[发明专利]一种基于深度学习的辐射源个体识别方法

说明书

该发明公开了一种基于深度学习的辐射源个体识别方法，涉及辐射源个体识别技术领域。通过特征提取，然后输入神经网络进行辐射源个体的识别，在神经网络中加入过滤层，本发明过滤层的作用是在每个训练批次中，选择性的让一半的隐层节点值为0，可以明显地减少过拟合现象；这种方式可以减少特征检测器(隐层节点)间的相互作用，降低过拟合、提升性能检测器相互作用是指某些检测器依赖其他检测器才能发挥作用，通过上述技术方案本发明能够准确识别各辐射个体。

技术领域

本发明涉及辐射源个体识别技术领域，更具体的，是涉及一种基于深度学习，对具有多种复杂工作模式的辐射源个体进行识别的方法。

背景技术

通信信号识别存在广泛的应用需求，是频谱管理、通信侦查与电子对抗等领域非常重要的一个研究课题。当前的主流研究方向中，通信信号识别根据不同应用场景与目的需求，可进一步分为辐射源个体识别与信号调制方式识别。辐射源个体识别技术由于各个领域的迫切需求，获得了迅速的发展。在非合作通信中，无论辐射源的搜索、截获、识别、定位还是分析，都需要辐射源个体识别技术为复杂电磁环境下的清晰分析和精准决策提供有力的支撑。因此，辐射源个体识别技术日渐成为了通信信号处理领域研究的一个热点。

辐射源个体识别通常有两种手段，即人工手动识别和机器自动识别。人工识别主要采用一系列针对不同类型信号的接收机，将接收到的信号进行初步处理之后，借助示波器、频谱仪、解调器等工具进行识别。传统的识别方法以基于脉冲描述字的五维特征(PulseDescription Word,PDW)的识别方法最为经典。此外，小波包特征、时频特征、分数阶傅里叶变换域特征等参数在个体识别领域中也都取得了一定的识别效果，但不可忽视的是上述成果只适用于被识别的辐射源个体之间有明显差异的情况，比如不同个体的载频差异明显、信号调制类型不同等，在辐射源个体无明显差异的场景下识别准确率低，导致难以在实际中应用。

辐射源个体的自动识别方面，目前的研究重点集中在以深度学习为代表的新型算法上。将深度学习引入辐射源个体识别的处理过程，可以使通信设备或机器具备自我学习、自主决策和自我更新的能力，从而更好地应对未来通信网络发展所带来的用户和数据量大大提升、信号类型不断发展变化和通信环境未知等问题和挑战。但现有方法多是在一维领域对信号进行研究，难以发挥深度学习在处理二维数据上的优势；同时现有的基于神经网络或深度学习进行辐射源个体识别的算法往往网络层数深、结构复杂、参数量极大，存在着训练耗时、网络泛化性差的问题。随着技术的日新月异，各种新体制通信信号不断涌现，单个辐射源也存在由多种调制方式、中心频率、传输速率等变化组合而成的复杂工作模式，同时现代社会电磁干扰日益复杂，导致现有个体识别方法已经难以满足辐射源个体识别的种种需求。

发明内容

针对个体之间无明显差异的辐射源个体识别准确率低，以及对具有多种复杂工作模式的辐射源个体难以识别的问题，提出一种能够准确辐射源个体的方法。

本发明技术方案为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；