[发明专利]空中辐射源个体智能增量识别方法、系统、终端及应用

权利要求书

1.一种空中辐射源个体智能增量识别方法，其特征在于，所述空中辐射源个体智能增量识别方法包括：

对接收到的空中辐射源ADS-B信号分别提取模糊函数、双谱变换、希尔伯特黄变换、短时傅里叶变换共四种特征，将特征进行线性特征融合得到新的特征图；

通过卷积神经网络来对已知类别的辐射源个体进行分类识别，得到网络模型；

对于未训练类别数据，采取增量学习的方式进行训练，即在原来训练结果的基础上取用少部分旧数据和新数据共同训练网络，并修改网络中的部分参数和损失函数，实现空中辐射源个体的智能增量识别。

2.如权利要求1所述的空中辐射源个体智能增量识别方法，其特征在于，所述四种特征提取方法具体实施为：

(1)短时傅里叶变换STFT：短时傅里叶变换表达式为：

其中，下标n区别于标准的傅里叶变换，w(n-m)是窗口函数序列，x(m)是输入序列，不同的窗口函数序列将得到不同的傅里叶变换结果；短时傅里叶变换有两个自变量n和w，既是关于时间n的离散函数，又是关于角频率w的连续函数；

(2)模糊函数，用来分析和设计各种信号，用来识别不同类型的信号，时延差为τ，频移为μ，输入信号为X₁(t)、X₂(t)，模糊度函数定义为：

(3)双谱变换，接收信号r(n)的双谱用非参数法进行估计，r(n)先分为Γ段，每段包含Δ个样本，接收信号r(n)的三阶循环累积量写作：

其中，χ^γ(τ₁,τ₂)是每段信号的三阶循环累积量，τ₁,τ₂为不同时延，w(τ₁,τ₂)是六角窗函数，信号r(n)的双谱估计表示为：

(4)希尔伯特黄变换，将经验模态分解与希尔伯特变换相结合的方法，经验模态分解算法的基本原理为：首先，找到原始信号X(t)的上包络线X_max(t)和下包络线X_min(t)，并对上下包络线求平均值：

其次，对原始信号X(t)与平均包络m₁(t)相减，得到余下信号d₁(t)；对余下信号d₁(t)重复进行上述操作，直到小于筛分门限值(SD)时停止，这时候得到最终合适的第一阶模态分量c₁(t)，即第一个IMF，其中，SD求法如下：

再次，对信号X(t)和c₁(t)求差，得到第一阶残差量r₁(t)，将r₁(t)替代原始信号X(t)进行上述操作，重复n次后得到n阶模态函数c_n(t)和最终符合标准的残差量r_n(t)，原始信号X(t)经过经验模态分解分解的表达式为：

最后，使用希尔伯特变换对经验模态分解分解后的信号进行时频处理并转换为希尔伯特谱图。

3.如权利要求1所述的空中辐射源个体智能增量识别方法，其特征在于，所述特征进行线性特征融合得到新的特征图具体实施如下：采取插值补零法将其扩充至相同大小，然后将四种特征进行线性特征融合，最终得到新的特征图；如果某一种特征提取方法所体现辐射源个体差异性不明显，神经网络通过其他特征来判别属于哪个辐射源个体。