受限样本联合射频指纹识别模型设计

针对100架民航飞机识别的现实问题，设计了包含数据分析/处理、特征参数标准数据库建立、分类、优化等模块的多特征值联合射频指纹识别模型。数据分析/处理中，分析了小波系数、瞬时相位、希尔伯特黄变换能量谱、相关系数、时域包络、概率密度函数等参数的区分度，并选定特征参数。特征参数数据库建立中，为避免RFF特征丢失，利用直接测量法建立特征参数标准数据库。分类过程中，基于相关度和阈值理念，定义了单特征分类规则及联合分类规则。最后通过人工修订参数的方法实现了模型的优化。结果表明，在硬件资源受限、选择样本数偏低的情况下，该模型平均识别率达到69.75%，为解决飞机数据识别的现实问题提供了一定的理论参考。

射频指纹(Radio Frequency Fingerprint, RFF)特征由电子元件容差产生，具有唯一性，可用于辐射源个体识别(Specific Emitter identification, SEI)，在军事(如敌我识别)和商业(如无线网络安全)领域得到广泛应用，其特征提取、分析成为研究的焦点。

Hall 等[1]首次定义了RFF 概念，提出可将瞬时幅度、小波频率、相位等参数作为指纹特征。文献[2]指出将原始数据去除杂波、截断处理后变换到时域、频域、小波域以提取RFF 特征，即降维变换特征提取。文献[3]指出除降维变换方法外，可直接针对接收信号时间序列提取RFF 特征，即直接测量法。文献[4]指出制造容差是RFF 特征的重要组成因素，引发的相位波动与设备密切相关，因此可通过瞬时相位作为RFF 特征参数进行SEI 设备识别。

文献[5]指出韩洁等人[6]设计的希尔伯特黄变换和多尺度分形特征的RFF 识别方法，在低信噪比和训练样本数量较小的情况下性能较为突出。文献[7]提出将瞬态信号二阶谱功率谱密度和互功率谱密度作为RFF 特征、基于概率神经网络进行分类的方法。

文献[8]基于Relief 和PCA算法，提出小波系数降维特征识别方法。文献[9]对近年来的射频指纹识别、分类技术进行了归纳总结。

但上述研究存在以下不足：一是所识别的终端设备数量较少(考虑最多的终端数为4 个)， 终端之间区分度高，设备增加时特征间隔减小，SEI 识别度降低，因此识别模型不具备普适性；二是分类器以神经网络、机器学习为主，方法较为成熟，但对硬件要求较高、数据冗余度高、处理时间长；三是各终端采集数量较大，采样周期较长，无法实现某些辐射源的快速识别(如航空设备)。

针对上述问题，论文以实际中监测的100 架某航空设备辐射信号为数据基础，设计特征参数标准数据库建立、RFF 分类、优化等模块联合射频指纹识别模型。为提高运算效率、降低数据冗余度，在分析小波系数、瞬时相位、希尔伯特黄变换能量谱、相关系数等特征参数的基础上，基于相关度和阈值理念， 在分析单特征分类效果的基础上，定义联合分类流程规则，以达到SEI 的目的。

2. 实际问题描述 将天津中国民航产业化基地作为信号采集地点， 选择航空广播式自动相关监视系统ADS-B 的辐射信