[发明专利]识别不同电台个体种类的智能识别方法

说明书

本发明公开的一种基于时序深度网络的智能个体识别方法，解决现有电台个体分类识别方法特征提取困难，泛化能力低的问题。其实现方案为：基于时序深度网络，将反映不同电台个体种类的电台个体时序信号输入深度网络，对原始电台个体数据进行补零处理，并按比例生成训练样本集和测试样本集；构建三个子网络及一维时序多子网络深度集成网络；用训练样本集训练三个子网络并将输出层并行连接获得训练后的一维时序多子网络深度集成网络；将电台原始时序数据直接输入训练后的深度集成网络对测试数据集进行预测，获得网络对电台时序数据预测的电台个体类别。本发明提高了深度网络在电台个体识别方面的泛化能力与鲁棒性，可用在电台个体分类识别技术领域中。

技术领域

本发明是关于通信技术领域的电台个体分类识别技术，更进一步涉及一种识别不同电台个体种类的智能识别方法。

背景技术

由于不同的电台所含有的个体微特征不同,为了实现电台与电台之间的区分,需要研究电台个体特征,这也是整个电台个体识别系统的一个重中之重的环节。作为区别各个电台个体的依据，通信个体的特征属于该个体的固有特征，不同的电台个体是不同的，不因时间推移或者环境条件的变化而发生显著的变化。通信电台识别的最终目的是实现通信电台的个体识别，也就是利用通信电台发射的无线电信号来区别通信电台。这不仅要求能识别出电台信号的不同类型，还必须能够在同一型号的多部电台中识别出每一个电台个体。实际上，在截获的通信信号中包含了能够反映出电台个体特点的技术特征。从原理上来说，由于每部电台发射机生产工艺、元器件离散性及调试等方面的随机性，电台发射的信号都会由于这些硬件方面的差异，带有区别于其他电台的个体特征，即每部电台都会有唯一的能够反映其个体属性的“指纹”特征。通信电台个别识别技术是通过某种方法来获取并检测出表征通信电台的个体指纹特征，从而实现个体的识别。通过信号处理技术对所截获的通信电台信号进行处理分析，提取所获取信号个体的属性特征，快速地将每个信号对应到相应的电台。该技术可以准确获得电台个体的属性信息，对于民用领域的民用无线电频谱管理可以用到通信电台个体识别技术,可以对频段进行安全性感知,从而实现非恶意干扰、频率冲突和其他非法干扰的识别。通信电台识别主要分为特征提取和分类识别两部分。传统处理方式通常是处理电台个体信号的暂态特征和稳态特征。任何通信电台在开机时，都要从欠稳定工作状态逐步过渡到稳定工作状态，在刚开启机器的这一段时间里，电台的各个部分都处于不稳定状态下工作，包括电路的上电、频率源的初始化、变频和放大模块的初始化等。这一阶段主要表现为非线性的非平稳特征，此时所表现出的电台个体特征我们称之为暂态特征。暂态特征来自电台各模块的各个方面，即使来自同一型号的电台，在元器件特性和工艺方面也无法达到性能的完全相同，而在开机欠稳定状态下，这一差异显得尤为明显，同时，不同模块从欠稳定到稳定状态的过渡时间，也很大程度影响着总体的暂态特征。电台从暂态到稳态的过程经历的时间较短，即使这一时期电台个体特征相对明显，但在如此短的时间内截获信号样本成为了限制该领域发展的主要瓶颈。电台识别的过程需要信息的获知和机器的学习，而面对日益纷繁复杂的机器特性，当前的技术下，无法在海量的信号中实时区分开机信息和脉冲噪声等干扰，所以很难捕获电台的开机信息，同时，电台暂态特征与电台运行的环境以及人为的操作也有很大的关系，具有一定的随机性，因此，暂态特性的提取方法通常实用性存在一定缺陷。当电台处于稳定的工作状态后，可以按照预期设计实现信号的稳定调制发射，大量的信号发送将在这一时期内执行，拥有充足的时间获取电台发射的信号并进行分析，这一时期内获取的电台个体特征称之为稳态特征。稳态特征主要表现为信号调制样式的差异、系统噪声叠加、信号频率稳定度差异和杂散特征叠加等。现有技术暂态特征利用双谱特性分析正交逼近表达式来区分电台个体，通过在发射信号中嵌入个体信息来识别各个发射源，然而该类方法对于处理时间和样本长度有着要求较高，并且设备开机信息捕捉的可行性制约着该方法的实现。对于稳态特征方面，分形理论、混沌特征处理、希尔伯特黄变换以及积分双谱等理论被逐渐运用到电台个体识别，并出现了多种特征提取的改进。然而这些算法并不能单一的去衡量电台的某一特征，而是对电台特征整体的特征反映进行提取和分类，因此，对于特征提取的针对性不是很明确，算法效果很难量化衡量。同时传统的研究方法往往都需要较强的领域知识，需要进行大量的特征工程工作，操作过程复杂，同时存在着抗噪声能力差，对截获信号质量要求高，难以用单一模型描述,特征提取难度大的缺点。为此现有技术提出了用于表征通信电台个体在发射信号时所携带的有规律的且反应该电台个体特点信息的电台指纹概念，通过对该特征信息的捕捉来实现电台的识别，就像指纹所携带的信息可以对应寻找特定的个体一样，然而到底哪些特点可以归纳为一个代表电台指纹的集合现有技术运用射频指纹对发射机信号进行处理，提取幅度、相位以及小波系数，并运用RBF神经网络进行分类识别，该方法利用产生的仿真数据集训练CNN；输出分类结果。虽然获得了较高的识别精确度，但是仍需要人工提取双谱特征矩阵并转为二维特征图像，降低了电台个体识别的效率，同时对于特征提取识别CNN网络的最优设计需要经过大量实验进行优化，费时费力，同时单一的特征提取识别网络面临着过拟合的风险，鲁棒性较差。