[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

说明书

本发明属于辐射源个体识别技术领域，公开了一种空中辐射源个体智能增量识别方法、系统、终端及应用，对接收到的空中辐射源ADS‑B(广播式自动相关监视)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，实现空中辐射源个体的智能增量识别。本发明能够在较低信噪比下有良好的识别准确率，在不同的信道下仍具有良好的识别能力，对某单一特征的依赖性不强，解决了训练数据分批次到达的问题，大大缩短了训练所需时间并减小了存储数据所需空间。

技术领域

本发明属于辐射源个体识别技术领域，尤其涉及一种空中辐射源个体智能增量识别方法、系统、终端及应用。

背景技术

目前：辐射源个体识别是指通过提取接收信号表现出的某个或者多个调制特征对目标个体进行识别。随着空中目标个体数目日渐增多，需要对空中目标辐射源是否工作正常和异常空中目标的敌我属性进行判断，而这些判断均需要以空中辐射源的个体识别为前提，而如何快速准确地进行判断，是实现国家安全的重要手段。

基于指纹信息的辐射源个体识别技术在上个世纪已经开始。SaK，Lang D等人提出了一种利用星座图来提取指纹信息的方法，并输入卷积神经网络中进行识别的方法，但该方法对于时间同步信息要求较为严格(SaK，Lang D，Wang C，et al.Specific EmitterIdentification Techniques for the Internet of Things[J].IEEE Access，2020，8:1644-1652.)。Song C，Xu J等人提出了一种经验模式分解(经验模态分解)的非平稳信号分析方法，但该方法存在模态混叠的问题(Song C，Xu J，Zhan Y.A method for specificemitter identification based on empirical mode decomposition[C]//IEEEInternational Conference onWireless Communications.IEEE，2010.)。Gok G，Alp Y K等人提出一种基于变分模态分解(VMD)的方法将接收信号的包络和瞬时频率作为一组模型来识别不同的辐射源信号，但该方法复杂度较高，不利于实际操作(Gok G，Alp Y K，ArikanO.A New Method for Specific Emitter Identification With Results on Real RadarMeasurements[J].IEEE Transactions on Information Forensics and Security，2020，PP(99):1-1.)。Shieh C S等人提出基于辐射源常规参数达方向(DOA)、脉冲宽度(PW)、脉冲重复频率(PRF)和雷达频率(RF)等统计量作为分类识别的依据，但该方法在低信噪比下的识别准确率较差(Shieh C S，Lin C T.A vector neural network for emitteridentification[J].IEEE Transactions on Antennas and Propagation，2002，50(8):1120-1127.)。徐丹，杨波等人提出了一种核主成分分析(KPCA)预测学习方法，解决了具有复杂非线性分布的不同数据簇的处理问题，但该方法难以适用于非高斯信道下的其他通信场景(Dan Xu，Bo Yang，Wenli Jiang，.An improved SVDU-IKPCA algorithm forSpecific Emitter Identification[C]//International Conference on InformationAutomation.IEEE，2008.)。陈悦等人提出了基于IQ图特征的通信辐射源个体识别，但该方法提取的特征并不明显，且在低信噪比下表现情况很差(陈悦，雷迎科，李昕，叶铃，梅凡.基于IQ图特征的通信辐射源个体识别[J/OL].信号处理)。陈鹏等人提出了一种使用Frechet距离来计算信号间距离、脉冲包络或瞬时频率的方法，从而实现辐射源个体识别，该方法同样在低信噪比下的识别性能较差(P.Chen，G.Li，K.Xu and J.Wan，Applying the frechetdistance to the specific emitter identification，2016IEEE 13th InternationalConference on Signal Processing(ICSP)，Chengdu，2016，pp.1027-1030.)。D'AgostinoS提出了一种利用短时离散傅里叶变换(STDFT)对信号进行特征提取的算法，最后利用聚类算法进行分类识别，但该方法对滑动窗口选择依赖性大，且聚类算法的识别准确率较低(D'Agostino S.Specific emitter identification based on amplitude features[C]//IEEE International Conference on SignalImage Processing Applications.IEEE，2015.)。