一种基于集成神经网络和信号图的辐射源识别方法技术

本发明专利技术公开了一种基于集成神经网络和信号图的辐射源识别方法，包括以下步骤：提取辐射源数据的信号序列；构建信号序列的信号图；将信号序列与信号图输入到集成神经网络，提取信号序列特征与图特征，并进行特征拼接组成集成特征；将信号序列特征、图特征和集成特征分别放入序列分类器、图分类器和集成分类器，计算得到辐射源信号的分类结果；损失值反向传播，更新模块参数。本发明专利技术能够有效提高辐射源识别性能。识别性能。识别性能。

【技术实现步骤摘要】
一种基于集成神经网络和信号图的辐射源识别方法


[0001]本专利技术涉及辐射源信号识别
，特别是一种基于集成神经网络和信号图的辐射源识别方法。

技术介绍

[0002]在高度数字化、信息化的当今社会，电磁信号辐射成为信息传输、测距、导航、成像等应用的重要技术手段。如今，无论是国防科技、工业生产还是日常生活都离不开电磁信号辐射技术。而日益发展的电磁信号辐射技术也给辐射源识别带来更多的要求和挑战。辐射源识别包括辐射源类型识别、辐射源个体识别、电磁信号调制类型识别、电磁信号信道编码识别等。辐射源识别是对后续辐射源身份验证，信号解调、译码的重要前提，在信号监测、频谱管理、战场侦察和电子对抗等军、民电磁频谱应用领域中发挥关键作用。
[0003]在军用领域，辐射源识别技术主要应用于识别战场的通信电台目标、雷达目标，包括敌军的飞机、舰艇、装甲部队等不同装备的通信电台与雷达装备。辐射源识别技术作为电子战系统的基础技术之一，其重要性不可小觑。现代军事中使用辐射源技术，有助于辅助我方确定敌方使用了何种作战装备，出动了何种军事单位，以及敌方的战术和战略动向等信息，为我方在战场上占据军事行动主动权提供有力支撑。在民用领域，辐射源识别技术主要用于无线设备身份安全验证和频谱资源检测等。辐射源识别技术通过提取无线电设备的物理层指纹(通常由辐射源无意调制形成)实现对设备的身份识别认证，不需要对信号解译并对比密钥。因此，辐射源识别技术能在物理层为无线网络安全提供有效的保护。由此可见，辐射源识别技术在军事无线电台识别、雷达装备及民用通信设备身份认证和无线频谱管理等方面都具备广阔的应用前景和重大的研究意义。
[0004]传统的辐射源识别方法受限于手工特征提取方法的有效性，适用性较差，现有的深度学习方法虽然能一定程度上缓解传统方法的缺点，但是网络结构和卷积算子没有经过专门的设计，模型的识别准确率和鲁棒性等常常不能满足应用需求。

技术实现思路

[0005]鉴于此，本专利技术提供一种基于集成神经网络和信号图的辐射源识别方法，以解决上述技术问题。
[0006]本专利技术公开了一种基于集成神经网络和信号图的辐射源识别方法，包括以下步骤：
[0007]步骤1：提取辐射源数据的信号序列；
[0008]步骤2：构建信号序列的信号图；
[0009]步骤3：将信号序列与信号图输入到集成神经网络，提取信号序列特征与图特征，并进行特征拼接组成集成特征；
[0010]步骤4：将信号序列特征、图特征和集成特征分别放入序列分类器、图分类器和集成分类器，计算得到辐射源信号的分类结果；
[0011]步骤5：损失值反向传播，更新模块参数，然后重新执行步骤1至步骤4。
[0012]进一步地，所述步骤2包括：
[0013]通过向信号序列的不同采样点之间添加邻接边，以构造信号图。
[0014]进一步地，所述邻接边的权重系数的表达式为：
[0015][0016]其中，k表示邻接边的权重系数，d表示邻接节点与中心节点在信号序列中的距离，σ是形状参数；邻接节点和中心节点之间的距离d越小，邻接节点值对中心节点值的影响越大，反之，影响越小。
[0017]进一步地，将权重系数的集合记为权重矩阵K，其维度为length
×
length，权重矩阵K与其元素ki
j
之间的关系的表达式为：
[0018][0019]其中，diag函数是一个对角矩阵生成器，其第一个参数length控制生成的对角矩阵的尺寸，第二个元素d控制对角线的相对于主对角线的位置，第三个参数k
|d|
控制对角线元素的值；
[0020]使用权重矩阵K和邻接矩阵A做哈达玛积运算，赋予每条邻接边对应的权重，以控制不同邻接节点对其中心节点更新过程中的影响程度；信号图由权重矩阵K表征。
[0021]进一步地，所述步骤3包括：
[0022]将信号序列X
S
输入序列特征提取器S，提取序列特征z
S
，其表达式为：
[0023]z
S
＝S(X
S
)
[0024]其中，序列特征提取器S由3层卷积层组成；
[0025]将信号图X
G
输入图特征提取器G，提取图特征z
G
，其表达式为：
[0026]z
G
＝G(X
G
)
[0027]其中，图特征提取器G由一层图卷积层作为输入层，之后连接两层卷积层组成；
[0028]使用特征融合模块以特征拼接的方式对序列特征和图特征进行特征融合，得到集成特征z
E
，其表达式为：
[0029]z
E
＝concat[z
S
，z
G
][0030]集成神经网络的整体结构集成了序列特征提取器S和图特征提取器G。
[0031]进一步地，所述信号图X
G
的邻接权重矩阵用K表示，使用权重矩阵K和邻接矩阵A做哈达玛积运算，赋予每条邻接边对应的权重，以控制不同邻接节点对其中心节点更新过程中的影响程度；用于信号图特征的改进图卷积的表达式为：
[0032][0033]式中，H
l+1
表示l+1层图卷积的输出，H
l
表示l层图卷积的输出，W
l
表示l层图卷积的
参数矩阵，Gonv为图卷积运算；若干层图卷积算子堆叠构成图卷积网络，信号图经过图卷积网络得到图特征。
[0034]进一步地，所述步骤4包括：
[0035]集成神经网络的整体结构包括序列分类器C
S
、图分类器C
S
和集成分类器C
E
；
[0036]序列分类器C
S
仅使用序列特征实现辐射源识别，其辐射源识别结果为p
S
，其表达式为：
[0037]p
S
＝C
S
(z
S
)＝C
S
(S(X
S
))
[0038]图分类器C
S
仅使用图特征实现辐射源识别，其识别结果为p
G
，其表达式为：
[0039]p
G
＝C
G
(z
G
)＝C
G
(S(X
G
))
[0040]集成分类器C
E
使用集成特征z
E
实现辐射源识别，其识别结果为p
E
，其表达式为：
[0041]p
E
＝C
E
(z
E
)＝C
E
(concat[z
S
，z
G
])
[0042]集成神经网络有三路输出，分别来自序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成神经网络和信号图的辐射源识别方法，其特征在于，包括以下步骤：步骤1：提取辐射源数据的信号序列；步骤2：构建信号序列的信号图；步骤3：将信号序列与信号图输入到集成神经网络，提取信号序列特征与图特征，并进行特征拼接组成集成特征；步骤4：将信号序列特征、图特征和集成特征分别放入序列分类器、图分类器和集成分类器，计算得到辐射源信号的分类结果；步骤5：损失值反向传播，更新模块参数，然后重新执行步骤1至步骤4。2.根据权利要求1所述的方法，其特征在于，所述步骤2包括：通过向信号序列的不同采样点之间添加邻接边，以构造信号图。3.根据权利要求2所述的方法，其特征在于，所述邻接边的权重系数的表达式为：其中，k表示邻接边的权重系数，d表示邻接节点与中心节点在信号序列中的距离，σ是形状参数；邻接节点和中心节点之间的距离d越小，邻接节点值对中心节点值的影响越大，反之，影响越小。4.根据权利要求3所述的方法，其特征在于，将权重系数的集合记为权重矩阵K，其维度为length
×
length，权重矩阵K与其元素k
ij
之间的关系的表达式为：其中，diag函数是一个对角矩阵生成器，其第一个参数length控制生成的对角矩阵的尺寸，第二个元素d控制对角线的相对于主对角线的位置，第三个参数k
|d|
控制对角线元素的值；使用权重矩阵K和邻接矩阵A做哈达玛积
°
运算，赋予每条邻接边对应的权重，以控制不同邻接节点对其中心节点更新过程中的影响程度；信号图由权重矩阵K表征。5.根据权利要求1所述的方法，其特征在于，所述步骤3包括：将信号序列X
S
输入序列特征提取器S，提取序列特征z
S
，其表达式为：z
S
＝S(X
S
)其中，序列特征提取器S由3层卷积层组成；将信号图X
G
输入图特征提取器G，提取图特征z
G
，其表达式为：z
G
＝G(X
G
)其中，图特征提取器G由一层图卷积层作为输入层，之后连接两层卷积层组成；使用特征融合模块以特征拼接的方式对序列特征和图特征进行特征融合，得到集成特征z
E
，其表达式为：
z
E
＝concat[z
S
,z
G
]集成神经网络的整体结构集成了序列特征提取器S和图特征提取器G。6.根据权利要求5所述的方法，其特征在于，所述信号图X
G
的邻接权重矩阵用K表示，使用权重矩阵K和邻接矩阵A做哈达玛积
°
运算，赋予每条邻接边对应的权重，以控制不同邻接节点对其中心节点更新过程中的影响程度；用于信号图特征的改进图卷积的表达式为：式中，H
l+1
表示l+1层图卷积的输出，H
l
表示l层图卷积的输出，W
l
表示l层图卷积的参数矩阵，Gonv为图卷积运算；若干层图卷积算子堆叠构成图卷积网络，信号图经过图卷积网络得到图特征。7.根据权利要求5所述的方法，其特征在于，所述步骤4包括：集成神经网络的整体结构包括序列分类器C

【专利技术属性】
技术研发人员：李奇真，梁先明，曾翔宇，陈文洁，刘勇，符洁，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：