【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及一种基于多域特征融合和自注意力的辐射源识别方法。
技术介绍
1、在通信辐射源识别领域，卷积神经网络（cnn）作为深度学习的典型代表，已被广泛应用。尤其在图像识别中，cnn能够结合信号的小波变换、高阶谱特征以及iq特征图进行图像识别，进而有效地完成辐射源识别任务。虽然这些方法取得了显著的识别效果，但它们的主要依赖是大规模的标注数据集。换句话说，标注数据集的缺乏直接限制了模型的训练效果，尤其在数据稀缺的实际环境中，这类模型的泛化能力往往显得不足。
2、另外，基于卷积神经网络的辐射源识别依然有其局限性。其特征提取方法往往集中于某一特定的特征域，无论是时域还是频域。这种单一域的特征提取方法使得系统在处理信号时无法全方位捕捉信号的多维信息，导致对复杂信号的识别能力受限。实际上，辐射源信号通常具有多维特性，单一域的特征提取无法充分反映信号的完整特征，从而影响了识别的准确性。
3、lstm模型提供了一种新的思路，它将原始的i/q信号直接送入神经网络进行处理。虽然这种方法避免了信号预处理的复杂步骤...
【技术保护点】
1.一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，所述时域分支中的长短期记忆网络用于捕捉信号的时间依赖关系，自注意力机制对时域信号的不同时间步长分配不同权重。
3.根据权利要求1所述的一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，所述频域分支中的短时傅里叶变换将信号从时域转换为频域，得到二维时频图，卷积神经网络用于从时频图中提取频域特征，识别频谱中的关键模式。
4.根据权利要求1所述的一种基于多域特征融合和...
【技术特征摘要】
1.一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，所述时域分支中的长短期记忆网络用于捕捉信号的时间依赖关系，自注意力机制对时域信号的不同时间步长分配不同权重。
3.根据权利要求1所述的一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，所述频域分支中的短时傅里叶变换将信号从时域转换为频域，得到二维时频图，卷积神经网络用于从时频图中提取频域特征，识别频谱中的关键模式。
4.根据权利要求1所述的一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，所述时域分支和频域分支提取的特征通过拼接操作进行融合，得到的融合特征向量包含时域和频域的联合信息。
5.根据权利要求1所述的一种基于多域特征融合和自注意力的辐射源识别方法，其特征在于，所述分类器为全连接层，并采用softmax激活函数计算每个类别的识别概率，根据概率值最大者进行辐射源识别。
6.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：闵海，谢军，雷迎科，高宁，陈翔，
申请(专利权)人：合肥工业大学，
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。