[发明专利]一种未知辐射源个体识别及检测的方法

权利要求书

1.一种未知辐射源个体识别及检测的方法，该方法包括：

步骤1：获取训练样本；

针对每个型号的辐射源由X种信号采集带宽、Y种传输带宽和Z种调制方式相互组合构成的X*Y*Z种工作模式发送信号，然后接收这些信号作为训练样本；

步骤2：将所有训练样本做下采样，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：求每个训练样本的能量谱密度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，根据每个训练样本所代表的时间长度，设计合理的n_Width值；每个训练样本包含n_Width个分窗，即n_Width列，每个数据文件被分为n_num/n_Width个训练样本，即每个训练样本维度均是((N_fft/2)+1)*n_Width；

步骤7：计算步骤6得到的训练样本的均值最小值μ_train1、方差最小值σ²_train1、标准差σ_train1最小值；

步骤8：对步骤6得到的所有训练样本数据进行z-score标准化；

步骤9：采用步骤8标准化后的训练样本数据对神经网络进行训练；

所述神经网络包括七层：

第一层为二维卷积层，其参数设置为92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251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377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；

其中：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；

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；

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；

步骤10：去掉神经网络中的第七层，将步骤8得到数据输入神经网络，第六层的输出作为神经网络的输出，计算出神经网络的输出的所有数据的均值最小值μ_train2、方差的最小值σ²_train2、标准差的最小值σ_train2、最大最小值差距的最小值Max-Min_train、训练样本对应输出的值的平均值向量X_ave、输出值与X_ave之间的夹角余弦最小值cos(θ)_train、输出值与X_ave之间的欧氏距离最小值d_12train；

其中

X_1,k表示样本输入神经网络后第六层的输出值，m是样本在神经网络第六层输出的中间值的维度，n是样本对应的输出值向量的数量；

步骤11：在实际检测过程中，采用步骤2到步骤7的方法计算出待检测信号的均值、方差、标准差分别对应的与步骤7得到的均值最小值μ_train1、方差最小值σ²_train1、标准差σ_train1最小值进行比较，当待检测信号的均值、方差、标准差分别对应小于均值最小值μ_train1、方差最小值σ²_train1、标准差σ_train1时认为待检测信号为未知类信号，并对该信号添加标签；不符合上述条件的信号进行步骤12处理；

步骤12：将步骤11剩余的信号输入步骤9建立的去掉第七层的神经网络，计算第六层输出值的均值、方差、标准差、最大最小值差距、与X_ave之间的夹角余弦、与X_ave之间的欧氏距离；

当剩余信号输入神经网络后第六层输出值的均值、方差、标准差、最大最小值差距、与X_ave之间的夹角余弦、与X_ave之间的欧氏距离依次对应小于均值最小值μ_train2、方差的最小值σ²_train2、标准差的最小值σ_train2、最大最小值差距的最小值Max-Min_train、输出值与X_ave之间的夹角余弦最小值cos(θ)_train、输出值与X_ave之间的欧氏距离最小值d_12train则认为该信号为未知类信号，对该信号进行添加标签；其余信号为已知类信号。