基于双谱分析与卷积神经网络的信号发射机个体识别方法技术

为了应对日益复杂的电磁环境，不仅需要对截获的无线电信号进行分类分析，还需要能够识别出不同的发射机。目前采用的无线电信号发射机个体识别方法在低信噪比条件下效果较差。本发明专利技术提出一种基于双谱分析与深度卷积神经网络相结合的发射机个体识别方法。主要步骤为：步骤一，对不同发射机个体发射的信号采用直接双谱法进行分析，得到双谱特征矩阵，并将其转化为二维特征图像；步骤二，使用本发明专利技术的卷积神经网络对二维特征图像进行分类；步骤三，输出分类结果，识别出不同发射机个体。本发明专利技术可应用在通信发射设备的个体识别和电子对抗中各类辐射源发射机的识别等领域。

Individual Recognition Method of Signal Transmitter Based on Bispectral Analysis and Convolutional Neural Network

【技术实现步骤摘要】
基于双谱分析与卷积神经网络的信号发射机个体识别方法
本专利技术是一种电子对抗领域的技术，具体是一种基于双谱分析与卷积神经网络的信号发射机个体识别方法。
技术介绍
特殊辐射源识别(SpecificEmitterIdentification，SEI)起源于军事情报，用于识别和跟踪特定的发射机，即提取单个辐射源(可能为同类型)的射频和信息指纹，并与个体载体相关联、确定辐射源个体及其平台的过程。SEI技术通过分析发射机信号中隐含的、固有的个体特征，达到了降低识别模糊度、提高可信度的目的，并且具有可重复性。但是，用于雷达信号识别的SEI技术通常依赖于高信噪比和良好的信道传播条件。然而脉冲间和脉冲内的信息很容易在低信噪比和波动信噪比下被掩盖，对特征提取造成困难。此外，现代通信通常采用高数据速率和不规则突发传输，并部署在多径衰落较为普遍的室内或城市地区，导致在不同的噪声和信道条件下SEI技术的特征提取受限。因此，在复杂电磁环境中，特殊辐射源识别的研究具有重要的意义。在军事领域可以更快速的发现敌方雷达设备，提高我方电子对抗能力，在民用领域，可以识别出非法设备，提高网络安全性。对无线电信号发射机个体的识别，本质上是对信号无意调制的研究。信号无意调制产生的主要原因是由于信号源个体中发射机内部的振荡器、调制器、发射管、电源等各种元器件及其相应电路所产生的不希望存在的信号之间相互调制所引起的一种调制形式。而此调制形式相对于有意调制是非人为所加入的，故称之为“无意”的调制，又由于无意调制对每部雷达信号源个体都具有唯一性，这类似于人类指纹的唯一性，故又可称之为“指纹”调制，它是信号发射机个体的固有属性，不可能完全去除，因此它与无线电发射机个体之间又是一一对应的。由于调制形式和调制量对于无线电信号源个体所发射信号的影响是细微的，故又可称之为细微调制。即使是相同生产厂商，生产的相同型号、相同批次的无线电信号源个体，其也具有不同的无意调制形式，这是由于即使同类型的电子元器件和电路，在其使用性能上仍然有细微的个体差异，且这种差异存在一定的稳定性。由于无意调制的产生只与无线电信号源个体自身的固有属性有关，使得无意调制在复杂电磁信号环境中拥有其独特的、无法替代的作用，因而使其实际应用价值巨大。根据不同的应用场景和信号的特点，SEI技术可分为两大类：基于雷达信号的SEI和基于通信信号的SEI，在雷达信号的情况下，SEI技术总是基于脉内分析、分形理论、图形表示的分布、雷达信号参数以及采用分层雷达信号聚类的聚集等方法。基于通信信号的SEI技术主要分为：瞬态(暂态)信号技术、稳态信号技术和非线性技术。瞬态信号实际上是发射机输出功率从零到数据通信所需电平时产生的一种短暂的无线电发射，而稳态信号通常定义为暂态信号的结束和整个信号结束之间的部分。基于稳态信号的SEI技术有多种类型，如基于调制、基于前导码、基于杂散参数、基于小波等方法。无线电信号的双谱具有时移不变性、尺度变化性和相位保持性的三个特点，一维辐射源信号的双谱保留了绝大部分信号信息，所以信号的双谱成为了用来识别不同无线电发射机个体的有效方法，并由此产生了很多信号双谱特征提取方法。如径向积分双谱(RIB)、轴向积分双谱(AIB)、圆周积分双谱(CIB)和围线积分双谱(SIB)。卷积神经网络(ConvolutionalNeuralNetworks，CNN)，其早期模型叫作神经认知机是受到视觉系统的神经机制的启发而提出的一种生物物理模型。卷积神经网络可以看作是一种特殊的多层感知机或前馈神经网络，具有局部连接、权值共享的特点，其中大量的神经元按照一定的方式组织起来，以对视野中的交叠区域产生反应。自提出以来，卷积神经网络取得了突飞猛进的发展，在图像分类与识别、目标定位与监测的大规模竞赛中经常名列前茅、成绩显著。目前对无线电信号发射机个体识别存在的问题主要有信号指纹特征提取方法复杂以及在低信噪比条件下的识别率不高。针对目前研究存在的问题，本专利技术提出一种基于双谱和卷积神经网络的无线电信号发射机个体识别方法，可以有效地提高低信噪比下的无线电信号发射机的识别效果。
技术实现思路
本专利技术要解决的问题在于：已有的无线电发射机个体识别方法，信号指纹特征提取过程复杂，需要进行大量的计算，且在低信噪比条件下识别效果差，即无法在低信噪比下对无线电发射机个体进行有效的识别。为解决上述问题，本专利技术提供如下技术方案：本申请实例第一方面提供了一种无线电信号指纹特征提取的一种方法。具体步骤如下：将无线电信号通过本专利技术的双谱分析方法处理后，得到该无线电信号的双谱特征矩阵；对该矩阵使用图像变换方法生成CNN所需的二维特征图像；该图像可用于网络模型的训练与实际分类处理；本申请实例的第一方面的，双谱分析方法采用双谱分析的非参数化中的直接方法。本申请实例的第一方面的，双谱特征矩阵包含无线电信号指纹特征信息，可以用来进行无线电发射机个体识别。本申请实例的第一方面的，二维特征图像是由信号经双谱分析处理后得到的二维特征矩阵得到的灰度图像。本申请实例第二方面提供了一种CNN网路结构模型，包括：两个卷积块，两个池化块，一个分类器以及输入层和输出层；根据数据结构处理的先后次序其网络架构分别是输入层、卷积块1、池化块1、卷积块2、池化块2、分类器、输出层。从以上技术方案以及实验结果发现，本专利技术实例具有以下优点：采用双谱图来提取信号指纹特征，避免了信号指纹特征的丢失；利用卷积神经网络来提取信号指纹特征，避免了人工提取信号指纹特征，节省了大量人工成本；利用卷积神经网络来进行发射机个体识别，提高了对低信噪比条件下的发射机个体识别准确率。附图说明为更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单介绍，显而易见，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本专利技术提供的无线电发射机个体识别流程示意图图2为本专利技术实施例提供的雷达信号发射机识别流程的示意图图3为本专利技术实施例提供的不同发射机发射的BPSK信号的双谱三维图像图4为本专利技术实施例提供的不同发射机发射的BPSK信号的双谱等高图像图5为本专利技术实施例提供的训练CNN所用的二维特征图像图6为本专利技术实施例提供的CNN结构图图7为本专利技术实施例提供的无线电发射机识别率图具体实施方式下面将结合本实施例中的附图，对本实施例中的技术方案进行清晰、完整的描述，显然，所描述的实例仅仅是本专利技术的一部分实例，而不是全部实例。基于本专利技术中的实例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实例，都属于本专利技术的保护范围。如图2所示，本实例主要步骤包括：第一步，产生调制类型为BPSK的多个雷达发射机信号；第二步，双谱分析处理信号数据，得到双谱特征矩阵；第三步，生成二维特征图像；第四步，构造CNN,利用产生的仿真数据集训练CNN；第五步，输出分类结果。步骤1，产生调制类型为BPSK的多个雷达发射机信号：步骤1.1：在-10db，-8db,-6db,-4db,-2db,0db共6种信噪比下，每种信噪比下对BPSK信号添加相位噪声，模拟产生三台发射机信号，记为发射机#1，发射机#2，发射机#3；步骤2，本文档来自技高网...

【技术保护点】
1.一种结合双谱和卷积神经网络的无线电发射机个体识别方法，其特征在于，基于不同发射机个体产生的无线电信号，使用双谱分析方法，得到双谱特征矩阵，将其转化为二维特征图像；利用训练好的CNN对不同发射机发射的无线电信号进行分类，从而识别出不同的发射机个体。

【技术特征摘要】
1.一种结合双谱和卷积神经网络的无线电发射机个体识别方法，其特征在于，基于不同发射机个体产生的无线电信号，使用双谱分析方法，得到双谱特征矩阵，将其转化为二维特征图像；利用训练好的CNN对不同发射机发射的无线电信号进行分类，从而识别出不同的发射机个体。2.根据权利要求1所述的方法，其特征在于，本发明使用双谱分析中非参数化方法中的直接方法，将无线电信号通过本发明的双谱分析方法处理后，得到该无线电信号的双谱特征矩阵，对该矩...

【专利技术属性】
技术研发人员：郭磊，张克乐，柴聪聪，潘仲赢，王秋然，林滋宜，王俊，曾家明，王瑞林，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51