[发明专利]一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法和系统

权利要求书

1.一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法，其特征在于，该方法包括如下步骤：

S1、采集若干不同接收机接收到的信号生成跨接收机辐射源个体识别样本集；

S2、对所述样本集进行归一化处理，划分为源域样本和目标域样本，对所述源域的全部样本和所述目标域中部分样本进行标记，并将所述目标域剩余的样本作为待测样本集；

S3、进一步构建CNN特征提取模块，并利用所述源域样本数据训练CNN网络，引入CBAM注意力机制进一步提取深层特征；

S4、将所述源域数据和目标域数据输入步骤S3训练后的所述CNN网络，分别提取卷积层最后一层输出的特征向量；

S5、构建BDA模块，将步骤S4提取的源域特征和目标域特征输入得到训练集和测试集；

S6、构建KNN分类器，对所述待测目标域样本集进行判决。

2.根据权利要求1所述的基于CNN-CBAM-BDA的跨接收机辐射源识别方法，其特征在于，在S1中具体包括：利用两台不同接收机接收同一台发射机发送的辐射源信号，生成跨接收机辐射源个体识别样本集。

3.根据权利要求1所述的基于CNN-CBAM-BDA的跨接收机辐射源识别方法，其特征在于，在S2中具体包括：

S21、将所述样本集中的每一个信号样本进行归一化预处理；

S22、将其中一台所述接收机接收到的信号样本作为所述源域样本，另一台所述接收机接收到的信号样本作为所述目标域样本。

4.根据权利要求1所述的基于CNN-CBAM-BDA的跨接收机辐射源识别方法，其特征在于，在S3中还包括：

将所述CNN网络中的第一层至第三卷积层中卷积核大小分别设置为10、5和3，步长为设置1，卷积核的个数设为32、64和128；第一至第三层池化层均采用最大池化方式，池化区域大小分别为2、2和2，步长为设置2；

其中，激活函数为ReLu函数，随机失活层的Dropout值设为0.5。

5.根据权利要求4所述的基于CNN-CBAM-BDA的跨接收机辐射源识别方法，其特征在于，在S3中还包括：

卷积块注意力机制的结构设置为：给定映射CBAM直接生成一个一维通道注意力机制和一个二维空间注意力机制整个CBAM的计算过程可概括为：

其中，默认使用pytorch张量运算广播机制，F^″为CBAM最后的输出。

6.根据权利要求5所述的基于CNN-CBAM-BDA的跨接收机辐射源识别方法，其特征在于，在S3中还包括：

记最后一层卷积层输出的特征块为F，在其后接一个全局均匀池化层和全局最大池化层，输出分别记为和之后接一个共享的单隐藏层的多层感知机MLP来进一步提取信息，隐藏层大小为使用Sigmoid函数作为输出层的激活函数，记通道注意力模块的最终输出为其表达式为：

7.根据权利要求1所述的基于CNN-CBAM-BDA的跨接收机辐射源识别方法，其特征在于，在S5中具体包括：

S51、利用z-score归一化算法，对S4提取的源域特征和目标域特征进行归一化；

S52、构建BDA模块，将步骤S4提取的源域特征和目标域特征输入到所述BDA模块得到新的源域和目标域样本特征，分别作为KNN分类器的训练集和测试集。