基于信号特征知识图谱与宽度学习架构的特定辐射源识别

摘 要

关键词

关键词

0 引言

在工业物联网环境下，在工业数据流中存在着大数据量、高实时性以及多维度信息传输的特点[1-3]；这些特点使得对数据进行准确的识别与分类变得困难，并直接影响后续应用如故障检测的效果；同时，在这种环境下对特定辐射源进行识别（SEI, Specific Emitter Identification）[4]将对无线通信的安全性造成潜在威胁；由此可见，在这一环境下特定辐射源识别具有重要的意义。

近年来，在人工智能领域中机器学习（ML, Machine Learning）与深度学习（DL, Deep Learning）等技术均取得了显著进展[1]。（ notable applications include automatic modulation recognition[5-6]、channel state information prediction and feedback[7-8]、malware traffic classification[9]以及aircraft delay prediction[10]等方向的研究工作已逐步形成系统化的理论框架和实践方法[11]. 在这一背景下 传统基于ML或DL的方法往往面临计算资源的限制 constraint. 因此 本文重点考察C Chen团队开发的新型宽度学习方法[12-14]. 该方法通过一个简单的前馈神经网络完成信号处理过程 能够无需反向传播机制即可优化网络权重参数 进而实现高效的在线训练过程. 其独特的架构设计使其具备快速收敛特性 并为解决大规模实时数据处理问题提供了创新性的解决方案

在SEI领域中尚未形成专门针对射频信号特征的知识体系数据库。构建这样的射频信号特征知识体系库将有助于为射频信号识别提供切实可行且具有价值的信息参考，并从而使特征信号结果具备更强大的迁移能力。因此，在本文中我们计划将基于知识图谱（KG Knowledge Graph）的技术引入到SEI领域并评估其可行性方案 KG本质上是一种基于语义网络的知识存储结构它能够有效地整合分散且复杂的信息并将其形式化。该方法涉及多种技术和过程：数据挖掘用于提取潜在模式；信息处理用于整理数据；知识计量用于量化关联；图形绘制用于生成直观展示工具。这种技术通过对现实世界的对象及其相互关系进行建模从而实现可视化展示功能这一功能不仅能够帮助获取所需信息还能够提高所获取信息的实际应用效果

在此背景下，在工业物联网环境下，针对海量实时性强的多源信号数据特征提取问题，本文构建了一种基于信号特征知识图谱与深度学习架构的SEI方法。该方案被实现为一种可扩展性的特征可视化表征存储方案，在识别性能和计算开销等方面较传统ML算法有一定提升。

1 系统模型

本文旨在介绍一种高效可靠的SEI方法在工业物联网环境下实现射频信号的识别。如图1所示，该特定系统由数据采集模块、知识图谱（KG）、基于贝叶斯的逻辑推理（BLS）架构以及设备识别模块四个主要部分构成。通过辐射源信号采集设备获取数据后进行预处理工作以构建可视化知识图谱。随后将接收来的主被动（PA）信号作为输入节点使用其中外部节点用于环境信息处理而内部节点则负责业务逻辑推理工作。最终通过KG-BLS架构对不同来源的辐射设备进行智能识别并能有效定位未经授权的非法接入端口

2 基于KG-BLS架构SEI算法

现有的大多数SEI算法均建立在ML算法框架之上；然而，在处理大规模训练样本时传统SVM算法仍会占用大量机器内存并耗时较长。鉴于此，在本文中我们将探索使用宽度学习架构替代现有ML方法来进行辐射源设备识别工作；在本节中介绍所提出的KG-BLS架构SEI算法的具体实现过程包括输入到KG-BLS架构中的信号特征提取、特征映射节点的设计、增强机制的应用以及最终输出用于识别目标结果的过程。

2.1 构建信号知识图谱的特征表示

本文采用了均值、方差、标准差等统计量作为时域提取的关键特徵参数；在频域分析中，则基于重心频率等9种频率特徵量进行提取与构建知识图谱。通过人工筛选优化后发现，在SEI问题识别中这些特徵指标具有较高的判别价值

（1）高阶累积量

在众多统计学方法中，在研究随机变量分布规律方面，在众多统计学方法中

3 仿真实验与结果

本节将介绍仿真实验中使用的数据集、生成的信号特征KG及其基于KG-BLS架构实现的SEI性能。随后生成实验所需的完整数据集，并对原始射频信号进行了标准化预处理以构建完整的信号特征KG。在此基础上对比提出了基于KG-BLS架构的新算法与现有传统的基于机器学习（ML）的方法其仿真性能对比结果将建立在完全相同的完整数据集基础上

3.1 数据集生成

由6个功率放大器生成的连续信号样本被用作数据集的基础。通过设计统一的标准特征数据库，并设定每个样本包含N值较大的复杂度特性分析需求的具体解决方案。每个PA接收机处理后的IQ采样结果将提供一个完整的时域波形描述，并采用固定调制方案中的十六元相位-shift键控（16PSK）作为先验调制方式，在采集过程中加入信噪比（SNR）为X dB的理想高斯噪声干扰，在此基础上对相应PA接收的数据打上标签并确保其格式的一致性后将其转化为one-hot形式编码。因此，在训练过程中所建立的数据集中包含来自不同工作状态下的完整时域波形描述和精确的时间戳信息标记信息

，标签样本为。

3.2 特征提取数据库与知识图谱构建

基于Matlab平台对原始IQ信号采用实部与虚部分别作为时域与频域特征提取的对象，在完成各项特征提取后并将其融合处理后得到输入至KG-BLS架构中的信号特征信息

为了进一步实施数据共享策略, 确保数据集的有效控制措施得以完成, 将处理后的数据导入至MySQL数据库环境, 并使用MySQL Workbench平台对提取的特征进行可视化展示, 从而使得后续的数据增删改操作更加便捷, 如图4所示

基于构建的特征提取数据库上, 借助先验专家知识, 我们通过人为建立实体与属性之间的关系形成射频信号的知识图谱, 并将其在Neo4j中实现可视化展示. 为了便于查看, 随机从中选取一条数据进行Neo4j的可视化展示, 如图5所示

3.3 射频信号辐射源识别

旨在通过仿真对比分析所设计的KG-BLS架构SEI算法与传统基于机器学习（ML）的SVM支持向量机分类器之间的性能差异，并首先阐述该体系中KG-BLS宽度学习架构SEI的具体参数配置。

（1）KG-BLS架构参数设置

KG-BLS架构具体参数设置如表1所示 ：

（2）性能与开销优势

在当前章节中，我们将阐述我们提出的新架构在其识别能力与计算复杂度方面的显著特点。

如图6所示

4 结束语

本研究开发了一种基于信号特征KG与BLS架构的新方法（SEI）。所开发的KG-BLS架构是一种单层前向传播网络，在依赖特征映射节点和增强节点进行非线性变换的基础上实现复杂分类问题的有效求解。为了增强特征结果的更强迁移能力并实现数据集中控制的目的，在此基础上进一步结合MySQL数据库以及KG可视化表征存储技术进行优化设计。经过仿真实验验证表明：所提出的方法在识别性能及计算开销方面较传统SVM支持向量机算法具有显著的优势尤其是其在训练阶段展现出计算开销得到了显著程度上的指数级下降计算效率得到显著提升实现了简单高效的辐射源设备识别目标