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*

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*一文创作于：2023-04-12 11:56:56，全文字数：15330。

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*

>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。

3 仿真实验与结果

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

4 结束语

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，

提醒您：因为《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*》一文较长还有下一页，点击下面数字可以进行阅读！

《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*》在线阅读地址：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*