【技术实现步骤摘要】
本公开实施例涉及一种通信辐射源分类方法，尤其涉及一种基于极化域特征学习提取的辐射源分类方法。
技术介绍
1、目前，通信辐射源分类识别主要使用特定辐射源识别技术即射频指纹识别技术,利用通信辐射源设备的硬件差异即射频指纹在空间辐射信号的反映，实现辐射源的区分判别。
2、现有的通信辐射源分类基于专家经验和基于深度学习的两类识别方法在分析和利用射频信号参数统计特征和变换域特征中存在不同程度的局限性。信号参数统计特征的识别方法受噪声影响较大，对非高斯、非平稳信号的分析能力弱，泛化能力较差，信号变化域的识别方法基函数选择困难，并且容易出现交叉项干扰，计算复杂度较高，效率较低。在通信辐射源空、时、频、能域特征相近条件下，时频信息(时域特征、频域特征、高阶谱特征和时频变换域特征)差异度减小，利用直接或间接方法分析提取的难度都进一步增大。从原理上分析可知，上述两类方法识别效果会出现不同程度的恶化，甚至部分方法难以支撑此类通信辐射源个体的识别。
3、因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
4、需要注意...
【技术保护点】
1.一种基于极化域特征学习提取的辐射源分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于极化域特征学习提取的辐射源分类方法，其特征在于，所述数据预处理包括以下步骤：
3.根据权利要求1所述的基于极化域特征学习提取的辐射源分类方法，其特征在于，所述表示学习阶段中采用对比学习模型，所述对比学习模型由数据增强、基本编码网络、投影头以及对比损失构成。
4.根据权利要求3所述的基于极化域特征学习提取的辐射源分类方法，其特征在于，所述特征聚类阶段中通过为每个聚类集群创建一个子集群，并使用拆分聚类和合并聚类的方式来改变聚类数目。<...
【技术特征摘要】
1.一种基于极化域特征学习提取的辐射源分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于极化域特征学习提取的辐射源分类方法，其特征在于，所述数据预处理包括以下步骤：
3.根据权利要求1所述的基于极化域特征学习提取的辐射源分类方法，其特征在于，所述表示学习阶段中采用对比学习模型，所述对比学习模型由数据增强、基本编码网络、投影头以及对比损失构成。
4.根据权利要求3所述的基于极化域特征学习提取的辐射源分类方法，其特征在于，所述特征聚类阶段中通过为每个聚类集群创建一个子集群，并使用拆分聚类和合并聚类的方式来改变聚类数目。
5.根据权利要求4所述的基于极化域特征学习提取的辐射源分类方法，其特征在于，所述拆分聚类时，以概率p1将每个聚类拆分为两个子聚类，同时为自适应k值变化，该聚类将复制聚类网络最后一层中第k个单元以及连接到前一隐藏层的权重，并使用子聚类网络学习到的参数初始化两个新的聚类，拆分聚类的表达式包括：
...【专利技术属性】
技术研发人员：张梓轩，齐子森，许华，蒋磊，孟庆微，贾鑫，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：
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。