一种多平台多标签辐射源个体识别方法、系统、设备、介质及产品技术方案

本申请公开了一种多平台多标签辐射源个体识别方法、系统、设备、介质及产品，涉及目标识别技术领域，该方法包括：基于雷达平台和目标的编号数据构建标签；基于标签得到联合嵌入向量以及构建对称归一化邻接矩阵；获取样本雷达数据；采用深度残差网络基于样本雷达数据得到样本深度残差信号特征；基于样本深度残差信号特征和联合嵌入向量得到高效特征；采用GCN网络基于高效特征和对称归一化邻接矩阵得到分类器；获取设定区域内的辐射源信号数据，并采用深度残差网络得到深度残差信号特征；基于深度残差信号特征和分类器得到分数向量；基于分数向量得到辐射源信号数据的雷达平台编号和目标编号。本申请能提高辐射源信号数据的识别速度和准确性。

【技术实现步骤摘要】

本申请涉及目标识别，特别是涉及一种多平台多标签辐射源个体识别方法、系统、设备、介质及产品。

技术介绍

1、雷达辐射源个体特征是由发射机关键器件（如发射管、功放等）产生的寄生调制所形成的，这些特征无法避免、消除和伪造，且因调制形式和调制量的差异而具有唯一性，从而使得个体识别成为可能。雷达辐射源个体识别（specific emitter identification，sei）是通过对截获的电磁信号进行外部特征测量实现对无线电辐射源的唯一识别。这一技术广泛应用于雷达目标探测、感知等领域。

2、现有的sei方法主要分为两类：基于手工提取特征的方法和基于深度学习的方法。基于手工提取特征的方法是通过提取信号的时域、频域、时频域等特征，结合支持向量机（support vector machine，svm）、决策树等分类器完成分类任务。然而，这类方法对专家知识的依赖性较高，且对复杂电磁环境的适应性较差。相比之下，基于深度学习的方法通过自动学习信号特征来识别辐射源个体，其性能优于手工提取特征的方法。常见的深度学习模型包括卷积神经网络（convolutional 本文档来自技高网...

【技术保护点】

1.一种多平台多标签辐射源个体识别方法，其特征在于，包括：

2.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，基于所述标签得到联合嵌入向量，包括：

3.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，采用GCN网络基于所述高效特征和所述对称归一化邻接矩阵得到权重矩阵，包括：

4.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，基于所述样本深度残差信号特征和所述联合嵌入向量得到高效特征，包括：

5.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，基于所述深度残差信号特征和所述分...

【技术特征摘要】

1.一种多平台多标签辐射源个体识别方法，其特征在于，包括：

2.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，基于所述标签得到联合嵌入向量，包括：

3.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，采用gcn网络基于所述高效特征和所述对称归一化邻接矩阵得到权重矩阵，包括：

4.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，基于所述样本深度残差信号特征和所述联合嵌入向量得到高效特征，包括：

5.根据权利要求1所述的多平台多标签辐射源个体识别方法，其特征在于，基于所述深度残差信号特征和所述分类器得到分数向量，包括：

6.根据权利要求3所述的多平台多标...

【专利技术属性】
技术研发人员：闫文君，凌青，张毅，张雨晨，武兴杰，刘康晟，于柯远，刘恒燕，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：