基于极化域特征学习与提取的特定辐射源识别方法

《Sensors》：A Method for Specific Emitter Identification Based on Polarimetric Domain Feature Learning and Extraction Zixuan Zhang, Zhiyuan Ma, Zisen Qi, Jia Liang and Hua Xu

　　

特定辐射源识别（Specific Emitter Identification，SEI）通过从截获的射频（RF）信号中提取细微特征来区分不同个体辐射源。该过程依赖于特定特征的设计与提取。当前用于选择和表征射频指纹的技术因个体而异，且提取过程与环境条件紧密耦合。因此，这类识别算法的通用性通常受到限制，尤其当应用环境与特征设计前提不一致时，个体识别性能会迅速下降甚至失效。本文提出了一种基于极化特征学习的深度聚类模型，用于识别通信个体辐射源。该方法首先构建引导网络，从通信信号中提取极化特征数据集，并利用对比表征学习网络从I/Q数据样本中提取双极化特征。随后，采用能够推断未知聚类数的贝叶斯非参数（BNP）类混合模型算法，构建多层级聚类网络，对所提取特征进行聚类分析。在5 dB条件下，本文方法实现了87.5%的平均识别准确率。

该论文发表于《Sensors》，研究聚焦于通信辐射源个体识别中的一个关键瓶颈：传统特定辐射源识别（SEI）方法主要依赖振荡器、调制器、功率放大器和滤波器等前端器件的硬件差异所形成的射频指纹（RF fingerprint），但随着制造工艺和信号处理技术持续精密化，这些器件间的容差效应不断减弱，导致指纹特征相似性上升、可分辨性下降，进而限制了现有个体识别方法的性能与泛化能力。尤其在应用环境与特征设计假设不匹配时，传统方法容易出现性能快速退化。基于这一问题，研究人员将研究视角从发射机内部传统硬件指纹扩展到天线极化非理想性，提出以天线极化参数偏差作为新的射频指纹来源，并围绕极化域特征开展通信辐射源个体识别研究。

论文指出，实际天线由于设计参数、材料组成和机械加工误差，不可能达到理想极化状态。单极化天线辐射电磁波时，除主极化分量外还会伴随与其正交的交叉极化分量；双极化或多极化天线同样无法实现完全理想的正交极化。由此产生的极化参数非理想偏差可以通过极化比进行描述，即由主极化与交叉极化方向之间的幅度比和相位差共同表征。研究人员认为，这类偏差虽然不影响正常信息传输，但具有可检测、可复现、与个体相关的细微差异，因此可作为新的辐射源个体指纹特征。这一思路的意义在于，为SEI提供了空间、时域、频域和能量域之外的新特征维度，有助于缓解传统射频指纹区分度下降的问题。

为验证该思路，研究人员构建了一种基于极化域特征学习与提取的通信辐射源分类方法。该方法总体上由数据预处理模块、表征学习模块和特征聚类模块组成。其核心思想是：先通过极化侦察接收机获取主极化通道与交叉极化通道的双通道信号，再从原始四通道I/Q数据中显式构造与极化状态直接相关的幅相比和相位差信息，进一步将这些信息与原始I/Q样本联合输入深度网络，以增强网络对极化域特征的敏感性；随后通过对比学习提取潜在表示，并利用可自适应未知聚类数的贝叶斯非参数聚类模型完成个体辐射源的自主聚类识别。

方法上，研究人员首先从电磁波极化状态建模出发，将通信辐射源发射的完全极化单色电磁波分解为两个正交方向的电场分量，并利用线极化比方法，将极化状态表示为极化幅度比与极化相位差。文中进一步给出了极化侦察接收机在幅相法下的接收处理过程：主极化与交叉极化信号经混频、中频滤波、正交处理和A/D变换后，得到对应的I/Q分量，再通过线性检测与相干检测计算主极化、交叉极化信号的幅度，以及二者的相位差，最终得到极化幅度比与极化相位差作为双极化特征。这些特征被视为通信辐射源个体的极化域表征基础。

从关键技术方法看，本文主要采用了三类技术路径：其一，采用幅相法极化侦察接收与双极化特征构建，从主极化/交叉极化信号中计算极化幅度比和极化相位差；其二，采用基于Momentum Contrast（MoCo）的对比表征学习框架，以ResNet-18为骨干网络、两层多层感知机（MLP）为投影头，从拼接后的6通道样本中提取潜在表征；其三，采用Dirichlet Process Mixture（DPM）思想下的贝叶斯非参数（BNP）深度聚类，通过分裂—合并机制和期望最大化（EM）优化实现未知簇数条件下的自适应聚类。实验样本来源于研究人员搭建的真实通信辐射源识别测试系统，使用同一厂家、同一型号、同一批次的4副弯刀天线进行辐射与采集。

在数据预处理部分，论文保留了原始四通道I/Q信息，同时引入由其导出的极化显式特征。具体而言，极化侦察接收机接收到包含主极化和交叉极化的两组I/Q数据后，先将复数I/Q数据拆分为I、Q实值序列，再分别计算主极化与交叉极化信号的幅度和相位；随后利用两组幅度与相位求取极化幅度比和极化相位差；最后将这两类极化特征与原始四通道I/Q数据对齐、拼接并分段，形成维度为M × 6 × 128的训练集与测试集。该设计旨在通过显式引导方式帮助网络更快、更稳定地学习极化域差异，降低直接处理四通道I/Q时受噪声与误差干扰的问题。

在深度聚类网络部分，论文将模型分为表征学习阶段与特征聚类阶段。表征学习阶段采用对比学习模型，由数据增强、基础编码网络、投影头和对比损失四部分构成。数据增强包含随机裁剪、行列翻转、长度调整和中心值平滑，以提升模型泛化能力和鲁棒性。基础编码网络采用MoCo结构，由序列编码器与动量编码器组成，用于稳定构建潜在空间表征。投影头采用两层MLP，以学习更复杂的非线性映射并提升特征可分性。优化目标为InfoNCE损失，使正样本表示更接近、负样本表示更远离，从而提高极化特征的判别性。

在网络更新优化部分，论文保留了“Network Update Optimization”这一节所对应的核心内容。针对特征聚类阶段，研究人员引入适用于未知聚类数的深度非参数聚类方法。该方法属于Dirichlet过程混合模型的一类扩展形式，通过为每个聚类建立子聚类网络，并基于分裂与合并操作动态调整聚类数。分裂操作依据Hastings比率评估当前聚类是否存在多模态分布，若满足条件则将某一聚类拆分为两个更细粒度子簇，并复制聚类网络末层对应单元及其连接权重进行初始化。合并操作则用于避免过度细分带来的碎片化，将相似性较高的聚类按照概率与其最近邻子簇进行合并，并依据加权最大后验（MAP）估计初始化新簇参数。整个过程通过混合模型中的EM框架训练，其中E步使用KL散度损失优化软分配，M步使用各向同性损失约束子聚类内样本向均值收缩，从而实现聚类结构自适应更新。

在实验部分，论文首先设置了真实工程场景来验证方法可行性，这对应“3.1. Construct Real Experimental Scenarios”。研究人员搭建了由基带信号生成、射频信号发射和射频信号采集处理三部分构成的测试系统。基带部分可生成多通道、多体制调制信号；射频发射部分使用4对同厂家、同型号、同批次的垂直极化弯刀天线；采集部分可在100 MHz～400 MHz带宽范围内接收电磁波信号。实验中，符号率设置为10 Kbps，滚降系数为0.1，载频为250 MHz，采样率为400 Mbit/s，采样时长为2.5 ms，每个天线采集100 Kbit数据。研究人员特别说明，该实验刻意弱化时域特征差异，使各辐射源在时频结构上难以区分，以突出极化特征在识别中的作用。

在“3.2. Experiment 1: Verification of Individual Identification Performance Under Different Signal-to-Noise Ratios”中，研究人员考察了不同信噪比条件下的个体识别性能。结果显示，在真实采集数据上，当信噪比为0 dB时，个体识别准确率可达到75%，平均识别率超过80%；随着信噪比升高，识别准确率逐步接近100%，准确率（ACC）、归一化互信息（NMI）和调整兰德指数（ARI）也逐渐接近1。混淆矩阵分析进一步表明，当真实数据的信噪比超过5 dB时，方法能够有效区分4个辐射源个体，且分类性能随信噪比提高而增强。在5 dB条件下，本文方法平均识别准确率为87.5%，单个个体识别率范围为84%～93%。降维后的特征聚类分布显示，随信噪比增加，4类辐射源特征间距逐步扩大、边界更清晰，说明所提取特征具有良好的可分辨性。

在“3.3. Experiment 2: Verification of Individual Identification Performance Under Varying Modulation Styles”中，研究人员进一步检验方法对不同调制体制的适应能力。在该实验中，信号调制方式被设置为BPSK、2ASK、FM和AM，其他采集流程与实验1相同。结果表明，在5 dB信噪比下，4种调制体制对应辐射源个体的平均识别率超过75%；随着信噪比增加，识别准确率以及各项聚类评价指标持续改善。混淆矩阵说明，当信噪比高于5 dB时，该方法能够区分不同调制方式下的4个辐射源个体，且信噪比越高，区分效果越好。特征降维分布结果表明，随着信噪比升高，4个辐射源的特征分布逐渐收敛成更清晰的独立区域，重叠部分减少，说明该方法对变调制体制下的辐射源同样具备较好的特征判别能力。

从讨论角度看，论文表明极化域特征作为通信辐射源新的射频指纹来源具有现实可行性。尤其是在传统时频特征难以区分、且个体硬件差异较小的条件下，极化幅度比与极化相位差能够补充新的判别信息。将显式极化特征与原始I/Q数据联合建模，再结合对比表征学习和贝叶斯非参数深度聚类，能够在未知聚类数条件下实现较为稳定的自主分类。这说明论文方法不仅拓展了SEI的特征空间，也在低信噪比和变调制场景中表现出一定鲁棒性。不过，论文也明确指出，该方法需要独立确定聚类数相关过程，时间复杂度相对较高；此外，实验数据仅来自4副同厂家同型号天线，数据规模与场景复杂度仍存在局限。

研究结论部分可译为：针对当前通信辐射源个体识别方法在空间域、时间域、频率域和能量域特征差异较小时识别效果不足的问题，本文提出了一种基于极化域特征学习提取的通信辐射源分类方法。该方法在传统极化域个体识别基础上，引入了基于表征学习的深度聚类网络，利用表征学习对原始I/Q信号中的极化特征进行提取，并结合一种适用于未知聚类数、可对数据自适应且具有数学合理性的贝叶斯非参数（BNP）聚类方法，通过多层级聚类网络及分裂、合并操作，实现通信辐射源个体极化特征的自主聚类分析，完成个体通信辐射源的自主分类。实验表明，在5 dB信噪比条件下，本文方法对模拟辐射源的平均分类准确率达到87.5%，并且对不同调制方式的通信辐射源同样具有较好性能。该方法在低信噪比和变调制条件下的通信发射机个体分类识别问题上具有应用价值。但由于需要独立确定聚类数，时间复杂度相对较高；同时，仅采用4副同厂家同型号天线的数据也存在一定局限性。后续工作将进一步简化网络结构以提高计算速度，并继续开展相关研究。实际应用中，可通过离线训练或小批量训练等方式实现部署。