kaiyun官方注册
您所在的位置: 首页> 通信与网络> 设计应用> 一种结合双阈值与WSN的OFDM辐射源个体识别
一种结合双阈值与WSN的OFDM辐射源个体识别
网络安全与数据治理
刘高辉, 郑文文
西安理工大学自动化与信息工程学院
摘要:针对在低信噪比情况下OFDM辐射源识别率低的问题,提出一种双阈值与小波散射网络(Wavelet Scattering Network,WSN)结合的OFDM信号时频图辐射源个体识别方法。首先,建立包含指纹特征的OFDM信号指纹模型;其次,利用小波变换对一个符号周期内的OFDM信号进行时频分析得到时频图;再次,设计一种双参数阈值函数模型实现自适应抑制噪声干扰,提高时频图的图像质量。经WSN处理后,从优化后的时频图中提取小波散射系数作为特征集;最后,采用ResNet18进行分类识别。仿真实验结果表明,该方法能够显著抑制噪声干扰,在信噪比为-4 dB的条件下,识别精度达到87.5%,相较于其他方法表现出更高的识别精度和抗噪性能。
中图分类号:TN911 文献标识码:ADOI:10.19358/j.issn.2097-1788.2025.03.007
引用格式:刘高辉, 郑文文. 一种结合双阈值与WSN的OFDM辐射源个体识别[J].网络安全与数据治理,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

通信辐射源个体识别技术专注于对通信发射机信号进行处理,实现对不同通信辐射源个体的有效区分[1]。近年来,时频分析方法在信号特征提取与重构中展现出显著优势,已成为现代信息处理的主流方法。

常用的时频分析方法涵盖了短时傅里叶变换(Short-Time Fourier Transform, STFT)[2-3]、小波变换(Wavelet Transform, WT)[4]和Wigner-Ville分布(Wigner-Ville Distribution, WVD)[5-6]等线性及二次型分布方法。其中,STFT通过固定窗口对信号进行分段分析,但由于Heisenberg测不准原理[7-8],其在分辨率上存在局限性。WVD是一种二次型分布,在处理多分量信号时,WVD可能会产生交叉干扰,进而对分析结果造成干扰。相比之下,WT凭借其时频局部性分析的能力,能够根据信号频率动态调整时频窗的大小,通过平移和伸缩操作对信号进行多尺度解析。基于WT的优越性能,Mallat提出了小波散射网络(Wavelet Scattering Network,WSN) [9],该网络通过多级小波分解实现信号的多尺度分析,有效减少对特定小波基的依赖,从而在提取信号的关键特征和细节方面表现出色。WSN不仅具有高度的鲁棒性,还能有效保留输入信号的稳定特征。在结构上,WSN与卷积神经网络(Convolutional Neural Network, CNN)相似,同样具备平移不变性和变形稳定性,并能够保留高频信息进行分类[10]。文献[11]利用具有尺度不变性和稳定性的小波散射变换进行多普勒信号分类,取得了显著成效。文献[12]则提出了一种基于小波散射网络的新型蓝牙信号射频指纹识别方法。文献[13]提出了一种利用WSN提取射频指纹特征的方法,通过对信号进行多尺度分析,提高了特征表示能力,但在低信噪比条件下,其性能仍可能受到噪声的干扰。针对这一问题,文献[14]采用双参数阈值函数模型对高频子带实现噪声抑制,从而得到理想的小波降噪效果,不仅有效提升了小波散射网络的抗噪性能,还进一步增强了其在低信噪比环境下的特征提取能力。

为解决低信噪比(Signal-to-Noise Ratio,SNR)下辐射源识别率低的问题,本文提出双阈值与WSN结合的OFDM信号时频图识别方法。首先,WT转换OFDM信号为二维时频图,直观表征时频特征;然后,设计双参数阈值函数模型自适应抑制噪声,确保特征保留;接着,选择小波函数与窗函数优化WSN性能,从优化后的时频图深度提取小波散射系数特征集,高鲁棒性表征时频细节;最后,特征输入ResNet18分类模型,实现辐射源个体识别,改善低SNR下识别效果不佳问题。


本文详细内容请下载:

https://www.chinaaet.com/resource/share/2000006376


作者信息:

刘高辉, 郑文文

(西安理工大学自动化与信息工程学院,陕西西安710048)


Magazine.Subscription.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map