《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 一種結(jié)合雙閾值與WSN的OFDM輻射源個(gè)體識(shí)別
一種結(jié)合雙閾值與WSN的OFDM輻射源個(gè)體識(shí)別
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
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
摘要： 針對(duì)在低信噪比情況下OFDM輻射源識(shí)別率低的問題，提出一種雙閾值與小波散射網(wǎng)絡(luò)（Wavelet Scattering Network,，WSN）結(jié)合的OFDM信號(hào)時(shí)頻圖輻射源個(gè)體識(shí)別方法,。首先,，建立包含指紋特征的OFDM信號(hào)指紋模型,；其次,，利用小波變換對(duì)一個(gè)符號(hào)周期內(nèi)的OFDM信號(hào)進(jìn)行時(shí)頻分析得到時(shí)頻圖,；再次,，設(shè)計(jì)一種雙參數(shù)閾值函數(shù)模型實(shí)現(xiàn)自適應(yīng)抑制噪聲干擾,，提高時(shí)頻圖的圖像質(zhì)量。經(jīng)WSN處理后,，從優(yōu)化后的時(shí)頻圖中提取小波散射系數(shù)作為特征集,；最后，采用ResNet18進(jìn)行分類識(shí)別,。仿真實(shí)驗(yàn)結(jié)果表明,，該方法能夠顯著抑制噪聲干擾，在信噪比為-4 dB的條件下,，識(shí)別精度達(dá)到87.5%,，相較于其他方法表現(xiàn)出更高的識(shí)別精度和抗噪性能。
中圖分類號(hào)：TN911文獻(xiàn)標(biāo)識(shí)碼：ADOI:10.19358/j.issn.2097-1788.2025.03.007
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.
An OFDM radiation source individual identification combining dual thresholding and WSN
Liu Gaohui， Zheng Wenwen
School of Automation and Information Engineering,，Xi′an University of Technology
Abstract： Aiming at the problem of low recognition rate of OFDM radiation source under low signal-to-noise ratio, a dual-threshold and wavelet scattering network (WSN)-based method is proposed for individual recognition of the radiation source in the time-frequency diagram of OFDM signal. Firstly, according to the working principle of OFDM transmitter, the fingerprint model of OFDM signal containing fingerprint features is established; secondly, the time-frequency diagram is obtained by time-frequency analysis of OFDM signal in one symbol period using wavelet transform. Again, a two-parameter threshold function model is designed to realize adaptive suppression of noise interference and improve the image quality of the time-frequency diagram. After WSN processing, wavelet scattering coefficients are extracted from the optimized time-frequency diagram as the feature set; finally, ResNet18 is used for classification and identification. The simulation results show that the method can significantly suppress noise interference, with recognition accuracy reaching 87.5% at a signal-to-noise ratio of -4 dB, outperforming other methods in terms of recognition accuracy and noise-resistant performance.
Key words : time-frequency diagram; dual threshold function; wavelet scattering network; individual identification of OFDM radiation sources

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,，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://forexkbc.com/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）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。