论文部分内容阅读
摘要：信号辐射源识别在雷达对抗和设备状态检测中起到重要作用。本文采用Hammerstein模型对雷达辐射源建模，采用AR模型对雷达辐射源线性记忆特性建模。然后基于AR模型从脉冲压缩后的回波信号中提取特征，并采用概率神经网络对不同辐射源个体开展模式识别。并通过雷达信号处理相参处理，进一步提高对信号源个体识别的准确率。基于不同信噪比和两种特征集，仿真结果表明本文提出的方法能够在不增加硬件成本和的条件下，以极低的信号处理开销，有效识别雷达辐射源个体。
关键词：辐射源个体识别；脉冲压缩；概率神经元网络
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2019）06-0173-05
Radar Emitters Identification Technology Based on Pulse Compression Signal
LU Ze-yuan， WANG Kai， CHENG Chao-cai， HE Peng， ZHU Zi-ping
（The No.38 Research Institute of CETC，Hefei 230000， China）
Abstract： Signal emitters identification technology can play an important role in radar countermeasure and radar equipment state detection. In this paper， Hammerstein model is used to describe the radar emitter and AR model is used to describe the linear memory characteristics of the radar emitter. Then， based on AR model， features are extracted from the echo signals after pulse compression， and probabilistic neural networks are used to identify individual radiation sources. Through the radar signal processing coherent method， the accuracy of individual signal source identification is further improved. The results show that the proposed method can effectively identify radar emitter individuals with very low signal processing overhead without extra hardware costs.
Keywords： Signal emitters identification； Pulse compression； Probabilistic neural network
目前對信号辐射源特征差异的定量机理研究不足。文献主要基于现代信号处理方法提取辐射源特征信息。这些研究工作中的个体特征提取方法中经验成分偏大，目前的研究工作倾向于根据信号观测来归纳差异。
从特征提取方法看，现有的信号辐射源个体识别技术主要分为三种：第一种针对信号参数的统计特征；第二种聚焦信号变换域的统计特征；第三种基于发射机非线性的统计特征。这些现有方法主要针对的是通信信号而非雷达信号。
Williams等人针对通信信号暂态段、导频段，提取瞬时幅度、瞬时相位、瞬时频率的统计参数作辐射源个体特征[1-3]。通信辐射源识别研究可利用导频信号，导频信号是一种稳态信号，然而在LFM波形的雷达信号属于非平稳信号，但本文不是直接对雷达回波做分析，而是以脉冲压缩后信号做输入，特征提取方法采用自回归方法处理暂态信号。
Brik从解调星座图畸变角度提取辐射源个体特征向量，并在对130多个发射机的识别实验取得了超过80%的正确识别率[4]。基于时域和频域统计参数特征的个体识别方法研究较为深入，然而这些特征受噪声影响大，且对非高斯、非平稳信号分析能力弱。
时频分析在辐射源特征识别得到广泛应用[5]。Reising使用Gabor-Wigner变换，采用归一化幅度系数序列的统计量做辐射源特征，但其通信收发实验是在办公室环境中开展。
Polak通过谱分析方法[6]，通过带内畸变失真、非线性参数估计的讨论鉴别无线设备独特的特征。变换域方法计算量大，在雷达实时解算系统中可能会加重系统计算负荷。
Wang在特征建模中分析了信道对特征[7]的影响，因为通信信号在传播过程中会受到信道影响，雷达信号不考虑多径影响。Wang基于信息论和无线设备物理层特征[8]，讨论了通信容限和辐射源个数问题，同样雷达辐射源辨识容限也需要辐射源特征识别研究。
Zhang和Liu以无记忆模型建模了不同辐射源功放非线性特征[9]，功放非线性在模型中得到考虑，但实际存在的功放记忆效却未在建模中体现。本文对雷达辐射源建模中既考虑到非线性，又考虑到了记忆效应。
2016年，Huang提出了发射机系统输出信号归一化置换熵特征，对辐射源个体识别率高达95% [10]，但该方法训练样本量大，泛化能力尚需进一步研究。本文采用小样本提取辐射源特征，有助于提高雷达对复杂多目标[11]检测性能。
1模型描述
1.1辐射源系统仿真 实际信号产生过程是由多个非线性器件配合完成的，建模描述的是辐射源系统的整体的非线性行为，提取的辐射源个体特征极的后续研究提供数据源。
实际发射过程中受随机相位波动影响，频率源信号输出在频域不再是单一谱线，而包含了许多谐波。发射过程中未完全被预失真技术补偿的部分就是辐射源非线性特征来源。对功放非线性的建模采用了记忆模型，输入为窄带信号的功放，具有相对较弱的记忆效应。采用Hammerstein模型建模，线性记忆模块通过低阶AR模型近似。
雷达采用数字脉冲压缩技术解决系统威力与距离分辨力的矛盾。在雷达系统中一般采用理想信号与接收机输出的信号进行匹配，引起理想信号与接收信号之间相关性下降的因素主要有：发射通道对理想信号的无意调制；接收通道对信号的无意调制；模数转换；为抑制副瓣而进行的幅度加权；目标运动引起的多普勒调制和脉冲宽度的变化。其中仅发射过程的无意调制对于信号源具备识别性。
1.3雷达辐射源个体识别特征
本节描述了AR模型从脉冲压缩后的回波信号中提取特征，这样做避免了对仿真数据描述过度拟合，虽然会降低识别率但对真实辐射源个体信号仍然具有适用性，它的模型的系数蕴含了辐射源个体的重要特征，AR 模型可以有效描述回波信号中特征。反复试验结果表明，AR模型的系数是信号回波诸多参数中对波形形态特征描述较维数低且稳定有效的。
1.4雷达辐射源个体识别器
概率神经网络需调整的参数较少，无需人为确定模式层数，并且模式层中具有隐层神经单元，可以依据训练完成神经网络的建构，不存在局部最小值。根据贝叶斯理论对不同辐射源个体开展模式识别。
概率神经网络体系包含四层，依次是：输入层、模式层、累加层、输出层。
2.2仿真结果
效仿通信辐射源识别中直接对雷达回波进行辐射源识别的技术路径，固然也是可行的，但是一方面脉冲压缩将能量集中，提高了信噪比，另一方面不同于通信信号的连续接收，雷达信号仅在回波的目标附近具有辐射源鉴别的素材。脉冲压缩过程的加入必然会影响到辐射源识别，但是基于数字处理的脉冲压缩过程针对所有的辐射源都是一致的，因此在脉冲压缩的过程中并不会引入新的无意调制。本文采用脉冲压缩后峰值附近80个点的幅度序列信息作为辐射源特征的输入。
如图1所示，三种不同的颜色分别代表了三种辐射源在同一目标位置的回波脉冲压缩曲线，从幅度序列可见差异，红色表示雷达辐射源1，黄色表示雷达辐射源2，蓝色表示雷达辐射源3。副瓣与主板比值，主瓣峰值高度等诸多参数上都存在差异。有文献报道瞬时相位的统计参数特征分辨辐射源个体的能力很强，表1雷达脉冲压缩信号特征参数可以看到，不同辐射源脉冲压缩后的相位差异，但仅在1度以内，以相位作为特征并不能提高识别率。
为了刻画这种差异采用AR建模系数作为参数，特征基于AR的5阶模型参数，第2类特征基于AR的5阶模型参数外加目标距离。不同于通信辐射源中的特征选择，第2类特征参数中增加目标距离，这是雷达辐射源识别的特色。
通常在辐射源个体识别的特征选取时，特征应具备时移不变性、尺度变化性和相位保持性，由于特征具有不规则的非平稳性、非线性、和非高斯性，信号的双谱理论上可以消除高斯白噪声的影响，同时具备分类特征特性以及分析细微特征特性，如图2所示的是针对同一距离的目标，不同辐射源回波信号脉冲压缩后的双谱图，双谱图的总体趋势基本类似，但在细节处表现出了明显的差异，双谱较好的刻画辐射源个体差异性。
对于LFM的雷达信号这种非高斯信号而言，双谱这类高阶统计量包含更丰富的统计信息。
从表1雷达脉冲压缩信号特征抽取典型参数中可以看出，AR模型系数能够表现出三種不同辐射源在同一目标位置回波脉冲压缩后的差异。同时通过AR模型参数计算特征所需要的时间很短，典型的一批训练数据200个序列特征计算仅需要9.05E-04秒。
从表2 雷达辐射源个体识别表中可见，选用类型1特征作训练时训练样本正确率可达96%-98%之间，而选用类型2特征作训练时训练样本正确率可达75%-85%之间，这说明仅仅使用AR模型系数作辐射源特征是不够的，也说明了目标位置对脉冲压缩之后的波形有显著影响。这些都是雷达信号处理不同于通信信号的特性。
从测试准确率来看，选用了目标位置作为特征量的第1类特征也远远优于第2类，在30dB时，差异达到了一倍。同时样本测试识别耗时很短在0.04秒左右，由于仿真仅仅采用了200个点做样本，其中测试样本还不在训练样本中，两者的目标距离不同。在不同信噪比条件下，建立神经元网络所需要的时间在0.2秒左右，如果样本量增加，则训练时间会进一步增加，但是训练可以提前完成，实际测试使用时耗时大大缩短。注意到本文采用的是三个不同的辐射源，不同于2分类问题，多分类在信噪比15dB时仍然能正确率达到43%，且不需要增加硬件成本，甚至不改变雷达信号处理主体流程，计算开销小。后续通过相参雷达处理方法，可以进一步提高对信号源个体识别的准确率。
如表3所示，通过多脉冲相参处理，尽管但脉冲识别率仅仅是43% ，如果6个脉冲中有2个及以上识别出了辐射源，那么正确识别概率可以达到80.34% 。单脉冲识别率60%，如果10个脉冲中有4个及以上识别出了辐射源，那么正确识别概率可以达到93.92% 。从表3种可以看出一个相干脉冲串相参处理累计识别可以提高识别率。
3 小结
本文首先采用Hammerstein模型对雷达辐射源建模，采用AR模型对雷达辐射源线性记忆特性建模。然后基于AR模型从脉冲压缩后的回波信号中提取特征，并概率神经网络对不同辐射源个体开展模式识别。通过雷达信号处理相参方法，进一步提高对信号源个体识别的准确率。在不同信噪比和两种不同特征集情况下，针对3个不同雷达辐射源个体，在15-30dB 信噪比条件下，选用类型1特征作训练时训练样本正确率可达96%-98%，选用类型1特征作测试时正确率可达43%-60%。尽管单脉冲识别率仅43% ，如果6个脉冲中有2个及以上识别出了辐射源，正确识别概率可达80.34% 。结果表明本文提出的方法能够在不增加硬件成本和的条件下，以极低的信号处理开销，有效识别雷达辐射源个体。 参考文献：
[1]M.D.Williams，S.A..Munns，M.A.Temple，etal. RF-DNA fingerprinting for airport WiMax communications security[C]. IEEE International Conference Network and System Security， Melbourne，2010，32-39.
[2]C.Dubendorfer，B.Ramsey，M.Temple. ZigBee device verification for securing industrial control and building automation systems[M]. Critical Infrastructure Protection：Springer，2013，47-62.
[3] C. K. Dubendorfer， B. W. Ramsey， M. A. Temple. An RF-DNA verification process for ZigBee networks[C].IEEE Military Communication Conference，Orlando. 2012，1-6.
[4] T. J. Bihl， K. W. Bauer， M. A. Temple. Feature selection for RF fingerprinting with multiple discriminant analysis and using ZigBee device emissions[J]. IEEE Transactions on Information Forensics and Security.
[5]Z. Yang， Q. Wei， H. Sun， et al. Robust radar emitter recognition based on the three-dimensional distribution feature and transfer leaming[J]. Sensors， 2016， 16（3）.
[6]A.C.Polak and D. L. Goeckel. Identification of wireless devices of users who actively fake their RF fingerprints with artificial data distortion[J]. IEEE Transactions on Wireless Communications， 2015， 14（11）： 5889-5899.
[7]W. H. Wang， Z. Sun， S. X. Piao， et al. Wireless physical-layer identification： modeling and validation[J]. IEEE Transactions on Information Forensics and Security， 2015， 11（9）： 2091-2106.
[8]W. H. Wang， Z. Sun， S. K. Ren， et al. User capacity of physical-layer identification： an information-theoretic perspective[C]. IEEE 2016 International Conference on Communications （ICC）， Kuala Lumpur， Malaysia， 2016，3317-3322.
[9]J. W. Zhang， F. G Wang， O. A. Dobre， et al. Specific emitter identification via hilbert-huang transform in single-hop and relaying scenarios[J]. IEEE Transactions on Information Forensics and Security， 2016， 11（6）： 1192-1205.
[10]G Q. Huang， Y. J. Yuan， X. Wang， et al. Specific emitter identification based on nonlinear dynamical characteristics[J]. Canadian Journal of Electrical and Computer Engineering，2016.
[11] Peng Chen， Chenhao Qi*， Lenan Wu， Xianbin Wang， Estimation of extended targets based on compressed sensing in cognitive radar system， IEEE Transactions on Vehicular Technology， Vol. 66（2）：941-951， 2017.
【通聯编辑：王力】
关键词：辐射源个体识别；脉冲压缩；概率神经元网络
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2019）06-0173-05
Radar Emitters Identification Technology Based on Pulse Compression Signal
LU Ze-yuan， WANG Kai， CHENG Chao-cai， HE Peng， ZHU Zi-ping
（The No.38 Research Institute of CETC，Hefei 230000， China）
Abstract： Signal emitters identification technology can play an important role in radar countermeasure and radar equipment state detection. In this paper， Hammerstein model is used to describe the radar emitter and AR model is used to describe the linear memory characteristics of the radar emitter. Then， based on AR model， features are extracted from the echo signals after pulse compression， and probabilistic neural networks are used to identify individual radiation sources. Through the radar signal processing coherent method， the accuracy of individual signal source identification is further improved. The results show that the proposed method can effectively identify radar emitter individuals with very low signal processing overhead without extra hardware costs.
Keywords： Signal emitters identification； Pulse compression； Probabilistic neural network
目前對信号辐射源特征差异的定量机理研究不足。文献主要基于现代信号处理方法提取辐射源特征信息。这些研究工作中的个体特征提取方法中经验成分偏大，目前的研究工作倾向于根据信号观测来归纳差异。
从特征提取方法看，现有的信号辐射源个体识别技术主要分为三种：第一种针对信号参数的统计特征；第二种聚焦信号变换域的统计特征；第三种基于发射机非线性的统计特征。这些现有方法主要针对的是通信信号而非雷达信号。
Williams等人针对通信信号暂态段、导频段，提取瞬时幅度、瞬时相位、瞬时频率的统计参数作辐射源个体特征[1-3]。通信辐射源识别研究可利用导频信号，导频信号是一种稳态信号，然而在LFM波形的雷达信号属于非平稳信号，但本文不是直接对雷达回波做分析，而是以脉冲压缩后信号做输入，特征提取方法采用自回归方法处理暂态信号。
Brik从解调星座图畸变角度提取辐射源个体特征向量，并在对130多个发射机的识别实验取得了超过80%的正确识别率[4]。基于时域和频域统计参数特征的个体识别方法研究较为深入，然而这些特征受噪声影响大，且对非高斯、非平稳信号分析能力弱。
时频分析在辐射源特征识别得到广泛应用[5]。Reising使用Gabor-Wigner变换，采用归一化幅度系数序列的统计量做辐射源特征，但其通信收发实验是在办公室环境中开展。
Polak通过谱分析方法[6]，通过带内畸变失真、非线性参数估计的讨论鉴别无线设备独特的特征。变换域方法计算量大，在雷达实时解算系统中可能会加重系统计算负荷。
Wang在特征建模中分析了信道对特征[7]的影响，因为通信信号在传播过程中会受到信道影响，雷达信号不考虑多径影响。Wang基于信息论和无线设备物理层特征[8]，讨论了通信容限和辐射源个数问题，同样雷达辐射源辨识容限也需要辐射源特征识别研究。
Zhang和Liu以无记忆模型建模了不同辐射源功放非线性特征[9]，功放非线性在模型中得到考虑，但实际存在的功放记忆效却未在建模中体现。本文对雷达辐射源建模中既考虑到非线性，又考虑到了记忆效应。
2016年，Huang提出了发射机系统输出信号归一化置换熵特征，对辐射源个体识别率高达95% [10]，但该方法训练样本量大，泛化能力尚需进一步研究。本文采用小样本提取辐射源特征，有助于提高雷达对复杂多目标[11]检测性能。
1模型描述
1.1辐射源系统仿真 实际信号产生过程是由多个非线性器件配合完成的，建模描述的是辐射源系统的整体的非线性行为，提取的辐射源个体特征极的后续研究提供数据源。
实际发射过程中受随机相位波动影响，频率源信号输出在频域不再是单一谱线，而包含了许多谐波。发射过程中未完全被预失真技术补偿的部分就是辐射源非线性特征来源。对功放非线性的建模采用了记忆模型，输入为窄带信号的功放，具有相对较弱的记忆效应。采用Hammerstein模型建模，线性记忆模块通过低阶AR模型近似。
雷达采用数字脉冲压缩技术解决系统威力与距离分辨力的矛盾。在雷达系统中一般采用理想信号与接收机输出的信号进行匹配，引起理想信号与接收信号之间相关性下降的因素主要有：发射通道对理想信号的无意调制；接收通道对信号的无意调制；模数转换；为抑制副瓣而进行的幅度加权；目标运动引起的多普勒调制和脉冲宽度的变化。其中仅发射过程的无意调制对于信号源具备识别性。
1.3雷达辐射源个体识别特征
本节描述了AR模型从脉冲压缩后的回波信号中提取特征，这样做避免了对仿真数据描述过度拟合，虽然会降低识别率但对真实辐射源个体信号仍然具有适用性，它的模型的系数蕴含了辐射源个体的重要特征，AR 模型可以有效描述回波信号中特征。反复试验结果表明，AR模型的系数是信号回波诸多参数中对波形形态特征描述较维数低且稳定有效的。
1.4雷达辐射源个体识别器
概率神经网络需调整的参数较少，无需人为确定模式层数，并且模式层中具有隐层神经单元，可以依据训练完成神经网络的建构，不存在局部最小值。根据贝叶斯理论对不同辐射源个体开展模式识别。
概率神经网络体系包含四层，依次是：输入层、模式层、累加层、输出层。
2.2仿真结果
效仿通信辐射源识别中直接对雷达回波进行辐射源识别的技术路径，固然也是可行的，但是一方面脉冲压缩将能量集中，提高了信噪比，另一方面不同于通信信号的连续接收，雷达信号仅在回波的目标附近具有辐射源鉴别的素材。脉冲压缩过程的加入必然会影响到辐射源识别，但是基于数字处理的脉冲压缩过程针对所有的辐射源都是一致的，因此在脉冲压缩的过程中并不会引入新的无意调制。本文采用脉冲压缩后峰值附近80个点的幅度序列信息作为辐射源特征的输入。
如图1所示，三种不同的颜色分别代表了三种辐射源在同一目标位置的回波脉冲压缩曲线，从幅度序列可见差异，红色表示雷达辐射源1，黄色表示雷达辐射源2，蓝色表示雷达辐射源3。副瓣与主板比值，主瓣峰值高度等诸多参数上都存在差异。有文献报道瞬时相位的统计参数特征分辨辐射源个体的能力很强，表1雷达脉冲压缩信号特征参数可以看到，不同辐射源脉冲压缩后的相位差异，但仅在1度以内，以相位作为特征并不能提高识别率。
为了刻画这种差异采用AR建模系数作为参数，特征基于AR的5阶模型参数，第2类特征基于AR的5阶模型参数外加目标距离。不同于通信辐射源中的特征选择，第2类特征参数中增加目标距离，这是雷达辐射源识别的特色。
通常在辐射源个体识别的特征选取时，特征应具备时移不变性、尺度变化性和相位保持性，由于特征具有不规则的非平稳性、非线性、和非高斯性，信号的双谱理论上可以消除高斯白噪声的影响，同时具备分类特征特性以及分析细微特征特性，如图2所示的是针对同一距离的目标，不同辐射源回波信号脉冲压缩后的双谱图，双谱图的总体趋势基本类似，但在细节处表现出了明显的差异，双谱较好的刻画辐射源个体差异性。
对于LFM的雷达信号这种非高斯信号而言，双谱这类高阶统计量包含更丰富的统计信息。
从表1雷达脉冲压缩信号特征抽取典型参数中可以看出，AR模型系数能够表现出三種不同辐射源在同一目标位置回波脉冲压缩后的差异。同时通过AR模型参数计算特征所需要的时间很短，典型的一批训练数据200个序列特征计算仅需要9.05E-04秒。
从表2 雷达辐射源个体识别表中可见，选用类型1特征作训练时训练样本正确率可达96%-98%之间，而选用类型2特征作训练时训练样本正确率可达75%-85%之间，这说明仅仅使用AR模型系数作辐射源特征是不够的，也说明了目标位置对脉冲压缩之后的波形有显著影响。这些都是雷达信号处理不同于通信信号的特性。
从测试准确率来看，选用了目标位置作为特征量的第1类特征也远远优于第2类，在30dB时，差异达到了一倍。同时样本测试识别耗时很短在0.04秒左右，由于仿真仅仅采用了200个点做样本，其中测试样本还不在训练样本中，两者的目标距离不同。在不同信噪比条件下，建立神经元网络所需要的时间在0.2秒左右，如果样本量增加，则训练时间会进一步增加，但是训练可以提前完成，实际测试使用时耗时大大缩短。注意到本文采用的是三个不同的辐射源，不同于2分类问题，多分类在信噪比15dB时仍然能正确率达到43%，且不需要增加硬件成本，甚至不改变雷达信号处理主体流程，计算开销小。后续通过相参雷达处理方法，可以进一步提高对信号源个体识别的准确率。
如表3所示，通过多脉冲相参处理，尽管但脉冲识别率仅仅是43% ，如果6个脉冲中有2个及以上识别出了辐射源，那么正确识别概率可以达到80.34% 。单脉冲识别率60%，如果10个脉冲中有4个及以上识别出了辐射源，那么正确识别概率可以达到93.92% 。从表3种可以看出一个相干脉冲串相参处理累计识别可以提高识别率。
3 小结
本文首先采用Hammerstein模型对雷达辐射源建模，采用AR模型对雷达辐射源线性记忆特性建模。然后基于AR模型从脉冲压缩后的回波信号中提取特征，并概率神经网络对不同辐射源个体开展模式识别。通过雷达信号处理相参方法，进一步提高对信号源个体识别的准确率。在不同信噪比和两种不同特征集情况下，针对3个不同雷达辐射源个体，在15-30dB 信噪比条件下，选用类型1特征作训练时训练样本正确率可达96%-98%，选用类型1特征作测试时正确率可达43%-60%。尽管单脉冲识别率仅43% ，如果6个脉冲中有2个及以上识别出了辐射源，正确识别概率可达80.34% 。结果表明本文提出的方法能够在不增加硬件成本和的条件下，以极低的信号处理开销，有效识别雷达辐射源个体。 参考文献：
[1]M.D.Williams，S.A..Munns，M.A.Temple，etal. RF-DNA fingerprinting for airport WiMax communications security[C]. IEEE International Conference Network and System Security， Melbourne，2010，32-39.
[2]C.Dubendorfer，B.Ramsey，M.Temple. ZigBee device verification for securing industrial control and building automation systems[M]. Critical Infrastructure Protection：Springer，2013，47-62.
[3] C. K. Dubendorfer， B. W. Ramsey， M. A. Temple. An RF-DNA verification process for ZigBee networks[C].IEEE Military Communication Conference，Orlando. 2012，1-6.
[4] T. J. Bihl， K. W. Bauer， M. A. Temple. Feature selection for RF fingerprinting with multiple discriminant analysis and using ZigBee device emissions[J]. IEEE Transactions on Information Forensics and Security.
[5]Z. Yang， Q. Wei， H. Sun， et al. Robust radar emitter recognition based on the three-dimensional distribution feature and transfer leaming[J]. Sensors， 2016， 16（3）.
[6]A.C.Polak and D. L. Goeckel. Identification of wireless devices of users who actively fake their RF fingerprints with artificial data distortion[J]. IEEE Transactions on Wireless Communications， 2015， 14（11）： 5889-5899.
[7]W. H. Wang， Z. Sun， S. X. Piao， et al. Wireless physical-layer identification： modeling and validation[J]. IEEE Transactions on Information Forensics and Security， 2015， 11（9）： 2091-2106.
[8]W. H. Wang， Z. Sun， S. K. Ren， et al. User capacity of physical-layer identification： an information-theoretic perspective[C]. IEEE 2016 International Conference on Communications （ICC）， Kuala Lumpur， Malaysia， 2016，3317-3322.
[9]J. W. Zhang， F. G Wang， O. A. Dobre， et al. Specific emitter identification via hilbert-huang transform in single-hop and relaying scenarios[J]. IEEE Transactions on Information Forensics and Security， 2016， 11（6）： 1192-1205.
[10]G Q. Huang， Y. J. Yuan， X. Wang， et al. Specific emitter identification based on nonlinear dynamical characteristics[J]. Canadian Journal of Electrical and Computer Engineering，2016.
[11] Peng Chen， Chenhao Qi*， Lenan Wu， Xianbin Wang， Estimation of extended targets based on compressed sensing in cognitive radar system， IEEE Transactions on Vehicular Technology， Vol. 66（2）：941-951， 2017.
【通聯编辑：王力】