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。
[0004]我们通常定义来自不同传感器的同一目标的数据为多模态数据。而一般情况下，由于辐射源的通信数据其在时间的分布上比较零散难以采集，会对某个地区进行多采集设备的布置，从而得到辐射源的多源异构的数据，这种辐射源数据也可以称为多模态辐射源数据。对于多模态辐射源数据而言，由于其采集设备附加的指纹特征的影响，导致一般网络针对于单一模态的辐射源训练不具有较好的泛化性能，因此需要训练多个网络，这又导致了网络规模大、模型数量冗杂的缺点。

技术实现思路

[0005]本专利技术所要解决的技术问题是，针对多模态单一识别参数量过大，训练次数过多的缺点，提供一种能提高在多模态情景下辐射源识别个体准确率，改善神经网络性能，缩小网络规模的辐射源个体识别方法。
[0006]本专利技术为解决上述技术问题所采用的技术方案是，一种基于模型嵌入的辐射源识别方法，包括以下步骤：
[0007]训练步骤：
[0008]1)对来自各辐射源的电磁信号进行时频数据预处理；
[0009]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；
[0010]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；
[0011]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；
[0012]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：
[0013]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；
[0014]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：
[0015][0016]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；
[0017]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
‑
1)；
[0018]识别步骤：
[0019]将待识别辐射源的电磁信号进行时频数据预处理，提取出时频特征后并行输入至训练好的w个神经网络模型，根据w个神经网络模型输出的融合概率识别出辐射源类型。
[0020]本专利技术通过基于多模态的辐射源个体信号识别的端到端的识别框架，将同目标信号的多模态时频特征进行模型参数共享，并将模型参数共享之后的判别决策进行决策层的贝叶斯融合。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，。学习到了不同模态间的共性，提取到了更加深层的辐射源特征，而这也是我们所需要的辐射源个体的细微特征信息，识别准确率较单一识别更高使得识别结果更高。
[0021]同时，本专利技术在端到端的识别框架后，基于网络的输出，提供了一个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。
[0022]本专利技术的有益效果是，实现了不同模态模型之间的参数共享，减少了网络规模，同时使得收敛速度加快，优化了网络性能，同时将网络输出通过融合算法进行相关计算，提高了辐射源个体识别的准确率。
附图说明
[0023]图1为实施例两种模态情景下基于模型嵌入的辐射源个体识别流程示意图。
[0024]图2为基于模型嵌入的多模态识别框架示意图。
[0025]图3为实施例辐射源个体原始信号时域波形图；(a)为接收机a的辐射源1原始时域波形，(b)为接收机a的辐射源2原始时域波形，(c)为接收机a的辐射源3原始时域波形，(d)
为接收机a的辐射源4原始时域波形，(e)为接收机b的辐射源1原始时域波形，(f)为接收机b的辐射源2原始时域波形，(g)为接收机b的辐射源3原始时域波形，(h)为接收机b的辐射源4原始时域波形。
[0026]图4为实施例辐射源1在不同变换域下的时频图；(a)为接收
[0027]机a的辐射源1时频图，(b)为接收机b的辐射源1时频图。
具体实施方式
[0028]本专利技术的多模态指两个以上的模态。实施例以两个模态为例。
[0029]图1是实施例两个模态情景下基于模型嵌入的辐射源个体识别流程，主要分为以下几个步骤：
[0030]1.数据预处理；
[0031]2.不同模态时频特征提取；
[0032]3.数据标注及数据集划分过程；
[0033]4.模型嵌入并完成模型训练以及模型参数共享得到训练后的网络模型；
[0034]5.待测试数据输入训练好的网络模型，网络模型输出个体预测结果，通过基于贝叶斯理论的决策融合算法输出最终辐射源个体识别结果。
[0035]步骤1的数据预处理过程包括对原始数据进行滤波、能量检测、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：