[发明专利]一种基于多模态深度学习的信号指纹识别方法

说明书

本发明公开了一种基于多模态深度学习的信号指纹识别方法，包括以下步骤：S1、对原始信号进行多种变换域空间的特征表示，并将多种特征表示组合为信号的多模态特征；S2、根据信号的多模态特征构建面向多种信号变换域特征的多模态深度学习网络，通过对多模态深度学习网络的训练得到应用于信号指纹识别的分类器，并通过分类器进行信号指纹的识别。本发明通过利用信号原始波形数据切片，时域、频域、变换域多种特征表示，组合为信号的多模态特征；继而利用多模态深度学习模型对信号的多模态特征进行提取和分类，充分学习到信号的细微差异，最终可以有效实现对信号指纹的识别。

技术领域

本发明涉及信号指纹识别技术领域，具体涉及一种基于多模态深度学习的信号指纹识别方法。

背景技术

伴随着电磁频谱环境的复杂化和认知无线电技术带来的智能化革新，频谱管理面临愈来愈多的困难。不论是对于民用领域电台监管还是军事领域电子侦察，信号的指纹识别是频谱管控的重要基础。信号的指纹识别是指信号辐射源个体之间的细微特征，这些细小的差异来源于系统的器件组成，来源于设备在生产过程中由环境、制造工艺等因素而产生的辐射源固有的、与发射信号无关的个体差异。合理的、具备普遍性的细微信号指纹识别具有重要的意义。信号指纹识别一般可分为特征提取和识别两个阶段。传统的特征提取主要是基于专家规则对信号进行时域、频域的特征定义，如信号的包络。目前业内也涌现了大量基于变换域的特征提取，这些包括了双谱、希尔伯特黄、连续小波等时频变换方法，较之于传统手段，这些变换方法具备更高的自适应性。在识别阶段，传统的方法主要是设计和维护特征数据库，将待识别信号与库中已有知识进行比对。诸如贝叶斯、K邻近、支持向量机等的机器学习方法和以深度卷积神经网络和循环神经网络为代表的深度学习技术也运用于信号指纹的识别应用中。

然而，即便依靠先进的特征提取和识别技术，信号的指纹识别也存在着客观的环境适应性问题，不同的特征变换方法和深度学习网络具有局限性，即在某些情况下某一种方法比较适用，而在另一种环境下其他的一种方法又更为有效。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于多模态深度学习的信号指纹识别方法解决了信号的指纹识别存在环境适应性的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于多模态深度学习的信号指纹识别方法，包括以下步骤：

S1、对原始信号进行多种变换域空间的特征表示，并将多种特征表示组合为信号的多模态特征；

S2、根据信号的多模态特征构建面向多种信号变换域特征的多模态深度学习网络，通过对多模态深度学习网络的训练得到应用于信号指纹识别的分类器，并通过分类器进行信号指纹的识别。

进一步地：所述步骤S1的具体步骤为：

S11、对原始输入的信号数据按照固定长度切片作为单帧输入，切片长度为n(n＝2ⁱ，i＝6,7,8…)，获取i类切片数据，将每类单帧数据记为Sⁱ；

S12、对原始输入的信号波形数据进行完整的时域、频域以及变换域的空间处理，进而再获取固定尺寸的二维图像，并统一利用双三插值进行图像压缩并做灰度化处理，记第j类变换得到的图像为G^j；

S13、将原始信号的切片序列和频谱图像的集合C＝{S¹,S²,S³,…,G¹,G²,G³,…}作为信号的多模态特征。

进一步地：所述步骤S12中的空间处理具体为：通过快速傅里叶变换、短时傅里叶变换、双谱变换、连续小波变换、希尔伯特黄变换、魏格纳-威尔分布、Cohen类分布获取脉内波形数据的时频和时相图。