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）
