引用格式:劉高輝, 鄭文文. 一種結(jié)合雙閾值與WSN的OFDM輻射源個體識別[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理,2025,44(3):39-46.
引言
通信輻射源個體識別技術(shù)專注于對通信發(fā)射機信號進行處理,實現(xiàn)對不同通信輻射源個體的有效區(qū)分[1]。近年來,時頻分析方法在信號特征提取與重構(gòu)中展現(xiàn)出顯著優(yōu)勢,已成為現(xiàn)代信息處理的主流方法。
常用的時頻分析方法涵蓋了短時傅里葉變換(Short-Time Fourier Transform, STFT)[2-3]、小波變換(Wavelet Transform, WT)[4]和Wigner-Ville分布(Wigner-Ville Distribution, WVD)[5-6]等線性及二次型分布方法。其中,STFT通過固定窗口對信號進行分段分析,但由于Heisenberg測不準(zhǔn)原理[7-8],其在分辨率上存在局限性。WVD是一種二次型分布,在處理多分量信號時,WVD可能會產(chǎn)生交叉干擾,進而對分析結(jié)果造成干擾。相比之下,WT憑借其時頻局部性分析的能力,能夠根據(jù)信號頻率動態(tài)調(diào)整時頻窗的大小,通過平移和伸縮操作對信號進行多尺度解析?;赪T的優(yōu)越性能,Mallat提出了小波散射網(wǎng)絡(luò)(Wavelet Scattering Network,WSN) [9],該網(wǎng)絡(luò)通過多級小波分解實現(xiàn)信號的多尺度分析,有效減少對特定小波基的依賴,從而在提取信號的關(guān)鍵特征和細(xì)節(jié)方面表現(xiàn)出色。WSN不僅具有高度的魯棒性,還能有效保留輸入信號的穩(wěn)定特征。在結(jié)構(gòu)上,WSN與卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)相似,同樣具備平移不變性和變形穩(wěn)定性,并能夠保留高頻信息進行分類[10]。文獻[11]利用具有尺度不變性和穩(wěn)定性的小波散射變換進行多普勒信號分類,取得了顯著成效。文獻[12]則提出了一種基于小波散射網(wǎng)絡(luò)的新型藍(lán)牙信號射頻指紋識別方法。文獻[13]提出了一種利用WSN提取射頻指紋特征的方法,通過對信號進行多尺度分析,提高了特征表示能力,但在低信噪比條件下,其性能仍可能受到噪聲的干擾。針對這一問題,文獻[14]采用雙參數(shù)閾值函數(shù)模型對高頻子帶實現(xiàn)噪聲抑制,從而得到理想的小波降噪效果,不僅有效提升了小波散射網(wǎng)絡(luò)的抗噪性能,還進一步增強了其在低信噪比環(huán)境下的特征提取能力。
為解決低信噪比(Signal-to-Noise Ratio,SNR)下輻射源識別率低的問題,本文提出雙閾值與WSN結(jié)合的OFDM信號時頻圖識別方法。首先,WT轉(zhuǎn)換OFDM信號為二維時頻圖,直觀表征時頻特征;然后,設(shè)計雙參數(shù)閾值函數(shù)模型自適應(yīng)抑制噪聲,確保特征保留;接著,選擇小波函數(shù)與窗函數(shù)優(yōu)化WSN性能,從優(yōu)化后的時頻圖深度提取小波散射系數(shù)特征集,高魯棒性表征時頻細(xì)節(jié);最后,特征輸入ResNet18分類模型,實現(xiàn)輻射源個體識別,改善低SNR下識別效果不佳問題。
本文詳細(xì)內(nèi)容請下載:
http://ihrv.cn/resource/share/2000006376
作者信息:
劉高輝, 鄭文文
(西安理工大學(xué)自動化與信息工程學(xué)院,陜西西安710048)