[發(fā)明專利]一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211526466.6
• 申請日: 2022-11-30
• 公開（公告）號: CN115712856A
• 公開（公告）日: 2023-02-24
• 發(fā)明（設計）人: 洪少華;鄭亞男;孫海信;齊潔;王琳
• 申請（專利權）人: 廈門大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/213;G06F18/00;G06N3/045;G06N3/0464;G06N3/048;G06N3/082
• 代理公司: 廈門福貝知識產權代理事務所(普通合伙) 35235
• 代理人: 陳遠洋

1.一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法，其特征在于，該方法包括如下步驟：

S1、采集若干不同接收機接收到的信號生成跨接收機輻射源個體識別樣本集；

S2、對所述樣本集進行歸一化處理，劃分為源域樣本和目標域樣本，對所述源域的全部樣本和所述目標域中部分樣本進行標記，并將所述目標域剩余的樣本作為待測樣本集；

S3、進一步構建CNN特征提取模塊，并利用所述源域樣本數據訓練CNN網絡，引入CBAM注意力機制進一步提取深層特征；

S4、將所述源域數據和目標域數據輸入步驟S3訓練后的所述CNN網絡，分別提取卷積層最后一層輸出的特征向量；

S5、構建BDA模塊，將步驟S4提取的源域特征和目標域特征輸入得到訓練集和測試集；

S6、構建KNN分類器，對所述待測目標域樣本集進行判決。

2.根據權利要求1所述的基于CNN-CBAM-BDA的跨接收機輻射源識別方法，其特征在于，在S1中具體包括：利用兩臺不同接收機接收同一臺發(fā)射機發(fā)送的輻射源信號，生成跨接收機輻射源個體識別樣本集。

3.根據權利要求1所述的基于CNN-CBAM-BDA的跨接收機輻射源識別方法，其特征在于，在S2中具體包括：

S21、將所述樣本集中的每一個信號樣本進行歸一化預處理；

S22、將其中一臺所述接收機接收到的信號樣本作為所述源域樣本，另一臺所述接收機接收到的信號樣本作為所述目標域樣本。

4.根據權利要求1所述的基于CNN-CBAM-BDA的跨接收機輻射源識別方法，其特征在于，在S3中還包括：

將所述CNN網絡中的第一層至第三卷積層中卷積核大小分別設置為10、5和3，步長為設置1，卷積核的個數設為32、64和128；第一至第三層池化層均采用最大池化方式，池化區(qū)域大小分別為2、2和2，步長為設置2；

其中，激活函數為ReLu函數，隨機失活層的Dropout值設為0.5。

5.根據權利要求4所述的基于CNN-CBAM-BDA的跨接收機輻射源識別方法，其特征在于，在S3中還包括：

卷積塊注意力機制的結構設置為：給定映射CBAM直接生成一個一維通道注意力機制和一個二維空間注意力機制整個CBAM的計算過程可概括為：

其中，默認使用pytorch張量運算廣播機制，F^″為CBAM最后的輸出。

6.根據權利要求5所述的基于CNN-CBAM-BDA的跨接收機輻射源識別方法，其特征在于，在S3中還包括：

記最后一層卷積層輸出的特征塊為F，在其后接一個全局均勻池化層和全局最大池化層，輸出分別記為和之后接一個共享的單隱藏層的多層感知機MLP來進一步提取信息，隱藏層大小為使用Sigmoid函數作為輸出層的激活函數，記通道注意力模塊的最終輸出為其表達式為：

7.根據權利要求1所述的基于CNN-CBAM-BDA的跨接收機輻射源識別方法，其特征在于，在S5中具體包括：

S51、利用z-score歸一化算法，對S4提取的源域特征和目標域特征進行歸一化；

S52、構建BDA模塊，將步驟S4提取的源域特征和目標域特征輸入到所述BDA模塊得到新的源域和目標域樣本特征，分別作為KNN分類器的訓練集和測試集。