目录
概述
无线系统识别(Wireless System Identification,WSI)是指利用接收到的无线信号感知系统属性,辨识其协议类别的过程,可应用于认知无线电或频谱监测等,属与信号识别研究范畴。
在一些文献中,WSI也被称作无线标准识别(Wireless Standard Identification,WSI)[1] [2]、无线技术识别(Wireless Technology Identification,WTI)[3]或无线干扰识别(Wireless Interference Identification,WII)[4][5]。区别于协议识别(Protocol Identification,PI)[6],无线系统识别针对物理层信号,例如,用于识别不同的蜂窝系统GSM、UMTS、LTE[7];不同接入方式的系统TDMA、GSM、CDMA(UTRAFDD)、OFDM;ISM频段的WLAN、蓝牙、ZigBee; 基于IEEE802.22、IEEE802.11af、IEEE802.16h、ECMA392标准的异构多认知无线网络[8]、以及()AM、FM Radio、Digital TV (ATSC)、GPS、VHF Data Link、ADS-B等其他体制。
(说明:图中参考文献不与Reference对应)
研究意义
无线电波开放性的特点使其容易受到干扰和非法利用,导致正常通信系统受扰甚至中断,进而威胁社会和国家安全。因此,加强无线电监测与识别,特别是在机场、边境等重点区域及重大活动现场的无线电监管,具有重要的现实意义和迫切需求。
通信技术推陈出新,各类无线系统协议也呈现爆发趋势。通信信号会采用不同协议以及各种信号处理新技术,以满足用户对数据速率以及带宽的需求。在海量机器类型通信和庞大的无线传输协议数量背景下,必然会面临有限频率资源的争夺和分配问题。如何有效监测和识别这些信号,特别是在低信噪比、恶劣信道条件下的认知无线电技术仍是一个十分重要的研究课题,而通信系统识别正是解决这一问题的有效手段。
在系统识别信号分类的基础上,考虑信号预测。即预测下一时刻信号最有可能来自哪个无线系统,并以该系统信号特征的估计作为信号预测结果。认知设备可以提前对将被主用户系统占用的通信信道进行避让,从而节约信道切换开销。
识别方法
基于特征的方法:先挑选出信号关键特征,如功率谱密度最大值、信号包络峭度与峰度、瞬时相位标准差、相位脉冲个数、时频周期性、循环谱、循环统计量、高阶矩等信号特征,然后利用传统的信号处理算法计算特征参数值,最后基于固定规则或者机器学习的方法进行分类[9]。通常,一个模型需要选取其中的几项甚至十几项特征作为模型输入,计算复杂度非常高,很难实际部署使用。同时,受信号波形多样性和多径衰落效应的影响,该方式在特征选择和判决准则方面也缺乏普适性。
基于域变换的方法:常用的有短时傅立叶变换(STFT)、小波变换(WT)、Wigner-Ville分布和Stockwell变换、梅尔倒谱系数(MFCC)、感知线性预测系数(PLPC)、功率归一化倒谱系数(PNCC)等。
基于深度学习的方法:人工智能在模式识别任务中具有独特优势,近年来,在图像/语音识别、自然语言处理、医疗、金融等很多领域取得了很大的成就,。无线电信号识别本质上也是一种特殊的模式识别,可以将人工智能与传统无线电信号识别技术深度融合,利用人工智能的机器学习方法,特别是深度学习算法,自动提取无线电波的模式特征,避免基于经验的人工特征提取,提高复杂电磁环境下无线电信号的识别能力。例如卷积神经网络(CNN)、长短时记忆网络(LSTM)在文献中已经有充分的探讨。然而,这些方法的复杂性仍有待于改善以提高实用性。
相关研究
调制识别、无线电个体识别.
Reference
- [1]. S. Behura, S. Kedia, S. M. Hiremath and S. K. Patra, "WiST ID—Deep Learning-Based Large Scale Wireless Standard Technology Identification," in IEEE Transactions on Cognitive Communications and Networking, vol. 6, no. 4, pp. 1365-1377, Dec. 2020.
- [2]. X. Wang, F. Wang, B. He and Y. Shan, "Wireless Standard Identification via Mel Frequency Cepstrum," in IEEE Communications Letters, vol. 26, no. 11, pp. 2656-2660, Nov. 2022, doi: 10.1109/LCOMM.2022.3201967.
- [3]. N. Bitar, S. Muhammad and H. H. Refai, "Wireless technology identification using deep Convolutional Neural Networks," 2017 IEEE 28th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC), 2017.
- [4]. M. Schmidt, D. Block and U. Meier, “Wireless interference identification with convolutional neural networks,” 2017 IEEE 15th International Conference on Industrial Informatics (INDIN), 2017, pp. 180-185.
- [5]. Block, D. Töws and U. Meier, "Implementation of efficient real-time industrial wireless interference identification algorithms with fuzzified neural networks," 2016 24th European Signal Processing Conference (EUSIPCO), 2016, pp. 1738-1742.
- [6]. S. Hu, Y. Yao and Z. Yang, "MAC protocol identification using support vector machines for cognitive radio networks," in IEEE Wireless Communications, vol. 21, no. 1, pp. 52-60, February 2014.
- [7]. K. Alshathri, H. Xia, V. Lawrence and Y. -D. Yao, "Cellular System Identification Using Deep Learning: GSM, UMTS and LTE," 2019 28th Wireless and Optical Communications Conference (WOCC), 2019, pp. 1-4.
- [8]. 冯文江, 廖万丽, 张福金,等. 异构多认知无线网络共存场景下的网络识别算法[J]. 上海交通大学学报, 2015, 49(10):7
- [9]. 周鑫, 何晓新, and 郑昌文. "基于图像深度学习的无线电信号识别." 通信学报 40.7(2019):12.
- [10]. Kulin, M. , et al. "A survey on Machine Learning-based Performance Improvement of Wireless Networks: PHY, MAC and network layer." (2020).