[发明专利]一种小样本情景下的辐射源个体识别方法

说明书

本发明提出一种小样本情景下的辐射源个体识别方法，将基于不同时频分析方法下提取到的信号时频特征分别输入进神经网络中进行训练，待模型收敛后提取神经网络全连接层输出的特征进行融合，然后基于注意力机制完成融合后特征的优化，再将优化后的融合特征作为辐射源个体间的指纹特征应用于辐射源个体的识别任务，并采用随机搜索策略对使用优化后的融合特征训练的网络进行超参数调优。本发明通过特征提取的选择及组合、特征融合处理、融合后特征优化以及超参数搜索策略缓解了基于小样本的辐射源个体识别任务中数据特征不足、训练严重过拟合以及识别准确率低下的问题，提高了小样本情境下辐射源个体识别准确率，改善了神经网络性能。

技术领域

本发明涉及辐射源个体识别技术，具体涉及小样本情景下的辐射源个体识别技术。

背景技术

辐射源个体识别系统大致可分为数据获取、数据预处理、特征提取或特征降维及选择以及分类识别四大环节。

其中，数据获取及数据预处理方法较为成熟、差异较小；

特征提取的方法较为多样，大致可分为基于信号参数的特征提取、基于信号处理方法的特征提取和基于辐射源个体固有的非线性的特征提取三大方向：基于信号参数的特征提取的主要切入点为时频域的参数统计，多用于辐射源型号及状态识别，难以完成辐射源的个体识别；利用信号处理方法进行的特征提取，主要是基于各大变换域的特征提取，但从单域上提取的特征往往不够丰富，且针对性强，可能仅对某些特定的辐射源数据集具有较好的特征提取效果，其应用范围往往受限；基于辐射源个体固有的非线性特征提取往往从辐射源内部的器件如滤波器、功率放大器、数模转换器等固有的非线性特征以及发射机系统自身的非线性特征两方面入手进行特征提取，其方法复杂，应用范围受限。

近年来，由于机器学习具有强大的数据分析与自学习能力，故逐渐将其引入到辐射源分类识别领域。现有的基于机器学习的辐射源分类识别方法大致可分为基于聚类分析、基于统计学习、基于神经网络三大方向：其中聚类分析是基于数据相似性，从而将数据样本划分为数个不同类的数据挖掘过程；基于统计学习的辐射源识别旨在通过提取辐射源特征参数来构建分类模型；而基于神经网络的辐射源识别则是主要了利用其极强的自学习能力和自适应能力来完成特征提取与分类。由于神经网络的输入是从辐射源信号中提取得到的特征，即数据样本，因此神经网络的分类效果往往依赖于样本的质量，机器学习本身需要大量的训练样本，但实际情况中，辐射源信号，尤其是雷达信号截获的持续时间较短，样本数量往往不足，即针对小样本识别，机器学习训练困难，识别率低下。

由于深度学习依赖优质的样本，需要大量样本进行训练，因此现有的基于深度学习的辐射源个体识别方法在小样本情境下效果欠佳，容易产生严重的过拟合现象，此外，现有的辐射源个体识别多是基于信号时域特征的识别，或是基于单一时频分析方法得到的时频特征的识别，在小样本情境下特征不够丰富。

发明内容

本发明所要解决的技术方案是，针对小样本情景下的射源个体识别困难及网络输入特征不足的问题，提出一种小样本情景下基于多时频特征特征级融合和网络超参数随机搜索调优的辐射源个体识别方法。

本发明为解决上述技术问题所采用的技术方案是，一种小样本情景下的辐射源个体识别方法：将基于不同时频分析方法下提取到的信号时频特征分别输入进神经网络中进行训练，待模型收敛后提取神经网络全连接层输出的特征进行融合，再采用注意力机制优化融合结果，并将融合后的特征作为辐射源个体间的指纹特征应用于辐射源个体的识别任务，最后采用随机搜索的方法对融合后的特征训练网络进行超参数调优。

本发明提供了一种基于多时频特征特征级融合的辐射源个体信号的特征提取方式，将基于不同时频分析方法(STFT，CWT，WVD，HHT)下提取到的信号时频特征分别送入神经网络中进行二次特征提取，再将该二次特征在不同通道上进行拼接融合，然后对融合后的特征进行基于注意力机制的融合优化处理，并最终将该优化后的融合特征作为小样本情境下辐射源的个体指纹特征。