[发明专利]一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法和系统

说明书

本发明提出了一种基于CNN‑CBAM‑BDA的跨接收机辐射源识别方法和系统，包括：采集若干不同接收机接收到的信号生成跨接收机辐射源个体识别样本集；对所述样本集进行归一化处理，划分为源域样本和目标域样本，对所述源域的全部样本和所述目标域中部分样本进行标记，并将所述目标域剩余的样本作为待测样本集；构建CNN特征提取模块，并利用所述源域样本数据训练CNN网络，引入CBAM注意力机制进一步提取深层特征。本发明使用了基于卷积神经网络的辐射源个体识别模型，加入了卷积块注意力机制，克服了现有传统技术效率低、普适应弱、精度低的等问题，使得本发明可以自动提取辐射源的深度特征，提高了网络的识别速度和精度。

技术领域

本发明属于信号处理的技术领域，具体涉及一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法和系统。

背景技术

辐射源个体识别技术通过提取辐射源设备的细微特征完成对某一特定发射设备的识别，但在实际应用中，更换接收机后的辐射源个体识别问题亟待解决。由于采集的信号实际上受到辐射源畸变和接收机畸变的双重影响，即当接收设备发生改变时，所提取的特征会发生很大的偏移，不同接收机获得的信号样本无法在同一个识别系统中通用，传统的辐射源识别方法的应用就会受到限制。

对于特定辐射源识别，先前很多研究都是基于专家经验的特征提取，如利用高阶谱、分形特征等统计特征量和离散小波变换、希尔伯特-黄变换等域变换，利用支持向量机、决策树，最近邻分类器进行分类识别。近些年出现了利用卷积神经网络和深度残差网络等深度学习方法来进行特征提取和识别。但两种技术路线均无法回避接收机畸变对特征产生的影响。

有鉴于此，提出一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法和系统是非常具有意义的。

发明内容

为了解决现有技术的不足，本发明提供一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法和系统，以解决现有技术在信号辐射源识别中因更换接收机而导致识别率下降的技术缺陷问题。

第一方面，本发明提出了一种基于CNN-CBAM-BDA的跨接收机辐射源识别方法，该方法包括如下步骤：

S1、采集若干不同接收机接收到的信号生成跨接收机辐射源个体识别样本集；

S2、对所述样本集进行归一化处理，划分为源域样本和目标域样本，对所述源域的全部样本和所述目标域中部分样本进行标记，并将所述目标域剩余的样本作为待测样本集；

S3、进一步构建CNN特征提取模块，并利用所述源域样本数据训练CNN网络，引入CBAM注意力机制进一步提取深层特征；

S4、将所述源域数据和目标域数据输入步骤S3训练后的所述CNN网络，分别提取卷积层最后一层输出的特征向量；

S5、构建BDA模块，将步骤S4提取的源域特征和目标域特征输入得到训练集和测试集；

S6、构建KNN分类器，对所述待测目标域样本集进行判决。

优选的，在S1中具体包括：利用两台不同接收机接收同一台发射机发送的辐射源信号，生成跨接收机辐射源个体识别样本集。

优选的，在S2中具体包括：

S21、将所述样本集中的每一个信号样本进行归一化预处理；

S22、将其中一台所述接收机接收到的信号样本作为所述源域样本，另一台所述接收机接收到的信号样本作为所述目标域样本。

优选的，在S3中还包括：

将所述CNN网络中的第一层至第三卷积层中卷积核大小分别设置为10、5和3，步长为设置1，卷积核的个数设为32、64和128；第一至第三层池化层均采用最大池化方式，池化区域大小分别为2、2和2，步长为设置2；