一种辐射源个体指纹特征提取方法技术

本发明专利技术公开了一种辐射源个体指纹特征提取方法，基于递归不变风险最小化框架，将经过时频特征提取过的各类辐射源脉冲样本信号作为输入，对每类辐射源的随机调制方式样本进行剔除，构造出训练样本和测试样本存在分布偏移的数据集。训练样本会按照一定的顺序，将每个辐射源样本输入到深度神经网络进行训练。框架会保存每个辐射源样本训练得到的模型用于下一个辐射源的样本的训练，每次训练时使用的预训练模型均为上一个辐射源样本的生成模型，直到所有辐射源样本均参与了模型的生成。这种框架可以引导神经网络学习到除去脉冲信号调制方式不同的更细微的个体指纹特征。本发明专利技术对辐射源个体识别技术的泛化性和应用前景具有重要意义。要意义。要意义。

【技术实现步骤摘要】
一种辐射源个体指纹特征提取方法


[0001]本专利技术属于信号处理
，具体涉及一种辐射源个体指纹特征提取方法。

技术介绍

[0002]现代信息化战场上存在着各种各样的电台和雷达设备,担负着指挥、控制、通讯、情报侦查、电子监听等诸多任务。为了取得优势,首要条件便是获取和控制战场信息,并有策略地对对方重要的电子设备及载体进行全方位的监测与及时准确的干扰、抗干扰和打击。然而,随着信号处理技术的迅猛发展,信号调制方式越来越多,大功率设备不断增加,电磁环境愈发复杂。原来意义上的通信调制识别方法提取信号的调制参数如载频、带宽、码元速率等简单特征已经难以识别辐射源个体，无法满足现代战场的需要。
[0003]辐射源射频指纹特征作为一种由无线电电路引起的特征，这几年在辐射源个体识别领域有着广泛的应用。指纹特征识别是通过提取模拟电路中的硬件缺陷引起的无意识调制特征来对无线设备进行识别的过程。这类特征普遍出现在所有无线设备中，且没有两台设备具有相同的指纹特征，其在个体识别领域具有很强的研究和应用价值。
[0004]从现有的辐射源个体识别方法来看本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种射频个体指纹特征提取方法，其特征在于，具体方法如下：获取M台同型号辐射源的脉冲信号样本，每台辐射源样本应包含N种脉内调制方式，不同辐射源的样本间应满足同调制方式同参数；首先对所述辐射源样本进行时频特征提取，再输入到递归不变风险最小化框架RIRM中；样本在RIRM框架下，会先对不同辐射源样本进行随机调制方式的样本剔除，获得训练集数据和存在分布偏移的测试数据；再按照顺序，每次使用一台辐射源的样本数据用于神经网络模型训练，通过在模型中设置递归不变风险最小化损失函数的方式引导模型学习辐射源细微指纹特征；在每台辐射源样本训练完成后保存当前模型，以递归的方式参与下一台辐射源样本的训练；当框架内所有辐射源样本均参与过递归后完成模型生成，生成的该模型具有辐射源个体指纹特征的提取能力，以及对不同辐射源个体的识别能力；将样本输入时每种辐射源随机剔除的调制方式数据重新组合成验证集数据，用于测试该模型的指纹特征提取能力。2.如权利要求1所述的一种射频个体指纹特征提取方法，其特征在于，构建了一种用于辐射源个体指纹特征提取的递归不变风险最小化框架RIRM；该框架运行逻辑为：对输入样本中第一类辐射源样本采用随机剔除的方式，剔除其某一种调制方式，此时输入样本只包含N
‑
1种调制方式；将该类辐射源样本输入深度神经网络进行训练，用于训练的深度神经网络模型中加入了递归不变风险最小化损失；在第一类辐射源的样本数据训练结束后，保留该训练模型；再采用同样的样本剔除方式，对输入样本中的第二类辐射源样本进行随机剔除，并使用之前保存的训练模型继续进行训练；该述过程总共递归M次，直到所有M台辐射源的样本均参与过模型的多次递归生成，特征提取流程结束，最终保存的模型具有强泛化性的辐射源个体指纹特征提取能力；将每次剔除的单一调制方式的样本数据组合成样本大小为M的测试集数据对模型性能进行测试。3.如权利要求2所述的一种射频个体指纹特征提取方法，其特征在于：模型训练前使用了多种时频特征分析...

【专利技术属性】
技术研发人员：周子楠，李煊鹏，卢一凡，嵇志康，张叶茁，
申请(专利权)人：东南大学，
类型：发明
国别省市：