[發明專利]一種基于深度學習的輻射源個體識別方法

有效

• 申請號: 202010110735.5
• 申請日: 2020-02-24
• 公開（公告）號: CN111310680B
• 公開（公告）日: 2022-11-04
• 發明（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

該發明公開了一種基于深度學習的輻射源個體識別方法，涉及輻射源個體識別技術領域。通過特征提取，然后輸入神經網絡進行輻射源個體的識別，在神經網絡中加入過濾層，本發明過濾層的作用是在每個訓練批次中，選擇性的讓一半的隱層節點值為0，可以明顯地減少過擬合現象；這種方式可以減少特征檢測器(隱層節點)間的相互作用，降低過擬合、提升性能檢測器相互作用是指某些檢測器依賴其他檢測器才能發揮作用，通過上述技術方案本發明能夠準確識別各輻射個體。

技術領域

本發明涉及輻射源個體識別技術領域，更具體的，是涉及一種基于深度學習，對具有多種復雜工作模式的輻射源個體進行識別的方法。

背景技術

通信信號識別存在廣泛的應用需求，是頻譜管理、通信偵查與電子對抗等領域非常重要的一個研究課題。當前的主流研究方向中，通信信號識別根據不同應用場景與目的需求，可進一步分為輻射源個體識別與信號調制方式識別。輻射源個體識別技術由于各個領域的迫切需求，獲得了迅速的發展。在非合作通信中，無論輻射源的搜索、截獲、識別、定位還是分析，都需要輻射源個體識別技術為復雜電磁環境下的清晰分析和精準決策提供有力的支撐。因此，輻射源個體識別技術日漸成為了通信信號處理領域研究的一個熱點。

輻射源個體識別通常有兩種手段，即人工手動識別和機器自動識別。人工識別主要采用一系列針對不同類型信號的接收機，將接收到的信號進行初步處理之后，借助示波器、頻譜儀、解調器等工具進行識別。傳統的識別方法以基于脈沖描述字的五維特征(PulseDescription Word,PDW)的識別方法最為經典。此外，小波包特征、時頻特征、分數階傅里葉變換域特征等參數在個體識別領域中也都取得了一定的識別效果，但不可忽視的是上述成果只適用于被識別的輻射源個體之間有明顯差異的情況，比如不同個體的載頻差異明顯、信號調制類型不同等，在輻射源個體無明顯差異的場景下識別準確率低，導致難以在實際中應用。

輻射源個體的自動識別方面，目前的研究重點集中在以深度學習為代表的新型算法上。將深度學習引入輻射源個體識別的處理過程，可以使通信設備或機器具備自我學習、自主決策和自我更新的能力，從而更好地應對未來通信網絡發展所帶來的用戶和數據量大大提升、信號類型不斷發展變化和通信環境未知等問題和挑戰。但現有方法多是在一維領域對信號進行研究，難以發揮深度學習在處理二維數據上的優勢；同時現有的基于神經網絡或深度學習進行輻射源個體識別的算法往往網絡層數深、結構復雜、參數量極大，存在著訓練耗時、網絡泛化性差的問題。隨著技術的日新月異，各種新體制通信信號不斷涌現，單個輻射源也存在由多種調制方式、中心頻率、傳輸速率等變化組合而成的復雜工作模式，同時現代社會電磁干擾日益復雜，導致現有個體識別方法已經難以滿足輻射源個體識別的種種需求。

發明內容

針對個體之間無明顯差異的輻射源個體識別準確率低，以及對具有多種復雜工作模式的輻射源個體難以識別的問題，提出一種能夠準確輻射源個體的方法。

本發明技術方案為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：獲取輻射源個體發送信號；

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

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

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