vmd变分模态分解_单跳和中继场景中基于变分模式分解和频谱特征的特定辐射源识别...

IEEE Transactions on Information Forensics and Security,2018

摘要：

特定的发射器识别是基于从接收信号中提取的射频（RF）指纹识别或区分不同发射器的过程。由于发射器功率放大器的固有非线性，这些指纹为发射器识别提供了鲜明的特征。在本文中，我们基于变分模式分解和谱特征（VMDSF）开发了发射器识别。由于VMD同时将接收到的信号分解为各种时间和光谱模式，因此我们选择不同的谱特征，包括谱平坦度，谱亮度和谱滚降系数，以提高与现有基于时间特征方法的识别精度。为了证明VMD在将接收到的信号分解为特定于发射器的模式中的鲁棒性，我们还基于从特定于发射器的时间的希尔伯特黄（Hilbert Huang）变换中提取的现有时间特征（例如熵和矩（EM2））开发了VMD-EM2方法模式。我们提出的方法包括三个主要步骤：使用VMD分解接收信号，特征提取和发射器识别。我们通过改变发射器的数量，在单跳和中继场景中使用正确分类概率（Pcc）来评估所提出方法的性能。为了证明我们提出的方法的优越性能，与现有的经验模式分解（熵，一阶，二阶矩）（EMD-EM2）方法进行了Pcc及计算复杂度的比较。结果表明，在单跳和中继场景中，针对不同数量的发射器，所提出的VMD-SF发射器识别方法均优于提出的VMD-EM2方法和现有的EMD-EM2方法。另外，与前述方法相比，所提出的VMD-SF方法具有最低的计算成本。

文章主要贡献：

• 开展了信号分解为特定数量的模式以计算指纹的VMD的研究；
• 探索时频特征以识别特定的辐射源；
• 使用knn分类器进行训练和评估发射器识别的性能以及从分解模式计算出的时间和频谱指纹；
• 在单跳和多跳中继场景中评估发射器识别性能；
• 使用正确分类和计算时间作为性能指标，还展示了在识别具有不同调制方案的特定发射器时各个特征（时间和频谱）的性能比较

指纹识别方法总结

下面介绍基于VMD的SEI方法。所提出的方法具有三个主要阶段：使用VMD分解发射器特定模式；特征提取；使用k最近邻分类器对发射器进行识别。

在第一阶段，接收到的信号被分解为多种模式。选择三种模式用于对经过实验分析的接收信号进行分解。在第二阶段，分别从分解的发射器特定的时间和频谱模式中提取不同的时间和频谱特征。直接从VMD光谱模式中提取了不同的谱特征，包括谱平坦度，谱亮度和谱滚降。在计算模式的希尔伯特谱以比较SEI性能之后，提取了包括熵，一阶和二阶矩在内的时间特征。在最后阶段，将从不同发射器的接收信号中提取的这些特征馈送到k-NN分类器以进行发射器识别。

第一阶段中，变分模式分解（VMD）计算伪代码如图1所示：

第二阶段中，根据求得的VMD，计算其谱平坦度：

频谱亮度：

频谱滚降：

第三阶段中，在提取了特定发射器的上述时间和频谱特征之后，将这些特征馈送到k-NN分类器以进行发射器识别。辐射源识别过程可分为训练和识别阶段。在训练阶段，从从各种类别的发射器获得的分解接收信号的时间和频谱模式中提取时间和频谱特征。在这里假定发射器的类数是先验的。然后，针对给定的发射器类别，构建具有大量样本的特征集，并将其输入以训练k-NN分类器。在识别阶段，从从特定发射器获得的接收信号的分解模式中提取时间和频谱特征。使用测试信号的特征集和经过训练的发射器信号之间的最小欧几里得距离，k-NN分类器可以识别发射器。有了上述特征计算方法后，我们可以得到设备特征的训练及识别过程。伪代码如下：

最终，提取到的特征可以用以下图进行展示。

图3、4和5图示了具有不同调制方案的发射器的光谱平坦度，光谱亮度和光谱衰减的箱线图表示。频谱特征的方框图描绘了中间值，中线表示不同的调制方案，顶部和底部边缘分别表示最大值和最小值。从图中可以看出，这些光谱特征为具有不同调制方案的不同发射器提供了判别信息。从图3可以看出，QAM64显示的光谱平均平坦度值为0.08，而QAM4的光谱平均平坦度为0.152，在所有所示的QAM方案中最大。图4示出了针对不同QAM调制方案的光谱亮度值的变化。可以看到，调制类别显示不同的中值，而QAM4显示所有四种类型的最大值。尽管对于所有调制方案，在光谱亮度的箱图中都可以看到值的重叠，但是可以根据中值光谱亮度值来区分发射器。同样，频谱滚降图如图5所示。由于频谱滚降是信号右偏度的度量，因此频谱系数中包含的总能量的85％以上集中在频谱右移。从图中可以看出，QAM64显示最大的频谱滚降中值，而QAM16显示最小的频谱滚落值。

结果

1. 图6说明了在单跳场景中将调制设置为{QAM4，QAM16}时I = 2的发射器识别性能，以及，图7，8分别为{QAM4, QAM16, QAM32}和{QAM4, QAM16, QAM32, QAM64}。

2. 图9说明了在中继场景中将调制设置为{QAM4，QAM16}时I = 2的发射器识别性能，以及，图10，11分别为{QAM4, QAM16, QAM32}和{QAM4, QAM16, QAM32, QAM64}。

结论

在本文中，我们提出了一种基于变分模式分解（VMD）和频谱特征（VMD-SF）的发射器识别方法。所提出的方法利用不同的谱特征，包括谱平坦度，谱亮度，谱滚降，以从分解的谱模式中提取发射器特定的射频指纹。由于VMD同时提供时间模式和频谱模式，因此我们还通过从时间模式的Hilbert-Huang变换中提取EM2（熵和矩）特征来开发一种基于VMD和时间特征（VMD-EM2）的方法，该方法与现有EMD中执行的相同-EM2方法。然后，我们分析并比较了在单跳和中继情况下在不同信噪比下VMD-SF，VMD-EM2和现有EMD-EM2情况下的性能改进和计算需求减少。与现有的EMD-EM2方法相比，提出的VMD-EM2和提出的VMD-SF方法通过改变发射器数量，在AWGN和平坦衰落信道下的单跳和中继场景中均提供了出色的发射器识别性能。此外，结果表明，与其他两种前述方法相比，提出的VMD-SF方法在计算上很简单。在未来的方向上，可以在诸如通用软件无线电外围设备（USRP）之类的软件定义无线电（SDR）平台上实际实现所提出的VMD-SF SEI方法。

总结

本文的优点有如下几点：

1. 文章首次考虑了更加符合实际的单跳及中继的通信场景，为后续对实际信道环境下的辐射源识别奠定了基础；
2. 文章提出的VMD特征提取方法有着计算简单，特征区别度大的优点，且在实际仿真实验中也体现了这一点；
3. 此外，文章还讨论了不同调制方式对设备识别的影响。

其缺点在于：

1. 文章使用MATLAB仿真生成的QAM信号，这使得其在实际中的表现不那么具有说服力；
2. 文章中使用的单跳及中继信道均为仿真设定，而实际的信道环境应该会更加复杂，还缺少在此方面的讨论。

---

原文献：

U. Satija, N. Trivedi, G. Biswal, and B. Ramkumar, "Specific emitter identification based on variational mode decomposition and spectral features in single hop and relaying scenarios," IEEE Transactions on Information Forensics and Security, vol. 14, no. 3, pp. 581-591, 2018.