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(gè)體識(shí)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(gè)體識(shí)別技術(shù)專注于對(duì)通信發(fā)射機(jī)信號(hào)進(jìn)行處理,實(shí)現(xiàn)對(duì)不同通信輻射源個(gè)體的有效區(qū)分[1]。近年來(lái),時(shí)頻分析方法在信號(hào)特征提取與重構(gòu)中展現(xiàn)出顯著優(yōu)勢(shì),已成為現(xiàn)代信息處理的主流方法。
常用的時(shí)頻分析方法涵蓋了短時(shí)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(duì)信號(hào)進(jìn)行分段分析,但由于Heisenberg測(cè)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(hào)時(shí),WVD可能會(huì)產(chǎn)生交叉干擾,進(jìn)而對(duì)分析結(jié)果造成干擾。相比之下,WT憑借其時(shí)頻局部性分析的能力,能夠根據(jù)信號(hào)頻率動(dòng)態(tài)調(diào)整時(shí)頻窗的大小,通過平移和伸縮操作對(duì)信號(hào)進(jìn)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(jí)小波分解實(shí)現(xiàn)信號(hào)的多尺度分析,有效減少對(duì)特定小波基的依賴,從而在提取信號(hào)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(hào)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(jìn)行分類[10]。文獻(xiàn)[11]利用具有尺度不變性和穩(wěn)定性的小波散射變換進(jìn)行多普勒信號(hào)分類,取得了顯著成效。文獻(xiàn)[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(hào)射頻指紋識(shí)別方法。文獻(xiàn)[13]提出了一種利用WSN提取射頻指紋特征的方法,通過對(duì)信號(hào)進(jìn)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(duì)這一問題,文獻(xiàn)[14]采用雙參數(shù)閾值函數(shù)模型對(duì)高頻子帶實(shí)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(jìn)一步增強(qiáng)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(shí)別率低的問題,本文提出雙閾值與WSN結(jié)合的OFDM信號(hào)時(shí)頻圖識(shí)別方法。首先,WT轉(zhuǎn)換OFDM信號(hào)為二維時(shí)頻圖,直觀表征時(shí)頻特征;然后,設(shè)計(jì)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(shí)頻圖深度提取小波散射系數(shù)特征集,高魯棒性表征時(shí)頻細(xì)節(jié);最后,特征輸入ResNet18分類模型,實(shí)現(xiàn)輻射源個(gè)體識(shí)別,改善低SNR下識(shí)別效果不佳問題。
本文詳細(xì)內(nèi)容請(qǐng)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(dòng)化與信息工程學(xué)院,陜西西安710048)