一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法和系统技术方案

本发明专利技术提出了一种基于CNN

【技术实现步骤摘要】
一种基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法和系统


[0001]本专利技术属于信号处理的
，具体涉及一种基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法和系统。

技术介绍

[0002]辐射源个体识别技术通过提取辐射源设备的细微特征完成对某一特定发射设备的识别，但在实际应用中，更换接收机后的辐射源个体识别问题亟待解决。由于采集的信号实际上受到辐射源畸变和接收机畸变的双重影响，即当接收设备发生改变时，所提取的特征会发生很大的偏移，不同接收机获得的信号样本无法在同一个识别系统中通用，传统的辐射源识别方法的应用就会受到限制。
[0003]对于特定辐射源识别，先前很多研究都是基于专家经验的特征提取，如利用高阶谱、分形特征等统计特征量和离散小波变换、希尔伯特
‑
黄变换等域变换，利用支持向量机、决策树，最近邻分类器进行分类识别。近些年出现了利用卷积神经网络和深度残差网络等深度学习方法来进行特征提取和识别。但两种技术路线均无法回避接收机畸变对特征产生的影响。
[0004]有鉴于此，提出一种基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法和系统是非常具有意义的。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供一种基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法和系统，以解决现有技术在信号辐射源识别中因更换接收机而导致识别率下降的技术缺陷问题。
[0006]第一方面，本专利技术提出了一种基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法，该方法包括如下步骤：
[0007]S1、采集若干不同接收机接收到的信号生成跨接收机辐射源个体识别样本集；
[0008]S2、对所述样本集进行归一化处理，划分为源域样本和目标域样本，对所述源域的全部样本和所述目标域中部分样本进行标记，并将所述目标域剩余的样本作为待测样本集；
[0009]S3、进一步构建CNN特征提取模块，并利用所述源域样本数据训练CNN网络，引入CBAM注意力机制进一步提取深层特征；
[0010]S4、将所述源域数据和目标域数据输入步骤S3训练后的所述CNN网络，分别提取卷积层最后一层输出的特征向量；
[0011]S5、构建BDA模块，将步骤S4提取的源域特征和目标域特征输入得到训练集和测试集；
[0012]S6、构建KNN分类器，对所述待测目标域样本集进行判决。
[0013]优选的，在S1中具体包括：利用两台不同接收机接收同一台发射机发送的辐射源
信号，生成跨接收机辐射源个体识别样本集。
[0014]优选的，在S2中具体包括：
[0015]S21、将所述样本集中的每一个信号样本进行归一化预处理；
[0016]S22、将其中一台所述接收机接收到的信号样本作为所述源域样本，另一台所述接收机接收到的信号样本作为所述目标域样本。
[0017]优选的，在S3中还包括：
[0018]将所述CNN网络中的第一层至第三卷积层中卷积核大小分别设置为10、5和3，步长为设置1，卷积核的个数设为32、64和128；第一至第三层池化层均采用最大池化方式，池化区域大小分别为2、2和2，步长为设置2；
[0019]其中，激活函数为ReLu函数，随机失活层的Dropout值设为0.5。
[0020]进一步优选的，在S3中还包括：卷积块注意力机制的结构设置为：给定映射CBAM直接生成一个一维通道注意力机制和一个二维空间注意力机制整个CBAM的计算过程可概括为：
[0021][0022][0023]其中，默认使用pytorch张量运算广播机制，F
″
为CBAM最后的输出。
[0024]进一步优选的，在S3中还包括：
[0025]记最后一层卷积层输出的特征块为F，在其后接一个全局均匀池化层和全局最大池化层，输出分别记为和之后接一个共享的单隐藏层的多层感知机MLP来进一步提取信息，隐藏层大小为使用Sigmoid函数作为输出层的激活函数，记通道注意力模块的最终输出为其表达式为：
[0026][0027]优选的，在S5中具体包括：
[0028]S51、利用z
‑
score归一化算法，对S4提取的源域特征和目标域特征进行归一化；
[0029]S52、构建BDA模块，将步骤S4提取的源域特征和目标域特征输入到所述BDA模块得到新的源域和目标域样本特征，分别作为KNN分类器的训练集和测试集。
[0030]第二方面，本专利技术还提出一种基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别系统，包括：
[0031]样本采集模块：用于采集若干不同接收机接收到的信号生成跨接收机辐射源个体识别样本集；
[0032]样本处理模块：用于对所述样本集进行归一化处理，划分为源域样本和目标域样本，对所述源域的全部样本和所述目标域中部分样本进行标记，并将所述目标域剩余的样本作为待测样本集；
[0033]训练模块：用于进一步构建CNN特征提取模块，并利用所述源域样本数据训练CNN网络，引入CBAM注意力机制进一步提取深层特征；
[0034]提取模块：用于将所述源域数据和目标域数据输入训练模块训练后的所述CNN网络，分别提取卷积层最后一层输出的特征向量；
[0035]BDA构建模块：用于构建BDA模块，并将提取模块提取的源域特征和目标域特征输入得到训练集和测试集；
[0036]KNN分类器模块：用于对所述待测目标域样本集进行判决。
[0037]第三方面，本专利技术实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
[0038]第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
[0039]与现有技术相比，本专利技术的有益成果在于：
[0040](1)本专利技术使用了基于卷积神经网络的辐射源个体识别模型，加入了卷积块注意力机制，克服了现有传统技术效率低、普适应弱、精度低的等问题，使得本专利技术可以自动提取辐射源的深度特征，提高了网络的识别速度和精度。
[0041](2)本专利技术使用了基于迁移学习的辐射源个体识别模型，对不同接收机的特征分布进行匹配，利用平衡分布自适应的方法将两个域的数据映射到一个希尔伯特核空间，使得两个域的距离最小化，同时还最大程度地保留了它们各自的内部属性，减小了跨接收机因素对识别性能的影响，具有一定的工程应用价值。
附图说明
[0042]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法，其特征在于，该方法包括如下步骤：S1、采集若干不同接收机接收到的信号生成跨接收机辐射源个体识别样本集；S2、对所述样本集进行归一化处理，划分为源域样本和目标域样本，对所述源域的全部样本和所述目标域中部分样本进行标记，并将所述目标域剩余的样本作为待测样本集；S3、进一步构建CNN特征提取模块，并利用所述源域样本数据训练CNN网络，引入CBAM注意力机制进一步提取深层特征；S4、将所述源域数据和目标域数据输入步骤S3训练后的所述CNN网络，分别提取卷积层最后一层输出的特征向量；S5、构建BDA模块，将步骤S4提取的源域特征和目标域特征输入得到训练集和测试集；S6、构建KNN分类器，对所述待测目标域样本集进行判决。2.根据权利要求1所述的基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法，其特征在于，在S1中具体包括：利用两台不同接收机接收同一台发射机发送的辐射源信号，生成跨接收机辐射源个体识别样本集。3.根据权利要求1所述的基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法，其特征在于，在S2中具体包括：S21、将所述样本集中的每一个信号样本进行归一化预处理；S22、将其中一台所述接收机接收到的信号样本作为所述源域样本，另一台所述接收机接收到的信号样本作为所述目标域样本。4.根据权利要求1所述的基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法，其特征在于，在S3中还包括：将所述CNN网络中的第一层至第三卷积层中卷积核大小分别设置为10、5和3，步长为设置1，卷积核的个数设为32、64和128；第一至第三层池化层均采用最大池化方式，池化区域大小分别为2、2和2，步长为设置2；其中，激活函数为ReLu函数，随机失活层的Dropout值设为0.5。5.根据权利要求4所述的基于CNN
‑
CBAM
‑
BDA的跨接收机辐射源识别方法，其特征在于，在S3中还包括：卷积块注意力机制的结构设置为：给定映射CBAM直接生成一个一维通道注意力机制和一个二维空间注意力机制整个CBAM的计算过程可概括为：算过...

【专利技术属性】
技术研发人员：洪少华，郑亚男，孙海信，齐洁，王琳，
申请(专利权)人：厦门大学，
类型：发明
国别省市：