基于D-AXception网络模型的特定辐射源识别方法及系统技术方案

本发明专利技术涉及基于D

【技术实现步骤摘要】
基于D
‑
A Xception网络模型的特定辐射源识别方法及系统


[0001]本专利技术属于特定辐射源识别
，具体涉及基于D
‑
A Xception网络模型的特定辐射源识别方法及系统。

技术介绍

[0002]由于各种无线电应用的飞快上升，即频谱被充分利用。检测和识别各种电磁信号是当前重要的任务。特定辐射源识别是当下电磁频谱对抗领域的一个重要研究内容。内在物理层模拟组件在制造过程中的细微差别会令辐射源发射的射频信号携带非调制信号，它无关信号传递的内容，被称作通信的射频指纹，利用射频指纹的特性可进行辐射源信号分类。随着卷积神经网络(Convolutional Neural Network，CNN)在机器视觉和语音识别方面取得的进展，将其引入到此识别领域是当前的重要发展趋势。CNN的卷积层和池化层用于特征信息的提取，全连接层用于信号的分类。
[0003]为了提高模型实用性，在CNN的基础之上，提出了几种网络模型结构用于特定辐射源识别(如分组卷积、VGG以及ResNet)，一些特定辐射源识别的研究将注意机制结合深度神经网络，可以有效提高识别准确度。
[0004]基于改进的CNN的模型算法，引入了空洞卷积及DANet注意力机制。一方面解决了在不增加网络模型复杂度的同时提升模型效率需要在计算资源有限的前提下保持卷积核数量和大小的问题。另一方面，解决了同一类别由于卷积生成的局部感受野的特征图存在不同特征性的进而降低了网络识别效率的问题。结合深度学习，特定辐射源识别已经取得了较好的成果，例如：以图像作为网络的输入进行特征提取进行辐射源识别(Ding L.D.,Wang S.L.,Wang F.G.,et al.Specific Emitter Identification via Convolutional Neural Networks(通过卷积神经网络识别特定辐射源)[J].IEEE Communications Letters,2018,22(12):2591
‑
4.)以降维压缩后的双谱图像作为网络输入，利用CNN提取特征并进行识别。然而，双谱图像仅能表征信号中部分的非高斯特性，丢失了其它的指纹信息。再如，Merchant Kevin,Revay Shauna,Stantchev George,et al.Deep Learning for RF Device Fingerprinting in Cognitive Communication Networks[J].IEEE Journal of Selected Topics in Signal Processing,2018,12(1):160
‑
7，其以时域复基带残差信号的波形作为网络的输入，但时域波形缺乏特征表现力。
[0005]以上两种设定的网络输入及搭建的网络模型均比传统手动提取特定辐射源特征准识别确率高。如果进行平滑滤波提取信号特征生成能量谱密度图后，引入空洞卷积和DANet注意力模块，可解决在降低网络模型的复杂度和训练模型的时间复杂度的前提下不影响模型识别效率的问题。

技术实现思路

[0006]基于现有技术中存在的上述不足，本专利技术的目的是提供基于D
‑
A Xception网络模型的特定辐射源识别方法及系统，结合平滑滤波的特征提取利用空洞卷积和DANet注意力
机制模块的CNN模型，模型通过对原始射频信号经快速傅里叶变换转换到频域上进行Savitzky
‑
Golay平滑滤波、归一化等处理生成能量谱密度图；在生成的能量谱图像上添加高斯噪声和椒盐噪声以扩充数据样本；采用空洞卷积来保持卷积核数量和大小，同时扩大感受野，采用DANet提取同一类别卷积生成的局部感受野特征图的不同细微特征，有效降低网络复杂度的同时提升无人机识别的准确度。
[0007]为了实现上述专利技术目的，本专利技术采取以下技术方案：
[0008]基于D
‑
A Xception网络模型的特定辐射源识别方法，包括如下步骤：
[0009]S1、对射频信号数据样本进行预处理，得到能量谱密度图；
[0010]S2、在能量谱密度图上添加高斯噪音和椒盐噪音，以进行数据增强，得到数据集；其中，数据集划分为训练数据集和测试数据集；
[0011]S3、利用训练数据集和测试数据集对结合空洞卷积和DANet的Xception模型进行训练和测试，得到D
‑
A Xception网络模型；
[0012]S4、利用D
‑
A Xception网络模型对待测样本进行特定辐射源识别。
[0013]作为优先方案，所述步骤S1具体包括：
[0014]对射频数据样本进行快速傅里叶变换转到频域上，再依次进行样本分割、Savitzky
‑
Golay平滑处理及归一化处理。
[0015]作为优先方案，所述样本分割以样本间隔M进行分割。
[0016]作为优先方案，所述Savitzky
‑
Golay平滑处理的K和窗口长度分别为3和43。
[0017]作为优先方案，所述能量谱密度图的横坐标间隔为f
s
/(M
‑
1)，f
s
为采样频率。
[0018]作为优先方案，结合空洞卷积和DANet的Xception模型为：
[0019]将Xception模型的Entry flow中的卷积核个数为64的卷积层替换为DANet层；
[0020]在Xception模型的Middle flow中的最后一级深度可分离卷积层之后连接空洞卷积层。
[0021]作为优先方案，所述空洞卷积层的卷积操作在卷积核之间加入零值像素点，其感受野计算如下：
[0022]n＝k+(k
‑
1)*(d
‑
1)
[0023]其中，d为扩张率，k为Middle flow中的最后一级深度可分离卷积层输出的卷积核大小(即原始卷积核大小)；
[0024]经过空洞卷积后的特征图大小o计算如下：
[0025][0026]其中，s为步长，i为输入空洞卷积的大小，p为padding大小。
[0027]作为优先方案，设输入的特征图A尺寸为C
×
H
×
W，其中C为通道数，H为特征图的高，W为特征图的宽，B，C，D为输入特征图A分别通过3个卷积层得到的3个特征图，三个特征图尺寸也为C
×
H
×
W；将矩阵B和矩阵C转置相乘进行归一化指数得到位置注意力特征矩阵S，为：
[0028][0029]其中，R
N
×
N
为N
×
N的二维矩阵；N为像素数量，N＝H
×
W；s
ji
表示i、j两个位置之间的
相关性，也就说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于D
‑
A Xception网络模型的特定辐射源识别方法，其特征在于，包括如下步骤：S1、对射频信号数据样本进行预处理，得到能量谱密度图；S2、在能量谱密度图上添加高斯噪音和椒盐噪音，以进行数据增强，得到数据集；其中，数据集划分为训练数据集和测试数据集；S3、利用训练数据集和测试数据集对结合空洞卷积和DANet的Xception模型进行训练和测试，得到D
‑
A Xception网络模型；S4、利用D
‑
A Xception网络模型对待测样本进行特定辐射源识别。2.根据权利要求1所述的特定辐射源识别方法，其特征在于，所述步骤S1具体包括：对射频数据样本进行快速傅里叶变换转到频域上，再依次进行样本分割、Savitzky
‑
Golay平滑处理及归一化处理。3.根据权利要求2所述的特定辐射源识别方法，其特征在于，所述样本分割以样本间隔M进行分割。4.根据权利要求3所述的特定辐射源识别方法，其特征在于，所述Savitzky
‑
Golay平滑处理的K和窗口长度分别为3和43。5.根据权利要求4所述的特定辐射源识别方法，其特征在于，所述能量谱密度图的横坐标间隔为f
s
/(M
‑
1)，f
s
为采样频率。6.根据权利要求1
‑
5任一项所述的特定辐射源识别方法，其特征在于，结合空洞卷积和DANet的Xception模型为：将Xception模型的Entry flow中的卷积核个数为64的卷积层替换为DANet层；在Xception模型的Middle flow中的最后一级深度可分离卷积层之后连接空洞卷积层。7.根据权利要求6所述的特定辐射源识别方法，其特征在于，所述空洞卷积层的卷积操作在卷积核之间加入零值像素点，其感受野计算如下：n＝k+(k
‑
1)*(d
‑
1)其中，d为扩张率，k为Middle flow中的最后一级深度可分离卷积层输出的卷积核大小；经过空洞卷积后的特征图大小o计算如下：其中，s为步长，i为输入空洞卷积的大小，p为padding大小。8.根据权利要求6所述的特定辐射源识别方法，其特征在于，设输入的特征图A尺寸为C
×
H
×
W，其中C为通道数，H为特征图的高，W为特征图的宽；B，C，D为输入特征图A分别通过3个卷积层得到的3个特征图，三个特征图尺寸也为...

【专利技术属性】
技术研发人员：吴呈瑜，马子博，占敖，蔡小雁，
申请(专利权)人：杭州仝济智能科技有限公司，
类型：发明
国别省市：