[发明专利]基于IQ图特征的通信辐射源个体识别方法

说明书

本发明公开了一种基于IQ图特征的通信辐射源个体识别方法。该方法为：将所有类别的辐射源数据归一化，得到幅度最大值为a的I、Q路数据；对归一化的I、Q路数据，取每b个点为一个数据样本，每一类辐射源截取c个样本，得到训练集；分别对所有类别的I、Q路数据进行维度变化，将一维I、Q路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵，再将I路矩阵以及对应的Q路矩阵进行拼接得到二维矩阵图，将其作为神经网络的输入，用每个类别辐射源的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试，完成通信辐射源个体识别。本发明能够对不同辐射源信号进行分类，并且识别正确率高。

技术领域

本发明涉及通信技术领域，特别是一种基于IQ图特征的通信辐射源个体识别方法。

背景技术

在通信系统中，发送接收方的主要关注点是信号携带的信息。然而在接收到的信号中不仅承载了需要的信息，也在无形中夹杂了发射机个体的硬件信息，而这部分信息属于发射机个体的“指纹”。随着科技的进步，我们能够将这些附带的指纹信息与对应的辐射源个体连接起来，从而达到识别辐射源个体的目的。

在军事领域，对敌方的通信电台进行识别，从而确定敌方的武器平台，对初步了解战场态势有着极其重要的作用。但是，在实际的斗争中，很难获取足够的敌方电台数据，样本量不足时，特征提取和特征选择会出现偏差，提取的特征不能代表目标的本质特征，因此，小样本学习变得越来越重要。

CNN的经典用例是执行图像分类，CNN神经网络通过卷积核对数据的卷积，能识别图片中的某些特征。通过多年的发展，相比其他神经网络CNN发展的较为成熟，在图片识别方面，CNN有着突出的能力。近年来，与CNN神经网络搭配的特征有小波变换、双谱特征、经验模态分解等，并且都能得到很好的识别效果。

对电台数据，通过接收机采样，得到的是一维的IQ数据。通过对IQ数据的观察可知，当I路数据呈现出现特定波形时，Q路数据也会呈现出对应的变化。这种I路与Q路对应的变化，在同一电台数据中有重复性，在不同电台数据中存在差异性：特征的重复性，为解决小样本学习提供了思路，可以充分利用采集到的小部分数据，学习出在后面数据序列中也会出现的特征；特征的差异性，是区分不同辐射源的基础。

目前，送入CNN神经网络的数据为一维数据，但是通过CNN中的卷积核的卷积，使得不相邻的数据产生了关联，这种处理方法对不同种类的通信信号数据进行分类是没有意义的。

发明内容

本发明的目的在于提供一种基于IQ图特征的通信辐射源个体识别方法，达到对不同种类的通信信号数据进行分类的功能。

实现本发明目的的技术解决方案为：一种基于IQ图特征的通信辐射源个体识别方法，包括以下步骤：

步骤1，数据归一化：将所有类别的辐射源数据归一化，得到幅度最大值为a的I、Q路数据，a为100-200的整数；

步骤2，对归一化后的数据进行截取、拼接：对归一化的I、Q路数据，取每b个点为一个数据样本，每一类辐射源截取c个样本，得到训练集；b为500-1000的整数，c为1000-2000的整数；

步骤3，对数据进行维度变化：分别对所有类别的I路和Q路数据进行维度变化，将原本的一维I、Q路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵，再将I路矩阵以及对应的Q路矩阵进行拼接得到二维矩阵图；

步骤4，CNN神经网络分类：将得到的二维矩阵图作为神经网络的输入，用每个类别辐射源的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试，完成通信辐射源个体识别。

进一步地，步骤1所述的数据归一化，具体过程如下：

将采集得到的所有类别辐射源的I路数据、Q路数据分别进行归一化，并且将最大值变为a，归一化公式为：