[发明专利]一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质

权利要求书

1.一种基于卷积神经网络的辐射源个体识别方法，其特征在于，所述方法包括：

针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集，获得采集到的发射信号；

根据所述采集到的发射信号建立用于训练卷积神经网络的数据集；

构建卷积神经网络模型；

利用建立得到的数据集对所述卷积神经网络模型进行训练，获得训练完毕的卷积神经网络模型；

采集所述多个辐射源中的任一目标辐射源的目标发射信号，利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型，获取所述训练完毕的卷积神经网络模型的输出，并基于所述输出识别所述目标发射信号对应的目标辐射源。

2.根据权利要求1所述的方法，其特征在于，所述针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集，获得采集到的发射信号；包括：

利用带通采样定理针对相同型号且处于相同工作方式的N个辐射源的发射信号按照采样长度为L且每个辐射源采集M个信号的方式进行采集；

将采集到的发射信号通过带通滤波器进行滤波处理，获得最终采集到的发射信号。

3.根据权利要求2所述的方法，其特征在于，所述根据所述采集到的发射信号建立用于训练卷积神经网络的数据集，包括：

根据N个辐射源中每个辐射源所采集到的信号数量的80％建立为训练数据集；

根据N个辐射源中每个辐射源所采集到的信号数量的剩余20％中的10％建立为验证数据集；

将N个辐射源中每个辐射源所采集到的信号数量剩余的10％建立为测试数据集；

针对所述训练数据集、所述验证数据集以及所述测试数据集分别建立对应的训练标签集、验证标签集和测试标签集。

4.根据权利要求3所述的方法，其特征在于，所述构建卷积神经网络模型，包括：

确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数；其中，所述卷积神经网络的输入层节点数与训练数据集中辐射源所采集到的信号的采样点数相等；所述卷积神经网络的输出层节点数为10；

确定所述卷积层、所述池化层和所述全连接层的激活函数；

对各层节点的权值W^l及偏值b^l进行初始化；其中，l表示卷积神经网络的层数标号，且l＝1,2,...,n；n表示卷积神经网络的总层数，且n≥7；卷积层的卷积核卷积尺寸为一维线性；池化层的下采样尺寸为一维线性。

5.根据权利要求4所述的方法，其特征在于，所述卷积层、所述池化层和所述全连接层的激活函数均采用线性整流函数，其中，所述线性整流函数的表达式为f(x)＝max(0,x)，x为自变量，且x值与激活函数所在层节点的输入值相等。

6.根据权利要求4所述的方法，其特征在于，所述利用建立得到的数据集对所述卷积神经网络模型进行训练，获得训练完毕的卷积神经网络模型，包括：

确定训练的终止条件和最大迭代次数T；

从所述训练数据集中随机选取一个时域信号作为输入训练样本，并从所述训练标签集中选取与所述训练数据集中被选取的时域信号对应的标签，对所述卷积神经网络模型进行训练；

采用正向传播算法，通过输入到所述卷积神经网络模型中的输入训练样本，计算所述卷积神经网络模型各层的输出；

采用反向传播算法，通过输出训练样本和所述卷积神经网络模型各层的输出，对所述卷积神经网络模型各层节点的权值和偏值进行修正，通过所述验证数据集和所述验证标签集对所述卷积神经网络模型的当前性能进行查验；

从所述训练数据集中随机选取下一个时域信号作为新的输入训练样本进行重复训练，直到所述卷积神经网络模型输出层的灵敏度满足所述训练的终止条件或重复训练次数为T-1时，保存修正后的卷积神经网络模型的结构和各层节点的权值及偏值，获得训练完毕的卷积神经网络模型。