基于回归分析理论的辐射源个体识别技术_赵雅琴.pdf

基于回归分析理论的辐射源个体识别技术赵雅琴杨荣乾吴龙文*何胜阳牛金鹏赵亮(哈尔滨工业大学电子与信息工程学院哈尔滨150001)(华为技术有限公司北京研究所北京100085)(中国铁路哈尔滨局集团有限公司工电检测所哈尔滨150001)摘要：针对目前辐射源个体识别未能将信号特征与硬件组成相联系的问题，该文使用高阶谱分析和变分模态分解(VMD)两种特征提取手段，进行研究分析，采用围线双谱积分以及改进变分模态分解技术对半实物平台仿真信号以及软件仿真(ADS)输出信号进行特征提取并分析。通过软件仿真定量分析辐射源相位噪声以及功率放大电路非线性失真对信号无意调制特征的影响，对变量进行相关性分析，并对其中显著相关的变量进行回归拟合，得到其相关回归函数。然后利用硬件与特征的相关性，改进传统支持向量机(SVM)分类器，构建相关性权重支持向量机分类器。最后分别以软件仿真输出信号以及半实物仿真平台实测信号为样本进行验证，结果表明，同信噪比下权重支持向量机与传统支持向量机相比分类准确率提升在10%以上。关键词：辐射源个体识别；特征提取；回归分析；权重支持向量机中图分类号：TN971.1文献标识码：A文章编号：1009-5896(2023)04-1227-09DOI:10.11999/JEIT220190Specific Emitter Identification Based on Regression Analysis TheoryZHAOYaqinYANGRongqianWULongwenHEShengyangNIUJinpengZHAOLiang(School of Electronics and Information Engineering,Harbin Institute of Technology,Harbin 150001,China)(Beijing Research Institute,Huawei Technology Limited Company,Beijing 100085,China)(Institute of Industrial and Electrical Testing,China Railway Harbin Group Co.Ltd.,Harbin 150001,China)Abstract:Focusingontheproblemthatthesignalcharacteristicsarenotrelatedtothehardwarecompositioninthespecificemitteridentification,twofeatureextractionmethodsareusedinthispaper:high-orderspectralanalysisandVariationalModalDecomposition(VMD)forresearchandanalysis.Thesurrounding-linebispectralintegrationandimprovedVMDtechnologyareusedtoextractandanalyzethefeaturesofthehardwareinthesemi-physicalsimulationsignalandAdvancedDesignSystem(ADS)outputsignal.ThroughADS,theinfluenceofemitterphasenoiseandnonlineardistortionofpoweramplifieronsignalunintentionalmodulationcharacteristicsisquantitativelyanalyzed,thecorrelationofvariablesisanalyzed,andthesignificantlyrelatedvariablesareregressedandfittedtoobtaintheircorrelationregressionfunction.Usingthecorrelationbetweenhardwareandfeatures,thetraditionalSupportVectorMachines(SVM)classifierisimprovedtoconstructacorrelationweightSVMclassifier.Finally,theresultsshowthattheclassificationaccuracyofweightedSVMisimprovedbymorethan10%comparedwithsinglecoreSVMunderthesamesignal-to-noiseratio.Key words:Specificemitteridentification;Featureextraction;Regressionanalysis;WeightedSupportVectorMachine(SVM)收稿日期：2022-02-25；改回日期：2022-08-29；网络出版：2022-09-09*通信作者：吴龙文基金项目：国家自然科学基金(61671185,62071153)FoundationItems:TheNationalNaturalScienceFoundationofChina(61671185,62071153)第45卷第4期电子与信息学报Vol.45No.42023年4月JournalofElectronics&InformationTechnologyApr.20231 引言现代战争中电子对抗从功能上主要分为电子侦察、电子干扰和电子防御3部分。其中电子侦察是一切对抗的基础，但随着军事技术的发展，传统的辐射源识别技术逐渐不能满足当前战场对抗，如何针对无意调制特征与硬件相关性进行深入研究来提高辐射源个体识别率，成为电子侦察领域的重要方向。但从国内外文献可以看出很少有对无意调制特征与硬件相关性的深入分析，本文则旨在以辐射源结构中重要的振荡器和功率放大器为核心，研究无意调制特征与其相关性。高阶谱分析是结合高阶量与信号谱分析的一种方法，因为其对高斯白噪声有较好的抑制性，且具备分析辐射源信号细微特征的能力，在处理非线性信号时表现优异，因此本文选用高阶谱分析提取辐射源无意调制特征，考虑到运算量和效率等问题，辐射源个体识别中常用双谱特征。文献1将雷达信号的双谱特征输入神经网络，实现调制识别，在低信噪比的情况下，仍然有较高的识别率；文献2提出一种基于对角积分双谱的三特征融合检测方法，具有更好的检测性能；文献3基于功率谱密度和分数阶傅里叶变换对双谱分析方法进行改进，提高了基于稳态特征的辐射源分类精度。变分模态分解(VariationalModalDecomposi-tion,VMD)4是自适应时频分析方法，通过引入拉格朗日函数的方法，将信号分解为多个窄幅子模态。文献5先通过变分模态分解对信号进行自适应分解得到固有模态函数分量，再从中选择敏感分量循环神经网络评估模型；文献6针对辐射源识别提出一种脉冲到达时间处理，通过VMD对信号分解后将包络以及相位信息送分类器进行识别分析；文献7提出使用基于变分模态解析器的方法来提取雷达脉冲幅度包络上的无意调制特征；文献8提出一种基于模态各维度分量特征的无意调制信号识别方法。目前国内外学者对于辐射源无意调制机理以及信号建模的分析大抵分为对振荡器相位噪声的研究以及功率放大器非线性失真引起信号改变。文献9对功率放大器的非线性效应进行了建模和分析，通过发射机的非线性来进行分类；文献10分析了无线设备的振荡器相位噪声的影响，并将其用于分类。回归分析与相关性研究是一类用于研究变量之间影响关系情况的数学统计方法，经过回归分析用于挖掘两变量的内含关系，并对变量进行拟合。文献11使用皮尔逊相关系数来对特征进行选择，来对脑电数据进行分析计算。在分类识别方面，加权支持向量机(SupportVectorMachines,SVM)的识别效果较好。文献12将不同尺度的特征层加权融合，并选出最优的特征融合方式，提高了检测精度；文献13提出了一种基于Relief-F特征加权的支持向量机的方法，具有比传统支持向量机更好的鲁棒性和分类能力。本文针对辐射源个体识别技术，探究辐射源信号的无意调制特征与发射机硬件的关系以及相应的特征提取分类技术研究。首先使用辐射源信号分别从高阶谱分析和VMD变分模态分解技术对半实物平台仿真信号以及ADS(AdvancedDesignSystem)输出信号进行特征提取，然后定量分析辐射源硬件电路振荡器相位噪声强度以及功率放大电路非线性失真对输出信号的影响，建立拟合曲线，构建权重支持向量机对输出信号进行分类识别。2 辐射源多域特征提取2.1 围线积分双谱特征双谱分析需要很高的计算量，因此一般采用围线积分双谱处理方法，沿着固定的路径对双谱进行积分处理14，在减小计算量的同时尽可能地保证信息的完整度，本文选择一种正方形围线双谱积分路径，积分路径如图1所示。均值是数据分析的最常用特征，同时引入波形熵和能量熵的概念，分别对信号高阶量的波形分布情况和能量分布情况进行提取，以此3个特征为基础构建向量，具体分析其与辐射源硬件的相关性。B(1,2)假设信号双谱估计为，沿正方形路径对途径的各点进行处理，则围线双谱估计值为wi=RiB(x,y)dxdy,(x,y)Ri(1)该式是对i层路径进行计算，假设路径个数为K个，则要获得信号的全值，需要将各路径双谱估计进行计算，由上述定义，可以求得K个积分路径的双谱积分均值为=1KKi=1wi(2)图1双谱围线积分路径1228电子与信息学报第45卷进一步可得围线双谱特征的波形熵和能量熵为E(w)=Ki=1Pi lgPi(3)Eb(m)=Ni=1Nj=1Pij lgPij(4)其中，m为抽取后的双谱子矩阵。2.2 基于希尔伯特变换的改进VMD算法希尔伯特变换(HilbertTransform,HT)是在信号处理过程中引入傅里叶变换调和分析方法，可以得出信号的解析形式，本文参考希尔伯特-黄变换，结合VMD的理论基础，来对辐射源信号进行模态分解，更好地表征其非线性、非稳态特性。首先对信号进行VMD，获得K个本征模态函数(IntrinsicModeFunction,IMF)，对每个模态进行HT变换，得到瞬时幅度的信息，由于辐射源信号携带的相位噪声及谐波失真等个体信息，经分解后的子模态的均值也会存在较大差异，定义VMD均值为IMFk=1NNi=1IMFki(5)其中，k为子模态数目，N为时间序列长度，VMD实现了对信号的去噪，对子模态求均值更能反映信号的真实信息。本文对实验样本进行k=2,3,4时的VMD实验，得到的中心频率如表1。由表1可知，当k值为4时，相邻中心频率的比值约为0.89，有过分解的趋势15，所以将k值设为3。对子模态的相关性进行分析，定义VMD系数为r=3k=1Mi=1(IMFki IMFk)3k=1|Ni=1(IMFki IMFk)2(6)IMFkiIMFk式中，分别为VMD后的第k个子模态的第i个值，为对应的均值。VMD的波形熵与能量熵提取主要依赖于分解之后的子模态函数，当对主信号分解后，能量会散E1,E2,.,Ek布在各个子模态中，此时总能量虽然不变，但是能量熵会发生改变，假设子模态中包含的能量为，则信号的VMD能量熵可定义为HEk=ni=1PklgPk(7)pk=Ek/E式中，为第k个子模态的能量占比。3 相关性分析理论基础本文在对辐射源结构与特征相关性分析的时候，选取振荡器和功率放大器两部分构建对应的样本集，观察参量发生变化后信号无意调制特征的改变，进一步对其进行相关分析明确变量关系，通过拟合回归分析方法进行拟合回归方程建立变量函数关系。由于本文所建立样本集为小样本集，而线性回归对小样本拟合效果也较好，并且建模简单，所以后续采用线性回归模型进行分析。(1)建立样本集确定变量。回归分析主要是对影响变量和预测变量进行统计性描述，本