摘要
通信辐射源特定个体识别(Communication Specific Emitter Identification,CSEI)技术是在通信设备中提取出代表设备本身的细微指纹特征，利用物理层面上不可伪造的特征，进行相应的鉴别，为无线通信系统提供了一种新的安全认证方法，具有重大的研究意义。本文的主要研究内容如下: (1)本文提出了 VMD-SE-Transformer的神经网络模型，从通信辐射源机理角度出发，将神经网络与变分模态分解相结合，利用其强大的特征提取能力，解决了传统CSEI识别准确率较差的问题。针对BPSK仿真数据集，其准确率可以达到98.3％。 (2)本文提出了基于连接预测的图卷积神经网络(L-GCN)的方式进行通信辐射源聚类分选，巧妙地将复杂的通信辐射源分选问题转化为拓扑图的切割聚类问题，利用有标签数据，更好地区分了通信辐射源样本特征间的差异。针对USRP采集的数据集，最终的结果优于其他聚类方法，F-Score达到94.5％。 (3)本文提出了基于半监督学习的开集识别方法，将L-GCN赋予伪标签的数据加入原始数据集，利用新的数据集，重新训练网络模型，解决了数据量较少、模型泛化程度不够引起的开集识别准确率低的问题;针对USRP采集的数据集，实验对未知类型辐射源数据识别有显著提升。
NETL