张宸嘉，朱 磊，陈 璞，俞 璐

（陆军工程大学，江苏 南京 210007）

0 引 言

辐射源个体识别，又称为辐射源指纹识别或特定辐射源识别（Specific Emitter Identification，SEI），是电子侦察识别最重要的非合作识别手段之一，在战场目标识别中发挥着不可替代的作用[1]。最早从二战开始，辐射源个体识别已经成为战场的重要需求之一。电子侦察识别领域中，为了进一步掌握电磁态势，往往通过测量辐射源各项指标与参数，经过一定处理后用来对辐射源个体的型号、工作方式等属性进行识别。然而，随着电磁环境的日益复杂与通信技术的迅猛发展，各种通信设备层出不穷，使得辐射源的信号样式变得越来越复杂。各种不同种类的辐射源信号混杂在一起增加了识别难度，导致基于传统的提取辐射源参数和指标来进行识别的方法变得愈加困难，收益也越来越差[2]。此外，要想获取关键电台所发出的电磁信息，不仅需要对型号等参数的识别，还需要对区别细微的同型号辐射源个体进行识别。因此，辐射源个体识别技术应运而生，能够准确提供有关目标辐射源配置、部署情况以及关键节点信号等重要的信息，具有广泛的应用前景与意义。

辐射源个体识别是提升通信网络安全的重要手段。通过辐射源个体识别，可以在非协同的条件下实现对通信信号的合理分析，从而提供辐射源设备的有效信息，为后续的网络通联关系分析、网络关键节点分析等打下坚实的基础。在电磁环境日益复杂的今天，如何在通信中及早确认关键电台所发出的信息显得尤为重要。因此，研究辐射源个体识别具有重要意义和价值。

深度学习方法在计算机视觉、语音识别和数据分类等领域都发挥着显著作用，成为众多分类方法的佼佼者[3]。鉴于辐射源信息的复杂性与传输过程中的许多干扰，辐射源的传统特征如积分双谱等无法全面表达辐射源信号的特征。深度网络模型通过不断训练提取数据样本特征，可以表达复杂的非线性函数关系，得到数据丰富的本质信息，在辐射源个体识别领域有着更好的识别效果[4]。

近两年，注意力模型（Attention Model）在图像分割、NLP、图像识别、语音识别及计算机视觉等领域受到了大量关注，也获得了广泛应用，如SANet[5]、VSG-Net[6]等，是深度学习领域中值得关注与探索研究的方法[7]。

视觉注意力机制是人类视觉所特有的大脑信号处理机制[8]。视觉注意力机制的思想借鉴了人类在关注图像信息时的行为。人类关注图像信息时，会下意识地关注整个图像的总体，并将更多的注意力与关注的重心放于拥有更多可用有利信息上，也就是注意力焦点。注意力焦点即注意力机制思想中需要重点关注的目标区域。因为人的注意力是有限的，通过将更多的注意力资源投入到注意力焦点上，可以获得更加丰富的目标信息，同时进一步提升获取目标信息的效率与速度，有利于各种任务资源投入的合理化。注意力机制是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段，是人类在长期进化中形成的一种生存机制。人类视觉注意力机制极大地提高了视觉信息处理的效率与准确性[9]。

图1为人类在看到一副图像时如何将有限的注意力资源进行合理且高效分配的实例。当人类注视目标时，投入更多注意力资源的区域标为深色。可见，当面对图1时，人们往往会把注意力更多投入到人的脸部、文本的标题以及文章首句等关键并具有更多可用信息的位置。

深度学习中的注意力机制从思想上借鉴了人类的选择性视觉注意力机制，利用人类视觉的特点，从众多冗余信息中选择出对当前任务目标更关键、效用更高的信息[10]。

本文着眼于电台辐射源个体识别任务，以残差网络[11]为基础，结合注意力机制的思想，将双注意力机制引入预处理层与特征提取层，实现对神经网络的优化。针对5台同型号电台进行个体识别，对比传统特征提取与深度神经网络方法，在参数量小幅上涨的代价下，大幅提升了辐射源个体分类识别的效果。

1 注意力机制设计与使用

1.1 软阈值化中的注意力机制

为了降低信号传播过程中的噪声对辐射源个体识别的干扰，本文方法在识别任务前运用软阈值化操作对辐射源数据进行降噪处理，同时运用注意力机制的思想，自适应地修改阈值，进一步提升了辐射源数据的识别效果。

区别于传统的固定阈值的方法，本文提出的软阈值化方法中阈值设定借鉴SE-Net[12]中所采用的实现注意力机制的经典方法[13]，即挤压激励操作（Squeeze and Excitation），结构如图2所示。

每张特征图通过全局平均池化操作进行挤压成一个实数（见式（1）），这个实数具有特征图上的全局信息，每张特征图的挤压结果组合成一个向量作为每个特征图的权重，其中H和W分别为特征图的高和宽，zc为卷积后的结果，将此向量通过全连接层与激活函数（见式（2）），训练结果用来放大对于识别任务更加重要特征图的权重，缩小不重要特征图的权重，其中σ为relu激活函数，δ为sigmoid激活函数，W1与W2代表过两个不同的全连接层。此向量s通过式（3）激励原特征图，指导特征图不断向着有利于识别任务的方向更新。

本文同时借鉴ECA-Net的思想，通过一维卷积层汇总跨信道信息的方法对其进行改进构建了通道注意力模块[14]，其结构如图3所示。

本文首次在软阈值化操作中引入双路注意力的思想，汇总通道与空间两方面的注意力信息作为阈值，并在每次训练时自适应地修改阈值，提升了软阈值化的效果。此时的阈值并不是一个确切的值，而是一个动态生成的与特征图同尺寸的矩阵。通过将原特征图与阈值进行对比，保留特征图中注意力较高的部分，可达到提升网络效果的作用。获取阈值的过程，如图4所示。

其中：CA模块为通道注意力模块（Channel Attention Module），结构如图5所示；SA模块为空间注意力模块（Spatial Attention Module），结构如图6所示。这两个模块分别从通道与空间两个方向提取特征图中的注意力信息，提取不同通道与空间中不同位置的权重信息，自适应更新特征图。

1.2 深度神经网络中的注意力机制

本文在针对辐射源个体识别任务的深度网络中首次嵌入图像分割领域的双注意力模块，从通道与空间两个分支构建特征图的相关性矩阵，用此矩阵引导对特征图的更新，增大关键特征的权重，使得将更多的注意力放在更易于进行区分的优秀特征上[15]。双注意力模块结构如图7所示。

PAM是空间分支，结构如图8所示。CAM是通道分支[16]，结构如图9所示。这两个分支通过对特征图的处理，分别构建了关于特征图通道与空间位置的相关性矩阵X与S，并以此矩阵来引导特征图不同通道与空间位置权重的更新方向，以使得更多的资源投入到更容易对目标进行区分的地方。

2 深度神经网络模型搭建

由于主要目的是对电台辐射源信息进行分类任务，因此本文深度神经网络模型以卷积神经网络为基础模型，通过软阈值化模块对输入的电台辐射源信息进行降噪处理，然后在软阈值化过程和神经网络模型中分别嵌入不同的多路注意力模块，以实现融合辐射源信号的多维度特征[17]，合理调整参数，提升模型效果。本文使用的深度神经网络模型，如图10所示。本文在软阈值化与双注意力网络中使用了两种不同方式的双注意力机制。相对于使用同一种注意力机制而言，使用两种方式可以利用不同注意力提取方式的差异性，更全面和精准地提取辐射源信号的关键信息，获得更优秀、利于识别任务的特征，从而进一步提升整个识别任务的效果。

3 仿真实验和分析

3.1 辐射源数据采集

在实验室环境中，利用6台同型号USRP设备，其中5台作为发送设备，1台作为接收设备。5台辐射源设备同时发送主频为1 GHz的辐射源信号，将所接收到的5台辐射源设备的信号通过LabView进行数据处理。接收端接收的信号如图11所示。

将经过处理后的5类辐射源信号作为数据集，分别以传统手动特征提取方法、普通深度神经网络方法和本文提出的深度注意力神经网络方法进行辐射源个体识别实验。输入网络中数据的尺寸为2×128，样本数为100 000，其中90%作为训练集，10%作为测试集。网络的batch size为128，训练100轮次，损失函数为交叉熵函数，使用Adam算法来优化网络。

3.2 实验结果与分析

本文将传统提取SIB特征、以支持向量机（Support Vector Machine，SVM）作为分类器的方法、普通神经网络方法与本文提出的方法，分别针对采集到的数据集进行实验，实验结果如图12所示。

由实验结果可见，对比传统手动特征提取方法，两种基于深度神经网络的方法都有较高的识别率与较快的收敛速度，说明深度神经网络在辐射源个体识别领域有着更好的表现，提升了识别效果。将提出的方法所用到的技术进行拆分运用于普通神经网络，以验证其在辐射源个体识别方向上的提升效果，实验结果如图13所示。

实验显示，本文所使用的软阈值化技术与双注意力模块，都会在一定程度上提升对辐射源数据的识别效果，但是提升效果有限。对比普通神经网络，双注意力模块提升了1.82%的效果，而软阈值化技术提升了5.53%的效果。但是，如果将两种技术进行结合，在输入双注意力网络之前用软阈值化技术对数据自适应的生成注意力阈值，保留更加鲜明的易于识别的特征，那么特征图输入双注意力网络后所产生的相关性矩阵将更加具有针对性与更优的指导作用，从而进一步提升辐射源数据的识别效果。实验证明，本文所提出的辐射源个体识别方法识别率达到了87.52%，对比普通神经网络方法提升了11.17%，对比传统特征提取方法提升了27.38%的识别效果。

4 结 语

本文借鉴注意力机制思想对神经网络模型进行改进与优化，同时加入带有双注意力的软阈值化操作对数据进行处理。实验证明，对比传统的手动特征提取方法和普通深度神经网络方法，本文提出的辐射源个体识别方法显著提升了识别效果。本文使用的注意力模块为即插即用的轻量级模块，显著提升识别效果的代价仅为参数量的略微增加，同时训练速度也和普通神经网络基本一致。本文所提出的模型整体上在辐射源个体识别任务上对比其他方法有着更优效果，由于辐射源个体识别任务针对同型号辐射源设备的特殊性，不同设备的辐射源信号的差异性较小。若将计算资源平均地投入所有的特征上，势必会造成资源的大量浪费。注意力机制思想将会提取其中具有差异性的关键特征，将资源投入到关键特征中，会明显提升对于同型号辐射源设备的分类效果。同时，本文验证了注意力机制思想在辐射源个体识别领域的可行性，为未来辐射源个体识别方向的研究提供了一条可行的思路。