本發(fā)明涉及電磁頻譜監(jiān)視，尤其涉及一種基于深度學(xué)習(xí)特征匹配的通信輻射源識(shí)別方法。

背景技術(shù)：

1、通信輻射源識(shí)別是一種將收集截獲的電磁信號(hào)與目標(biāo)個(gè)體本身相匹配的技術(shù)，其定義為“將輻射源電磁信號(hào)特征與輻射源個(gè)體關(guān)聯(lián)起來(lái)的能力”?；谠摷夹g(shù)，可將電磁信號(hào)與載體平臺(tái)、用戶身份、目標(biāo)參數(shù)等信息關(guān)聯(lián)起來(lái)，進(jìn)而形成高價(jià)值電磁態(tài)勢(shì)信息。對(duì)于不同的通信輻射源，其組成器件的生產(chǎn)和裝配等存在一定的差異，這種硬件差異使得即使是同型號(hào)、同批次的輻射源也具有一種固有的、區(qū)別于其他個(gè)體的屬性，也稱為“電磁指紋特征”。這種屬性會(huì)作用于無(wú)線電信號(hào)上，但又不會(huì)影響輻射源實(shí)現(xiàn)其原有的通信或探測(cè)功能。通信輻射源識(shí)別是通過(guò)對(duì)輻射源信號(hào)特征的選擇和特征參數(shù)的高精度測(cè)量，發(fā)現(xiàn)目標(biāo)個(gè)體在信號(hào)中所呈現(xiàn)出的獨(dú)有特征，從而達(dá)到對(duì)輻射源目標(biāo)進(jìn)行個(gè)體識(shí)別的目的。

2、一個(gè)典型的個(gè)體目標(biāo)識(shí)別流程依次包括：電磁信號(hào)接收、信號(hào)預(yù)處理、特征提取和目標(biāo)識(shí)別四個(gè)模塊。其中，特征提取旨在濾除信號(hào)數(shù)據(jù)中的冗余信息并提供更具差異性和代表性的輻射源個(gè)體特征，現(xiàn)有方法一般需要由專家對(duì)輻射源信號(hào)表征差異進(jìn)行深入分析后針對(duì)性設(shè)計(jì)，主要可分為暫態(tài)特征提取及穩(wěn)態(tài)特征提取兩類；而目標(biāo)識(shí)別則是根據(jù)現(xiàn)有數(shù)據(jù)信息、特征提取結(jié)果及先驗(yàn)知識(shí)構(gòu)造具有強(qiáng)分類和強(qiáng)泛化性的輻射源分類識(shí)別模型，主要方法包括特征參數(shù)匹配等傳統(tǒng)算法與聚類、統(tǒng)計(jì)學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等人工智能相關(guān)算法。然而，隨著電子元件生產(chǎn)工藝的顯著提升，輻射源個(gè)體差異的細(xì)微化導(dǎo)致傳統(tǒng)方法存在著識(shí)別對(duì)象固定、特征提取依賴專家知識(shí)、算法缺乏普適性和擴(kuò)展性、識(shí)別精度不足等方面的問(wèn)題。

3、隨著人工智能技術(shù)的蓬勃發(fā)展，其在數(shù)據(jù)表征、特征提取、分類預(yù)測(cè)等方面的優(yōu)勢(shì)，與電磁信號(hào)細(xì)微特征提取、目標(biāo)識(shí)別任務(wù)特性相結(jié)合，為智能、高效的通信輻射源識(shí)別技術(shù)提供了新的思路與方向。因此，基于深度學(xué)習(xí)的通信輻射源智能識(shí)別方法研究對(duì)于電磁頻譜監(jiān)視領(lǐng)域發(fā)展具有重要意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)特征匹配的通信輻射源識(shí)別方法，能夠?qū)崿F(xiàn)對(duì)通信輻射源目標(biāo)信號(hào)電磁指紋特征的智能提取與輻射源目標(biāo)精準(zhǔn)識(shí)別。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于深度學(xué)習(xí)特征匹配的通信輻射源識(shí)別方法，包括步驟：

3、獲取通信目標(biāo)輻射源電磁信號(hào)的采樣數(shù)據(jù)，對(duì)所述采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗并構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

4、對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)；

5、將所述訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本進(jìn)行時(shí)頻變換和歸一化處理；

6、將預(yù)處理后的所述訓(xùn)練樣本作為模型輸入，通過(guò)二維卷積、一維卷積以及空洞卷積構(gòu)建輻射源識(shí)別模型的特征提取網(wǎng)絡(luò)；

7、通過(guò)特征匹配矩陣構(gòu)建所述輻射源識(shí)別模型的目標(biāo)識(shí)別網(wǎng)絡(luò)；

8、通過(guò)反向傳播算法，以最小化交叉熵和特征匹配矩陣相關(guān)性代價(jià)函數(shù)為目標(biāo)，優(yōu)化所述輻射源識(shí)別模型；

9、將所述測(cè)試數(shù)據(jù)集的測(cè)試樣本經(jīng)預(yù)處理后，輸入至所述輻射源識(shí)別模型進(jìn)行目標(biāo)識(shí)別測(cè)試。

10、可選的，所述獲取通信目標(biāo)輻射源電磁信號(hào)的采樣數(shù)據(jù)，對(duì)所述采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗并構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集包括：

11、通過(guò)數(shù)據(jù)采集設(shè)備對(duì)通信目標(biāo)輻射源電磁信號(hào)進(jìn)行采樣，獲得i/q兩路的采樣數(shù)據(jù)；

12、根據(jù)所述采樣數(shù)據(jù)的信號(hào)質(zhì)量參數(shù)，對(duì)所述采樣數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，并構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。

13、可選的，所述訓(xùn)練數(shù)據(jù)集的樣本數(shù)量占所述采樣數(shù)據(jù)的總樣本量的百分之七十，所述測(cè)試數(shù)據(jù)集的樣本數(shù)量占所述采樣數(shù)據(jù)的總樣本量的百分之三十，且所述訓(xùn)練數(shù)據(jù)集和所述測(cè)試數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行隨機(jī)置亂。

14、可選的，所述對(duì)所述訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)包括：

15、對(duì)所述訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本進(jìn)行信噪比增強(qiáng)和/或頻率增強(qiáng)，以增加所述訓(xùn)練數(shù)據(jù)集的訓(xùn)練樣本數(shù)。

16、可選的，所述將所述訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本進(jìn)行時(shí)頻變換和歸一化處理包括：

17、基于以下公式對(duì)所述訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本進(jìn)行時(shí)頻變換：

18、f＝∫x(t)ω(t-τ)e-jωtdt；其中，x為所述訓(xùn)練樣本，f為所述訓(xùn)練樣本變換后的頻域信號(hào)；

19、基于以下公式對(duì)所述訓(xùn)練數(shù)據(jù)集中的訓(xùn)練樣本進(jìn)行均值方差歸一化處理：

20、其中，μ為所述訓(xùn)練樣本的均值，σ為所述訓(xùn)練樣本的標(biāo)準(zhǔn)差；

21、將預(yù)處理后的所述訓(xùn)練樣本的時(shí)域信號(hào)與頻域信號(hào)融合形成輻射源識(shí)別模型的輸入數(shù)據(jù)。

22、可選的，所述特征提取網(wǎng)絡(luò)包括卷積層和池化層，所述卷積層采用二維卷積、一維卷積和空洞卷積對(duì)預(yù)處理后的所述訓(xùn)練樣本進(jìn)行特征提?。凰龀鼗瘜佑糜诮档吞卣鲌D維度；

23、所述二維卷積的計(jì)算公式為：

24、

25、其中，fconv_2d為二維卷積函數(shù)，模型輸入x、卷積核w以及輸出o均為二維矩陣；

26、所述一維卷積的計(jì)算公式為：

27、

28、其中，fconv_1d為一維卷積函數(shù)，模型輸入x、卷積核w以及輸出o均為一維矩陣；

29、所述空洞卷積的計(jì)算公式為：

30、

31、其中，fconv_dilated為空洞卷積函數(shù)，di表示模型輸入x在第一維度的空洞率，dj表示模型輸入x在第二維度的空洞率。

32、可選的，所述通過(guò)特征匹配矩陣構(gòu)建所述輻射源識(shí)別模型的目標(biāo)識(shí)別網(wǎng)絡(luò)包括：

33、采用特征匹配矩陣和softmax分類器，構(gòu)建所述輻射源識(shí)別模型的目標(biāo)識(shí)別網(wǎng)絡(luò)；其中，所述特征匹配矩陣基于以下公式計(jì)算：

34、yn＝[ω1·on,ω2·on,...,ωk·on]

35、其中，ωk表示特征匹配矩陣中對(duì)應(yīng)于第k類輻射源目標(biāo)對(duì)應(yīng)的電磁指紋特征，on表示第n個(gè)樣本經(jīng)特征提取模型后得到的特征向量，yn為特征匹配的輸出向量；

36、所述softmax分類器的預(yù)測(cè)公式如下：

37、

38、其中，pn為輻射源目標(biāo)類型預(yù)測(cè)向量，k為所述訓(xùn)練數(shù)據(jù)集中輻射源目標(biāo)類型的數(shù)量，pnk的最大值對(duì)應(yīng)的目標(biāo)類型為輻射源目標(biāo)類型預(yù)測(cè)值。

39、可選的，所述通過(guò)反向傳播算法，以最小化交叉熵和特征匹配矩陣相關(guān)性代價(jià)函數(shù)為目標(biāo)，優(yōu)化所述輻射源識(shí)別模型包括：

40、以交叉熵和特征匹配矩陣相關(guān)性為代價(jià)函數(shù)，并以最小化代價(jià)函數(shù)為目標(biāo)，通過(guò)adam反向傳播算法對(duì)所述輻射源識(shí)別模型進(jìn)行訓(xùn)練，直至所述輻射源識(shí)別模型收斂，以得到模型參數(shù)；

41、其中，基于以下公式計(jì)算交叉熵和特征匹配矩陣相關(guān)性代價(jià)函數(shù)：

42、

43、其中，lcross為交叉熵代價(jià)函數(shù)，lcor為特征匹配矩陣相關(guān)性代價(jià)函數(shù)，為輸入數(shù)據(jù)的真實(shí)類型向量；pn為輻射源目標(biāo)類型預(yù)測(cè)向量；k為輻射源目標(biāo)類型的數(shù)量，ωi為所述特征匹配矩陣第i類輻射源目標(biāo)對(duì)應(yīng)的電磁指紋特征。

44、可選的，所述將所述測(cè)試數(shù)據(jù)集的測(cè)試樣本經(jīng)預(yù)處理后，輸入至所述輻射源識(shí)別模型進(jìn)行目標(biāo)識(shí)別測(cè)試的步驟包括：

45、對(duì)所述測(cè)試數(shù)據(jù)集中的測(cè)試樣本進(jìn)行時(shí)頻變換和歸一化預(yù)處理；

46、將預(yù)處理后的所述測(cè)試樣本輸入至所述輻射源識(shí)別模型，獲得對(duì)應(yīng)輸出的輻射源目標(biāo)類型。

47、可選的，所述將預(yù)處理后的所述測(cè)試樣本輸入至所述輻射源識(shí)別模型，獲得對(duì)應(yīng)輸出的輻射源目標(biāo)類型，還包括：

48、根據(jù)所述輻射源識(shí)別模型輸出的目標(biāo)識(shí)別結(jié)果，計(jì)算模型識(shí)別準(zhǔn)確率；

49、所述模型識(shí)別準(zhǔn)確率基于以下公式計(jì)算：

50、

51、其中，ncorrect為所述測(cè)試數(shù)據(jù)集中正確識(shí)別的樣本數(shù)量，nsum為所述測(cè)試數(shù)據(jù)集中總的待識(shí)別樣本數(shù)量。

52、本發(fā)明所述的基于深度學(xué)習(xí)特征匹配的通信輻射源識(shí)別方法首先基于采集數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集，對(duì)訓(xùn)練數(shù)據(jù)集采用數(shù)據(jù)增強(qiáng)及數(shù)據(jù)預(yù)處理，之后依次構(gòu)建特征提取網(wǎng)絡(luò)與目標(biāo)識(shí)別網(wǎng)絡(luò)，使用訓(xùn)練數(shù)據(jù)集對(duì)識(shí)別模型進(jìn)行訓(xùn)練，通過(guò)不斷調(diào)參，得到最優(yōu)識(shí)別模型參數(shù)，進(jìn)而實(shí)現(xiàn)對(duì)測(cè)試數(shù)據(jù)集的目標(biāo)識(shí)別。本發(fā)明基于深度學(xué)習(xí)在數(shù)據(jù)處理與結(jié)構(gòu)化數(shù)據(jù)特征提取方面的優(yōu)勢(shì)，再將電磁信號(hào)時(shí)頻域特征與深度學(xué)習(xí)模型相結(jié)合，從而實(shí)現(xiàn)對(duì)通信輻射源目標(biāo)信號(hào)電磁指紋特征的智能提取與輻射源目標(biāo)精準(zhǔn)識(shí)別。