[发明专利]一种基于深度学习的辐射源个体识别方法

权利要求书

1.一种基于深度学习的辐射源个体识别方法，该方法包括以下步骤：

步骤1：获取辐射源个体发送信号；

步骤2：将每个发送信号进行下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；

步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长Win_Len、重叠点数n_overlap、补零点数N_fft；

步骤4：每段的加窗使用Hamming窗，根据信号长度n_Len、窗长Win_Len以及重叠点数n_overlap，计算窗滑动次数n_num；

步骤5：求信号能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((N_fft/2)+1)*n_num；

步骤6：将得到的矩阵进行划分，根据每个样本所代表的时间长度，设计合理的n_Width值；每个样本包含n_Width个分窗，即n_Width列，每个数据文件被分为n_num/n_Width个样本，即每个样本维度均是((N_fft/2)+1)*n_Width；

步骤7：对上述步骤得到的所有样本数据进行z-score标准化；

步骤8：采用训练好的神经网络对步骤7得到的数据进行识别，得出识别结果；

所述步骤8中神经网络包括七层：

第一层为二维卷积层，其参数设置为96个权重矩阵，权重矩阵尺寸为(11,11)，激活函数为Relu函数；

第二层为最大池化层，其参数设置为池化核尺寸(3,3)；

第三层为二维卷积层，其参数设置为256个权重矩阵，权重矩阵尺寸为(5,5)，激活函数为Relu函数；

第四层为最大池化层，其参数设置为池化核尺寸(3,3)；

第五层为二维卷积层，其参数设置为384个权重矩阵，权重矩阵尺寸为(3,3)，激活函数为Relu函数；

第六层为最大池化层，其参数设置为池化核尺寸(3,3)；

第七层为全连接层；

(1)第一、三、五层的二维卷积层的输入矩阵包含四个维度，依次为：样本数、图像高度、图像宽度、图像通道数；输出矩阵格式与输入矩阵的维度顺序和含义相同，但是后三个维度：图像高度、图像宽度、图像通道数的尺寸发生变化；权重矩阵格式同样是四个维度，但维度的含义为：卷积核高度、卷积核宽度、输入通道数和输出通道数；

输入矩阵、权重矩阵和输出矩阵这三者的参数是相互决定的关系；权重矩阵的输入通道数由输入矩阵的通道数所决定；输出矩阵的通道数由卷积核的输出通道数所决定；输出矩阵的高度和宽度(h_out，w_out)这两个维度的尺寸由输入矩阵、权重矩阵、扫描方式所共同决定；计算公式如下：h_in代表输入矩阵高度，w_in代表输入矩阵宽度，h_kenel、w_kenel分别代表权重矩阵的高度和宽度，p代表填充像素的大小，s代表步长；

(2)第二、四、六层的最大池化层；给定数据的三维度尺寸，即[c_in,h_in,w_in]，代表输入池化层之前的数据的通道数，高度以及宽度，给定两个超参数池化核尺寸[f_pool*f_pool]，池化步长[s_pool]，计算池化后的样本尺寸，公式如下：

w_out＝(w_in-f_pool)/s_pool+1

h_out＝(h_in-f_pool)/s_pool+1

c_out＝c_in

其中w_out为池化之后的样本宽度，h_out代表池化后的样本高度，c_out则代表池化后输出的样本的通道数；池化核的滤波器是不需要保留参数的；不同于卷积层的滤波器，每一个最大池化层滤波器就是一个固定的函数；

(3)全连接层：多维数组需先进行Flatten，然后连接全连接层；Flatten用来将输入“压平”，即把多维的输入一维化，为了从卷积层到全连接层的过渡；

额外的，在第二、四、六层的最大池化层后设置一过滤层；

设置过滤层后计算公式为：

其中Bernoulli函数是为了生成概率为p的r向量，也就是随机生成一个0、1的向量，z是输入神经元节点的值，y是神经元节点输出的值，w是权重，b是偏置值；f函数是神经元的激活函数，上标～表示过滤后的数据，上标l表示层数，下标i表示节点。