引言
近年来，随着无线电网络的迅猛发展，智能手机、物联网设备以及各种无线传感器等设备的大量涌入，使得无线网络变得更加复杂和密集，信息安全问题也日益突出［1］。例如，现有的无线网络大多依赖于密钥进行身份验证，但密钥一旦泄露，就容易发生非法用户的接入或者数据被窃取等事件［2］，导致严重的信息安全问题。通信终端辐射源识别为此类信息安全问题提供另外一种防御途径。除验证密钥外，还验证无线设备的型号与预留的型号是否一致，以此增强数据访问的安全性。具体来说，通过深度学习技术提取射频指纹(RFF)特征来发现和识别异常行为［3］，从而及时阻止非法设备的接入，进而确保通信的安全性和可靠性，提升无线网络的防护能力。然而，生活中充斥着电子设备、通信系统、电台、无线网络等大量辐射源，各种信息设备所产生的强电磁波、密集电磁场以及自然界中各种电磁信号，构成日益复杂的电磁环境［4］。电磁信号强度的动态变化、密集交织的信号以及频谱的重叠与紧密分布可能会对目标信号产生遮挡［5］，现有的基于深度学习的特征提取技术面对复杂多变的电磁环境时，模型容易受到干扰信号的影响，导致对目标信号的辨识能力下降。因此，复杂的电磁环境给通信终端的辐射源识别带来巨大挑战。近年来，基于YOLO的目标识别算法在多个领域得到广泛应用，并衍生出大量改进方法。第一种思路是通过降低模型计算量来增强算法的实时性。例如，RFYOLO 针对无人机通信信号识别在 YOLOv8 基础上改进主干与 Neck 结构，实现了参数量与精度的平衡［6］。这类方法在边缘设备部署和实时检测任务中具有明显优势，但在复杂场景下可能会降低特征表达能力。第二种思路是提升模型对关键特征的提取能力。例如，YOLOv5sCWMDSQ在主干中引入CA注意力和多尺度池化机制，有效提升了频谱信号识别的精度［7］。这类方法能够强化对目标信息的关注，从而提高识别精度，但大多直接将注意力模块堆叠在主干网络上，模型的泛化能力仍有限。第三种思路是进行特征融合。如在YOLO的Neck部分引入PANet［8］等结构实现多尺度特征融合。然而在频谱类图像中，多尺度信息的有效利用仍面临挑战。针对通信终端设备识别问题，本文创新性地提出基于数字频谱余晖图和改进YOLO的通信终端识别算法。具体来说，采用YOLO目标识别框架，提取通信终端辐射源的数字频谱余晖图特有的RFF特征，提出适用于复杂电磁环境的通信终端识别算法，简称EMIYOLO。其核心包括三点：针对干扰信号对目标信号造成遮挡干扰问题，提出C2fCE模块，嵌入到主干和颈部网络；针对模型特性提取能力弱问题，在主干网络的末端嵌入部分自注意力机制；针对数据集样本较少问题，采用五种数据增强策略对数据集进行有效扩充。实验结果表明，相较于基准算法，在模型参数量减少的条件下，EMI-YOLO的识别准确率得到提高。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000006929
作者信息：
张策1，苏思雨2
(1.佳缘科技股份有限公司，四川成都610097；
2.杭州电子科技大学 通信工程学院, 浙江杭州310018)
