功放数字预失真下的辐射源个体识别方法技术

功放数字预失真下的辐射源个体识别方法，本发明专利技术涉及辐射源个体识别方法。本发明专利技术的目的是为了解决现有功率放大器线性化技术在提升信号质量的同时，削弱了功率放大器非线性作用，造成辐射源个体识别性能下降的问题。过程为：一：获取训练好的数字预失真训练器；二：对带标签数字预失真训练器输出辐射源信号提取多域特征；过程为：二一：提取围线积分双谱特征；二二：提取水平可视图特征；二三：提取基于固有时间尺度分解的个体特征；三：得到训练好的SincNet网络；四：对数字预失真训练器输出的待测辐射源信号提取多域特征；五：识别出预失真后待测辐射源个体信号的类别。本发明专利技术用于辐射源个体识别领域。射源个体识别领域。射源个体识别领域。

【技术实现步骤摘要】
功放数字预失真下的辐射源个体识别方法


[0001]本专利技术涉及辐射源个体识别方法。

技术介绍

[0002]辐射源个体识别技术在通信、情报和现代战争等领域都占据着重要地位，随着现代通信技术日益发展，出现了如功率放大器线性化技术等的一系列优化手段，这些技术手段在提升信号质量的同时，削弱了功放非线性作用，使得功放个体特征趋同，辐射源个体差异减弱。而功放作为辐射源“指纹”的主要来源之一，其线性化技术可能会造成个体识别性能下降，表现出与辐射源个体识别技术的对抗性关系。

技术实现思路

[0003]本专利技术的目的是为了解决现有功率放大器线性化技术在提升信号质量的同时，削弱了功率放大器非线性作用，造成辐射源个体识别性能下降的问题，而提出功放数字预失真下的辐射源个体识别方法。
[0004]功放数字预失真下的辐射源个体识别方法具体过程为：
[0005]步骤一：获取训练好的数字预失真训练器；
[0006]步骤二：将带标签的未预失真不同辐射源信号输入预失真器，预失真器输出带标签的预失真不同辐射源信号；
[0007]预失真器输出的带标签的预失真不同辐射源信号输入功率放大器，功率放大器输出带标签的不同辐射源信号；
[0008]功率放大器输出的带标签的不同辐射源信号输入功率放大器输出的带标签的不同辐射源信号输入输出的信号输入训练好的数字预失真训练器，数字预失真训练器输出辐射源信号；
[0009]对带标签数字预失真训练器输出辐射源信号提取多域特征；
[0010]具体过程为：
[0011]步骤二一：对数字预失真训练器输出辐射源信号提取围线积分双谱特征；
[0012]步骤二二：对数字预失真训练器输出辐射源信号提取水平可视图特征，计算水平可视图特征的波形熵和Fisher信息测度，
[0013]步骤二三：对数字预失真训练器输出辐射源信号提取基于固有时间尺度分解的个体特征，所述基于固有时间尺度分解的个体特征包括样本熵、能量熵、一阶矩和二阶矩；
[0014]步骤三：将提取的带标签的多域特征输入到SincNet网络中进行训练，得到训练好的SincNet网络；
[0015]步骤四：将待测辐射源信号输入预失真器，预失真器输出预失真的待测辐射源信号；
[0016]将预失真的待测辐射源信号输入功率放大器，功率放大器输出辐射源信号；
[0017]功率放大器输出的辐射源信号输入功率放大器输出的辐射源信号输入输出的信号输入训练好的数字预失真训练器，数字预失真训练器输出待测的辐射源信号；
[0018]对数字预失真训练器输出的待测辐射源信号提取多域特征；
[0019]步骤五：将步骤四提取的多域特征输入到训练好的SincNet网络中，完成预失真后辐射源个体信号识别，识别出预失真后辐射源个体信号的类别。
[0020]本专利技术的有益效果为：
[0021]本专利技术解决预失真技术对辐射源个体识别带来的消极影响这一问题，为了提高辐射源个体识别性能，进而提出针对信号局部特征的辐射源个体识别方法。
[0022]本专利技术所涉及的基于预失真技术的线性化手段和基于SincNet网络的分类识别方法。通过使用QRD
‑
RLS预失真技术对辐射原信号进行预失真处理，再对处理后的信号提取多域特征进行分类识别，验证了预失真技术对辐射源识别的消极影响；再针对信号的局部特征，提出SincNet网络的分类识别方法，在低信噪比下具有3％～5％的识别率提升。
附图说明
[0023]图1为本专利技术流程图；
[0024]图2为LFM信号无预失真下识别率示意图；
[0025]图3为LFM信号在QRD
‑
RLS预失真后识别率示意图。
具体实施方式
[0026]具体实施方式一：本实施方式功放数字预失真下的辐射源个体识别方法具体过程为：
[0027]步骤一：获取训练好的数字预失真训练器；
[0028]步骤二：将带标签的未预失真不同辐射源信号输入预失真器，预失真器输出带标签的预失真不同辐射源信号；
[0029]预失真器输出的带标签的预失真不同辐射源信号输入功率放大器，功率放大器输出带标签的不同辐射源信号；
[0030]功率放大器输出的带标签的不同辐射源信号输入功率放大器输出的带标签的不同辐射源信号输入输出的信号输入训练好的数字预失真训练器，数字预失真训练器输出辐射源信号；
[0031]对带标签数字预失真训练器输出辐射源信号提取多域特征；
[0032]具体过程为：
[0033]步骤二一：对数字预失真训练器输出辐射源信号提取围线积分双谱特征；
[0034]步骤二二：对数字预失真训练器输出辐射源信号提取水平可视图(HVG)特征，计算水平可视图(HVG)特征的波形熵和Fisher信息测度，
[0035]步骤二三：对数字预失真训练器输出辐射源信号提取基于固有时间尺度分解(ITD)的个体特征，所述基于固有时间尺度分解的个体特征包括样本熵、能量熵、一阶矩和二阶矩；
[0036]步骤三：将提取的带标签的多域特征输入到SincNet网络中进行训练，得到训练好
的SincNet网络；
[0037]步骤四：将待测辐射源信号输入预失真器，预失真器输出预失真的待测辐射源信号；
[0038]将预失真的待测辐射源信号输入功率放大器，功率放大器输出辐射源信号；
[0039]功率放大器输出的辐射源信号输入功率放大器输出的辐射源信号输入输出的信号输入训练好的数字预失真训练器，数字预失真训练器输出待测的辐射源信号；
[0040]对数字预失真训练器输出的待测辐射源信号提取多域特征；
[0041]步骤五：将步骤四提取的多域特征输入到训练好的SincNet网络中，完成预失真后辐射源个体信号识别，识别出预失真后辐射源个体信号的类别(是识别出类别，每个类别都有很多信号，在分类识别的时候，识别出这个信号是第一类或第二类还是第三类这个意思)。
[0042]具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中获取训练好的数字预失真训练器；具体过程为：
[0043]带标签的未预失真不同辐射源信号输入预失真器，预失真器输出带标签的预失真不同辐射源信号v
pd
(n)；
[0044]预失真器输出的带标签的预失真不同辐射源信号输入功率放大器，功率放大器输出带标签的信号v
pa
；
[0045]预失真器输出的带标签的信号v
pd
(n)输入延迟器(延迟器是为了和数字预失真训练器输出的同时)；
[0046]功率放大器输出的带标签的信号v
pa
输入输入输出的信号输入数字预失真训练器，数字预失真训练器输出信号G是功放增益；
[0047]将数字预失真训练器输出信号和延迟器输出信号v
pd
(n)进行减法运算输出误差e(n)，误差e(n)通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.功放数字预失真下的辐射源个体识别方法，其特征在于：所述方法具体过程为：步骤一：获取训练好的数字预失真训练器；步骤二：将带标签的未预失真不同辐射源信号输入预失真器，预失真器输出带标签的预失真不同辐射源信号；预失真器输出的带标签的预失真不同辐射源信号输入功率放大器，功率放大器输出带标签的不同辐射源信号；功率放大器输出的带标签的不同辐射源信号输入输出的信号输入训练好的数字预失真训练器，数字预失真训练器输出辐射源信号；对带标签数字预失真训练器输出辐射源信号提取多域特征；具体过程为：步骤二一：对数字预失真训练器输出辐射源信号提取围线积分双谱特征；步骤二二：对数字预失真训练器输出辐射源信号提取水平可视图特征，计算水平可视图特征的波形熵和Fisher信息测度，步骤二三：对数字预失真训练器输出辐射源信号提取基于固有时间尺度分解的个体特征，所述基于固有时间尺度分解的个体特征包括样本熵、能量熵、一阶矩和二阶矩；步骤三：将提取的带标签的多域特征输入到SincNet网络中进行训练，得到训练好的SincNet网络；步骤四：将待测辐射源信号输入预失真器，预失真器输出预失真的待测辐射源信号；将预失真的待测辐射源信号输入功率放大器，功率放大器输出辐射源信号；功率放大器输出的辐射源信号输入输出的信号输入训练好的数字预失真训练器，数字预失真训练器输出待测的辐射源信号；对数字预失真训练器输出的待测辐射源信号提取多域特征；步骤五：将步骤四提取的多域特征输入到训练好的SincNet网络中，完成预失真后辐射源个体信号识别，识别出预失真后辐射源个体信号的类别。2.根据权利要求1所述的功放数字预失真下的辐射源个体识别方法，其特征在于：所述步骤一中获取训练好的数字预失真训练器；具体过程为：带标签的未预失真不同辐射源信号输入预失真器，预失真器输出带标签的预失真不同辐射源信号v
pd
(n)；预失真器输出的带标签的预失真不同辐射源信号输入功率放大器，功率放大器输出带标签的信号v
pa
；预失真器输出的带标签的信号v
pd
(n)输入延迟器；功率放大器输出的带标签的信号v
pa
输入输出的信号输入数字预失真训练器，数字预失真训练器输出信号G是功放增益；将数字预失真训练器输出信号和延迟器输出信号v
pd
(n)进行减法运算输出误差e(n)，误差e(n)通过自适应算法对数字预失真训练器模型参数进行训练，当数字预失真训
练器模型恰好为功率放大器的逆模型时，有则训练结束得到对应的训练好的数字预失真训练器；否则，误差e(n)继续通过自适应算法对数字预失真训练器模型参数进行训练，直至表达式为：其中，k和q分别是MP模型的数字预失真训练器的阶数和深度,w
kq
为数字预失真器系数，为数字预失真训练器输出信号，v
pa
为功率放大器输出带标签的信号，n为时间序列，k＝odd表示k为奇数；G为功率放大器的增益。3.根据权利要求2所述的功放数字预失真下的辐射源个体识别方法，其特征在于：所述步骤二一中对数字预失真训练器输出辐射源信号提取围线积分双谱特征；具体过程为：双谱定义的表达式为其中，ω1、ω2为角频率，B
x
(ω1,ω2)为双谱值，τ1、τ2为时延，c
3x
为三阶累积量，j为虚数单位，j2＝
‑
1。4.根据权利要求3所述的功放数字预失真下的辐射源个体识别方法，其特征在于：所述步骤二二中对数字预失真训练器输出辐射源信号提取水平可视图特征，计算水平可视图特征的波形熵和Fisher信息测度，计算过程如下：步骤二二一：首先对数字预失真训练器输出辐射源信号采用希尔伯特变换，得到预失真后的信号的每个信号的瞬时幅度，瞬时相位和瞬时频率；步骤二二二：然后计算水平可视图特征的波形熵，波形熵包括瞬时幅度波形熵、瞬时相位波形熵、瞬时频率波形熵；公式如下：公式如下：公式如下：其中，E表示瞬时幅度波形熵，E
′
表示瞬时相位波形熵，E
″
表示瞬时频率波形熵，P
i
表示第i个信号的瞬时幅度与总信号的瞬时幅度的比值；P
i
′
表示第i
′
个信号的瞬时相位与总信号的瞬时相位的比值；P
i
″
表示第i
″
个信号的瞬时频率与总信号的瞬时频率的比值；L表示信号的个数；步骤二二三：计算水平可视图特征的Fisher信息测度，Fisher信息测度包括瞬时幅度Fisher信息测度、瞬时相位Fisher信息测度、瞬时频率Fisher信息测度；公式如下：
其中，P
a
表示第a个信号的瞬时幅度与总信号的瞬时幅度的比值，P
a
′
表示第a
′
个信号的瞬时相位与总信号的瞬时相位的比值，P
a
″
表示第a
″
个信号的瞬时频率与总信号的瞬时频率的比值，Ef表示瞬时幅度Fisher信息测度，Ef
′
表示瞬时相位Fisher信息...

【专利技术属性】
技术研发人员：吴龙文，杨荣乾，赵雅琴，何胜阳，韩易伸，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：