史萌恺，黄渊凌，王桂良

(1.战略支援部队信息工程大学 信息系统工程学院，郑州 450001；2.盲信号处理国家级重点实验室，成都 610041)

0 引 言

辐射源个体识别(Specific Emitter Identification,SEI)技术在无线安全[1]、电磁频谱检测、认知无线电[2]以及自组织网[3]中有着广泛的应用。该技术通过提取射频信号与硬件相关的射频指纹特征(Radio Frequency Fingerprint,RFF)，实现对特定辐射源设备的识别，因此能够不依赖于信号内涵实现对发射设备的识别。但是，SEI所使用的特征在信号中的表现普遍比较细微，因此很容易受到接收机自身硬件特性的影响。这一特性为广域运动目标识别、多平台协同识别、识别特征库迁移等应用带来了很大的困难。因此，通过分析接收机畸变对RFF的影响，在接收机设计阶段就考虑抑制其影响是一项具有很高现实应用意义的研究。

现有的SEI技术主要可以分为两类[4]：基于辐射源机理的SEI和基于机器学习的SEI。基于辐射源畸变机理的SEI主要是通过分析辐射源指纹特征的来源和产生机理、构建机理模型或数学表示、估计畸变参数的方式来获得辐射源指纹特征，常用的畸变机理模型有射频振荡器畸变模型[5]、功放非线性畸变模型[6]、正交调制器畸变模型[7]等，常用的数学表示有Hilbert-Huang变换[8]、离散小波变换[9]、调制星座图[10]等。基于机器学习的SEI主要是借鉴语音处理以及图像识别领域的识别方案[11-12]，利用近几年机器学习的理论成果来进行特征提取和识别，主要使用的算法有卷积神经网络(Convolutional Neural Network,CNN)和深度残差网络等，但两种技术路线均无法回避接收机畸变对特征产生的影响。……