一种跨时期场景下的通信辐射源个体智能识别方法技术

本发明专利技术公开了一种跨时期场景下的通信辐射源个体智能识别方法，涉及辐射源个体识别技术领域。针对通信信号辐射源自身特性及受复杂电磁环境因素影响，导致随时间推移辐射源个体可区分度下降的问题，基于生成对抗网络，通过残差块构建生成器建立前后两个时期数据特征分布之间的映射关系；通过在判别器中加入噪声和以一定概率丢弃神经元，稳定模型训练过程并降低过拟合风险；通过对抗训练，构建鲁棒、泛化能力强的分类器；通过上述技术方案，本发明专利技术能实现跨时期场景下稳定有效的通信辐射源个体识别。识别。识别。

【技术实现步骤摘要】
一种跨时期场景下的通信辐射源个体智能识别方法


[0001]本专利技术涉及辐射源个体识别领域，更具体的，涉及一种跨时期场景下，基于生成对抗网络的通信辐射源个体识别方法。

技术介绍

[0002]辐射源个体识别是通过截获、分析辐射源发射的信号以识别特定辐射源个体的技术。它为后续的定位、追踪提供决策辅助信息，是电子对抗、通信侦察、频谱管理领域内很重要的一个研究课题。
[0003]传统的通信辐射源识别方法基于先验信息提取信号特征建立个体信息特征库，通过查询特征库，比对特征来完成后续识别。经典的特征有瞬时频率，瞬时相位等。这种方法过于依赖先验信息，随着现代电子技术的发展适用性大大降低。后来一些基于现代信号处理提取特征的方法被研究者们所采用。典型的有短时傅里叶变换、希尔伯特黄变换、小波变换、经验模态分解、变分模态分解等。提取变换域特征后利用支持向量机、最近邻、决策树等机器学习算法进行分类识别。以上方法在个体之间区分度比较大的情况下，取得了不错的识别效果。
[0004]近年来，随着机器学习技术的不断发展，以深度学习为代表的人工智能技术兴起，并逐渐被用于辐射源个体识别。神经网络可以实现复杂的非线性函数映射，简单有效地解决一些较难处理的非线性映射问题，提取一些难以用传统方法定义和提取的抽象特征，实现端到端的特征提取和分类，在辐射源个体识别领域取得了较为理想的识别效果。
[0005]以上两类方法都只对同一时期的辐射源个体进行识别。然而，在实际场景中，辐射源个体往往来自于不同的时期，即面临的是跨时期场景。跨时期场景下的辐射源个体识别指的是用前一个时期辐射源个体信号数据训练出的识别模型，经过一段时间后再去识别同一辐射源个体。其与一般场景下辐射源个体识别的主要区别是训练数据和测试数据分别来自于两个不同的时期，两个时期的数据特征分布可能不一致，从而导致以前训练的模型随着时间的推移在后来的数据上识别精度会出现不同程度的下降。
[0006]寻找有效的个体特征提取方法并实现跨时期场景下的有效识别具有重要的研究意义。学者们通过研究辐射源发射机理发现，辐射源发射机本身电路和元器件的不同会导致发射信号上的细微差异。分析提取这种细微差异作为个体特征，可以实现对辐射源个体的识别。但传统的特征提取方法难以定义、捕捉和提取这种附加在发射信号上的细微差异，而且随着时间的流逝，发射机工作环境变化，元器件出现不同程度的老化，附加在发射信号上的细微差异也会出现不同程度的变化。这为跨时期场景下对辐射源个体的稳定有效识别带来了新的挑战和难点。

技术实现思路

[0007]本专利技术的目的是针对现有技术的缺陷和跨时期场景下辐射源个体识别存在的问题，提供一种跨时期场景下的通信辐射源个体智能识别方法，以实现跨时期场景下辐射源
个体的稳定有效识别。
[0008]为实现上述目的，本专利技术采样以下技术方案：
[0009]一种跨时期场景下的通信辐射源个体智能识别方法，包括步骤：
[0010]步骤1.获取(接收)同一通信辐射源个体前后间隔至少三个月的周期性发送信号，得到每个通信辐射源个体的第一周期性发送信号(前一个时期的周期性发送信号)和第二周期性发送信号(后一个时期的周期性发送信号)；
[0011]步骤2.对每个通信辐射源个体的第一和第二周期性发送信号分别进行信号预处理，包括：脉冲检测、脉冲分割和标准化处理，得到标准化后的单个脉冲信号数据，将第一周期性发送信号的标准化后的单个脉冲信号作为第一脉冲数据，将第二周期性发送信号的标准化后的单个脉冲信号作为第二脉冲数据；
[0012]基于第一和第二脉冲数据设置训练数据集和测试数据集，其中，第一脉冲数据为标签数据，设置有辐射源标签，第二脉冲数据为无标签数据；
[0013]步骤3.设置神经网络的模型结构，所述神经网络包括生成器、判别器和分类器，所述生成器用于学习第一脉冲数据到第二脉冲数据之间的映射关系，输出第一脉冲数据的生成数据(也可称为假数据)；所述判别器用于学习输出生成器输出的生成数据和第二脉冲数据之间的相似度，分类器用于学习输出第一脉冲数据和生成数据的分类结果；
[0014]步骤4.由于判别器用于实现二分类任务，故选择二分类交叉熵作为判别器的损失函数；由于分类器做(辐射源)识别任务，选择交叉熵作为分类器的损失函数；并选择自适应矩估计Adam作为优化器，交替更新生成器，判别器和分类器的网络参数，训练神经网络；
[0015]步骤5.选择识别精度作为分类器的性能度量指标，测试分类器并输出识别结果。
[0016]进一步的，所述步骤1中，通过天线接收通信辐射源个体的发射信号，对接收到的发射信号进行数字滤波，放大和混频处理，得到中频信号，再对中频信号进行A/D(模/数)采样、数字滤波和数字下变频得到零中频信号，基于前后两个时期的零中频信号得到通信辐射源个体的第一周期性发送信号和第二周期性发送信号。
[0017]进一步的，步骤2所述具体为先对信号根据通信协议解码提取帧头中的辐射源个体信息作为标签；
[0018]进一步的，对第一周期性发送信号进行脉冲检测和脉冲分割后得到的多个单个脉冲信号，仅对其中的长脉冲信号进行标准化处理，得到第一脉冲数据；对第二周期性发送信号进行脉冲检测和脉冲分割后得到的多个单个脉冲信号，仅对其中的长脉冲信号进行标准化处理，得到第二脉冲数据。
[0019]进一步的，标准化处理为：计算每个脉冲信号的均值和标准差，将脉冲信号减去其均值再除以标准差得到标准化后的脉冲信号，即z
‑
score标准化处理。
[0020]进一步的，所述步骤4中，训练设置的神经网络具体为：
[0021](1)从均匀分布中采样噪声，连同第一脉冲数据输入生成器，生成器输出生成数据(假数据)；
[0022](2)生成数据和第二脉冲数据先后送入判别器，训练判别器将生成数据判别为假，第二脉冲数据判别为真；
[0023](3)第一脉冲数据和生成数据先后送入分类器，训练分类器对当前的输入数据进行辐射源的分类识别，以使得分类器在第一脉冲数据和生成数据上都有好的分类性能；
[0024](4)把生成数据先后送入判别器和分类器，训练判别器和分类器；
[0025](5)重复上述四个步骤，直到满足预置的训练结束条件(损失函数收敛)，当判别器收敛时，生成器可以生成以假乱真的后一个时期的数据，此时分类器在假数据和前一个时期的数据上都有很好的分类性能。以此达到迁移利用前一个时期的数据特征训练一个在后一时期数据上性能良好分类器的目的。
[0026]进一步的，步骤3中，所述生成器、判别器和分类器的网络结构具体为：
[0027]所述生成器依次包括：全连接层、第一卷积模块、若干个残差块堆叠构成的残差网络和第二卷积模块，其中，第一卷积模块依次包括：一维卷积层、批量归一化层和PReLu激活函数层；残差块从前往后(按照前向传播的方向)依次包括：一维卷积层1、批量归一化层1、PReLu激活函数层、一维卷积层2和批量归一化层2，且残差块的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨时期场景下的通信辐射源个体智能识别方法，该方法包括以下步骤：步骤1，获取同一通信辐射源个体前后间隔至少三个月的周期性发送信号，得到每个通信辐射源个体的第一周期性发送信号和第二周期性发送信号；步骤2，对每个通信辐射源个体的第一和第二周期性发送信号分别进行信号预处理，包括：脉冲检测、脉冲分割和标准化处理，得到标准化后的单个脉冲信号，将第一周期性发送信号的标准化后的单个信号作为第一脉冲数据，将第二周期性发送信号的标准化后的单个脉冲信号作为第二脉冲数据；基于第一和第二脉冲数据设置训练数据集和测试数据集，其中，第一脉冲数据设置有辐射源标签；步骤3，设置神经网络的模型结构，所述神经网络包括生成器、判别器和分类器，所述生成器用于学习第一脉冲数据到第二脉冲数据之间的映射关系，输出第一脉冲数据的生成数据；所述判别器用于学习输出生成器输出的生成数据和第二脉冲数据之间的相似度，分类器用于学习输出第一脉冲数据和生成数据的分类结果；步骤4，以二分类交叉熵作为判别器的损失函数，以交叉熵作为分类器的损失函数，以自适应矩估计Adam为优化器，交替更新生成器、判别器和分类器的网络参数，训练设置的神经网络；步骤5，选择识别精度作为分类器的性能度量指标，测试分类器并输出识别结果。2.根据权利要求1所述的方法，其特征在于，所述步骤1中，通过天线接收通信辐射源个体的发射信号，对接收到的发射信号进行数字滤波，放大和混频处理，得到中频信号，再对中频信号进行A/D采样、数字滤波和数字下变频得到零中频信号，基于前后两个时期的零中频信号得到通信辐射源个体的第一周期性发送信号和第二周期性发送信号。3.根据权利要求1所述的方法，其特征在于，步骤2中，第一脉冲数据的辐射源标签为：根据通信协议解码提取数据帧的帧头中的辐射源个体信息作为辐射源标签。4.根据权利要求1所述的方法，其特征在于，脉冲检测和脉冲分割具体为：获取信号包络，并确定：噪声门限，上升沿幅度阈值，平滑窗口长度，切割精度，长短脉冲长度阈值；记录各个脉冲的起始和终止位置，基于脉冲的起始和终止位置和脉冲长度阈值切割得到单个脉冲信号。5.根据权利要求1所述的方法，其特征在于，步骤2中，对第一周期性发送信号进行脉冲检测和脉冲分割后得到的多个单个脉冲信号，仅对其中的长脉冲信号进行标准化处理，得到第一脉冲数据；对第二周期性发送信号进行脉冲检测和脉冲分割后得到的多个单个脉冲信号，仅对其中的长脉冲信号进行标准化处理，得到第二脉冲数据。6.根据权利要求1所述的方法，其特征在于，步骤2中，标准化处理为：计算每个脉冲信号的均值和标准差，将脉冲信号减去其均值再除以标准差得到标准化后的脉冲信号。7.如权利要求1所述的方法，其特征在于，所述步骤4中，训练设置的神经网络具体为：(1)从均匀分布中采样噪声，连同第一脉冲数据输入生成器，生成器输出生成数据；(2)生成数据和第二脉冲数据先后送入判别器，训练判别器将生成数据判别为假，第二脉冲数据判别为真；(3)第...

【专利技术属性】
技术研发人员：叶娅兰，董海，王春机，孟千贺，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：