CN110427893A - 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 - Google Patents
一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN110427893A CN110427893A CN201910720753.2A CN201910720753A CN110427893A CN 110427893 A CN110427893 A CN 110427893A CN 201910720753 A CN201910720753 A CN 201910720753A CN 110427893 A CN110427893 A CN 110427893A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- training
- layer
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明实施例公开了一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质;该方法可以包括:针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;根据所述采集到的发射信号建立用于训练卷积神经网络的数据集;构建卷积神经网络模型;利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型;采集所述多个辐射源中的任一目标辐射源的目标发射信号,利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型,获取所述训练完毕的卷积神经网络模型的输出,并基于所述输出识别所述目标发射信号对应的目标辐射源。
Description
技术领域
本发明实施例涉及无线通信技术领域,尤其涉及一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质。
背景技术
在现代信息化电子对抗领域,电子侦察成为了获取敌方情报的重要技术手段之一,随着信号分析以及信息分析等技术手段的飞速发展,同时伴随着互联网、大众传媒对于信息的高效传递,使得过去许多无法被利用的信息可以加以利用。举例来说,通过我方的无线电侦察设备,可以对敌方辐射源信号进行有效截取,并利用参数估计、信号分选等技术手段,实现对信号的分类和识别,同时为后续的信号破译和跟踪干扰提供技术基础。通过对截获的信号进行分析获得相关特征参数,例如截获信号的幅度、载频、带宽、码速率、调制方式、地理位置以及发射功率等,进而对敌方电台进行有效的搜索、侦查、监测、定位或精确打击,从而达到相应的军事目的。因此在电子侦察中,对辐射源的分类和识别将在现代信息化战场中发挥着日益显著的作用。
辐射源个体识别是指将辐射源信号特征与辐射源个体进行关联,通过识别辐射源信号以实现对辐射源个体进行有效识别,通常指的是对相同型号、相同工作方式的辐射源个体进行识别;因此,通过传统的信号特征参数无法实现对辐射源个体的区分。但是,每一个辐射源个体都有其唯一的特征,通过将辐射源个体的唯一特征进行有效提取可以实现对辐射源个体的识别。可以利用辐射源个体内部元器件的杂散特性以及生产制造中元器件的不一致性,来实现对辐射源个体信号所表征出的细微特征的提取,进而实现对辐射源个体的分类识别。目前常规的分类识别方法应用于辐射源个体识别的效果不够理想,识别准确率以及实用性都不能达到满意的效果。随着电子信息技术的飞速发展以及电磁环境的日益复杂化,常规的技术方案已经难以满足现代信息化战场的需求,因此如何在信号样本有限的条件下,通过找到一种更具普适性和实用性的方法来充分挖掘样本中所体现出的信号的细微特征,从而利用信号与辐射源个体的关联关系实现对辐射源个体的有效识别,是现代信息化电子侦察领域的一个重要问题。
发明内容
有鉴于此,本发明实施例期望提供一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质;能够提高对相同型号且处于相同工作方式的辐射源个体进行识别的准确率和实用性。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供了一种基于卷积神经网络的辐射源个体识别方法,所述方法包括:
针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;
根据所述采集到的发射信号建立用于训练卷积神经网络的数据集;
构建卷积神经网络模型;
利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型;
采集所述多个辐射源中的任一目标辐射源的目标发射信号,利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型,获取所述训练完毕的卷积神经网络模型的输出,并基于所述输出识别所述目标发射信号对应的目标辐射源。
第二方面,本发明实施例提供了一种基于卷积神经网络的辐射源个体识别装置,所述装置包括:采集部分、建立部分、构建部分、训练部分和识别部分;其中,
所述采集部分,配置为针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;
所述建立部分,配置为根据所述采集到的发射信号建立用于训练卷积神经网络的数据集;
所述构建部分,配置为构建卷积神经网络模型;
所述训练部分,配置为利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型;
所述识别部分,配置为采集所述多个辐射源中的任一目标辐射源的目标发射信号,利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型,获取所述训练完毕的卷积神经网络模型的输出,并基于所述输出识别所述目标发射信号对应的目标辐射源。
第三部分,本发明实施例提供了一种基于卷积神经网络的辐射源个体识别装置,所述装置包括:通信接口,存储器和处理器;其中,
所述通信接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行第一方面所述基于卷积神经网络的辐射源个体识别方法步骤。
第四部分,本发明实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于卷积神经网络的辐射源个体识别程序,所述基于卷积神经网络的辐射源个体识别程序被至少一个处理器执行时实现第一方面所述基于卷积神经网络的辐射源个体识别方法步骤。
本发明实施例提供了一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质;利用采集到的相同型号且处于相同工作方式的多个辐射源的发射信号,对构建的卷积神经网络模型进行训练学习,从而能够在对大量数据进行学习的基础上提取辐射源发射信号的丰富特征,避免了常规方案中在提取信号特征时的单一化缺陷;此外,将目标辐射源的目标发射信号直接作为训练完毕的卷积神经网络模型的输入,从而能够提取到目标发射信号的特征,避免了常规方案对信号特征的人为分析和人为选取。与常规方案相比,图1所示的技术方案不仅实现了信号特征的自主智能化提取,而且还提高了对辐射源个体的识别精度。
附图说明
图1为本发明实施例提供的一种基于卷积神经网络的辐射源个体识别方法流程示意图;
图2为本发明实施例提供的一种标签示意图;
图3为本发明实施例提供的一种构建卷积神经网络模型的流程示意图;
图4为本发明实施例提供的一种基于卷积神经网络的辐射源个体识别装置组成示意图;
图5为本发明实施例提供的另一种基于卷积神经网络的辐射源个体识别装置组成示意图;
图6为本发明实施例提供的一种基于卷积神经网络的辐射源个体识别装置硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
参见图1,其示出了本发明实施例提供的一种基于卷积神经网络的辐射源个体识别方法,该方法可以应用于侦测辐射源个体的装置,该方法可以包括:
S101:针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;
S102:根据采集到的发射信号建立用于训练卷积神经网络的数据集;
S103:构建卷积神经网络模型;
S104:利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型;
S105:采集所述多个辐射源中的任一目标辐射源的目标发射信号,利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型,获取所述训练完毕的卷积神经网络模型的输出,并基于所述输出识别所述目标发射信号对应的目标辐射源。
需要说明的是,图1所示的技术方案,利用采集到的相同型号且处于相同工作方式的多个辐射源的发射信号,对构建的卷积神经网络模型进行训练学习,从而能够在对大量数据进行学习的基础上提取辐射源发射信号的丰富特征,避免了常规方案中在提取信号特征时的单一化缺陷;此外,将目标辐射源的目标发射信号直接作为训练完毕的卷积神经网络模型的输入,从而能够提取到目标发射信号的特征,避免了常规方案对信号特征的人为分析和人为选取。与常规方案相比,图1所示的技术方案不仅实现了信号特征的自主智能化提取,而且还提高了对辐射源个体的识别精度。
对于图1所示的技术方案,在一种可能的实现方式中,所述针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;包括:
利用带通采样定理针对相同型号且处于相同工作方式的N个辐射源的发射信号按照采样长度为L且每个辐射源采集M个信号的方式进行采集;
将采集到的发射信号通过带通滤波器进行滤波处理,获得最终采集到的发射信号。
对于上述实现方式,优选来说,所述根据所述采集到的发射信号建立用于训练卷积神经网络的数据集,包括:
根据N个辐射源中每个辐射源所采集到的信号数量的80%建立为训练数据集;
根据N个辐射源中每个辐射源所采集到的信号数量的剩余20%中的10%建立为验证数据集;
将N个辐射源中每个辐射源所采集到的信号数量剩余的10%建立为测试数据集;
针对所述训练数据集、所述验证数据集以及所述测试数据集分别建立对应的训练标签集、验证标签集和测试标签集。
举例来说,以对讲机作为辐射源的示例,利用带通采样定理使用tektronix示波器外接天线采集10部相同型号、相同工作频道的对讲机时域信号,其中,对讲机时域信号的内容为同一位同学针对同一段文字的语音播报;采用FIR带通滤波器将对讲机信号中的语音信号进行滤波处理;从滤波后的采集到的时域信号中选取80%作为训练数据集,10%作为验证数据集,10%作为测试数据集,由此可得,训练数据集的大小为[10×800,1000],验证数据集和测试数据集的大小均为[10×100,1000]。
此外,每个对讲机信号均有一个对应标签,该标签是一个[1×10]的一维矩阵,按照第几部对讲机信号的标签中第几位为1的原则生成标签,参照图2所示,分别对应于训练数据集、验证数据集以及测试数据集生成训练标签集、验证标签集和测试标签集。由此可得,训练标签集的大小为[10×800,10];验证标签集和测试标签集的大小均为[10×100,10]。
基于上述实现方式,优选来说,所述构建卷积神经网络模型,包括:
确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数;其中,所述卷积神经网络的输入层节点数与训练数据集中辐射源所采集到的信号的采样点数相等;所述卷积神经网络的输出层节点数为10;
确定所述卷积层、所述池化层和所述全连接层的激活函数;
对各层节点的权值Wl及偏值bl进行初始化;其中,l表示卷积神经网络的层数标号,且l=1,2,...,n;n表示卷积神经网络的总层数,且n≥7;卷积层的卷积核卷积尺寸为一维线性;池化层的下采样尺寸为一维线性。
基于上述优选示例,所述卷积层、所述池化层和所述全连接层的激活函数均采用线性整流函数,其中,所述线性整流函数的表达式为f(x)=max(0,x),x为自变量,且x值与激活函数所在层节点的输入值相等。
举例来说,设定卷积神经网络的总层数n为14层,输入层节点数为1000,输出层节点数为10,卷积层层数为7,池化层层数为5,全连接层层数为2,结合前述技术方案针对辐射源发射信号进行带通采样和带通滤波,参照图3所示。具体的卷积神经网络模型构建为:
net={i,c8,c8,s,c16,s,c32,s,c64,s,c64,s,c128,f,f,o}
其中,i表示该层为输入层,c8表示该层为卷积层,卷积核数为8,c16表示该层为卷积层,卷积核数为16,c32表示该层为卷积层,卷积核数为32,c64表示该层为卷积层,卷积核数为64,c128表示该层为卷积层,卷积核数为128。s表示该层为池化层,f表示该层为全连接层,o表示该层为输出层;7层卷积层的卷积核尺寸分别为1×13,1×9,1×13,1×11,1×9,1×7,1×7。正则化选取为L2正则化,池化层下采样尺寸为1×2,全连接层的神经元个数为512,每层全连接层后启用dropout,dropout率为0.8,网络中的学习率设置为9.8E-4。使用[0,1]正态分布初始化各层节点的权值Wl及偏值bl;卷积层、池化层和全连接层的激活函数均采用线性整流函数,表达式为f(x)=max(0,x),x为自变量,且x值与激活函数所在层节点的输入值相等。
基于上述优选示例,所述利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型,包括:
确定训练的终止条件和最大迭代次数T;
从所述训练数据集中随机选取一个时域信号作为输入训练样本,并从所述训练标签集中选取与所述训练数据集中被选取的时域信号对应的标签,对所述卷积神经网络模型进行训练;
采用正向传播算法,通过输入到所述卷积神经网络模型中的输入训练样本,计算所述卷积神经网络模型各层的输出;
采用反向传播算法,通过输出训练样本和所述卷积神经网络模型各层的输出,对所述卷积神经网络模型各层节点的权值和偏值进行修正,通过所述验证数据集和所述验证标签集对所述卷积神经网络模型的当前性能进行查验;
从所述训练数据集中随机选取下一个时域信号作为新的输入训练样本进行重复训练,直到所述卷积神经网络模型输出层的灵敏度满足所述训练的终止条件或重复训练次数为T-1时,保存修正后的卷积神经网络模型的结构和各层节点的权值及偏值,获得训练完毕的卷积神经网络模型。
对于图1所示的技术方案,在一种可能的实现方式中,在利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型之后,所述方法还包括:
对所述训练完毕的卷积神经网络模型进行性能测试。
在上述实现方式中,优选地,所述对所述训练完毕的卷积神经网络模型进行性能测试,包括:
从所述测试数据集中随机选取一个时域信号作为输入测试样本,并从所述测试标签集中选取与所述测试数据集中被选取的时域信号对应的标签;
采用正向传播算法,通过输入到所述卷积神经网络模型中的输入测试样本,计算所述卷积神经网络模型中各层的输出;
采用反向传播算法,通过测试样本标签和所述卷积神经网络模型中各层的输出进行比对,获知所述被选取信号是否被正确识别;
从所述测试数据集中随机选取下一个时域信号作为新的输入测试样本进行重复测试,直至所述测试数据集中的信号全部选取,统计每个被选取信号是否被正确识别,获得所述训练完毕的卷积神经网络模型对于每个辐射源的发射信号的正确识别概率。
通过上述技术方案,利用采集到的相同型号且处于相同工作方式的多个辐射源的发射信号,对构建的卷积神经网络模型进行训练学习,从而能够在对大量数据进行学习的基础上提取辐射源发射信号的丰富特征,避免了常规方案中在提取信号特征时的单一化缺陷;此外,将目标辐射源的目标发射信号直接作为训练完毕的卷积神经网络模型的输入,从而能够提取到目标发射信号的特征,避免了常规方案对信号特征的人为分析和人为选取。与常规方案相比,图1所示的技术方案不仅实现了信号特征的自主智能化提取,而且还提高了对辐射源个体的识别精度。
针对前述实施例所阐述的技术方案,本发明实施例通过具体的仿真环境对上述技术方案的技术性能及效果进行进一步的阐述。具体的仿真条件和参数如下:
以对讲机作为辐射源的示例,采用的10部对讲机均为NX340型号,采用写频软件KPG将10部对讲机的工作频率进行了统一,10部对讲机信号采集时工作在同一频道,采集的是同一位同学的同一段文字的语音播报,从而保证采集到的信号的一致性。本次仿真方式采用蒙特卡洛仿真试验,蒙特卡洛仿真试验的次数取1000次。对讲机时域信号采样点数为1000,训练数据集的大小为8000,验证数据集的大小为1000,测试数据集的大小为1000;卷积神经网络模型利用Python3.6的TensorFlow进行搭建;训练迭代次数为200次,batch_size为40,学习率为0.00098,损失函数为categorical_crossentropy函数,优化器选择Adam优化器。
基于上述仿真条件和参数,本发明实施例通过目前常规的基于双谱与支持向量机(SVM,Support Vector Machine)的分类识别方法以及前述实施例所阐述的基于卷积神经网络的辐射源个体识别方法分别对仿真条件中的10部对讲机进行分类识别,识别结果分别如表1和表2所示。
表1
表2
上述表1示出了基于双谱与SVM的分类识别方法的识别性能,表2示出了前述实施例所阐述的基于卷积神经网络的辐射源个体识别方法的识别性能。通过表1和表2之间的比较可以得知:
表1为目前常规基于双谱和SVM的分类识别方法的对讲机个体识别结果。该方法通过先对对讲机信号进行双谱特征提取,再进行双谱积分,然后利用支持向量机SVM对特征进行分类,从表1中可以看出,对讲机T2、T4、T10的识别结果在90%以上,但是其他7部对讲机识别性能较差。
表2为前述实施例所阐述的基于卷积神经网络的辐射源个体识别方法的对讲机个体识别结果。通过表2可以看出,在待识别对讲机个数为10部相同型号、相同工作方式的建伍NX340对讲机时,每一部对讲机的识别准确率均在96%以上,从而充分验证前述实施例所阐述的基于卷积神经网络的辐射源个体识别方法的有效性和实用性。
基于前述实施例相同的发明构思,参见图4,其示出了本发明实施例提供的一种基于卷积神经网络的辐射源个体识别装置40,该装置40可以包括:采集部分401、建立部分402、构建部分403、训练部分404和识别部分405;其中,
所述采集部分401,配置为针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;
所述建立部分402,配置为根据所述采集到的发射信号建立用于训练卷积神经网络的数据集;
所述构建部分403,配置为构建卷积神经网络模型;
所述训练部分404,配置为利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型;
所述识别部分405,配置为采集所述多个辐射源中的任一目标辐射源的目标发射信号,利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型,获取所述训练完毕的卷积神经网络模型的输出,并基于所述输出识别所述目标发射信号对应的目标辐射源。
在上述方案中,所述采集部分401,配置为:
利用带通采样定理针对相同型号且处于相同工作方式的N个辐射源的发射信号按照采样长度为L且每个辐射源采集M个信号的方式进行采集;
将采集到的发射信号通过带通滤波器进行滤波处理,获得最终采集到的发射信号。
在上述方案中,所述建立部分402,配置为:
根据N个辐射源中每个辐射源所采集到的信号数量的80%建立为训练数据集;
根据N个辐射源中每个辐射源所采集到的信号数量的剩余20%中的10%建立为验证数据集;
将N个辐射源中每个辐射源所采集到的信号数量剩余的10%建立为测试数据集;
针对所述训练数据集、所述验证数据集以及所述测试数据集分别建立对应的训练标签集、验证标签集和测试标签集。
在上述方案中,所述构建部分403,配置为:
确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数;其中,所述卷积神经网络的输入层节点数与训练数据集中辐射源所采集到的信号的采样点数相等;所述卷积神经网络的输出层节点数为10;
确定所述卷积层、所述池化层和所述全连接层的激活函数;
对各层节点的权值Wl及偏值bl进行初始化;其中,l表示卷积神经网络的层数标号,且l=1,2,...,n;n表示卷积神经网络的总层数,且n≥7;卷积层的卷积核卷积尺寸为一维线性;池化层的下采样尺寸为一维线性。
在上述方案中,所述卷积层、所述池化层和所述全连接层的激活函数均采用线性整流函数,其中,所述线性整流函数的表达式为f(x)=max(0,x),x为自变量,且x值与激活函数所在层节点的输入值相等。
在上述方案中,所述训练部分404,配置为:
确定训练的终止条件和最大迭代次数T;
从所述训练数据集中随机选取一个时域信号作为输入训练样本,并从所述训练标签集中选取与所述训练数据集中被选取的时域信号对应的标签,对所述卷积神经网络模型进行训练;
采用正向传播算法,通过输入到所述卷积神经网络模型中的输入训练样本,计算所述卷积神经网络模型各层的输出;
采用反向传播算法,通过输出训练样本和所述卷积神经网络模型各层的输出,对所述卷积神经网络模型各层节点的权值和偏值进行修正,通过所述验证数据集和所述验证标签集对所述卷积神经网络模型的当前性能进行查验;
从所述训练数据集中随机选取下一个时域信号作为新的输入训练样本进行重复训练,直到所述卷积神经网络模型输出层的灵敏度满足所述训练的终止条件或重复训练次数为T-1时,保存修正后的卷积神经网络模型的结构和各层节点的权值及偏值,获得训练完毕的卷积神经网络模型。
在上述方案中,参见图5,所述装置40还包括测试部分406,配置为:
对所述训练完毕的卷积神经网络模型进行性能测试。
在上述方案中,所述测试部分406,配置为:
从所述测试数据集中随机选取一个时域信号作为输入测试样本,并从所述测试标签集中选取与所述测试数据集中被选取的时域信号对应的标签;
采用正向传播算法,通过输入到所述卷积神经网络模型中的输入测试样本,计算所述卷积神经网络模型中各层的输出;
采用反向传播算法,通过测试样本标签和所述卷积神经网络模型中各层的输出进行比对,获知所述被选取信号是否被正确识别;
从所述测试数据集中随机选取下一个时域信号作为新的输入测试样本进行重复测试,直至所述测试数据集中的信号全部选取,统计每个被选取信号是否被正确识别,获得所述训练完毕的卷积神经网络模型对于每个辐射源的发射信号的正确识别概率。
可以理解地,在本实施例中,“部分”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是单元,还可以是模块也可以是非模块化的。
另外,在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于卷积神经网络的辐射源个体识别程序,所述基于卷积神经网络的辐射源个体识别程序被至少一个处理器执行时实现上述技术方案中所述基于卷积神经网络的辐射源个体识别方法步骤。
根据上述基于卷积神经网络的辐射源个体识别装置40以及计算机存储介质,参见图6,其示出了本发明实施例提供的一种基于卷积神经网络的辐射源个体识别装置40的具体硬件结构,包括:通信接口601,存储器602和处理器603;各个组件通过总线系统604耦合在一起。可理解,总线系统604用于实现这些组件之间的连接通信。总线系统604除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图6中将各种总线都标为总线系统604。其中,
所述通信接口601,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器602,用于存储能够在所述处理器603上运行的计算机程序;
所述处理器603,用于在运行所述计算机程序时,执行以下步骤:
针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;
根据所述采集到的发射信号建立用于训练卷积神经网络的数据集;
构建卷积神经网络模型;
利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型;
采集所述多个辐射源中的任一目标辐射源的目标发射信号,利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型,获取所述训练完毕的卷积神经网络模型的输出,并基于所述输出识别所述目标发射信号对应的目标辐射源。
可以理解,本发明实施例中的存储器602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的系统和方法的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器603可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器603中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器603可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器603读取存储器602中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体来说,处理器603还配置为运行所述计算机程序时,执行前述技术方案中所述基于卷积神经网络的辐射源个体识别方法步骤,这里不再进行赘述。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于卷积神经网络的辐射源个体识别方法,其特征在于,所述方法包括:
针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;
根据所述采集到的发射信号建立用于训练卷积神经网络的数据集;
构建卷积神经网络模型;
利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型;
采集所述多个辐射源中的任一目标辐射源的目标发射信号,利用正向传播算法将所述目标发射信号输入至所述训练完毕的卷积神经网络模型,获取所述训练完毕的卷积神经网络模型的输出,并基于所述输出识别所述目标发射信号对应的目标辐射源。
2.根据权利要求1所述的方法,其特征在于,所述针对相同型号且处于相同工作方式的多个辐射源的发射信号进行采集,获得采集到的发射信号;包括:
利用带通采样定理针对相同型号且处于相同工作方式的N个辐射源的发射信号按照采样长度为L且每个辐射源采集M个信号的方式进行采集;
将采集到的发射信号通过带通滤波器进行滤波处理,获得最终采集到的发射信号。
3.根据权利要求2所述的方法,其特征在于,所述根据所述采集到的发射信号建立用于训练卷积神经网络的数据集,包括:
根据N个辐射源中每个辐射源所采集到的信号数量的80%建立为训练数据集;
根据N个辐射源中每个辐射源所采集到的信号数量的剩余20%中的10%建立为验证数据集;
将N个辐射源中每个辐射源所采集到的信号数量剩余的10%建立为测试数据集;
针对所述训练数据集、所述验证数据集以及所述测试数据集分别建立对应的训练标签集、验证标签集和测试标签集。
4.根据权利要求3所述的方法,其特征在于,所述构建卷积神经网络模型,包括:
确定卷积神经网络的输入层节点数、输出层节点数、卷积层层数、卷积层卷积核数、池化层层数和全连接层层数;其中,所述卷积神经网络的输入层节点数与训练数据集中辐射源所采集到的信号的采样点数相等;所述卷积神经网络的输出层节点数为10;
确定所述卷积层、所述池化层和所述全连接层的激活函数;
对各层节点的权值Wl及偏值bl进行初始化;其中,l表示卷积神经网络的层数标号,且l=1,2,...,n;n表示卷积神经网络的总层数,且n≥7;卷积层的卷积核卷积尺寸为一维线性;池化层的下采样尺寸为一维线性。
5.根据权利要求4所述的方法,其特征在于,所述卷积层、所述池化层和所述全连接层的激活函数均采用线性整流函数,其中,所述线性整流函数的表达式为f(x)=max(0,x),x为自变量,且x值与激活函数所在层节点的输入值相等。
6.根据权利要求4所述的方法,其特征在于,所述利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型,包括:
确定训练的终止条件和最大迭代次数T;
从所述训练数据集中随机选取一个时域信号作为输入训练样本,并从所述训练标签集中选取与所述训练数据集中被选取的时域信号对应的标签,对所述卷积神经网络模型进行训练;
采用正向传播算法,通过输入到所述卷积神经网络模型中的输入训练样本,计算所述卷积神经网络模型各层的输出;
采用反向传播算法,通过输出训练样本和所述卷积神经网络模型各层的输出,对所述卷积神经网络模型各层节点的权值和偏值进行修正,通过所述验证数据集和所述验证标签集对所述卷积神经网络模型的当前性能进行查验;
从所述训练数据集中随机选取下一个时域信号作为新的输入训练样本进行重复训练,直到所述卷积神经网络模型输出层的灵敏度满足所述训练的终止条件或重复训练次数为T-1时,保存修正后的卷积神经网络模型的结构和各层节点的权值及偏值,获得训练完毕的卷积神经网络模型。
7.根据权利要求1至6任一项所述的方法,其特征在于,在利用建立得到的数据集对所述卷积神经网络模型进行训练,获得训练完毕的卷积神经网络模型之后,所述方法还包括:
对所述训练完毕的卷积神经网络模型进行性能测试。
8.根据权利要求7所述的方法,其特征在于,所述对所述训练完毕的卷积神经网络模型进行性能测试,包括:
从所述测试数据集中随机选取一个时域信号作为输入测试样本,并从所述测试标签集中选取与所述测试数据集中被选取的时域信号对应的标签;
采用正向传播算法,通过输入到所述卷积神经网络模型中的输入测试样本,计算所述卷积神经网络模型中各层的输出;
采用反向传播算法,通过测试样本标签和所述卷积神经网络模型中各层的输出进行比对,获知所述被选取信号是否被正确识别;
从所述测试数据集中随机选取下一个时域信号作为新的输入测试样本进行重复测试,直至所述测试数据集中的信号全部选取,统计每个被选取信号是否被正确识别,获得所述训练完毕的卷积神经网络模型对于每个辐射源的发射信号的正确识别概率。
9.一种基于卷积神经网络的辐射源个体识别装置,其特征在于,所述装置包括:通信接口,存储器和处理器;其中,
所述通信接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行权利要求1至8任一项所述基于卷积神经网络的辐射源个体识别方法步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有基于卷积神经网络的辐射源个体识别程序,所述基于卷积神经网络的辐射源个体识别程序被至少一个处理器执行时实现权利要求1至8中任一项所述基于卷积神经网络的辐射源个体识别方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720753.2A CN110427893A (zh) | 2019-08-06 | 2019-08-06 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720753.2A CN110427893A (zh) | 2019-08-06 | 2019-08-06 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110427893A true CN110427893A (zh) | 2019-11-08 |
Family
ID=68414301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910720753.2A Pending CN110427893A (zh) | 2019-08-06 | 2019-08-06 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427893A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142661A (zh) * | 2019-12-20 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 信源识别方法、装置 |
CN111310700A (zh) * | 2020-02-27 | 2020-06-19 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
CN111310719A (zh) * | 2020-03-10 | 2020-06-19 | 电子科技大学 | 一种未知辐射源个体识别及检测的方法 |
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN112001433A (zh) * | 2020-08-12 | 2020-11-27 | 西安交通大学 | 一种航迹关联方法、系统、设备及可读取存储介质 |
CN112163457A (zh) * | 2020-09-03 | 2021-01-01 | 中国联合网络通信集团有限公司 | 一种通信电台识别方法及装置 |
CN112395941A (zh) * | 2020-09-28 | 2021-02-23 | 中国人民解放军32802部队 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112764003A (zh) * | 2021-01-14 | 2021-05-07 | 中山大学 | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 |
CN113283526A (zh) * | 2021-06-07 | 2021-08-20 | 中国电子科技集团公司第二十九研究所 | 基于辐射源定位的预警方法、计算机设备及可读存储介质 |
CN113657138A (zh) * | 2020-05-12 | 2021-11-16 | 哈尔滨工程大学 | 基于等势星球图的辐射源个体识别方法 |
CN114792115A (zh) * | 2022-05-17 | 2022-07-26 | 哈尔滨工业大学 | 基于反卷积重建网络的遥测信号野值去除方法、装置及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707272A (zh) * | 2012-06-13 | 2012-10-03 | 西安电子科技大学 | 基于gpu的外辐射源雷达信号实时处理系统及处理方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN108599880A (zh) * | 2018-03-26 | 2018-09-28 | 西安电子科技大学 | 基于卷积神经网络的民航地空对讲系统干扰预警方法 |
CN109472216A (zh) * | 2018-10-18 | 2019-03-15 | 中国人民解放军91977部队 | 基于信号非高斯特性的辐射源特征提取和个体识别方法 |
-
2019
- 2019-08-06 CN CN201910720753.2A patent/CN110427893A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707272A (zh) * | 2012-06-13 | 2012-10-03 | 西安电子科技大学 | 基于gpu的外辐射源雷达信号实时处理系统及处理方法 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
CN108599880A (zh) * | 2018-03-26 | 2018-09-28 | 西安电子科技大学 | 基于卷积神经网络的民航地空对讲系统干扰预警方法 |
CN109472216A (zh) * | 2018-10-18 | 2019-03-15 | 中国人民解放军91977部队 | 基于信号非高斯特性的辐射源特征提取和个体识别方法 |
Non-Patent Citations (4)
Title |
---|
丁敏: "通信辐射源个体识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
井博军: "基于深度学习的雷达辐射源识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
冷鹏飞: "基于深度学习的雷达辐射源识别技术", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
杨凡: "雷达辐射源特征提取和个体识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142661A (zh) * | 2019-12-20 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 信源识别方法、装置 |
CN111142661B (zh) * | 2019-12-20 | 2021-07-13 | 腾讯科技(深圳)有限公司 | 信源识别方法、装置 |
CN111310700A (zh) * | 2020-02-27 | 2020-06-19 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
CN111310700B (zh) * | 2020-02-27 | 2024-02-13 | 电子科技大学 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
CN111310719A (zh) * | 2020-03-10 | 2020-06-19 | 电子科技大学 | 一种未知辐射源个体识别及检测的方法 |
CN111582320A (zh) * | 2020-04-17 | 2020-08-25 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN111582320B (zh) * | 2020-04-17 | 2022-10-14 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN113657138A (zh) * | 2020-05-12 | 2021-11-16 | 哈尔滨工程大学 | 基于等势星球图的辐射源个体识别方法 |
CN112001433A (zh) * | 2020-08-12 | 2020-11-27 | 西安交通大学 | 一种航迹关联方法、系统、设备及可读取存储介质 |
CN112163457A (zh) * | 2020-09-03 | 2021-01-01 | 中国联合网络通信集团有限公司 | 一种通信电台识别方法及装置 |
CN112395941A (zh) * | 2020-09-28 | 2021-02-23 | 中国人民解放军32802部队 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
CN112395941B (zh) * | 2020-09-28 | 2022-09-20 | 中国人民解放军32802部队 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112464713B (zh) * | 2020-10-21 | 2022-11-08 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112764003A (zh) * | 2021-01-14 | 2021-05-07 | 中山大学 | 一种雷达辐射源信号时频特征识别方法、装置及存储介质 |
CN113283526B (zh) * | 2021-06-07 | 2022-04-08 | 中国电子科技集团公司第二十九研究所 | 基于辐射源定位的预警方法、计算机设备及可读存储介质 |
CN113283526A (zh) * | 2021-06-07 | 2021-08-20 | 中国电子科技集团公司第二十九研究所 | 基于辐射源定位的预警方法、计算机设备及可读存储介质 |
CN114792115A (zh) * | 2022-05-17 | 2022-07-26 | 哈尔滨工业大学 | 基于反卷积重建网络的遥测信号野值去除方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427893A (zh) | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 | |
Yang et al. | Generative-adversarial-network-based wireless channel modeling: Challenges and opportunities | |
CN111444952B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN105303179A (zh) | 指纹识别方法、装置 | |
CN105844283A (zh) | 用于识别图像类目归属的方法、图像搜索方法及装置 | |
WO2018206504A1 (en) | Pre-training system for self-learning agent in virtualized environment | |
WO2020215783A1 (zh) | 定位方法、装置及存储介质 | |
CN108764329A (zh) | 一种肺癌病理图像数据集的构建方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN106778908A (zh) | 一种新异类检测方法与装置 | |
CN110288007A (zh) | 数据标注的方法、装置及电子设备 | |
US20200125900A1 (en) | Selecting an algorithm for analyzing a data set based on the distribution of the data set | |
CN111539612A (zh) | 一种风险分类模型的训练方法和系统 | |
CN115204211A (zh) | 基于深度残差收缩注意力网络的认知侦察识别方法及装置 | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
CN114841211A (zh) | 基于频域数据增强扩充的无人机时频图谱数据库构建方法 | |
CN114580468A (zh) | 一种基于时频瀑布图和卷积神经网络的干扰信号识别方法 | |
CN113628077A (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
CN111126503A (zh) | 一种训练样本的生成方法和装置 | |
CN111385342A (zh) | 一种物联网行业识别方法、装置、电子设备及存储介质 | |
CN115545580B (zh) | 一种医疗培训流程规范化校验方法及系统 | |
CN116428129B (zh) | 基于注意力混合神经网络的风机叶片冲击定位方法及系统 | |
CN116188834B (zh) | 基于自适应训练模型的全切片图像分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191108 |
|
RJ01 | Rejection of invention patent application after publication |