一种基于深度学习的辐射源个体识别方法技术

该发明专利技术公开了一种基于深度学习的辐射源个体识别方法，涉及辐射源个体识别技术领域。通过特征提取，然后输入神经网络进行辐射源个体的识别，在神经网络中加入过滤层，本发明专利技术过滤层的作用是在每个训练批次中，选择性的让一半的隐层节点值为0，可以明显地减少过拟合现象；这种方式可以减少特征检测器(隐层节点)间的相互作用，降低过拟合、提升性能检测器相互作用是指某些检测器依赖其他检测器才能发挥作用，通过上述技术方案本发明专利技术能够准确识别各辐射个体。

A method of emitter identification based on deep learning

【技术实现步骤摘要】
一种基于深度学习的辐射源个体识别方法
本专利技术涉及辐射源个体识别
，更具体的，是涉及一种基于深度学习，对具有多种复杂工作模式的辐射源个体进行识别的方法。
技术介绍
通信信号识别存在广泛的应用需求，是频谱管理、通信侦查与电子对抗等领域非常重要的一个研究课题。当前的主流研究方向中，通信信号识别根据不同应用场景与目的需求，可进一步分为辐射源个体识别与信号调制方式识别。辐射源个体识别技术由于各个领域的迫切需求，获得了迅速的发展。在非合作通信中，无论辐射源的搜索、截获、识别、定位还是分析，都需要辐射源个体识别技术为复杂电磁环境下的清晰分析和精准决策提供有力的支撑。因此，辐射源个体识别技术日渐成为了通信信号处理领域研究的一个热点。辐射源个体识别通常有两种手段，即人工手动识别和机器自动识别。人工识别主要采用一系列针对不同类型信号的接收机，将接收到的信号进行初步处理之后，借助示波器、频谱仪、解调器等工具进行识别。传统的识别方法以基于脉冲描述字的五维特征(PulseDescriptionWord,PDW)的识别方法最为经典。此外，小波包特征、时频特征、分数阶傅里叶变换域特征等参数在个体识别领域中也都取得了一定的识别效果，但不可忽视的是上述成果只适用于被识别的辐射源个体之间有明显差异的情况，比如不同个体的载频差异明显、信号调制类型不同等，在辐射源个体无明显差异的场景下识别准确率低，导致难以在实际中应用。辐射源个体的自动识别方面，目前的研究重点集中在以深度学习为代表的新型算法上。将深度学习引入辐射源个体识别的处理过程，可以使通信设备或机器具备自我学习、自主决策和自我更新的能力，从而更好地应对未来通信网络发展所带来的用户和数据量大大提升、信号类型不断发展变化和通信环境未知等问题和挑战。但现有方法多是在一维领域对信号进行研究，难以发挥深度学习在处理二维数据上的优势；同时现有的基于神经网络或深度学习进行辐射源个体识别的算法往往网络层数深、结构复杂、参数量极大，存在着训练耗时、网络泛化性差的问题。随着技术的日新月异，各种新体制通信信号不断涌现，单个辐射源也存在由多种调制方式、中心频率、传输速率等变化组合而成的复杂工作模式，同时现代社会电磁干扰日益复杂，导致现有个体识别方法已经难以满足辐射源个体识别的种种需求。
技术实现思路
针对个体之间无明显差异的辐射源个体识别准确率低，以及对具有多种复杂工作模式的辐射源个体难以识别的问题，提出一种能够准确辐射源个体的方法。本专利技术技术方案为一种基于深度学习的辐射源个体识别方法，该方法包括以下步骤：步骤1：获取辐射源个体发送信号；步骤2：将每个发送信号进行下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长WinLen、重叠点数noverlap、补零点数Nfft；步骤4：每段的加窗使用Hamming窗，根据信号长度nLen、窗长WinLen以及重叠点数noverlap，计算窗滑动次数nnum；步骤5：求信号能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((Nfft/2)+1)*nnum；步骤6：将得到的矩阵进行划分，根据每个样本所代表的时间长度，设计合理的nWidth值；每个样本包含nWidth个分窗，即nWidth列，每个数据文件被分为nnum/nWidth个样本，即每个样本维度均是((Nfft/2)+1)*nWidth；步骤7：对上述步骤得到的所有样本数据进行z-score标准化；步骤8：采用训练好的神经网络对步骤7得到的数据进行识别，得出识别结果。进一步的，所述步骤8中神经网络包括七层：第一层为二维卷积层，其参数设置为96个权重矩阵，权重矩阵尺寸为(11,11)，激活函数为Relu函数；第二层为最大池化层，其参数设置为池化核尺寸(3,3)；第三层为二维卷积层，其参数设置为256个权重矩阵，权重矩阵尺寸为(5,5)，激活函数为Relu函数；第四层为最大池化层，其参数设置为池化核尺寸(3,3)；第五层为二维卷积层，其参数设置为384个权重矩阵，权重矩阵尺寸为(3,3)，激活函数为Relu函数；第六层为最大池化层，其参数设置为池化核尺寸(3,3)；第七层为全连接层；(1)第一、三、五层的二维卷积层的输入矩阵包含四个维度，依次为：样本数、图像高度、图像宽度、图像通道数；输出矩阵格式与输入矩阵的维度顺序和含义相同，但是后三个维度：图像高度、图像宽度、图像通道数的尺寸发生变化；权重矩阵格式同样是四个维度，但维度的含义为：卷积核高度、卷积核宽度、输入通道数和输出通道数。输入矩阵、权重矩阵和输出矩阵这三者的参数是相互决定的关系；权重矩阵的输入通道数由输入矩阵的通道数所决定；输出矩阵的通道数由卷积核的输出通道数所决定；输出矩阵的高度和宽度(hout，wout)这两个维度的尺寸由输入矩阵、权重矩阵、扫描方式所共同决定；计算公式如下：hin代表输入矩阵高度，win代表输入矩阵宽度，hkenel、wkenel分别代表权重矩阵的高度和宽度，p代表填充像素的大小，s代表步长；(2)第二、四、六层的最大池化层；给定数据的三维度尺寸，即[cin，hin，win]，代表输入池化层之前的数据的通道数，高度以及宽度，给定两个超参数池化核尺寸[fpool*fpool]，池化步长[spool]，计算池化后的样本尺寸，公式如下：wout＝(win-fpool)/spool+1hout＝(hin-fpool)/spool+1cout＝cin其中wout为池化之后的样本宽度，hout代表池化后的样本高度，cout则代表池化后输出的样本的通道数；池化核的滤波器是不需要保留参数的；不同于卷积层的滤波器，每一个最大池化层滤波器就是一个固定的函数；(4)全连接层：多维数组需先进行Flatten，然后连接全连接层；Flatten用来将输入“压平”，即把多维的输入一维化，为了从卷积层到全连接层的过渡。进一步的，在第二、四、六层的最大池化层后设置一过滤层；设置过滤层后计算公式为：其中Bernoulli函数是为了生成概率为p的r向量，也就是随机生成一个0、1的向量，z是输入神经元节点的值，y是神经元节点输出的值，w是权重，b是偏置值；f函数是神经元的激活函数，上标～表示过滤后的数据，上标l表示层数，下标i表示节点。本专利技术过滤层的作用是在每个训练批次中，选择性的让一半的隐层节点值为0)，可以明显地减少过拟合现象。这种方式可以减少特征检测器(隐层节点)间的相互作用，降低过拟合、提升性能检测器相互作用是指某些检测器依赖其他检测器才能发挥作用，通过上述技术方案本专利技术能够准确识别各辐本文档来自技高网...

【技术保护点】
1.一种基于深度学习的辐射源个体识别方法，该方法包括以下步骤：/n步骤1：获取辐射源个体发送信号；/n步骤2：将每个发送信号进行下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；/n步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长Win

【技术特征摘要】
1.一种基于深度学习的辐射源个体识别方法，该方法包括以下步骤：
步骤1：获取辐射源个体发送信号；
步骤2：将每个发送信号进行下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；
步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长WinLen、重叠点数noverlap、补零点数Nfft；
步骤4：每段的加窗使用Hamming窗，根据信号长度nLen、窗长WinLen以及重叠点数noverlap，计算窗滑动次数nnum；



步骤5：求信号能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((Nfft/2)+1)*nnum；
步骤6：将得到的矩阵进行划分，根据每个样本所代表的时间长度，设计合理的nWidth值；每个样本包含nWidth个分窗，即nWidth列，每个数据文件被分为nnum/nWidth个样本，即每个样本维度均是((Nfft/2)+1)*nWidth；
步骤7：对上述步骤得到的所有样本数据进行z-score标准化；
步骤8：采用训练好的神经网络对步骤7得到的数据进行识别，得出识别结果。


2.如权利要求1所述的一种基于深度学习的辐射源个体识别方法，其特征在于所述步骤8中神经网络包括七层：
第一层为二维卷积层，其参数设置为96个权重矩阵，权重矩阵尺寸为(11，11)，激活函数为Relu函数；
第二层为最大池化层，其参数设置为池化核尺寸(3，3)；
第三层为二维卷积层，其参数设置为256个权重矩阵，权重矩阵尺寸为(5，5)，激活函数为Relu函数；
第四层为最大池化层，其参数设置为池化核尺寸(3，3)；
第五层为二维卷积层，其参数设置为384个权重矩阵，权重矩阵尺寸为(3，3)，激活函数为Relu函数；
第六层为最大池化层，其参数设置为池化核尺寸(3，3)；
第七层为全连接层；
(1)第一、三、五层的二维卷积层的输入矩阵包含四个维度，依次为：样本数、图像高度、图像宽度、图像通道数...

【专利技术属性】
技术研发人员：杨海芬，张昊，王厚钧，杨睿，周亮，周军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51