System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于相邻符号排列组合与误差信号的通信辐射源识别方法、系统、装置制造方法及图纸_技高网

一种基于相邻符号排列组合与误差信号的通信辐射源识别方法、系统、装置制造方法及图纸

技术编号:40305383 阅读:9 留言:0更新日期:2024-02-07 20:50
本发明专利技术公开了一种基于相邻符号排列组合与误差信号的通信辐射源识别方法,该方法包括:采用高精度的预处理方法估计接收信号的载频、初相、时延以及幅度,获取与理想信号对齐的重构信号;利用相邻解调符号的排列组合将同一发送符号序列不同时刻属于相同组合的时域波形进行相干合成;将重构信号的排列组合波形与理想信号的排列组合波形进行干扰抵消得到最终的误差信号。该误差信号从数学原理上表现为相同输入信号下辐射源畸变信号与噪声信号的叠加,特征表现力强、信息损失度低,可作为通信辐射源识别网络的输入实现射频指纹特征提取与识别。

【技术实现步骤摘要】

本专利技术属于信号识别,具体地涉及一种基于相邻符号排列组合与误差信号的通信辐射源识别方法、系统、装置


技术介绍

1、特定辐射源识别(specific emitter identification,sei)技术是指利用无线信号自身所携带的、来源于辐射源个体间差异所产生的射频指纹特征,实现对辐射源目标的个体识别,其中通信辐射源识别技术特指接收信号为无线通信信号。典型通信辐射源识别系统基本流程包括信号接收、预处理、射频指纹特征表达和个体辐射源分类识别。其中,通信辐射源识别的关键在于如何有效地发现并提取接收信号中的射频指纹特征。

2、根据射频指纹特征的提取方式进行划分,现有技术大致可以分为两大类:基于专家知识的特征提取技术和基于深度学习技术的特征提取技术。前者根据领域专家对于辐射源畸变产生机理的认知水平,人工设计射频指纹特征提取器;而后者利用深度神经网络实现射频指纹信息的自主表征,但需要针对性地设计深度神经网络的输入形式与网络模型。其中,基于专家知识的特征提取技术又可分为三大类:基于信号参数的特征提取技术、基于数学变换的特征提取技术以及基于辐射源畸变机理的特征提取技术。

3、基于专家知识的特征提取方法人工介入大、需要大量先验知识,难以快速适应未来大规模、电磁环境复杂、标签难以获取的应用场景;基于深度神经网络的特征提取技术能够自主表征辐射源特征,无需人工介入,是未来辐射源个体识别技术的重要发展方向。但现有基于深度神经网络的辐射源个体识别技术所采用的输入形式存在特征表现力差和信息损失等问题,难以取得最佳的识别性能。因此,需要针对基于深度神经网络的通信辐射源特征提取技术,构造兼具特征表现力和信息完整性的输入信号表示形式。


技术实现思路

1、针对目前基于深度神经网络的辐射源特征提取技术所采用的输入形式存在特征表现力差、信息损失等问题,本专利技术提出一种基于相邻符号排列组合与误差信号的通信辐射源识别方法、系统和装置。

2、为达此目的,本专利技术采用以下技术方案:一种基于相邻符号排列组合与误差信号的通信辐射源识别方法,所述识别方法包括如下步骤:

3、采用高精度的预处理方法估计接收信号的载频、初相、时延以及幅度,获取与理想信号对齐的重构信号;

4、对所述重构信号进行信号解调得到发送符号序列;

5、利用相邻解调符号的排列组合,将同一发送符号序列不同时刻属于相同组合的时域波形进行相干合成,得到重构信号和理想信号的排列组合波形;

6、将所述重构信号的排列组合波形与理想信号的排列组合波形进行干扰抵消,得到误差信号;

7、将所述误差信号根据网络结构需要排列成一维或二维矩阵形式;

8、针对二维误差信号矩阵,采用图像识别经典网络模型架构自主提取与识别通信辐射源的特征;

9、针对一维误差信号矩阵,采用循环神经网络或者1维卷积神经网络自主提取与识别通信辐射源的特征。

10、优选的,针对mpsk调制方式,采用逐段精度递进的czt细化分析方法精确估计所述接收信号的载频,采用高精度符号同步算法估计所述接收信号的时延。

11、优选的,所述图像识别经典网络模型架构为vgg16、resnet、densenet。

12、优选的,所述循环神经网络为lstm、gru。

13、优选的,所述解调符号为有限集合,集合大小取决于通信辐射源所使用的调制样式。

14、优选的,所述调制样式为mpsk、mqam、mfsk调制样式。

15、一种采用如权利要求1所述的基于相邻符号排列组合与误差信号的通信辐射源识别方法的系统和装置。

16、本专利技术的有益效果是:通过高精度的信号预处理方法获取与理想信号对齐的重构信号,消除了特定辐射源识别系统中其它因素所带来的随机干扰,更加有利于射频指纹特征的提取;通过相邻解调符号的排列组合,将同一样本不同时刻属于相同组合的时域波形进行相干合成,能够显著提高输入信号的信噪比,从而增加射频指纹特征的稳定度和鲁棒性;将重构信号的排列组合波形与理想信号的排列组合波形进行干扰抵消得到的误差信号,理论上表示的是在相同输入符号下由于辐射源个体间的设备工艺差异而导致的畸变信号,消除了发送符号序列的随机性对于辐射源特征稳定性的影响。

本文档来自技高网...

【技术保护点】

1.一种基于相邻符号排列组合与误差信号的通信辐射源识别方法,其特征在于,所述识别方法包括如下步骤:

2.根据权利要求1所述的通信辐射源识别方法,其特征在于,针对MPSK调制方式,采用逐段精度递进的CZT细化分析方法精确估计所述接收信号的载频,采用高精度符号同步算法估计所述接收信号的时延。

3.根据权利要求1所述的通信辐射源识别方法,其特征在于,所述图像识别经典网络模型架构为VGG16、ResNet、DenseNet。

4.根据权利要求1所述的通信辐射源识别方法,其特征在于,所述循环神经网络为LSTM、GRU。

5.根据权利要求1所述的通信辐射源识别方法,其特征在于,所述解调符号为有限集合,集合大小取决于通信辐射源所使用的调制样式。

6.根据权利要求5所述的通信辐射源识别方法,其特征在于,所述调制样式为MPSK、MQAM、MFSK调制样式。

7.一种采用如权利要求1所述的基于相邻符号排列组合与误差信号的通信辐射源识别方法的系统和装置。

【技术特征摘要】

1.一种基于相邻符号排列组合与误差信号的通信辐射源识别方法,其特征在于,所述识别方法包括如下步骤:

2.根据权利要求1所述的通信辐射源识别方法,其特征在于,针对mpsk调制方式,采用逐段精度递进的czt细化分析方法精确估计所述接收信号的载频,采用高精度符号同步算法估计所述接收信号的时延。

3.根据权利要求1所述的通信辐射源识别方法,其特征在于,所述图像识别经典网络模型架构为vgg16、resnet、densenet。

...

【专利技术属性】
技术研发人员:伍警郭有为陈文强孙磊葛战彭邦付郑华飞苏建中胡茂海蒋鸿宇
申请(专利权)人:中国工程物理研究院电子工程研究所
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1