[发明专利]一种功率放大器个体识别方法及装置

权利要求书

1.一种功率放大器个体识别方法，包括：

步骤1：采集功率放大器信号，使用接收机将多个不同的功率放大器的输出信号接收并变换到基带信号，基带信号为I/Q两路模拟信号，之后通过模数转换将I/Q两路模拟信号转换成两路数字信号并保存为dat格式的功率放大器信号数据；

步骤2：对采集的功率放大器信号数据采用循环自相关预处理，得到二维循环谱，即对功率放大器信号数据按照每800个采样点做切片处理得到切片数据，之后对切片数据进行循环自相关得到二维循环谱，将产生的二维循环谱存储到存储器件中；

步骤3：建立基分类器，调整二维循环谱数据，并使用stacking模型将四个异构卷积神经网络EfficientNets连接为集成网络，即用MBConv网络结构作为主干网络，以EfficientNets方式建立四个异构卷积神经网络；将二维循环谱图片放缩裁剪，使其只包含一个功率放大器信号周期的信息，再根据裁剪后的二维循环谱图片尺寸调整四个异构卷积神经网络输入端的尺寸；使用扩增图像的方法，对上一步中裁剪后的每一张二维循环谱图片进行旋转、翻折，增加二维循环谱图片的数量，得到新二维循环谱图片集；使用stacking模型将四个异构卷积神经网络EfficientNets连接为集成网络，集成网络分为两层模型，其中集成网络第一层模型为多个异构的EfficientNets，第一层的每个EfficientNet为基分类器，集成网络第二层模型为stacking模型；

步骤4：对采集到的功率放大器信号分割，训练基分类器以及第二层的stacking模型，即分割新二维循环谱图片集；训练四个基分类器以及第二层的stacking模型；

步骤5：使用训练好的集成网络预测功率放大器个体。

2.如权利要求1所述的一种功率放大器个体识别方法，其特征在于：

步骤1中将采集到的功率放大器信号数据存入服务器硬盘中；

步骤2中二维循环谱的图片尺寸为长和宽各300个像素，具体采用下式得到二维循环谱：

其中R为信号的二维循环谱变换结果，τ代表时延，T代表被处理信号的时常，x(t)代表被处理的信号，α为循环频率，可以通过计算得到，m为常数，T₀为循环平稳信号的周期；

步骤3.1中四个异构卷积神网络结构由EfficientNets算法决定，网络初始权重采用随机初始化；

步骤3.3中二维循环谱图片旋转的操作具体为将图片按照图片中心旋转180度，图片翻折操作具体实现方法是以图片的水平中心线为轴旋转180度；

步骤3.4中基分类器的数量为n个，基分类器分别设为M₁，M₂…M_n，第二层模型的输出为对辐射源个体的预测

步骤4.1中将步骤3.3得到的数据集Y分成两份，第一份占所有数据的20％作为集成网络第二层模型的测试集，设为Te₂；第二份占所有数据的80％，作为集成网络第一层模型的训练集，设为T₁；将数据集T₁平均分割为为4份，分别设为S₁,S₂,S₃,S₄；将第一层的n种不同的基分类器设为分别设为M₁，M₂…M_n；

步骤4.2中选择GPU作为运算平台，按照数据分割结果以梯度下降法训练各个基分类器，每个基分类器由m种数据分割结果得到m种权重模型，训练某一基分类器M_n时，从4份数据中抽出3份作为基分类器M_n的训练集，多余的一份作为基分类器M_n的测试集，得到某一基分类器4种不同的网络模型的训练结果，分别设为M_n1，M_n2…M_n4，4种权重得到的预测结果作为第二层的新训练集被集合在一起并设为新训练集Tr₂，第二层模型的测试集是从所有数据中划分出的20％的数据Te₂，Te₂需要先通过训练好的4种网络训练结果的预测，得到Te₂的4种预测结果，对四种预测结果取平均，得到第二层模型的测试集Te'₂并设为新测试集；使用数据集Tr₂训练集成网络第二层模型，使用数据集Te'₂作为第二层模型的输入并将第二层模型输出的预测结果X作为最终的预测结果。