[發(fā)明專利]一種基于深度學習的輻射源個體識別方法

有效

• 申請?zhí)枺?/td>: 202010110735.5
• 申請日: 2020-02-24
• 公開（公告）號: CN111310680B
• 公開（公告）日: 2022-11-04
• 發(fā)明（設計）人: 楊海芬;張昊;王厚鈞;楊睿;周亮;周軍
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

1.一種基于深度學習的輻射源個體識別方法，該方法包括以下步驟：

步驟1：獲取輻射源個體發(fā)送信號；

步驟2：將每個發(fā)送信號進行下采樣，考慮到信號數(shù)據(jù)當中，有部分時間段并沒有實際發(fā)送、接收信息，所以將未發(fā)送信號的空白部分過濾掉；

步驟3：確定相關參數(shù)，包括原信號x[n]、窗函數(shù)w[n]、窗長Win_Len、重疊點數(shù)n_overlap、補零點數(shù)N_fft；

步驟4：每段的加窗使用Hamming窗，根據(jù)信號長度n_Len、窗長Win_Len以及重疊點數(shù)n_overlap，計算窗滑動次數(shù)n_num；

步驟5：求信號能量譜密度PSD矩陣P，對于實信號，P是各段PSD的單邊周期估計；對于復信號，當指定頻率向量F時，P為雙邊PSD；處理后得到的數(shù)據(jù)矩陣大小為((N_fft/2)+1)*n_num；

步驟6：將得到的矩陣進行劃分，根據(jù)每個樣本所代表的時間長度，設計合理的n_Width值；每個樣本包含n_Width個分窗，即n_Width列，每個數(shù)據(jù)文件被分為n_num/n_Width個樣本，即每個樣本維度均是((N_fft/2)+1)*n_Width；

步驟7：對上述步驟得到的所有樣本數(shù)據(jù)進行z-score標準化；

步驟8：采用訓練好的神經(jīng)網(wǎng)絡對步驟7得到的數(shù)據(jù)進行識別，得出識別結果；

所述步驟8中神經(jīng)網(wǎng)絡包括七層：

第一層為二維卷積層，其參數(shù)設置為96個權重矩陣，權重矩陣尺寸為(11,11)，激活函數(shù)為Relu函數(shù)；

第二層為最大池化層，其參數(shù)設置為池化核尺寸(3,3)；

第三層為二維卷積層，其參數(shù)設置為256個權重矩陣，權重矩陣尺寸為(5,5)，激活函數(shù)為Relu函數(shù)；

第四層為最大池化層，其參數(shù)設置為池化核尺寸(3,3)；

第五層為二維卷積層，其參數(shù)設置為384個權重矩陣，權重矩陣尺寸為(3,3)，激活函數(shù)為Relu函數(shù)；

第六層為最大池化層，其參數(shù)設置為池化核尺寸(3,3)；

第七層為全連接層；

(1)第一、三、五層的二維卷積層的輸入矩陣包含四個維度，依次為：樣本數(shù)、圖像高度、圖像寬度、圖像通道數(shù)；輸出矩陣格式與輸入矩陣的維度順序和含義相同，但是后三個維度：圖像高度、圖像寬度、圖像通道數(shù)的尺寸發(fā)生變化；權重矩陣格式同樣是四個維度，但維度的含義為：卷積核高度、卷積核寬度、輸入通道數(shù)和輸出通道數(shù)；

輸入矩陣、權重矩陣和輸出矩陣這三者的參數(shù)是相互決定的關系；權重矩陣的輸入通道數(shù)由輸入矩陣的通道數(shù)所決定；輸出矩陣的通道數(shù)由卷積核的輸出通道數(shù)所決定；輸出矩陣的高度和寬度(h_out，w_out)這兩個維度的尺寸由輸入矩陣、權重矩陣、掃描方式所共同決定；計算公式如下：h_in代表輸入矩陣高度，w_in代表輸入矩陣寬度，h_kenel、w_kenel分別代表權重矩陣的高度和寬度，p代表填充像素的大小，s代表步長；

(2)第二、四、六層的最大池化層；給定數(shù)據(jù)的三維度尺寸，即[c_in,h_in,w_in]，代表輸入池化層之前的數(shù)據(jù)的通道數(shù)，高度以及寬度，給定兩個超參數(shù)池化核尺寸[f_pool*f_pool]，池化步長[s_pool]，計算池化后的樣本尺寸，公式如下：

w_out＝(w_in-f_pool)/s_pool+1

h_out＝(h_in-f_pool)/s_pool+1

c_out＝c_in

其中w_out為池化之后的樣本寬度，h_out代表池化后的樣本高度，c_out則代表池化后輸出的樣本的通道數(shù)；池化核的濾波器是不需要保留參數(shù)的；不同于卷積層的濾波器，每一個最大池化層濾波器就是一個固定的函數(shù)；

(3)全連接層：多維數(shù)組需先進行Flatten，然后連接全連接層；Flatten用來將輸入“壓平”，即把多維的輸入一維化，為了從卷積層到全連接層的過渡；

額外的，在第二、四、六層的最大池化層后設置一過濾層；

設置過濾層后計算公式為：

其中Bernoulli函數(shù)是為了生成概率為p的r向量，也就是隨機生成一個0、1的向量，z是輸入神經(jīng)元節(jié)點的值，y是神經(jīng)元節(jié)點輸出的值，w是權重，b是偏置值；f函數(shù)是神經(jīng)元的激活函數(shù)，上標～表示過濾后的數(shù)據(jù)，上標l表示層數(shù)，下標i表示節(jié)點。