黄元

四川大学 电子信息学院 四川 成都 610065

引言

辐射源个体识别(SEI)是基于发射信号的射频指纹对单个发射器进行识别的方法。一般情况下，发射机的畸变是由发射机部件和周围环境引起的，可以看作是识别发射机的特定特征或指纹。射频指纹反映了发射机硬件组件之间的差异。制造过程中的细微差异和不准确之处决定了传输信号中包含的独特特性，因此可以通过无线设备发送的信号来识别该设备。

SEI在军事和民用应用中得到了广泛的研究。在军事应用中，通过分析发射信号来判断敌方设备的状态[1]。在民用应用中，SEI技术经常用于提高认知无线电、自组织网络和蜂窝网络的效率和安全性。从待识别的发射器的工作状态来看，SEI方案可以分为两类：利用瞬态信号特征的方案和利用稳态信号特征的方案。张静文等人[2]利用EMD分解对辐射源信号进行识别，获得了比较好的效果。但EMD存在模态混淆的问题。刘明骞等人[3]同时利用了EMD与VMD的优势，获得了较好的效果。黄颖坤等人[4]将雷达信号变换到时频域，通过栈式编码模型来进行特征的提取。

同步压缩变换[5](WSST)能够获得比传统时频分析（如小波变换）更为“精细”的时频图，其对频率方向的能量重新分配使得辐射源特征更加准确清晰地展现出来。一般来说，时频分析使得辐射源信号更容易处理，时频分析技术处理之后还会进行二次特征提取，识别效果才会比较好。考虑到深度神经网络GoogLeNet强大的特征提取能力，因此，本文使用GoogLeNet来进行二次特征提取。……