通过三分支对比聚类框架进行无监督的特定发射体识别

《Engineering Applications of Artificial Intelligence》：Unsupervised specific emitter identification via triple branch contrastive clustering framework

无监督发射源识别方法基于三分支对比聚类框架和深度残差网络，通过多信号增强模拟真实传播环境，结合实例级与聚类级对比优化提升特征区分度，在95.23%聚类精度下实现噪声鲁棒性。

　　

张文旭|龚贵川|赵忠凯|安琳

哈尔滨工程大学信息与通信工程学院，中国哈尔滨，150001

摘要

特定发射体识别（SEI）是雷达信号处理、电子战和战场侦察中的关键任务。传统的SEI方法主要依赖于标记数据，但在现实世界场景中这些数据往往稀缺或无法获得，从而限制了它们的实际应用性。在本文中，我们提出了一种全新的无标记SEI方法，该方法基于三重分支对比聚类（TBCC）框架，并结合了具有高效通道注意力的深度残差收缩网络（DRSN-ECA）。为了增强数据多样性，我们首先设计了多种信号增强策略来模拟信号传播和获取的效果。然后利用TBCC框架来最大化同一样本的多个增强视图之间的互信息，使相似样本在特征空间中更接近，而不同样本则相互分离。此外，我们还制定了一个结合实例级和簇级对比损失的联合优化目标，以同时提高局部可区分性和全局簇可分离性。实验结果表明，所提出的方法在没有任何标记监督的情况下实现了95.23%的聚类准确率。与代表性的无监督算法相比，我们的方法不仅具有更高的准确性和稳定性，而且在不同的信噪比（SNR）水平、发射体数量和样本大小下也表现出出色的鲁棒性。

引言

SEI旨在通过从接收信号中提取无意调制特征（称为射频指纹RFF）来唯一识别无线电发射体（Gokhan等人，2020年；Han等人，2023年；Xue等人，2020年）。例如，一种适用于多接收器场景的RFF特征提取方法使得发射体识别模型能够快速适应不同的接收器（Zha等人，2023年）。同样，基于注意力的特征融合方法通过加权高质量信号提高了识别准确率（Zhang等人，2024年）。此外，还提出了基于雷达指纹的识别技术，利用了常用的特征，如信号包络（Fang等人，2023年）、脉冲上的无意相位调制（Sun等人，2022年）和瞬时载波频率偏移（Huang等人，2016年）。然而，雷达系统的广泛部署和频谱拥挤的加剧显著降低了发射体特征之间的可区分性。因此，传统依赖专家知识和标记数据的SEI方法在实际应用中常常无法识别未知发射体。

为了克服对标记数据的依赖，人们将无监督聚类算法引入到SEI任务中。代表性的方法包括K-means（Javed和Bhatti，2005年；Caron等人，2018年；Zhan等人，2020年）、基于密度的噪声空间聚类（DBSCAN）、聚类算法以及谱聚类（Huang等人，2019年；Lu和Shao，2025年），这些方法可以在没有手动标签的情况下对信号进行分组。尽管这些方法简单且计算效率高，但它们通常容易受到维数灾难的影响，并且对噪声和异常值敏感，导致聚类性能不稳定。此外，一些现有的“无监督”方法仍然隐含地依赖于专家定义的特征或先验知识。例如，基于InfoGAN的方法需要手工制作的特征输入（Gong等人，2020年），而判别表示网络则依赖于已知发射体的标记数据进行领域迁移（Yuan等人，2022年）。因此，一个真正无标记、鲁棒且高性能的无监督SEI解决方案仍然是一个未解决的挑战。

最近，深度学习（DL）在无线通信领域取得了显著的成功，包括频谱占用预测（Zhang等人，2023年）、调制识别（Wang等人，2023年；Zhang等人，2021年）和资源分配（Yin等人，2022年）。例如，一种基于深度神经网络的DL方法被提出，用于减轻时间变化对频谱效率指标（SEI）的影响，从而提高了模型在不同时间段的鲁棒性（J.X. Liu等人，2024年）。随着DL技术的不断进步，深度神经网络和传统聚类算法的结合（称为“深度聚类”）已成为一个特别有前景的研究方向（Lin等人，2020年；Wang等人，2021年；Z.Z. Liu等人，2024年）。在这些方法中，对比学习（Wu等人，2023年；Chen等人，2023年）被证明是一种有效的无监督策略。与监督方法不同，对比学习仅依赖于数据的内在结构，无需手动标签。通过构建语义上有意义的正负样本对，网络学习了鲁棒且具有区分性的表示。在训练过程中，每个实例都会经过数据增强以形成正样本对，而批次中的其他实例作为负样本对。目标是最大化正样本对之间的相似性，同时最小化负样本对之间的相似性，从而隐式地促进特征空间内的类内紧凑性和类间分离性。因此，对比学习可以在无监督条件下提取高度区分性的特征，并表现出强大的聚类性能（Tian等人，2020年；Guan等人，2022年）。例如，一种基于MoCo-V2框架的时频特征增强方法通过对齐和一致性损失提高了准确率（S.Y. Li等人，2024年），而将对比学习与掩码建模相结合进一步增强了ADS-B数据集上的表示能力（W.H. Li等人，2024年）。随着自我监督和无监督学习的快速发展，最近的一些研究试图减少甚至替代SEI任务中的手动标记。基于掩码建模、原型学习和对比表示学习的方法在无需显式标签的情况下提取区分性特征方面取得了令人鼓舞的进展（Zhu等人，2022年；Xu等人，2024年）。然而，大多数现有方法仍然依赖于部分监督、先验假设或在某些阶段的定制预处理，如特征设计、簇初始化或领域迁移。此外，当面临较大的类间相似性、未知的发射体类型或现实世界的低SNR环境时，它们的鲁棒性往往会下降。因此，实现完全无标记、抗噪声和高准确率的SEI仍然是一个具有挑战性但至关重要的目标。

在本文中，我们提出了一种基于对比聚类（Caron等人，2020年）的新SEI方法，能够在没有手动标签的情况下自动识别信号类别。具体来说，设计了四种针对性的数据增强策略来模拟现实世界的传播和获取变化，同时保留了发射体的固有特征。构建了一个TBCC网络，通过多视图对比学习来增强有效的特征表示。为了进一步提高区分能力，我们采用了DRSN-ECA作为核心，该网络结合了残差学习、自适应噪声抑制和通道级注意力，以在具有挑战性的条件下提取鲁棒特征。最后，采用了一个结合实例级和簇级对比损失的联合优化目标，以同时提高局部可区分性和全局簇可分离性，从而实现有效的无监督发射体信号聚类。本文的主要贡献如下：

• •
  我们开发了一套信号增强策略，以在不损害发射体特征完整性的情况下提高数据多样性。
• •
  我们提出了一种TBCC框架，以加强特征表示并减轻正样本中多样性不足的问题。
• •
  我们设计了一个联合优化方案，以增强类内紧凑性和类间分离性，从而提高无监督识别的准确性。

本文的其余部分组织如下。第2节介绍了理论背景和模型，包括特征提取、DRSN-ECA网络架构和四种信号增强策略。第3节详细介绍了所提出的TBCC方法，包括对比损失函数、整体优化目标和算法框架。第4节展示了仿真结果和评估指标，分析了信号增强方法的影响，与其他算法的性能进行了比较，并评估了在不同条件下的鲁棒性。第5节总结了本文。

节选内容

特征提取

在雷达发射体信号中，除了系统中故意设计的调制外，还普遍存在由于发射体组件不完美特性引起的非故意调制现象，称为无意调制（UM）。这种调制源于发射体固态频率源的不稳定性、射频（RF）放大器的非线性响应、电源波动和温度等因素的共同作用

提出的方法

为了解决完全无标记条件下的SEI挑战，我们提出了一种TBCC框架。TBCC结合了多视图信号增强、共享权重表示学习和双重级别对比优化，以共同提高特征区分性和簇可分离性。

实验设置

由于军事雷达数据的高度机密性，获取此类数据极其困难，特别是从同一雷达模型的多个设备中获取测量数据时。本研究中使用的设备包括射频信号发生器（Agilent N5172B EXG X、Agilent N5182 A EXG X）和软件定义无线电（PlutoSDR_1、PlutoSDR_2、RIGOL_DSG3030_1和RIGOL_DSG3030_2），从每个设备中提取了1000个信号样本并进行分组

结论

为了解决在没有标记数据的情况下区分信号的挑战，我们提出了一种基于对比聚类的新型辐射源识别方法。首先，设计了多种信号增强策略来模拟辐射源信号的多样性，考虑了通道传播和获取过程的影响。这些增强技术有效地增强了信号的变异性，同时保留了固有的调制特征

CRediT作者贡献声明

张文旭：撰写——原始草稿，软件开发，资金获取。龚贵川：撰写——原始草稿，软件开发。赵忠凯：资金获取。安琳：方法论，形式分析。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（项目编号：62471154）、黑龙江省优秀青年教师基础研究支持计划重点项目（项目编号：YQJH2023279）、黑龙江省自然科学基金（项目编号：LH2024F033）、山东省自然科学基金（项目编号：ZR2024MF114）以及中央高校基本科研业务费（项目编号：3072025HY0801和3072024XX0809）的支持。