针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求, 提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理, 并对不均衡样本进行权重调节, 改善样本质量; 通过分组卷积获取不同维度的细微特征, 与初始特征拼接, 实现多维互补特征融合, 并联同步进行提高识别效率。利用 Ghost bottleneck结构实现网络模型压缩与跨层连接, 在融合多维特征的同时节省计算资源。实验结果表明, 本文算法结构精简, 计算量低, 识别率达到 95.2%, 并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。

由于射频信号种类多，电磁环境复杂，特征提取难度大，现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式，但深度学习方法自身可解释性差，而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上，探索了基于该数据集的深度学习模型测试方法，提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本，并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置，分析模型的鲁棒性，揭示信道环境对识别性能的影响，从而解释了深度学习网络模型的性能。

研究了基于通信辐射源射频指纹 (RFF)的同类型设备分类识别理论，通过提取通信信号的围线积分双谱值来作为设备个体识别的特征向量，使用支持向量机 (SVM)分类器进行识别。构建辐射源识别系统，并使用实测信号进行仿真测试。结果显示该方法具有稳定的识别效果，且在信噪比 (SNR)为-22 dB时，系统可以达到接近 90%的分类识别准确度。这说明本文提出的基于双谱的RFF提取方法有效。

射频(RF)功率放大器是辐射源射频指纹特征产生的关键器件之一, 是射频指纹(RFF)产生机理和个体识别的重要突破口。设计一种功率放大器射频指纹提取实验方法, 利用时域射频独特原生属性(RF-DNA)方法成功提取了功率放大器的射频指纹, 并对RF-DNA指纹进行了可视化处理。研究结果表明, 功率放大器的射频指纹主要反映在幅度失真特性上, 利用瞬时幅度生成的时域RF-DNA指纹能够实现对放大器个体的分类, 在信噪比大于12 dB时, 分类正确率在91%以上。可视化后, 能直观观察RF-DNA指纹及不同功率放大器之间统计特征的相似性和差异性。