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(jìn)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(jìn)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(jìn)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(jìn)行多尺度解析。基于WT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(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)牙信號射頻指紋識別方法。文獻(xiàn)［13］提出了一種利用WSN提取射頻指紋特征的方法，通過對信號進(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。針對這一問題，文獻(xiàn)［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(jìn)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://m.jysgc.com/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）
