[發明專利]基于IQ圖特征的通信輻射源個體識別方法

有效

• 申請號: 202010996665.8
• 申請日: 2020-09-21
• 公開（公告）號: CN112183279B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 雷迎科;陳悅;潘必勝;李星;陳翔;張孟伯;滕飛
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

本發明公開了一種基于IQ圖特征的通信輻射源個體識別方法。該方法為：將所有類別的輻射源數據歸一化，得到幅度最大值為a的I、Q路數據；對歸一化的I、Q路數據，取每b個點為一個數據樣本，每一類輻射源截取c個樣本，得到訓練集；分別對所有類別的I、Q路數據進行維度變化，將一維I、Q路數據，按照橫軸為時間，縱軸為樣本值的大小進行維度變化，得到二維IQ圖矩陣，再將I路矩陣以及對應的Q路矩陣進行拼接得到二維矩陣圖，將其作為神經網絡的輸入，用每個類別輻射源的訓練樣本對神經網絡進行學習，保存學習好的神經網絡模型，用來對測試集進行測試，完成通信輻射源個體識別。本發明能夠對不同輻射源信號進行分類，并且識別正確率高。

技術領域

本發明涉及通信技術領域，特別是一種基于IQ圖特征的通信輻射源個體識別方法。

背景技術

在通信系統中，發送接收方的主要關注點是信號攜帶的信息。然而在接收到的信號中不僅承載了需要的信息，也在無形中夾雜了發射機個體的硬件信息，而這部分信息屬于發射機個體的“指紋”。隨著科技的進步，我們能夠將這些附帶的指紋信息與對應的輻射源個體連接起來，從而達到識別輻射源個體的目的。

在軍事領域，對敵方的通信電臺進行識別，從而確定敵方的武器平臺，對初步了解戰場態勢有著極其重要的作用。但是，在實際的斗爭中，很難獲取足夠的敵方電臺數據，樣本量不足時，特征提取和特征選擇會出現偏差，提取的特征不能代表目標的本質特征，因此，小樣本學習變得越來越重要。

CNN的經典用例是執行圖像分類，CNN神經網絡通過卷積核對數據的卷積，能識別圖片中的某些特征。通過多年的發展，相比其他神經網絡CNN發展的較為成熟，在圖片識別方面，CNN有著突出的能力。近年來，與CNN神經網絡搭配的特征有小波變換、雙譜特征、經驗模態分解等，并且都能得到很好的識別效果。

對電臺數據，通過接收機采樣，得到的是一維的IQ數據。通過對IQ數據的觀察可知，當I路數據呈現出現特定波形時，Q路數據也會呈現出對應的變化。這種I路與Q路對應的變化，在同一電臺數據中有重復性，在不同電臺數據中存在差異性：特征的重復性，為解決小樣本學習提供了思路，可以充分利用采集到的小部分數據，學習出在后面數據序列中也會出現的特征；特征的差異性，是區分不同輻射源的基礎。

目前，送入CNN神經網絡的數據為一維數據，但是通過CNN中的卷積核的卷積，使得不相鄰的數據產生了關聯，這種處理方法對不同種類的通信信號數據進行分類是沒有意義的。

發明內容

本發明的目的在于提供一種基于IQ圖特征的通信輻射源個體識別方法，達到對不同種類的通信信號數據進行分類的功能。

實現本發明目的的技術解決方案為：一種基于IQ圖特征的通信輻射源個體識別方法，包括以下步驟：

步驟1，數據歸一化：將所有類別的輻射源數據歸一化，得到幅度最大值為a的I、Q路數據，a為100-200的整數；

步驟2，對歸一化后的數據進行截取、拼接：對歸一化的I、Q路數據，取每b個點為一個數據樣本，每一類輻射源截取c個樣本，得到訓練集；b為500-1000的整數，c為1000-2000的整數；

步驟3，對數據進行維度變化：分別對所有類別的I路和Q路數據進行維度變化，將原本的一維I、Q路數據，按照橫軸為時間，縱軸為樣本值的大小進行維度變化，得到二維IQ圖矩陣，再將I路矩陣以及對應的Q路矩陣進行拼接得到二維矩陣圖；

步驟4，CNN神經網絡分類：將得到的二維矩陣圖作為神經網絡的輸入，用每個類別輻射源的訓練樣本對神經網絡進行學習，保存學習好的神經網絡模型，用來對測試集進行測試，完成通信輻射源個體識別。

進一步地，步驟1所述的數據歸一化，具體過程如下：

將采集得到的所有類別輻射源的I路數據、Q路數據分別進行歸一化，并且將最大值變為a，歸一化公式為：