对值归一化处理，则最终的rf信号xn表示为：
[0114]
x
′
＝[xi,xq]
[0115][0116]
5、搭建ae网络：ae网络由一个信号特征编码器f
sig
和一个重构解码器fd组成，如图5所示，利用信号特征编码器自动学习rf信号中的深度信号特征h
sig
。搭建ae网络包括信号特征编码器和重构解码器的输入信号、网络结构和目标函数。
[0117]
1)信号特征编码器：
[0118]
输入信号：信号特征编码器的输入选用不携带rf信息的理想rf信号x，设置网络的输入节点数为1000
×
2＝2000。
[0119]
网络结构：设置信号特征编码器含有两个隐藏层，隐藏层节点数小于输入节点数，网络的输出节点数设置为50，即深度信号特征为50维，网络每层节点数设置为2000-600-150-50。网络的编码过程可以描述为将理想rf信号输入到信号特征编码器中以自动学习深度信号特征，实现从数据域到特征域的映射，即：
[0120]hs
′
ig
＝f
sig
(xi,ω
sig
)
[0121]
其中，ω
sig
表示信号特征编码器的参数。
[0122]
2)重建解码器：
[0123]
输入信号：将信号特征编码器自动提取的深度信号特征h
sig
作为ae网络中的重建解码器的输入，则网络的输入节点数为50。
[0124]
网络结构：设置重构解码器含有两个隐藏层，网络的每层节点数设置为50-150-600-2000，即网络的输出节点数为2000。网络的解码过程可以描述为利用无监督学习将信号特征编码器自动提取的深度信号特征输入到重构解码器中以重构rf信号实现从特征域到数据域的映射。
[0125][0126]
其中，ωd表示重建解码器的参数。
[0127]
目标函数：利用无监督学习实现从数据域到特征域到数据域的映射。采用均方误差进行ae网络目标函数的建立，表示为：
[0128][0129]
6、训练ae网络：
[0130]
将理想训练数据集进行数据预处理后作为ae网络的输入，使用目标函数l
ae
训练ae网络，选用自适应矩估计(adam)优化器用于此网络训练，学习率设置为0.0001，批量大小设置为60，并保存训练后的网络，获得信号特征编码器和重构解码器的参数ω
sig
,ωd。
[0131]
7、设计frm网络：
[0132]
frm网络由rf特征编码器g
rf
(feature encoder)、重构解码器gd(reconstruction decoder)和度量得分器gs(metric scorer)组成，如图6所示。利用ae网络中训练好的信号特征编码器来固定深度信号特征，结合frm网络中的重构解码器，在特征域约束frm网络中的rf特征编码器可以自动学习不包含信号信息的深度rf特征h
rf
，将rf信息与rf特征一一映
射；并利用frm网络中的重构解码器和度量得分器分别通过无监督和有监督的双重学习来优化rf特征编码器，使其通过rf特征编码器从非理想rf信号中自动提取的深度rf特征在稳定性的同时具有良好的可分性。设计frm网络包括rf特征编码器、重构解码器和度量得分器的输入信号、网络结构和目标函数。
[0133]
1)rf特征编码器
[0134]
输入信号：rf特征编码器的输入选用携带rf信息的非理想rf信号y，设置网络的输入节点数为1000
×
2＝2000。
[0135]
网络结构：设置rf特征编码器含有两个隐藏层，隐藏层节点数小于输入节点数，网络的输出节点数设置为50，即深度rf特征为50维，网络每层的节点数设置为2000-600-150-50。网络的编码过程可以描述为将非理想rf信号输入到rf特征编码器中以自动学习深度rf特征，实现从数据域到特征域的映射，即：
[0136]hrf(nm)
＝g
rf
(y
nm
,θ
rf
)
[0137]
其中，θ
rf
表示rf特征编码器的参数。
[0138]
2)重构解码器
[0139]
输入信号：将非理想rf信号分别输入到frm网络中的rf特征编码器和训练好的ae网络中的信号特征编码中，以自动学习深度rf特征和提取深度信号特征。并将深度rf特征和深度信号特征进行拼接后作为重建解码器的输入，则网络的输入节点数为50
×
2＝100：
[0140]hrs
＝[h
rf
,h
sig
]
[0141]
网络结构：设置重构解码器含有两个隐藏层，网络每层的节点数设置为50-150-600-2000，即网络的输出节点数为2000。网络的解码过程可以描述为利用无监督学习将rf特征编码器自动提取的深度rf特征输入到重构解码器中以重构rf信号实现从特征域到数据域的映射。
[0142][0143]
其中，θd表示重建解码器的参数。
[0144]
目标函数：利用无监督学习实现从数据域到特征域到数据域的映射。采用均方误差进行frm网络的重构目标函数的建立，表示为：
[0145][0146]
3)度量得分器
[0147]
度量学习是模式识别的核心问题之一。为了测量信号样本之间的相似性，度量学习也可以被认为是相似性。本发明选用度量学习的目的是使网络在学习过程中减少同类辐射源中不同im参数下的rf信号样本在特征域之间的距离，增加不同类辐射源下的rf信号样本在特征域之间的距离。因此，度量学习方法旨在提高rf特征编码器自动提取的深度rf特征在特征域具有良好的可分性。
[0148]
输入信号：根据广义端到端目标函数的设计概念，度量得分器的输入设置为一个批次样本，包括n个不同类辐射源，并且每类辐射源下有m个样本，如图7所示。因此，首先，需要获取(n
×
m)个rf信号y
nm
(1≤n≤n,1≤m≤m)来构建一个批次样本，即：
[0149]
[(y
11
,y
12
,
…
,y
1m
),(y
21
,y
22
,
…
,y
2m
),
…
,(y
n1
,y
n2
,
…
,y
nm
)]
[0150]
然后，将其输入到rf特征编码器来自动提取这一个批次样本的(n
×
m)个深度rf特征h
rf(nm)
(表示第n类辐射源的第m个深度rf特征)，即：
[0151]
[(h
rf(11)
,h
rf(12)
,
…
,h
rf(1m)
),(h
rf(21)
,h
rf(22)
,
…
,h
rf(2m)
),
…
,(h
rf(n1)
,h
rf(n2)
,
…
,h
rf(nm)
)]
[0152]
其次，分别计算第k类辐射源的m个样本的深度rf特征h
rf(ki)
＝(h
rf(k1)
,h
rf(k2)
,
…
,h
rf(km)
),(k＝1,
…
,n,i＝1,
…
,m)的深度rf特征质心：
[0153][0154]
最后，将一个批次样本中的(n
×
m)个深度rf特征，分别与n个深度rf特征质心进行拼接，组成(n
×m×
n)个rf特征对，作为度量得分器的输入。
[0155]
其中，当k＝n，在计算质心时删除此样本的深度rf特征可以使网络训练更加稳定，因此，当k＝n时，使用以下公式计算深度rf特征质心：
[0156][0157]
因此，(n
×m×
n)个rf特征对表示为：
[0158][0159]
网络结构：设置度量得分器含有两个隐藏层，网络每层的节点数设置为100-50-20-1，即网络的输入节点数为100，网络的输出节点数为1。网络的度量得分过程可以描述为将rf特征对输入到度量得分器中以计算深度rf特征和深度rf特征质心的相似度。
[0160]
通过度量得分器计算每个rf特征对之间的相似性得分，可以表示为：
[0161]snmk
＝gs(h
rf(nmk)
,θs)
[0162]
其中，θs表示度量得分器的参数。
[0163]
目标函数：在度量得分器中，对于每类辐射源m个样本中的每个深度rf特征应该与同类辐射源的深度rf特征质心具有更高的相似性，并且远离不同类辐射源的深度rf特征质心。也就是说，当k＝n时，表明rf特征对中的深度rf特征和深度rf特征质心属于同类，即正样本，当k≠n时，表明rf特征对中的深度rf特征和深度rf特征质心属于不同类，即负样本。如图7所示，度量得分器的预期效果是使相似性得分的有色部分具有较大的值，而灰色部分具有较小的值。
[0164]
在计算目标函数时，首先将一个批次样本的(n
×m×
n)相似性得分映射到维度为(n
×
m,n)的相似性得分矩阵中，即：
[0165]
将步骤3)中计算出的相似性得分映射到维度为(n
×
m,n)的相似性矩阵s中：
[0166]
[0167]
其中，上角标t代表矩阵的转置；
[0168]
为了将相似性得分的范围映射到0～1，采用softmax函数应用于矩阵每一行的相似性得分，然后将相似性得分回归到交叉熵(ce)目标函数。当k＝n时，即正样本时，使得度量得分器的输出等于1，否则，即负样本时输出等于0。则一个样本的相似性得分的度量目标函数表示为：
[0169][0170]
其中，第一项是正样本的目标函数，第二项是负样本的目标函数。
[0171]
因此，一个批次样本的度量目标函数表示为：
[0172][0173]
总目标函数：
[0174]
在frm网络中，将rf特征编码器、重建解码器和度量得分器视为一个整体神经网络，对三个子网络进行端到端联合训练，以在一个方向上优化它们，这样可以消除单独网络训练过程中的不一致性，从而获得最佳网络。因此，frm网络的总目标函数表示为：
[0175]
l
frm
＝λ1lr+λ2l
ms
[0176]
其中，λ1,λ2分别表示重建目标函数和度量目标函数的比例权重。
[0177]
8、训练frm网络：
[0178]
将建模训练数据进行数据预处理后集作为frm网络的输入，使用目标函数l
frm
训练frm网络，选用adam优化器用于此网络训练，学习率设置为0.0001，批量大小设置为3
×
20，即一个批次包含三类辐射源，每类辐射源有20个样本。并保存训练后的网络，获得rf特征编码器、重构解码器和度量得分器的参数θ
rf
,θd,θs。
[0179]
9、构建深度rf特征质心数据库：在最后一次网络训练中，保存每批次计算的每类辐射源发射的rf信号通过rf特征编码器自动提取的深度rf特征质心，并对其进行平均化，以构建深度rf特征质心数据库。
[0180]
10、测试frm网络：
[0181]
使用建模测试数据集进行frm网络测试。将测试数据进行数据预处理作为frm网络的输入，通过训练好的rf特征编码器来自动提取深度rf特征后进行可分性和稳定性分析。
[0182]
本发明方法的仿真结果为：
[0183]
图8为由frm网络提取的三类res模型的50维深度rf特征的热力分布图。可以看出，frm网络提取的三类res模型的深度rf特征存在明显差异，证明将rf信息与rf特性进行了一一对应，在结构层次上进行了rf特征提取。
[0184]
图9、图10、图11为利用frm网络分别在三种im下(cw、bpsk、lfm)提取的深度rf特征在二维空间中的可视化分布图，可以看出三类res模型分别在不同im下提取的深度rf特征均具有良好的可区分性。
[0185]
图12为利用frm网络在三种混合im下(cw、bpsk、lfm)提取的深度rf特征在二维空
间中的可视化分布图，可以看出三类res模型在不同im下提取的深度rf特征均具有良好的可区分性，并且同类res模型下不同im被聚集在一起，验证了可变参数下深度rf特征具有良好的稳定性。
[0186]
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

技术特征：
1.一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述方法具体包括以下步骤：步骤1、建模n类辐射源结构模型，通过调整um参数，分别为每类辐射源结构模型生成p个辐射源个体；通过调整各个辐射源个体的im调制参数，生成携带rf信息的rf信号样本集，将生成的携带rf信息的rf信号样本集作为建模数据集；根据生成建模数据集时采用的im调制参数来生成不携带rf信息的rf信号样本集，将生成的不携带rf信息的rf信号样本集作为理想训练数据集；步骤2、分别对建模数据集和理想训练数据集中的每个rf信号样本进行处理，得到每个rf信号样本对应的处理结果；步骤3、搭建ae网络，所述ae网络中包括信号特征编码器f
sig
和重构解码器f
d
，利用理想训练数据集中的rf信号样本的处理结果对搭建的ae网络进行训练；步骤4、设计frm网络，所述frm网络中包括rf特征编码器g
rf
、重构解码器g
d
和度量得分器g
s
，利用建模数据集中的rf信号样本的处理结果和训练好的ae网络对frm网络进行训练；步骤5、获取待检测rf信号，对获取的信号进行处理后，将处理结果输入训练好的受信号特征编码器f
sig
输出约束的frm网络，将rf特征编码器g
rf
的输出作为辐射源射频特征提取结果。2.根据权利要求1所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述不携带rf信息的rf信号样本为：y
id
＝x
im
＝im(s)其中，y
id
为不携带rf信息的rf信号样本，s为基带信号，im(
·
)为im系统；所述携带rf信息的rf信号样本为：y
nid
＝rf(x
im
)＝rf(im(s))其中，y
nid
为携带rf信息的rf信号样本，rf(
·
)为rf系统。3.根据权利要求2所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述rf信号样本的处理方式为：对于任一rf信号样本，从该rf信号样本中提取同相数据和正交数据：再将同相数据和正交数据串联：x
′
＝[x
i
,x
q
]其中，x
i
为同相数据，x
q
为正交数据，x
′
为串联结果；对串联结果x
′
进行最大绝对值归一化处理，则该rf信号样本对应的处理结果为：其中，x为该rf信号样本对应的处理结果，|x
′
max
|为串联结果中的数据的最大绝对值。4.根据权利要求3所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述对搭建的ae网络进行训练时采用的优化器为自适应矩估计优化器，学习率设置为0.0001，采用的目标函数为：
其中，l
ae
为训练ae网络时采用的目标函数，x
i
为理想训练数据集中的第i个rf信号样本对应的处理结果，为x
i
经过ae网络的输出，||
·
||为2范数，q代表批量大小。5.根据权利要求4所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述x
i
经过ae网络的输出为：h
s
′
ig
＝f
sig
(x
i
,ω
sig
)其中，f
sig
为信号特征编码器，ω
sig
为信号特征编码器的参数，h
′
sig
为信号特征编码器的输出，f
d
为重构解码器，ω
d
为重构解码器的参数。6.根据权利要求5所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述对frm网络进行训练时采用的优化器为自适应矩估计优化器，学习率设置为0.0001，采用的目标函数为：l
frm
＝λ1l
r
+λ2l
ms
其中，l
frm
为训练frm网络时采用的目标函数，l
r
为重建目标函数，l
ms
为度量目标函数，λ1表示重建目标函数的比例权重，λ2表示度量目标函数的比例权重。7.根据权利要求6所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述重建目标函数为：其中，y
nm
为建模数据集中第n类辐射源下第m个rf信号样本对应的处理结果，为y
nm
经过受ae网络的特征编码器输出约束的frm网络的输出，n为辐射源类的总数，m为批样本中每类辐射源下rf信号样本的个数。8.根据权利要求7所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述y
nm
经过受ae网络输出约束的frm网络的输出为：其中，θ
d
为frm网络的重构解码器g
d
的参数，h
rs
为h
rf(nm)
和h
sig
的拼接结果，h
sig
为y
nm
经过训练好的ae网络的信号特征编码器f
sig
的输出，h
rf(nm)
为y
nm
经过frm网络的rf特征编码器g
rf
的输出；h
rf(nm)
＝g
rf
(y
nm
,θ
rf
)其中，θ
rf
表示rf特征编码器的参数。9.根据权利要求8所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述度量目标函数l
ms
的计算过程为：步骤1)、将批样本中的rf信号样本对应的处理结果表示为[(y
11
,y
12
,
…
,y
1m
),(y
21
,y
22
,
…
,y
2m
),
…
,(y
n1
,y
n2
,
…
,y
nm
)]，将批样本中的rf信号样本对应的处理结果输入frm网络后，将frm网络的rf特征编码器g
rf
输出的深度rf特征表示为：[(h
rf(11)
,h
rf(12)
,
…
,h
rf(1m)
),(h
rf(21)
,h
rf(22)
,
…
,h
rf(2m)
),
…
,(h
rf(n1)
,h
rf(n2)
,
…
,h
rf(nm)
)]；
步骤2)、计算深度rf特征质心，将步骤1)中输出的深度rf特征与计算出的深度rf特征质心进行拼接组成n
×
m
×
n个rf特征对，将组成的n
×
m
×
n个rf特征对作为度量得分器的输入；所述步骤2)中，将步骤1)中输出的深度rf特征与计算出的深度rf特征质心进行拼接，其具体为：其中，h
rf(nm)
代表批样本中的rf信号样本y
nm
对应的处理结果经过frm网络的rf特征编码器的输出，代表当k＝n时，h
rf(nm)
对应的深度rf特征质心，c
k
代表当k≠n时，h
rf(nm)
对应的深度rf特征质心，h
rf(nmk)
代表rf信号样本y
nm
与深度rf特征质心的拼接结果；步骤3)、利用度量得分器g
s
计算出每个rf特征对中的rf特征与深度rf特征质心之间的相似性得分：s
nmk
＝g
s
(h
rf(nmk)
,θ
s
)其中，θ
s
表示度量得分器的参数；步骤4)、根据步骤3)的结果构造度量目标函数l
ms
；所述步骤4)的具体过程为：所述步骤4)的具体过程为：其中，l
ms
为中间变量，log是以e为底的对数。10.根据权利要求9所述的一种基于度量与深度学习的辐射源射频特征提取方法，其特征在于，所述c
k
和的计算过程为：其中，h
rf(ki)
代表批样本中第k类辐射源下的第i个rf信号样本对应的处理结果经过frm网络的rf特征编码器的输出，ε
i
[
·
]表示求均值；

技术总结
一种基于度量与深度学习的辐射源射频特征提取方法，它属于辐射源射频特征提取技术领域。本发明解决了采用现有方法难以提取到具有良好的稳定性和可分性的RF特征，且提取的RF特征易受IM信息的干扰而失效的问题。本发明方法为：构建建模数据集和理想训练数据集；对构建数据集中的每个RF信号样本进行处理，得到每个RF信号样本对应的处理结果；利用理想训练数据集中RF信号样本的处理结果对搭建的AE网络进行训练；利用建模数据集中RF信号样本的处理结果和训练好的AE网络对FRM网络进行训练；对待检测RF信号进行处理后，将处理结果输入训练好的受信号特征编码器输出约束的FRM网络，得到辐射源射频特征提取结果。本发明可以应用于辐射源射频特征提取。射源射频特征提取。射源射频特征提取。


技术研发人员：刘鲁涛 张伟 蒋伊琳
受保护的技术使用者：哈尔滨工程大学
技术研发日：2023.06.21
技术公布日：2023/9/12