[發(fā)明專利]基于深度學習的PRI聯(lián)合脈內(nèi)信息輻射源信號識別方法

有效

• 申請?zhí)枺?/td>: 202010027623.3
• 申請日: 2020-01-10
• 公開（公告）號: CN111239692B
• 公開（公告）日: 2023-01-24
• 發(fā)明（設計）人: 武斌;吳東彬;李靖怡;李鵬;荊澤寰;楊瑞
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S7/02
• 分類號: G01S7/02;G06N3/04;G06N3/08
• 代理公司: 西北工業(yè)大學專利中心 61204
• 代理人: 陳星

1.一種基于深度學習的PRI聯(lián)合脈內(nèi)信息輻射源信號識別方法，其特征在于：包括以下步驟：

步驟1：構建輻射源信號原始數(shù)據(jù)集；

所述輻射源信號原始數(shù)據(jù)集中信號的脈內(nèi)調(diào)制方式包括五類：線性調(diào)頻信號、非線性調(diào)頻信號、二相編碼信號、固定頻率信號、二頻編碼信號；其中線性調(diào)頻信號根據(jù)帶寬分為m₁種，非線性調(diào)頻信號根據(jù)窗函數(shù)分為m₂種，二相編碼信號根據(jù)巴克碼位數(shù)分為m₃種，固定頻率信號根據(jù)載頻分為m₄種，二頻編碼根據(jù)頻率分為m₅種；

所述輻射源信號原始數(shù)據(jù)集中信號的PRI脈間調(diào)制方式有五類：包括固定、抖動、正弦、滑變、駐留與切換；

脈內(nèi)調(diào)制方式線性組合PRI脈間調(diào)制方式共產(chǎn)生5*(m₁+m₂+m₃+m₄+m₅)種信號，每種信號標記有對應的脈內(nèi)調(diào)制方式與脈間調(diào)制方式的組合標簽；每種信號產(chǎn)生K個樣本，共5K*(m₁+m₂+m₃+m₄+m₅)個樣本，每個樣本長度包含多個脈沖信號；

步驟2：對步驟1構建的輻射源信號原始數(shù)據(jù)集加上不同信噪比的噪聲，得到N個具有不同信噪比噪聲的輻射源信號數(shù)據(jù)集，再加上步驟1中的輻射源信號原始數(shù)據(jù)集，共得到N+1個輻射源信號數(shù)據(jù)集，每個數(shù)據(jù)集中包含5K*(m₁+m₂+m₃+m₄+m₅)個樣本；

步驟3：構建多層感知機網(wǎng)絡，利用N+1個輻射源信號數(shù)據(jù)集分別對多層感知機網(wǎng)絡進行訓練，得到訓練好的多層感知機網(wǎng)絡模型；訓練好的多層感知機網(wǎng)絡模型輸出輻射源信號的PRI脈間信息特征向量；構建CNN網(wǎng)絡，利用N+1個輻射源信號數(shù)據(jù)集分別對CNN網(wǎng)絡進行訓練，得到訓練好的CNN網(wǎng)絡；訓練好的CNN網(wǎng)絡輸出輻射源信號脈內(nèi)調(diào)制信息特征向量；

步驟4：采用全連接網(wǎng)絡結構將訓練好的多層感知機網(wǎng)絡模型輸出與CNN網(wǎng)絡輸出相連接，全連接網(wǎng)絡結構輸出聯(lián)合特征向量；在全連接網(wǎng)絡結構后接softmax分類器完成整個網(wǎng)絡結構的搭建；

步驟5：將實際截獲的信號分為兩個支路，分別輸入訓練好的多層感知機網(wǎng)絡模型和CNN網(wǎng)絡中，最終softmax分類器輸出分類識別結果。

2.根據(jù)權利要求1所述一種基于深度學習的PRI聯(lián)合脈內(nèi)信息輻射源信號識別方法，其特征在于：利用某一個輻射源信號數(shù)據(jù)集對CNN網(wǎng)絡進行訓練時，先對該輻射源信號數(shù)據(jù)集中的每個樣本進行截取，只取屬于同一脈沖的信號數(shù)據(jù)對CNN網(wǎng)絡進行訓練。

3.根據(jù)權利要求1所述一種基于深度學習的PRI聯(lián)合脈內(nèi)信息輻射源信號識別方法，其特征在于：利用某一個輻射源信號數(shù)據(jù)集對多層感知機網(wǎng)絡進行訓練時，先對該輻射源信號數(shù)據(jù)集中的每個樣本進行等間隔采樣，以獲得樣本中的多個脈沖信號數(shù)據(jù)，然后利用得到的多個脈沖信號數(shù)據(jù)對多層感知機網(wǎng)絡進行訓練。

4.根據(jù)權利要求1所述一種基于深度學習的PRI聯(lián)合脈內(nèi)信息輻射源信號識別方法，其特征在于：步驟3中，根據(jù)預先仿真試驗，確定多層感知機網(wǎng)絡輸出收斂時的迭代次數(shù)，并依此設置多層感知機網(wǎng)絡的迭代次數(shù)；當利用某一個輻射源信號數(shù)據(jù)集對多層感知機網(wǎng)絡進行訓練時，當達到設置的迭代次數(shù)后，停止訓練，然后再利用下一個輻射源信號數(shù)據(jù)集對多層感知機網(wǎng)絡進行訓練，直至N+1個輻射源信號數(shù)據(jù)集均對多層感知機網(wǎng)絡進行了訓練。

5.根據(jù)權利要求1所述一種基于深度學習的PRI聯(lián)合脈內(nèi)信息輻射源信號識別方法，其特征在于：步驟3中，根據(jù)預先仿真試驗，確定CNN網(wǎng)絡輸出收斂時的迭代次數(shù)，并依此設置CNN網(wǎng)絡的迭代次數(shù)；當利用某一個輻射源信號數(shù)據(jù)集對CNN網(wǎng)絡進行訓練時，當達到設置的迭代次數(shù)后，停止訓練，然后再利用下一個輻射源信號數(shù)據(jù)集對CNN網(wǎng)絡進行訓練，直至N+1個輻射源信號數(shù)據(jù)集均對CNN網(wǎng)絡進行了訓練。