[发明专利]一种空中辐射源个体识别方法、系统及应用

说明书

本发明属于应用电子设备进行识别的方法或装置技术领域，公开了一种空中辐射源个体识别方法、系统及应用，对接收的空中辐射源信号进行下变频等预处理；对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到信号的三种特征；将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。本发明可以有效打破传统深度学习网络中规格化的矩形感受野，让网络在卷积操作时更偏向于有用的信息内容，忽略部分背景噪声信息，在低信噪比环境下达到更好的分类效果，在‑2dB时识别准确率超过90％，在3dB时识别准确率达到100％。

技术领域

本发明属于应用电子设备进行识别的方法或装置技术领域，尤其涉及一种空中辐射源个体识别方法、系统及应用。

背景技术

空中辐射源个体识别技术的基本任务是利用被动观测信号的指纹特征，识别发射该信号的特定空中辐射源目标，获取电子情报。空中辐射源个体识别技术在电子情报、电子支援、认知无线电以及无线网络安全等诸多领域，都有着广泛而深入的应用，历来都是信号处理领域中的研究热点之一。目前，目标空中辐射源个体识别领域的研究主要集中在通信辐射源个体识别和雷达辐射源个体识别方面。对于通信辐射源个体识别而言，由于受到不同辐射源设备内部器件的差异，调制信号中的非线性产物如谐波，交调干扰，互调干扰以及杂散输出如放大器非线性失真等的影响，实际辐射源信号存在非线性，非平稳的特点。现有技术一通过提取实际通信辐射源信号的非线性动力学参数作为实现了辐射源个体识别。现有技术二通过提取信号的归一化排列熵作为指纹特征，实现了同种调制方式的不同电台信号识别。现有技术三将辐射源看作一个非线性动力系统，通过Hilbert变换得到信号的幅度、相位、频率序列，利用相空间重构提取序列的排列熵作为信号指纹特征，完成数字电台识别。针对雷达辐射源个体识别，现有的方法大致可以分为基于时域特征的识别方法，基于时频域特征的识别方法和基于统计特征的识别方法。现有技术四通过提取载频、脉冲宽度、脉冲幅度、到达时间、和到达角等参数，组成脉冲描述字参数，利用决策树分类，从而实现了宽信噪比范围内的雷达辐射源个体识别。现有技术五研究了脉冲序列的时域12维特征参数，利用数据平滑去除数据错误和不连续性，有效提高雷达辐射源个体识别正确率。现有技术六利用广义时频表征提取绝对斜率和比、多项曲线拟合系数、脊阶梯数目和极差归一化系数等特征，有效实现了雷达辐射源个体识别。现有技术七通过提取辐射源信号的采样熵和模糊熵构建特征向量，利用支持向量机完成雷达辐射源个体识别。现有技术八提取辐射源信号的模糊函数主脊切片特征，并采用奇异值分解去除噪声影响，从而实现了辐射源个体识别。现有技术九提取信号的魏格纳威尔分布，采用卷积神经网络模型训练数据，实现辐射源个体的识别。现有技术十将信号的短时傅里叶变换作为特征，利用卷积自动编码器网络实现辐射源个体的分类识别。现有技术十一提取信号的双谱，采用深度置信网络模型训练数据，实现辐射源个体的识别。

现有技术一—现有技术八使用传统识别方法，传统方法往往只能提取信号一些浅层的特征，对信号深层信息挖掘不够充分，在较低信噪比环境下识别性能欠佳，另外，上述识别技术实现起来较为复杂，且可靠性较低。现有技术九—现有技术十一采用了深度学习网络挖掘信号深层特征，但网络中常规的滤波器只能在固定位置对输入特征图进行采样，缺少用于处理几何变换的内部机制，适合传统自然图像处理，对处理信号特征这种轮廓型图片的兼容性不高。

综上所述，现有技术存在的问题是：

(1)现有技术中传统方法在较低信噪比环境下识别性能欠佳，实现复杂，且可靠性较低.

(2)现有技术中利用深度学习网络的方法只能在固定位置对输入特征图进行采样，缺少用于处理几何变换的内部机制，适合传统自然图像处理，对处理信号特征这种轮廓型图片的兼容性不高。.

解决以上问题及缺陷的难度为：打破深度学习网络中规格化的矩形感受野，让网络在卷积操作时更偏向于有用的信息内容，忽略部分背景噪声信息。

解决以上问题及缺陷的意义为：将更有利于网络对信号特征的学习，达到更好的分类效果，在非合作通信以及辐射源目标侦测中具有重要的意义和价值。