基于非线性模型的宽带无线发射机识别

孙闽红，郭泓辰

(杭州电子科技大学通信工程学院，浙江 杭州 310018)

基于非线性模型的宽带无线发射机识别

孙闽红，郭泓辰

(杭州电子科技大学通信工程学院，浙江 杭州 310018)

针对同厂家生产的同型号宽带无线发射机难以识别的问题，提出了一种基于模型的识别新方法.首先将宽带无线发射机建模为Hammerstein-Wiener模型，通过引入鳗鱼算法中的标识度和邻近学习的思想，提出改进的自适应小生境遗传算法，并应用于模型参数的辨识；然后以模型参数为特征向量，以直观的欧氏距离法实现宽带无线发射机识别.仿真结果验证了改进算法在Hammerstein-Wiener模型辨识上的有效性，而且与网格自适应直接搜索算法和自适应小生境遗传算法相比较，改进算法有更高的预测精度和发射机识别率.

宽带无线发射机识别；Hammerstein-Wiener模型；系统辨识；遗传算法

0 引 言

近年来，基于射频指纹特征的无线发射机识别是国内外的一个研究热点[1]，提取的指纹特征有小波系数、元器件非线性模型参数、瞬时包络特征等，其中基于元器件非线性模型参数的识别方法主要分为基于Hammerstein模型和低阶的volterra级数模型，在低信噪比和小样本下仍具有良好的识别性能[2]，值得进一步深入研究.然而，上述模型对宽带无线发射机识别并不是最适合的，文献[3]指出Hammerstein-Wiener模型对宽带无线发射机识别具有更优的建模性能.在系统辨识方面，现有的Hammerstein-Wiener模型辨识方法主要有网格自适应直接搜索算法[3](Mesh Adaptive Direct Search，MADS)和一些传统算法，如最小二乘法和迭代法等，这些方法存在辨识精度低、鲁棒性差或收敛性不能被严格证明等不足之处.针对这些不足，一些智能算法，如自适应加权粒子群优化算法[4](Adaptive Weighted Particle Swarm Optimization，AWPSO)被应用于Hammerstein-Wiener模型的辨识，取得了较好的效果.

本文通过引入鳗鱼算法[5]中的标识度和邻近学习的思想，提出了一种改进的自适应小生境遗传算法，弥补了遗传算法局部寻优较差的不足，提高了算法局部寻优能力，使遗传算法在全局寻优和局部寻优达到平衡.采用新算法对同型号无线发射机的个体细微特征进行识别，为仿冒用户非法入侵身份识别方面的研究提供了新思路.

1 系统建模

宽带无线发射机的建模为Hammerstein-Wiener模型，其结构如图1所示.

图1 Hammerstein-Wiener模型

图1中，d(n)与y(n)分别为系统的输入和输出，f(d)和g(u)为非线性结构，v(n)和u(n)分别为f(d)的输出和g(u)的输入信号.对于2个非线性子模块，分别可用1个无记忆非线性多项式模型表示

(1)

(2)

其中，M和M′为多项式阶数，Bk和bk为多项式系数.由于偶次项会被射频滤波器滤除，所以仅考虑奇次项[6].图1中，H(v)为线性子模块，可用FIR滤波器表示为

(3)

其中,hk为线性参数，N为阶数.

综合式(1)和式(3)，得到Hammerstein-Wiener模型的输入与输出的关系为

(4)

其中，w(n)～N(0,σ2)为加性高斯白噪声.假设不考虑无线信道的影响，在宽带无线接收机中，接收信号相当于式(4)中的输出信号，模型的输入d(n)可以通过解调得到，因此模型中的输入和输出数据对接收机而言均已知，从而可以根据这些数据对模型进行辨识.

2 改进的自适应小生境遗传算法

自适应小生境遗传算法在全局寻优方面具有优势，但局部寻优能力弱.为提高此算法的局部寻优能力，本文提出的改进的自适应小生境遗传算法增加了梯度优化操作，引入了鳗鱼算法的标识度和邻近学习思想.具体的算法步骤如图2所示.

图2 改进的自适应小生境遗传算法

改进算法增加了梯度优化种群，标识度划分等级和邻近学习的算法，具体如下：

1)梯度优化.目标函数为

金莱特(002723)公告称拟以支付现金的方式，向旭宝恒都、国信铭安、龙祺合伙等7名股东收购其持有的中建城开100%股权，交易价为8.5亿元。上述股东承诺，中建城开2019-2021年度扣非后归母净利润分别不低于1亿元、1.2亿元和1.5亿元。金莱特表示，通过收购中建城开股权，公司将进入建筑服务行业，实现双轮驱动发展，进一步提升公司综合竞争力；更有助于公司分享我国新一轮基建扶持政策带来的产业机遇和发展红利。

(5)

(6)

2)等级划分.比较2个个体i和j之间的距离，若dij>L，认为不在1个小生境里，跳转进行条件判决.若dij

3)邻近学习.若F[X(bi,hj,Bj)]>F[X(bj,hj,Bj)]，则交换基因段，交换后为F[X(bj,hj,Bj)]=F[X(bi,hj,Bj)].同理，可交换hj与Bj基因段.最终当J<η时，程序结束.

3 仿真实验

仿真实验选取了3种算法，分别为MADS算法、自适应小生境遗传算法和改进的自适应小生境遗传算法，从参数辨识性能、无线发射机识别性能两方面来验证所提算法的有效性.仿真实验是在CPU主频为3.3 GHz、Win7 64位操作系统、4 GB内存的环境下运行.假设有2台宽带无线发射机，其Hammerstein-Wiener模型参数设置如表1所示.

表1 宽带无线发射机参数设置

3.1 参数辨识性能

主要从时间复杂度和辨识精度两方面来比较参数辨识性能.

3.1.1 时间复杂度

表2 算法时间复杂度 s

从表2中看出，MADS算法平均运行时间最短，因为低信噪比下MADS算法易陷入局部最优解.改进的自适应小生境遗传算法通过梯度优化了搜索空间，避免了不必要的范围搜索，相对于自适应小生境遗传算法大大减小了时间复杂度.

3.1.2 辨识精度

图3 相对误差比较

从图3看出，在选取的输入样本中MADS算法的相对误差最大，可达1.10，平均相对误差是0.20；自适应小生境遗传算法的相对误差最大为0.25，平均相对误差为0.05；改进遗传算法相对误差最大为0.09，平均相对误差为0.03.说明在这3种算法中，改进遗传算法在辨识精度上最好，因为邻近学习和小生境淘汰操作平衡了其局部寻优和全局寻优能力，而MADS算法鲁棒性差，易陷入局部最优解，所得到的预测输出并非全局最优解下的最佳输出.

3.2 发射机识别性能

在利用改进的遗传算法获得系统参数的估计值之后，采用较直观的欧氏距离比较法进行识别，判决准则为：

(7)

图4 识别率随信噪比变化曲线

识别率随信噪比变化曲线如图4所示.

从图4可以看出，识别率若要达到90%，改进自适应小生境遗传算法的信噪比要比自适应小生境遗传算法少2 dB；并且改进自适应小生境遗传算法的识别率平均比自适应小生境遗传算法的要高2.85%.因为改进自适应小生境遗传算法引进标识度和邻近学习思想，在本身具有全局寻优特点下，增强了局部寻优能力，提高了辨识精度.而MADS算法对噪声敏感，鲁棒性差，易陷入局部最优解，参数辨识值变化大，所以当信噪比在2～30 dB范围内，识别率最低.

4 结束语

本文通过改进的自适应小生境遗传算法来进行模型参数的辨识.利用本算法进行宽带无线发射机识别，在时间复杂度上，与MADS算法相比并没有优势，但识别性能最好，充分证明了改进算法能提高自适应小生境遗传算法的寻优能力.实际应用中，在时间复杂度没有严格要求情况下，利用改进算法进行相应的系统辨识可提高一定的辨识精度.然而对时间有严格要求情况下，需要即时处理复杂问题时，采用改进算法并不合适，其时间复杂度有待进一步优化.

[1]REHMANSU,SOWERBYKW,COGHILLC.Radio-frequencyfingerprintingformitigatingprimaryuseremulationattackinlow-endcognitiveradios[J].IETCommunications, 2014, 8(8): 1274-1284.

[2]LIUMW,DOHERTYJF.Nonlinearityestimationforspecificemitteridentificationinmultipathchannels[J].ForensicsandSecurity,IEEETransactionsonInformation, 2011, 6(3): 1076-1085.

[3]TARINGOUF,HAMMIO,SRINIVASANB,etal.Behaviourmodellingofwidebandrftransmittersusinghammerstein-wienermodels[J].IETcircuits,devices&systems, 2010, 4(4): 282-290.

[4]TALAIES,SHOOREHDELIMA,SHAHMOHAMADIL.NonlinearsystemidentificationofHammerstein-WienermodelusingAWPSO[C]//IntelligentSystems(ICIS), 2014IranianConferenceon.IEEE, 2014: 1-4.

[5]SUNYS,HUANGZC,CHENY,etal.Anewdiscreteeelswarmintelligencealgorithm[C]// 2014 4thIEEEInternationalConferenceonInformationScienceandTechnology.IEEE, 2014: 813-816.

[6]BARRADASFM,CUNHATR,LAVRADORPM,etal.PolynomialsandLUTsinPABehavioralModeling:AFairTheoreticalComparison[J].IEEETransactionsonMicrowaveTheoryandTechniques, 2014, 62(12): 3274-3285.

[7]SONGQK,XUMM,LIUY.Waveletnetworkcontrollerbasedonimprovedgeneticalgorithm[C]//Measurement,InformationandControl(ICMIC), 2013InternationalConferenceon.IEEE, 2013: 1111-1117.

[8]赵静,赵卫虎,李勇军,等.基于改进小生境遗传算法的微波/光混合链路中继卫星资源调度方法[J].光电子:激光,2014,25(1):76-81.

Wideband Wireless Transmitter Identification Based on Nonlinear Model

SUN Minhong, GUO Hongchen

(SchoolofCommunicationEngineering,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

The identification of the same-model wideband wireless transmitters manufactured by a same manufacturer has emerged as a big challenge. In this paper, a new model-based approach for the identification is proposed. Firstly, a Hammerstein-Wiener model is adopted for modeling the wideband wireless transmitters. Then an improved adaptive niche genetic algorithm is proposed for the model identification. Taking the estimated model parameters as a feature vector, the identification of the wideband wireless transmitters is performed by utilizing an intuitive Euclidean method. The simulation results verify the effectiveness of the proposed method. Moreover, the improved genetic algorithm achieves better estimation precision and higher identification rate than the mesh adaptive direct search(MADS) and adaptive niche genetic algorithm.

wideband wireless transmitter identification; Hammerstein-Wiener; system identification; genetic algorithm

10.13954/j.cnki.hdu.2017.01.008

2016-09-13

国家自然科学基金资助项目(61271214)；浙江省自然科学基金资助项目(LZ14F010003)

孙闽红(1974-)，江西吉安人，男，副教授，信号处理.

TN975

A

1001-9146(2017)01-0032-05