[發(fā)明專利]一種輻射源調(diào)制樣式與個體識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202310181144.0
• 申請日: 2023-02-28
• 公開（公告）號: CN116430317A
• 公開（公告）日: 2023-07-14
• 發(fā)明（設(shè)計）人: 康凱;郭文普;付文宇;張怡霄;徐東輝;田小超;楊海宇
• 申請（專利權(quán)）人: 中國人民解放軍火箭軍工程大學(xué)
• 主分類號: G01S7/02
• 分類號: G01S7/02;G01S13/89;G06F18/213;G06F18/24;G06F18/241;G06F18/25;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 高博

1.一種輻射源調(diào)制樣式與個體識別方法，其特征在于，包括以下步驟：

S1、對原始脈內(nèi)的IQ信號數(shù)據(jù)進行歸一化處理；

S2、將步驟S1歸一化處理后的IQ信號數(shù)據(jù)分別送入多任務(wù)學(xué)習(xí)模型，利用多任務(wù)學(xué)習(xí)模型主干網(wǎng)絡(luò)的時頻譜分支和波形分支中進行深度特征提取，主干網(wǎng)絡(luò)為基于時頻圖和原始信號序列的聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)；

S3、將步驟S2得到的波形分支深度特征向量輸入調(diào)制樣式識別任務(wù)的頭部網(wǎng)絡(luò)，將步驟S2得到的時頻譜分支深度特征向量輸入個體識別任務(wù)的頭部網(wǎng)絡(luò)；

S4、根據(jù)多任務(wù)學(xué)習(xí)模型的損失函數(shù)對步驟S3包含調(diào)制樣式識別任務(wù)頭部網(wǎng)絡(luò)和個體識別任務(wù)頭部網(wǎng)絡(luò)的多任務(wù)學(xué)習(xí)模型進行訓(xùn)練；

S5、利用步驟S5訓(xùn)練得到的多任務(wù)學(xué)習(xí)模型實現(xiàn)輻射源的調(diào)制樣式識別與個體識別。

2.根據(jù)權(quán)利要求1所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，步驟S2中，對于時頻譜分支，利用歸一化后的脈內(nèi)IQ信號數(shù)據(jù)生成二維的時頻譜圖，然后將生成的二維時頻譜圖輸入時頻譜識別網(wǎng)絡(luò)；時頻譜識別網(wǎng)絡(luò)的輸出再經(jīng)過全局平均池化層1和批歸一化層1，輸出時頻譜的深度特征向量。

3.根據(jù)權(quán)利要求2所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，采用短時傅里葉變換、恒Q變換、小波包變換或Gabor變換生成二維的時頻譜圖。

4.根據(jù)權(quán)利要求1所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，步驟S2中，對于波形分支，直接將歸一化后的脈內(nèi)IQ信號數(shù)據(jù)輸入波形識別網(wǎng)絡(luò)；波形識別網(wǎng)絡(luò)的輸出再經(jīng)過全局平均池化層2和批歸一化層2，輸出波形的深度特征向量。

5.根據(jù)權(quán)利要求1所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，步驟S3中，調(diào)制樣式識別任務(wù)的頭部網(wǎng)絡(luò)將輸入的時頻譜深度特征向量輸入全連接層1，softmax層1輸出預(yù)測分布1；

調(diào)制樣式識別任務(wù)的頭部網(wǎng)絡(luò)將輸入的波形深度特征向量輸入全連接層2，softmax層2輸出預(yù)測分布2；

同時，將全連接層1和全連接層2的輸出進行加和后再輸入softmax層5，輸出最終的調(diào)制樣式預(yù)測分布。

6.根據(jù)權(quán)利要求1所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，步驟S3中，個體識別任務(wù)的頭部網(wǎng)絡(luò)將輸入的時頻譜深度特征向量輸入全連接層3，softmax層3輸出預(yù)測分布3；

個體識別任務(wù)的頭部網(wǎng)絡(luò)將輸入的波形深度特征向量輸入全連接層4，softmax層4輸出預(yù)測分布4；

同時，將全連接層3和全連接層4的輸出進行加和后再輸入softmax層6，輸出最終的個體識別預(yù)測分布。

7.根據(jù)權(quán)利要求1所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，步驟S4中，多任務(wù)學(xué)習(xí)模型的損失函數(shù)Loss具體為：

Loss＝Loss_分類+oss_{互學(xué)習(xí)}

其中，Loss_分類為任務(wù)本身的分類識別損失，Loss_{互學(xué)習(xí)}為預(yù)測分布1和預(yù)測分布2或預(yù)測分布3和預(yù)測分布4之間計算的距離損失。

8.根據(jù)權(quán)利要求7所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，任務(wù)本身的分類識別損失Loss_分類為：

Loss_分類＝oss_{調(diào)制樣式分類}9調(diào)制樣式預(yù)測分布，真實調(diào)制樣式標(biāo)簽)+oss_{個體識別分類}(個體識別預(yù)測分布，真實個體標(biāo)簽)。

9.根據(jù)權(quán)利要求7所述的輻射源調(diào)制樣式與個體識別方法，其特征在于，預(yù)測分布1和預(yù)測分布2或預(yù)測分布3和預(yù)測分布4之間計算的距離損失Loss_{互學(xué)習(xí)}為：

Loss_{互學(xué)習(xí)}＝oss_{調(diào)制樣式互學(xué)習(xí)}(預(yù)測分布1，預(yù)測分布2+oss_{個體識別互學(xué)習(xí)}(預(yù)測分布3，預(yù)測分布4。

10.一種輻射源調(diào)制樣式與個體識別系統(tǒng)，其特征在于，包括：

處理模塊，對原始脈內(nèi)的IQ信號數(shù)據(jù)進行歸一化處理；

提取模塊，將處理模塊歸一化處理后的IQ信號數(shù)據(jù)分別送入多任務(wù)學(xué)習(xí)模型，利用多任務(wù)學(xué)習(xí)模型主干網(wǎng)絡(luò)的時頻譜分支和波形分支中進行深度特征提取，主干網(wǎng)絡(luò)為基于時頻圖和原始信號序列的聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)；

網(wǎng)絡(luò)模塊，將提取模塊得到的波形分支深度特征向量輸入調(diào)制樣式識別任務(wù)的頭部網(wǎng)絡(luò)，將提取模塊得到的時頻譜分支深度特征向量輸入個體識別任務(wù)的頭部網(wǎng)絡(luò)；

訓(xùn)練模塊，根據(jù)多任務(wù)學(xué)習(xí)模型的損失函數(shù)對網(wǎng)絡(luò)模塊包含調(diào)制樣式識別任務(wù)頭部網(wǎng)絡(luò)和個體識別任務(wù)頭部網(wǎng)絡(luò)的多任務(wù)學(xué)習(xí)模型進行訓(xùn)練；

識別模塊，利用訓(xùn)練模塊訓(xùn)練得到的多任務(wù)學(xué)習(xí)模型實現(xiàn)輻射源的調(diào)制樣式識別與個體識別。