基于信号特征知识图谱与宽度学习架构的特定辐射源识别*
华敏妤，张逸彬，孙金龙，桂冠
（南京邮电大学通信与信息工程学院，江苏 南京 210023）
在工业物联网环境下，工业数据流呈现数据量大、实时性强、信息传输多样化等特点[1-3]，难以进行识别和分类，从而会影响后序应用如故障检测，且进一步会对无线通信的安全造成威胁。由此可见，在工业物联网环境下特定辐射源识别（SEI,Specific Emitter Identification）[4]意义重大。
近年来，包括机器学习（ML,Machine Learning）和深度学习（DL,Deep Learning）在内的人工智能方法在信号处理领域取得了巨大成就。如自动调制识别[5-6]、信道状态信息预测与反馈[7-8]、恶意软件流量分类[9]、航班延误预测[10]等应用。然而，这些基于ML或DL的技术都需要强大算力的支持。因此，本文着重关注C Chen等人提出的新型宽度学习方法[11-14]。该方法利用一个单层前向传播网络完成信号处理，不需要反向传播来调整网络权重，以此实现快速高效的训练。基于其特殊的架构，宽度学习能够快速高效地进行网络训练，为大数据驱动任务的在线学习提供了一种新的解决方案。
在SEI领域，目前还没有建立有关射频信号特征的体系库，而构建这样一种射频信号特征知识体系库有助于为射频信号识别提供切实的、有价值的信息参考，使特征信号结果具有更强的可迁移性。因此，本文考虑将知识图谱（KG,Knowledge Graph）[15-19]技术引入SEI领域，并验证该方案的可行性。KG本质上是语义网络的知识库，具有将复杂的、零散的知识形式化表示的能力。该技术通过数据挖掘、信息处理、知识计量和图形绘制，对现实世界的事物及其之间的相互关系进行表征，实现了可视化信息，能够更加清晰地调用获取信息，提高了信息的利用效率与可解释性。
综上所述，在工业物联网复杂的环境下，对数据量大、实时性强的多源信号，本文旨在提出一种基于信号特征知识图谱与宽度学习架构的SEI方法，该方法能够实现信号特征可视化表征存储，同时，在识别性能和计算开销方面相较于传统的ML方法能够有一定的提升。
本文旨在提出一种快速有效的SEI方法实现工业物联网环境下射频信号的识别。如图1所示，特定辐射源识别系统由数据采集、KG、BLS架构以及设备识别四个部分组成。首先，利用辐射源信号采集设备采集数据，并进行数据预处理，生成可视化KG。然后，将接收到的PA信号作为KG-BLS架构的输入，KG-BLS架构包括外部和内部信号处理节点。最后，利用KG-BLS识别不同的辐射源设备，发现未经授权的非法设备。
图1 特定辐射源识别系统模型示意图
基于上述系统模型，本文利用所采集的6个PA数据作为模拟信号数据集。接收到的射频信号可以表示为：
由于SEI技术本质上是为了解决接收到的射频信号与对应的PA标签之间的匹配问题。本文假设数据集定义为，其中是对应不同辐射源设备的标签，则需要解决的问题可以定义为：
式中，fSEI(·)表示用于识别接收信号的映射函数，代表xi的预测标签类别，代表最优权重系数。此外，本文定义一组信号被正确识别的概率为准确率，可以表示为：
则对应的错误率可以表示为：ξ=1-α。因此，可以得到需要优化的目标函数为：
通过调整最有权重系数与fSEI(·)框架实现特定辐射源识别最大准确率与最小错误率。
由于目前大多数SEI算法都是基于ML算法框架实现的，而主流的SVM算法针对大规模训练样本会消耗大量的机器内存和运算时间。为此，本文提出可以采用宽度学习架构代替ML进行辐射源设备识别。在本节中，将详细介绍所提出的KG-BLS架构SEI算法，包括输入KG-BLS架构的信号特征、特征映射节点、增强节点以及KG-BLS输出识别结果。
2.1 构建信号知识图谱的特征表示
本文选取了均值、方差、标准差、峰度、偏度、四阶累积量、六阶累积量、最大值、最小值、中位数、峰峰值、整流平均值、均方根、方根幅值、波形因子、峰值因子、脉冲因子、裕度因子等作为时域提取的信号特征；
选取了重心频率、均方频率、均方根频率、频率方差、频率标准差、谱峭度的均值、谱峭度的标准差、谱峭度的峰度、谱峭度的偏度等作为频域提取的信号特征，以此构建电磁信号知识图谱。经人工特征遴选，所提取的上述特征针对于SEI问题均为有效特征。
（1）高阶累积量
特征函数是研究随机变量分布规律的一个重要工具。设随机变量x的概率密度函数为f(x)，则x的特征函数定义为：
将特征函数φ(v)对v求k阶导数：
则x的k阶矩定义为：
即x的k阶矩为其特征函数φ(v)的k阶导数在v=0的值。将特征函数取对数定义为累量生成函数，即累量生成函数为：
将累量生成函数ψ(v)的k阶导数在v=0的值称为x的k阶累积量，表示为Ck，即：
高阶累积量[20-21]不仅可以提取由于高斯性偏离引起的各种信息，而且能够自动抑制高斯噪声和对称分布噪声的影响，可以有效地对信号进行检验和表征。
（2）峰度与偏度
峰度[22]可以用来度量随机变量概率分布的陡峭程度。公式如下：
式中：μ为均值，σ为信标准差。峰度的取值范围为[1,+∞)，峰度值越大，概率分布图越高尖，峰度值越小，概率分布图越矮胖。
偏度[22]可以用来度量随机变量概率分布的不对称性。公式如下：
式中：μ为均值；
σ为信标准差。偏度的取值范围为(-∞,+∞)，当S＜0时，概率分布图左偏；
当S=0时，表示数据相对均匀地分布在平均值两侧；
当S＞0时，概率分布图右偏。
（3）重心频率
重心频率[23]可以用来描述信号在频谱中分量较大的信号成分的频率，反映了信号功率谱的分布情况。公式如下：
其中，P(k)为对应的功率谱值，fk为对应点的频率幅值大小。低频幅值较大时，重心距离原点较近。
（4）均方频率与均方根频率
均方频率是信号频率平方的加权平均值，可以用来描述功率谱主频带分布。公式如下：
均方根频率是均方频率的算术平方根，公式如下：
2.2 基于KG-BLS架构的SEI系统
在2.1节针对所采集的原始射频信号的实部和虚部分别进行信号特征提取后，本文进一步提出可以采用宽度学习架构代替深度学习进行辐射源设备识别。近年来，几乎所有提出的数据驱动AI模型都可以描述为图2所示的问题：
图2 宽度学习系统模型示意图
对于SEI问题，射频信号是一维I/Q样本，因此，数据矩阵{X|X∈Rn×l}可以被定义为：
其中，n和l分别为数据样本的个数和每个样本的长度。对应辐射源设备{Y|Y∈Rn×c}的真实标签则可以被定义为：
其中，n和c分别表示样本数目和对应的标签类别数目。由此，最简单的SEI问题可以表示为：
其中，对于已知的数据和对应的标签，权重Wxy可通过反演运算求解，即：最终，可以认为Wxy适用于相同数据分布下的分类识别问题。即：如果待识别的射频信号Xtest与已知数据X来自同一特定域D={χ,Pχ}，则Xtest对应的标签可识别为：
其中，χ(X*∈χ)是样本域，Pχ是样本域的边际概率分布。
但是，该方法存在两个严重的缺陷，可能使得该解法无效，即：
（1）对于庞大的矩阵X很难找到相应的逆运算，这可能导致X-1不存在；
（2）由于缺乏非线性运算，该方法无法适应复杂的问题。
针对上述缺陷，通常采用伪逆或岭回归来解决X-1不存在的问题。伪逆运算可以写成：
其中，伪逆Wxy可视为可选权重。
岭回归则是对最小二乘回归的补充，最小二乘回归失去了无偏性，换取了较高的数值稳定性，从而获得了较高的计算精度。岭回归方法可以表示为：
针对缺乏非线性运算的问题，在Y H Pao等人[24-26]研究的基础上提出如图3所示的宽度学习KG-BLS架构。
图3 宽度学习KG-BLS架构示意图
在所提出的KG-BLS架构中，外部信号处理模块用于对原始输入射频信号进行预处理，目的是对数据进行清洗、平滑、增强等操作，得到ex；
特征映射节点Z是输入数据ex的非线性变换，且Z由n个映射的特征窗口组成，Zi(i=1,2,…,n)表示第i个映射的特征窗口，定义为：
其中，φ(·)为非线性变换函数的激活函数，ex为外部信号处理模块的输出，Wzi和βzi分别为函数φ(·)对应的权重和偏置。对于宽度学习网络，权重Wzi和偏置βzi都是随机初始化的，且宽度学习网络是一个单层的向前网络，这也导致了结果的随机性。此外，这里定义了两个可调节的超参数，分别为特征映射的窗口长度m～和特征映射的窗口数量m，参数m～会影响Wzi的形状，而参数m则决定了特征映射节点的形状。
所提出的KG-BLS架构通过随机矢量函数链接神经网络，对特征映射节点输出Z进行非线性变换得到增强节点H，则Hj(j=1,2,…,m)表示第j个增强节点窗口，定义为：
其中，ξ(·)表示增强节点变换函数的激活函数，Whj和βhj分别为ξ(·) 函数的变换权重和偏置。同样地，这里也定义了一个可调节的超参数，为该增强层的节点数p，参数p决定了增强节点的最终输出形状。理论上，只要有足够多的增强节点，网络就可以有足够的非线性能力来模拟任何函数，提高网络的拟合能力。
基于此，KG-BLS架构可以通过伪逆求解对应输出标签类别，实现辐射源设备识别。伪逆求解公式如下：
综上所述，所提出的KG-BLS架构是一个单层的仅前向传播的网络架构。此外，该架构不需要循环更新迭代网络权值，只需要生成大量的计算节点，并完成一个伪逆操作，这些特征决定了KG-BLS架构是一种高效的网络结构。最重要的是，其所有操作都是基于CPU平台，大大节省了GPU算力成本。
本节主要介绍仿真实验数据集、生成的信号特征KG、以及基于KG-BLS架构的SEI性能。首先生成实验所需数据集，并对原始射频信号进行预处理，构建信号特征KG。在此基础上，将所提出的KG-BLS架构SEI算法与传统的基于ML的SEI算法进行仿真对比，该比较基于相同的数据集。
3.1 数据集生成
使用的数据集是由6个功率放大器生成的连续信号样本，为了构建统一范式特征数据库，规定单个样本数目为12 000，单个样本读取长度为12 000，以10 MHz的采样频率进行采样，则每个PA解析得到的IQ信号均为6 000个样本点。此外，为了使得数据集更加接近于真实环境下射频信号样本，设置先验调制方式为16PSK，加入信噪比为10 dB的加性高斯白噪声。进一步地，对相应PA接收的数据打上标签，并为了保证格式的一致性将其转化为one-hot形式。因此，生成的数据集中数据样本为D∈C36000×6000×2，标签样本为L∈R36000×6。
3.2 特征提取数据库与知识图谱构建
利用Matlab对原始IQ信号根据实部和虚部分别进行时域特征提取和频域特征提取，并对所提取的特征进行拼接，得到输入KG-BLS架构的信号特征为∈R36000×56。为了进一步实现数据共享，完成数据集中控制，将其导入MySQL数据库，并使用MySQL Workbench将提取的特征可视化，便于后续对数据进行增删改操作，具体的MySQL Workbench可视化界面如图4所示：
图4 特征提取数据库可视化界面示意图
基于所构建的特征提取数据库，利用先验专家知识，通过人为建立实体和属性之间的关系构建射频信号KG，该图谱利用Neo4j实现可视化表示。为了方便查看，随机挑选36 000条数据中的一条进行Neo4j可视化表征，如图5所示。
图5 射频信号知识图谱可视化表征示意图
3.3 射频信号辐射源识别
将所提出的KG-BLS架构SEI算法与传统的基于ML的SVM支持向量机分类算法进行仿真对比，首先介绍所提出的KG-BLS宽度学习架构SEI算法参数设置。
（1）KG-BLS架构参数设置
KG-BLS架构具体参数设置如表1所示：
表1 KG-BLS架构参数设置
（2）性能与开销优势
在本节中，将展示所提出的KG-BLS架构在识别性能和计算开销方面的优势。
如图6 所示，从实验结果可以发现，所提出的KG-BLS架构在进行辐射源设备识别时，准确度高达97.653%，精度远超以训练时间短闻名的SVM支持向量机SEI算法。在关注算法的SEI性能的同时，也应该关注算法的计算效率，而从计算开销的角度也不难看出所提出的KG-BLS架构的优越性。仿真实验结果给出了相应的训练时间和测试时间的比较，均以秒为单位。从仿真实验结果中不难发现，所提出的KG-BLS架构在SEI任务中表现出了巨大的时间优势，尤其是在训练过程中，训练时间相较于SVM支持向量机方法节约了93.51%，分析原因为该架构是一个单层的仅前向传播的网络架构，不需要循环更新迭代网络权值，从而大大降低了计算开销。由此可见，KG-BLS架构具有良好的计算优势，特别是在CPU计算平台上，同时，不仅限于CPU计算平台，也为后续的GPU平台计算开销比较提供了可行的方案。
图6 不同SEI方法的精度、训练时间、测试时间比较示意图
本文提出了一种基于信号特征KG与BLS架构的SEI方法。所提出的KG-BLS架构是一种单层的仅前向传播网络，主要依靠特征映射节点和增强节点的非线性变换来求解复杂的分类问题。为了使特征结果具有更强的可迁移性，实现对数据的集中控制，本文进一步结合MySQL数据库和KG可视化表征存储。仿真实验结果表明，所提出的KG-BLS算法在识别性能和计算开销方面相较于传统的SVM支持向量机算法具有巨大的优势，尤其是在训练过程中，计算开销得到了指数级的下降，计算效率大幅提升，实现了简单高效的辐射源设备识别。
猜你喜欢辐射源射频可视化基于CiteSpace的足三里穴研究可视化分析世界科学技术-中医药现代化(2022年3期)2022-08-22思维可视化师道·教研(2022年1期)2022-03-125G OTA射频测试系统汽车工程师(2021年12期)2022-01-17关于射频前端芯片研发与管理模式的思考军民两用技术与产品(2021年12期)2021-03-09基于博弈论的GRA-TOPSIS辐射源威胁评估方法北京航空航天大学学报(2020年10期)2020-11-14基于CGAL和OpenGL的海底地形三维可视化海洋信息技术与应用(2020年1期)2020-06-11“融评”：党媒评论的可视化创新传媒评论(2019年4期)2019-07-13数字电视外辐射源雷达多旋翼无人机微多普勒效应实验研究雷达学报(2018年5期)2018-12-05外辐射源雷达直升机旋翼参数估计方法雷达学报(2018年3期)2018-07-18分布式数字广播电视外辐射源雷达系统同步设计与测试雷达学报(2017年1期)2017-05-17