基于多域判别核典型相关分析的辐射源指纹特征融合方法

作     者：孙丽婷 王翔 黄知涛 Liting SUN;Xiang WANG;Zhitao HUANG

作者机构：国防科技大学电子科学学院长沙410073 

出 版 物：《中国科学：信息科学》 (Scientia Sinica(Informationis))

年 卷 期：2023年第53卷第1期

页      面：146-163页

核心收录：

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

基　　金：湖南省创新群体研究项目(批准号:2019JJ10004) 国防科技大学青年创新奖(批准号:18/19-QNCXJ)资助项目 

主　　题：辐射源个体识别 特征融合 多域辐射源指纹特征 典型相关分析 特征提取 

摘      要：辐射源个体识别(specific emitter identification,SEI)是指通过提取信号中蕴含的有关其发射来源的硬件指纹信息,来实现对特定信号辐射源的精确识别.SEI技术的关键在于指纹特征的提取.相关研究大多侧重于定义和提取新的指纹特征,较少关注对已有特征的综合利用问题.鉴于不同分析域的特征对辐射源指纹的描述存在互补性,本文提出一种基于多域判別核典型相关分析(multi-domain discriminant kernel canonical correlation analysis,MDKCCA)的辐射源指纹多域特征融合方法,充分利用特征的标签信息以及特征间的互补性,在高维空间完成多域特征的降维与融合.以4个特征分析域8种常见指纹特征为依托,在4种不同类型的实测数据集上验证了算法的性能.结果证明,该方法无需人工特征寻优环节,可大幅降低融合特征的维度,对4类目标的准确识别率均达到95%以上,优于最优单一特征,同时优于基于直接级联或基于PCA(principal component analysis)降维变换的简单特征综合方法、基于神经网络的特征综合方法,以及基于判别相关分析(discriminant canonical correlation,DCA)等方法的特征融合方法.