引言

特定辐射源识别(Specific Emitter Identification，SEI)是指从接收到的电磁信号中提取出细微的射频指纹特征，进而识别发射机的个体身份。射频指纹（RFF）源于发射机模拟组件因硬件缺陷所产生的独特特征［1］，当前射频指纹提取技术大多基于单接收机采集的数据。随着射频监测系统向多节点、协同化方向发展，辐射源识别研究的焦点也逐步转向了多接收机协同的场景。

多径传播导致各路径信号经历不同程度的幅度衰落、时延扩展和相位偏移，这种信道畸变会对发射机指纹造成污染。文献［2］收集了多种环境的SEI数据，表明基于卷积神经网络（CNN）的辐射源识别在不同信道环境中性能显著下降。克服信道影响的常用方法主要为：(1)基于信道估计的失真补偿。文献［3］设计了一个有限脉冲响应(FIR)滤波器来补偿无线信道，它会根据当前信道条件和发射机特性进行优化，然而，每次信道发生变化时，需不断重新计算最优滤波器参数。(2)基于信道频率响应的相关性。文献［4］提出无线信道的频率响应在短时间内不发生显著变化，构建与信道无关的频谱图可以在时频域中减轻信道影响，同时保留发射机指纹特征。

接收机作为信号采集的关键环节，即便采用高精度接收设备，基带信号仍会携带接收机的指纹信息。文献［5］发现当训练与测试使用同一接收器时系统性能稳定，而跨接收器场景下，识别准确率因接收机硬件畸变下降。目前，抑制接收机指纹污染的研究主要有3种思路：(1)基于失真耦合逆向建模的硬件校正。文献［6］提出一种基于载波泄漏与滤波器失真联合估计的校正方法以分离发射机指纹与接收机畸变，但其性能受限于失真参数的可辨识性。(2)基于深度学习的接收器特征分离。文献［7］通过引入多种损失函数来增强网络的泛化能力，让网络学习与接收器无关的特征，从而分离出发射机相关特征和接收器相关特征，然而深度学习模型通常被视为“黑箱”，其特征分离过程难以被系统性地解释和验证。(3)利用多接收机协同融合抑制接收机干扰。文献［8］通过协同使用多个失真接收机，利用空间分集增益抵消单个接收机失真的影响。

接收机获取的通信信号往往呈现显著的非平稳或非线性特性,近年来，基于信号分解的特征提取方法展现出独特优势，变分模态分解（VMD）通过构建约束变分优化问题，可将复杂信号自适应分解为具有明确中心频率的本征模态函数。文献［9］在单跳和中继场景下利用VMD将接收到的信号分解为各种时域和频域模态，提高了辐射源之间的可区分性。文献［10］利用改进的VMD算法来应对环境噪声与接收机失真的影响，提高了设备分类的准确性和对噪声的鲁棒性。但现有方法大多孤立地处理多径失真或接收机损伤，未能建立抑制信道—接收机联合干扰的框架，针对以上问题，本文提出了结合信道频率响应（Channel Frequency Response,CFR）相关性与联合变分模态分解（Joint Variational Modal Decomposition, JVMD）的多接收机协作OFDM辐射源识别方法。首先，利用CFR相关性提出频谱轮移比值算法抑制多径衰落带来的干扰，通过信道估计先去除衰落严重的子载波；然后，利用JVMD实现接收机协同分解，有效分离发射机指纹和接收机指纹;接着，结合非高斯特性设计动态阈值策略筛选出发射机指纹特征；最后，结合CNN分类器实现分类识别。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007025

作者信息：

朱丽，刘高辉

（西安理工大学自动化与信息工程学院，陕西西安710048）