一种基于模型嵌入的辐射源识别方法技术

本发明专利技术提供了一种基于模型嵌入的辐射源识别方法，将不同模态的数据联合输入，通过端到端的多模态识别框架进行训练，实现了不同模态模型之间的参数共享，较多个模态对应于多个网络识别而言，网络规模的参数明显降低，收敛速度提高，并且在多个模态共享参数的过程中，网络得到了更多关于模态间的共同信息。同时，本发明专利技术在端到端的识别框架后，提供了一种基于贝叶斯理论的融合算法，相较于采用单模态作为网络输出，由于融合后的输出来自于不同模态，使得结果的置信度更高，故采用融合后的输出作为辐射源个体识别的决策，减少网络收敛时所需迭代次数，达到优化网络性能的效果。达到优化网络性能的效果。达到优化网络性能的效果。

【技术实现步骤摘要】
一种基于模型嵌入的辐射源识别方法


[0001]本专利技术涉及电磁信号处理技术，特别涉及辐射源识别技术。

技术介绍

[0002]近年来，随着电子技术的快速发展，电磁频谱智能应用呈现爆发式增长，为人们生活提供了便捷。但是在事实上，在复杂环境下获取的电磁数据存在数据体量大、目标有效样本少的问题。对多模态的辐射源威胁探测与个体识别技术是海量电磁数据处理的难点，由于不能预先知道电磁目标的信号特征，分类器设计复杂、识别率较低；另外，对于新型电磁目标，难以获得足够多的训练样本，不能训练出分类精度高的分类模型。因此如何有效地对多模态的辐射源识别进行准确的再入识别对战场上的主导权获得至关重要。
[0003]辐射源识别通过测量雷达重复周期、载频、脉宽、幅度等信号参数，处理后识别辐射源的型号、工作模式等目标信息，来进行识别监测和侦查等。随着现代信息科技的不断发展与进步，传统的辐射源识别技术已经无法满足各种繁杂信号的识别要求。而随着深度学习技术则可以将特征提取的工作自动化，提取到数据更加本质的特征，在样本数目足够多的情况下，能够具有很好的识别准确率和鲁棒性。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型嵌入的辐射源识别方法，其特征在于，包括以下步骤：训练步骤：1)对来自各辐射源的电磁信号进行时频数据预处理；2)确定多模态的各模态类型，对预处理得到时频数据进行不同模态时频特征提取得到样本特征矩阵；3)对样本特征矩阵进行数据标注得到样本特征矩阵以及对应的辐射源类别标签，再对数据标注后的样本特征矩阵进行数据集划分得到训练集和测试集；4)按照模态类型数量嵌入并连的与模态类型一一对应的w个神经网络模型，将训练集输入w个神经网络模型，训练集中的一个训练样本输入至w个神经网络模型的其中一个，w个神经网络模型通过参数共享完成预训练；5)将测试集输入到预训练完成的w个神经网络模型中进行辐射源识别：5
‑
1)测试集在输入神经网络模型时，保证每一批w个进入神经网络模型的测试样本属于同一辐射源类别；w个神经网络模型各自输出的概率矩阵，概率矩阵中每行对应一个测试样本，每列为不同辐射源类别的识别概率；5
‑
2)将不同模态的w个神经网络模型输出的概率矩阵的每一行进行融合，输出最终的融合概率：P(i)表示第i行的融合概率，当每一批w个进入神经网络模型的测试样本属于同一辐射源类别时，w个神经网络模型输出的概率矩阵的同一行属于同一辐射源类别，p
i1
第1个神经网络模型的概率矩阵的第i行上的识别概率，p
iw
表示第w个神经网络模型的概率矩阵的第i行上的识别概率；5
‑
3)根据w个神经网络模型输出的融合概率判断识别准确率是否满足网络收敛条件，如是，则保存w个神经网络模型的模型参数，训练过程结束，否则，调整w个神经网络模型的超参数后，返回步骤5

【专利技术属性】
技术研发人员：邵怀宗，梁沛阳，潘晔，林静然，利强，孙国敏，胡全，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：