一种基于方向特性识别电磁辐射源的新方法

石 丹 刘 卓 刘 茂 毕军建 谭志良 高攸纲

（1.北京邮电大学电子工程学院，北京100876；2.中国人民解放军械工程学院，河北 石家庄050003；3.中国人民解放军95866部队，河北 保定，071051）

引 言

电磁辐射源的区分识别在现实中有着重要的应用，例如现代电子侦察中基于电磁信号的雷达辐射源的识别，以及通过检测电磁干扰源对系统进行电磁兼容优化设计等.目前广泛采用的方法是根据不同辐射源的特性参数进行区分，例如频率、脉冲宽度及来波方向等［1-5］.而方向性作为一种独特的特性参数，目前还没有文献利用其来识别辐射源.实际中的辐射源方向性虽然比较复杂，但通常可以用已知的天线模型来简化等效或者通过组合来近似模拟.因此，本文由一些基本的天线模型入手，建立了利用方向性区分识别辐射源的模型，为实际辐射源的识别提供了一种简单有效的方法.

而作为基于方向性识别辐射源的工具，机器学习方法有着很好的非线性映射能力和自学习能力［6-9］，它可以通过分析已知源的参数数据，并将学习的知识应用于对未知源的鉴别中.本文采用支持向量机（Support Vector Machine，SVM）方法，对已知辐射源有限的方向性数据进行机器学习，从而建立区分识别模型，并通过测试数据来衡量模型的识别准确率.

1 电磁辐射源模型

三种基本的电磁辐射源模型，分别为偶极子天线、倒F天线和同轴馈电贴片天线（分别记为模型1、2、3），将其放置在坐标原点.它们的工作频率为3 GHz，输入功率均为1W.图1～3为三种模型的方向图.由图可见沿y轴方向辐射源具有最强的辐射特性.

图1 偶极子天线方向图

图2 加导体反射板的倒F天线方向图

图3 贴片天线方向图

2 利用接收阵获取辐射源方向性

采用27点正方体接收阵在辐射源主瓣方向进行测量，根据测得的场强值结合空间分布确定辐射源的方向性.由于更容易掌握辐射源的远区特性，故选定正方体接收阵离坐标原点最近的平面与原点的距离为10个波长（即1 000mm）之外.初始距离H1设为1.1m.为了保证足够的数据量，将接收阵分别沿三个坐标轴方向移动50次，得到125 000组数据，每组数据包含27点的数据，这些数据用做建模与测试.

在数据采集过程中，随着接收阵与辐射源距离的不断增加，只有正方体间距和每次的移动距离也随之增大，才能更好地表现出27个点随位置变化之间的关系.因此空间中根据距离辐射源的远近沿y轴分为50层，相邻层间距随着距离辐射源的位置增加而增加，移动步长及间距也随之增加，但每层2 500个接收阵的间距和沿x轴、z轴的移动步长保持不变.设正方体第i层与辐射源的距离为Hi，正方体中相邻最近的点的间距为Li，正方体每次移动的步长为δi，它们之间的关系如式（1）～（3）所示.

按照上述方法，在三种天线的相同位置建立正方体接收阵，并提取场强值，以此作为支持向量机的数据.

3 支持向量机识别电磁辐射源

支持向量机是一种监督式学习方法，可广泛应用于统计分类以及回归分析.通过调节相关参数并对训练集进行训练，SVM模型能得到很高的识别准确率.

SVM模型需要大量的学习数据，以及足够的测试数据来判断模型的有效性.由第2章可知，数据沿y轴分为50层，可以以层为单位进行SVM的建模与测试.具体方法如下：

选取每种天线某一建模层的全部2 500组数据分别构建区分评判模型.模型建好后，将三种天线每层的测试数据合并在一起，用于评判模型得到的识别准确率.取50层识别准确率的平均值作为该建模层的综合准确率.设第i层区分第j层的准确率为cji，第i建模层的综合准确率为Ai，它们之间的关系如式（4）所示.

由于层数过多，故从第5层开始，每间隔5层取一次，共取10层用来建模.结果如表1所示.

表1 不同距离建模层对全部数据测试平均准确率

由于讨论的是辐射源的远场方向特性，因此对于离辐射源近的几层测试效果较差.改善方法是舍弃前5层数据，区分数据层j取6～50层，这样就排除了前五层数据对平均准确率的影响.因此改善后cji与Ai之间关系如公式（5）所示.

改善前后效果如图4所示.

比较发现最佳建模层为第30层，其离原点最近的面距离原点16.5m，能够对距离原点1.75m到107m的范围提供90.56%的平均识别准确率.

图4 改善前后不同建模层综合准确率

为了分析不同层准确率的变化情况，测得第30层建模对每层数据识别准确率如图5所示.

图5 第30层建模对每层数据区分准确率

其对第6层的识别准确率最低，但仍能保证87.35%的准确度.可见模型的识别效果很理想.

4 讨 论

由于输入数据大小有差异，在进行支持向量机分析之前首先需要对数据进行归一化处理.第3章得到的结果都是基于线性归一化方法得到，下面讨论不同归一化方法的建模效果以及模型的抗噪声能力.

常用的数据归一化方法有线性归一化、反正切归一化和对数归一化.而噪声模型则为常见的高斯白噪声.下面比较了在不同的信噪比和不同的归一化方法下，统一用第30层数据建模，对第6～50层数据进行识别，得到的平均识别准确率.

三种归一化方法在不同信噪比情况下的综合准确率趋势曲线如图6所示.

图6 不同归一化方式在不同信噪比时的综合准确率

由图6知，之前采用线性归一化方法效果最好，模型在30dB信噪比时能得到接近80%的平均识别准确率，40dB以上时准确率能达到90%左右.可见模型具有较好的抗噪声性能.

F1值是评价机器学习方法效果的常用标准，其计算公式如式（6）所示：

式中：P为准确率；R为召回率.P与R值越高越好，但这两者在某些情况下是矛盾的.F1值则综合考虑了这两个参量，F1值越高证明实验方法越理想.

按照同样的方法，统一用第30层数据建模，对第6～50层数据求出平均F1值.三种归一化方法在不同信噪比情况下的F1值趋势曲线如图7所示.

图7 不同归一化方式在不同信噪比时的F1值

由图7可知，线性归一化方法效果最好，在信噪比达到40dB以上时F1值超过了0.85，甚至接近0.9.

5 结 论

支持向量机作为一种典型的机器学习方法，可以通过方向性这个辨识度很高的参数，完成对各种电磁辐射源的区分识别.这突破了以往主要通过不同频率识别电磁辐射源的思想，提供了一种快速准确识别辐射源的新方法.

结果表明在简单辐射源模型下，提出的方法具有很高的识别准确度，文中从抗噪性能、数据归一化方法和F1值三个角度对模型进行了综合的分析，通过比较证明了模型的合理性.

虽然文中建立的辐射源模型较为简单，但提出的这种新方法仍然适用于实际中复杂的辐射源，因为各种辐射源的方向性是各不相同的，只要它们满足这种特性就可以采用文中提出的方法对其进行识别，由此可见该方法具有很强的创新性和实用价值.

［1］SONG Zhenfei，SU Donglin，DAI Fei，et al.A novel electromagnetic radiated emission source identification methodology［C］／／Proceeding of 2010Asia-Pacific International Symposium on Electromagnetic Compatibility.Beijing，April 12-16，2010：645-648.

［2］DONG Xiaopeng，WENG Haixiao，BEETNER D G，et al.Detection and identification of vehicles based on their unintended electromagnetic emissions［J］.IEEE Transactions on Electromagnetic Compatibility，2006，48（4）：752-759.

［3］LIU Mingwei，DOHERTY J F.Nonlinearity estimation for specific emitter identification in multipath channels［J］.IEEE Transactions on Information Forensics and Security，2011，6（3）：1076-1085.

［4］LIU H J，LIU Z，JIANG W L，et al.Approach based on combination of vector neural networks for emitter identification［J］.IET Signal Processing，2008，4（2）：137-148.

［5］张葛祥.雷达辐射源信号智能识别方法研究［D］.成都：西南交通大学，2005.ZHANG Gexiang.Research on Radar Emitter Signal Recognition Methods［D］.Chengdu：Southwest Jiaotong University，2005.（in Chinese）

［6］康士峰，葛德彪，张忠治.地面电磁环境分类及其神经网络识别［J］.电波科学学报，2000，15（4）：393-396.KANG Shifen，GE Debiao，ZHANG Zhongzhi.Classes of electromagnetic environment of the earth surface and identifying method with ANN［J］.Chinese Journal of Radio Science，2000，15（4）：393-396.（in Chinese）

［7］田雨波，董 跃.基于神经网络集成的微带天线谐振频率建模［J］.电波科学学报，2009，24（4）：610-616.TIAN Yubo，DONG Yue.Modeling resonant frequency of microstrip antenna based on neural network ensemble［J］.Chinese Journal of Radio Science，2009，24（4）：610-616.（in Chinese）

［8］黄 蓉.基于神经网络代数算法的电磁环境评价［D］.成都：西南交通大学，2013.HUANG Rong.The Electromagnetic Environment Evaluation Based on Algebra Algorithm of Neural Network［D］.Chengdu：Southwest Jiaotong University，2013.（in Chinese）

［9］李永明，祝言菊，李 旭，等.电磁兼容的人工神经网络预测技术分析［J］.重庆大学学报，2008，31（11）：1313-1322.LI Yongming，ZHU Yanju，LI Xu，et al.Artificial neural networks-based prediction of electromagnetic compatibility problem［J］.Journal of Chongqing University，2008，31（11）：1313-1322.（in Chinese）