[發明專利]一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法和系統

在審

• 申請號: 202211526466.6
• 申請日: 2022-11-30
• 公開（公告）號: CN115712856A
• 公開（公告）日: 2023-02-24
• 發明（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

本發明提出了一種基于CNN?CBAM?BDA的跨接收機輻射源識別方法和系統，包括：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；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；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。本發明使用了基于卷積神經網絡的輻射源個體識別模型，加入了卷積塊注意力機制，克服了現有傳統技術效率低、普適應弱、精度低的等問題，使得本發明可以自動提取輻射源的深度特征，提高了網絡的識別速度和精度。

技術領域

本發明屬于信號處理的技術領域，具體涉及一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法和系統。

背景技術

輻射源個體識別技術通過提取輻射源設備的細微特征完成對某一特定發射設備的識別，但在實際應用中，更換接收機后的輻射源個體識別問題亟待解決。由于采集的信號實際上受到輻射源畸變和接收機畸變的雙重影響，即當接收設備發生改變時，所提取的特征會發生很大的偏移，不同接收機獲得的信號樣本無法在同一個識別系統中通用，傳統的輻射源識別方法的應用就會受到限制。

對于特定輻射源識別，先前很多研究都是基于專家經驗的特征提取，如利用高階譜、分形特征等統計特征量和離散小波變換、希爾伯特-黃變換等域變換，利用支持向量機、決策樹，最近鄰分類器進行分類識別。近些年出現了利用卷積神經網絡和深度殘差網絡等深度學習方法來進行特征提取和識別。但兩種技術路線均無法回避接收機畸變對特征產生的影響。

有鑒于此，提出一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法和系統是非常具有意義的。

發明內容

為了解決現有技術的不足，本發明提供一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法和系統，以解決現有技術在信號輻射源識別中因更換接收機而導致識別率下降的技術缺陷問題。

第一方面，本發明提出了一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法，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。

優選的，在S1中具體包括：利用兩臺不同接收機接收同一臺發射機發送的輻射源信號，生成跨接收機輻射源個體識別樣本集。

優選的，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。

優選的，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，池化區域大小分別為2、2和2，步長為設置2；