CN112087774B - 一种基于残差神经网络的通信辐射源个体识别方法 - Google Patents
一种基于残差神经网络的通信辐射源个体识别方法 Download PDFInfo
- Publication number
- CN112087774B CN112087774B CN202010961558.1A CN202010961558A CN112087774B CN 112087774 B CN112087774 B CN 112087774B CN 202010961558 A CN202010961558 A CN 202010961558A CN 112087774 B CN112087774 B CN 112087774B
- Authority
- CN
- China
- Prior art keywords
- residual error
- bispectrum
- neural network
- layer
- data
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于残差神经网络的通信辐射源个体识别方法,其特征在于,包括如下步骤:1)接收通信辐射源信号;2)计算信号的双谱;3)实际信号双谱非参数间接估计;4)获得双谱等高图;5)训练残差网络;6)采用训练好的残差神经网络检测识别不同的通信辐射源。这种方法能减少信号噪声干扰、计算量小、识别的准确率高。
Description
技术领域
本发明涉及无线通信物理层安全技术领域,具体是一种基于残差神经网络的通信辐射源个体识别方法。
背景技术
美国于20世纪70年代提出了特定辐射源识别(Specific EmitterIdentification,简称SEI)的技术的研究方向,目的是通过识别不同目标发送的电磁波来跟踪每个发射机个体,从而达到精确定位,锁定对方电台或飞行目标以辅助确定对方动向及作战策略。SEI技术现已融入现代社会中,应用于识别目标。随着信息与传感器技术的发展,机器装备的无人化已经是大势所趋。可以预见的是未来会出现大量的无人装备,如无人机蜂群等,那么现场的电磁环境会变得愈发复杂,对情报探测以及电子系统提出了更高的要求。辐射源个体识别技术不是通过对信号的调制及编码方式进行破解破译来获取信息,而是通过提取信号物理层特征来精确识别信号发射机个体,进行电子对抗。
在民用领域,随着物联网技术的发展,频谱资源日益紧张,而现在的通信体制多种多样,区域内无线通信设备密度越来越高,给传统的通信调制识别分析带来了较大困难,已经不适用于现在的实际情况。辐射源识别技术在无线网络安全、通信设备管理等方面有重大的应用潜力。对违法违规的通信设备进行识别管控,可以有效填补频谱监管方面的空白,另一方面,现在无线网络安全的身份认证方法主要采用密钥认证的方式,当密钥被盗或被破解时,防护机制便无效了,而辐射源个体识别则是一种很好的安全技术,从物理层对信号的特征进行提取辨识,可以将其与现有的密钥认证技术进行结合以提高安全性能。
因为通信辐射源发射机内部模拟器件出厂参数细微差异以及器件老化形成的信号非线性特征因素的影响,非高斯、非平稳、非线性、非因果、非最小相位是辐射源个体细微特征的主要特点,信号的高阶谱则可以有效的分析这类信号。信号的高阶谱是在二阶统计量基础上发展起来的,克服了功率谱缺少了相位这一重要信息的固有缺陷,对非线性系统的辨识以及信号的分析识别方面有独特的优势。双谱具有时移不变性、尺度变化性和相位保持性的三个特点,在理论上对高斯白噪声有完全抑制的作用,所以双谱成为了通信辐射源信号个体识别的有效手段。
发明内容
本发明的目的是针对现有技术不足,而提供一种基于残差神经网络的通信辐射源个体识别方法。这种方法能减少信号噪声干扰、计算量小、识别的准确率高。
实现本发明目的的技术方案是:
一种基于残差神经网络的通信辐射源个体识别方法,与现有技术不同的是,包括如下步骤:
1)接收通信辐射源信号:使用宽带接收机接收无线设备的发射信号;
2)计算信号的双谱:设信号的高阶累积量ckx(τ1,τ2,…τk-1)绝对可和,即如公式(1)所示:
式中ckx(τ1,τ2,…,τk-1)定义为随机变量{x(n),x(n+τ1),…,x(n+τk-1)}的k阶累积量,τ1,τ2,…τk-1为时延,则k阶谱定义为k阶累积量的(k-1)维离散时间傅里叶变换,即如公式(2)所示:
(2),式中wi为频率分量;
信号的高阶谱又叫多谱或累积量谱,三阶谱也就是双谱是最常用的高阶谱,即如公式(2)所示:
3)实际信号双谱非参数间接估计:实际信号处理过程中,双谱估计都是基于有限观测数据的,这里采用间接估计法时以观测数据估计三阶累积量,再通过傅里叶变换得到双谱估计,利用双谱的对称性减少计算量,过程为:
3-1)假设观测数据是长度为N的数据序列{x(0),x(1),…x(N-1)};
3-2)把N个数据分成K段,每段M个数据,即N=KM;
3-3)对每段数据进行均值归零化处理;
3-4)假设第i段数据表示为{xi(0),xi(1),…xi(n-1)},对每段数据作三阶累积量或三阶矩估计,即如公式(4)所示:
式中:i=1,2,…,K,s1=max{0,-m,-n},s2=min{M-1,M-1-m,M-1-n};
3-5)通过求ri(m,n)的均值,估计三阶累积量,即如公式(5)所示:
3-6)得到双谱估计,即如公式(6)所示:
式中:L<M-1;w(m,n)是二维窗函数,在k阶谱估计中应该用合适的(k-1)维窗函数,以得到较好的估计结果,这里采用的窗函数为Parzen窗,即如公式(7)所示:
4)获得双谱等高图:零时延三阶矩是信号的歪度,因此双谱就是信号歪度在频域的分解,描述信号非对称、非线性的特征,因此不同信号的双谱图之间一定存在差异,双谱等高图由同值点连线形成,是二维平面图,获得信号双谱等高图的过程为:
4-1)将接收的信号数据导入MATLAB软件做双谱估计;
4-2)采用MATLAB中自带的contour函数画出接收的信号双谱等高图,采用九个等高线层级绘制双谱等高图,能有效地表示出信号的细微特征;
4-3)将步骤4-2)中的等高图进行预处理,将等高图背景设置为白色,隐藏坐标轴网格线与坐标系,目的是不影响接下来神经网络的训练,传统的深度神经网络存在随着深度的增加,准确率会达到饱和(最大值)然后迅速退化的问题,意外的是,这种退化并不是由过拟合造成的,在一个合理的深度模型中增加更多的层可能会导致更高的错误率,针对这种退化问题,残差神经网络构建了带有“快捷链接(Shortcut Connection)”的模块,假设拟合目标函数为H(x),非线性的叠加层为F(x),传统的做法是,使F(x)逼近H(x),而残差结构中,采用F(x)逼近H(x)-x的方式,此结构的好处是网络前向传播时,浅层的特征可以在深层得以重用;反向传播时,深层的梯度可以直接传回浅层,很好的解决了网络退化问题,因此,利用残差神经网络来设计深度很大的网络模型,从而获得更好的网络性能;
5)训练残差网络:训练残差网络包括:
5-1)将从MATLAB生成的多个双谱等高图划分为测试集和训练集并保存;
5-2)将训练集和测试集里的图像进行预处理:先进行灰度化,然后将图片尺寸修改为256×256;
5-3)将双谱等高图每个像素的灰度值范围从0-255转换为大小0-1的张量;
5-4)将步骤5-2)中的图像每个像素值进行标准化:设均值mean=0.4,标准差std=0.2,则有
img=(img-mean)/std;
5-5)将图像放入残差神经网络进行训练,其中残差神经网络的梯度下降优化器选择的是Adam优化器,损失函数Loss Function采用的是交叉熵损失函数CrossEntropyLoss如公式(8)所示:
H(p,q)=-∑x p(x)log q(x) (8),
其中p(x)为期望输出的概率,q(x)为实际输出的概率;
5-6)残差网络训练完成后,将权值数据保存;
6)采用训练好的残差神经网络检测识别不同的通信辐射源。
步骤5)中所述的残差神经网络设有残差模块、池化层和全连接层,其种残差模块包括三层,分别为两层卷积核大小为1×1的卷积层和中间一层卷积核大小为3×3的卷积层以及一个快捷链接,其中第一个1×1的卷积层负责减小维度,让中间的3×3卷积层获得更少的通道数,第二个1×1的卷积层负责增加维度,每层卷积层之后的激活函数为ReLU,公式为f(x)=max(0,x),残差神经网络整个架构类似瓶颈,可以减少计算复杂度,同时不影响计算精度。
步骤5)中所述的残差神经网络设有50层卷积层,其中第一层为卷积核大小7×7的卷积层,第二层为池化过滤器大小为3×3的最大池化层,后面有16个残差模块连接,每个残差模块有三层卷积层,最后连接池化过滤器大小为1×1的平均池化层和全连接层。
与现有的通信辐射源个体识别方法相比,本技术方案能充分利用信号双谱的优点:理论上不受高斯白噪声影响,保留信号的细微特征,再使用深度学习的方式提取与分类双谱等高图中辐射源发射信号的细微特征,可以实现对通信辐射源的实时检测与识别;如果出现新的辐射源个体,可以重新训练神经网络得到新的权值数据再对辐射源个体进行检测识别,其中,神经网络能充分提取信号中的细微特征,而传统的方法会损失一定的特征信息,本技术方案的识别准确率更高。
这种方法使用了双谱等高图结合神经网络分类器,能精确识别出通信辐射源个体,可应用与无线网络安全、信息对抗等非合作接收的领域。
这种方法能减少信号噪声干扰、计算量小、识别的准确率高。
附图说明
图1为实施例的方法流程示意图;
图2为实施例中OFDM信号双谱示意图;
图3为实施例中OFDM信号双谱等高图;
图4为实施例中残差神经网络基本单元结构示意图;
图5为实施例中的残差模块结构示意图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于残差神经网络的通信辐射源个体识别方法,包括如下步骤:
1)接收通信辐射源信号:使用宽带接收机接收无线设备的发射信号;
2)计算信号的双谱:如图2所示,设信号的高阶累积量ckx(τ1,τ2,…τk-1)绝对可和,即如公式(1)所示:
式中ckx(τ1,τ2,…,τk-1)定义为随机变量{x(n),x(n+τ1),…,x(n+τk-1)}的k阶累积量,τ1,τ2,…τk-1为时延,则k阶谱定义为k阶累积量的(k-1)维离散时间傅里叶变换,即如公式(2)所示:
(2),式中wi为频率分量;
信号的高阶谱又叫多谱或累积量谱,三阶谱也就是双谱是最常用的高阶谱,即如公式(3)所示:
3)实际信号双谱非参数间接估计:实际信号处理过程中,双谱估计都是基于有限观测数据的,本例采用间接估计法时以观测数据估计三阶累积量,再通过傅里叶变换得到双谱估计,利用双谱的对称性减少计算量,过程为:
3-1)假设观测数据是长度为N的数据序列{x(0),x(1),…x(N-1)};
3-2)把N个数据分成K段,每段M个数据,即N=KM;
3-3)对每段数据进行均值归零化处理;
3-4)假设第i段数据表示为{xi(0),xi(1),…xi(n-1)},对每段数据作三阶累积量或三阶矩估计,即如公式(4)所示:
式中:i=1,2,…,K,s1=max{0,-m,-n},s2=min{M-1,M-1-m,M-1-n};
3-5)通过求ri(m,n)的均值,估计三阶累积量,即如公式(5)所示:
3-6)得到双谱估计,即如公式(6)所示:
式中:L<M-1;w(m,n)是二维窗函数,在k阶谱估计中应该用合适的(k-1)维窗函数,以得到较好的估计结果,这里采用的窗函数为Parzen窗,即如公式(7)所示:
4)获得双谱等高图:如图3所示,零时延三阶矩是信号的歪度,因此双谱就是信号歪度在频域的分解,描述信号非对称、非线性的特征,因此不同信号的双谱图之间一定存在差异,双谱等高图由将同值点连线形成,是二维平面图,获得信号双谱等高图的过程为:
4-1)将接收的信号数据导入MATLAB软件做双谱估计;
4-2)采用MATLAB中自带的contour函数画出接收的信号双谱等高图,采用九个等高线层级绘制双谱等高图,能有效地表示出信号的细微特征;
4-3)将步骤4-2)中的等高图进行预处理,将等高图背景设置为白色,隐藏坐标轴网格线与坐标系,目的是不影响接下来神经网络的训练,传统的深度神经网络存在随着深度的增加,准确率会达到饱和(最大值)然后迅速退化的问题,意外的是,这种退化并不是由过拟合造成的,在一个合理的深度模型中增加更多的层可能会导致更高的错误率,针对这种退化问题,残差神经网络构建了带有“快捷链接(Shortcut Connection)”的模块,如图4所示,假设拟合目标函数为H(x),非线性的叠加层为F(x),传统的做法是,使F(x)逼近H(x),而残差结构中,采用F(x)逼近H(x)-x的方式,此结构的好处是网络前向传播时,浅层的特征可以在深层得以重用;反向传播时,深层的梯度可以直接传回浅层,很好的解决了网络退化问题,因此,利用残差神经网络来设计深度很大的网络模型,从而获得更好的网络性能;
5)训练残差网络:训练残差网络本例采用PyTorch框架,PyTorch是Facebook公司开源的基于python语言的深度学习框架,具有先进的设计理念,提供的API简单易用,性能卓越,包括:
5-1)将从MATLAB生成的多个双谱等高图划分为测试集和训练集并保存,本例总共使用10000张双谱图像,其中9000张为训练集,1000张为测试集,本例中整个数据集被训练3次;
5-2)将训练集和测试集里的图像进行预处理:先进行灰度化,然后将图片尺寸修改为256×256,本例先使用PyTorch提供的transforms.Resize函数将图片尺寸修改为256×256,再使用transforms.Grayscale函数将图像灰度化;
5-3)将双谱等高图每个像素的灰度值范围从0-255转换为大小0-1的张量,本例使用PyTorch提供的transforms.ToTensor函数将步骤5-2)双谱等高图每个像素的灰度值范围从0-255转换为大小0-1的张量;
5-4)本例使用PyTorch提供的transforms.Normalize函数将步骤5-3)中的图像每个像素值进行标准化:设均值mean=0.4,标准差std=0.2,则有
img=(img-mean)/std;
5-5)将图像放入如图4所示的残差神经网络进行训练,其中残差神经网络的梯度下降优化器选择的是Adam优化器,损失函数Loss Function采用的是交叉熵损失函数CrossEntropyLoss如公式(8)所示:
H(p,q)=-∑x p(x)log q(x) (8),
其中p(x)为期望输出的概率,q(x)为实际输出的概率,本例梯度下降方法使用的是Mini-Batch方法,就是随机抽取一定量的训练样本做梯度下降,Batch_size的达到设定为100,优化器选择的是PyTorch里提供的optim.Adam优化器,学习率设置为0.05;
5-6)残差网络训练完成后,将权值数据保存;
6)采用训练好的残差神经网络检测识别不同的通信辐射源。
步骤5)中所述的残差神经网络设有残差模块、池化层和全连接层,其中残差模块如图5所示包括三层,分别为两层卷积核大小为1×1的卷积层和中间一层卷积核大小为3×3的卷积层以及一个快捷链接,其中第一个1×1的卷积层负责减小维度,让中间的3×3卷积层获得更少的通道数,第二个1×1的卷积层负责增加维度,每层卷积层之后的激活函数为ReLU,公式为f(x)=max(0,x),残差神经网络整个架构类似瓶颈,可以减少计算复杂度,同时不影响计算精度。
步骤5)中所述的残差神经网络设有50层卷积层,其中第一层为卷积核大小7×7的卷积层,第二层为池化过滤器大小为3×3的最大池化层,后面有16个残差模块连接,每个残差模块有三层卷积层,最后连接池化过滤器大小为1×1的平均池化层和全连接层。
Claims (1)
1.一种基于残差神经网络的通信辐射源个体识别方法,其特征在于,包括如下步骤:
1)接收通信辐射源信号:使用宽带接收机接收无线设备的发射信号;
2)计算信号的双谱:设高阶累积量ckx(τ1,τ2,…τk-1)绝对可和,即如公式(1)所示:
式中ckx(τ1,τ2,…,τk-1)定义为随机变量{x(n),x(n+τ1),…,x(n+τk-1)}的k阶累积量,τ1,τ2,…τk-1为时延,则k阶谱定义为k阶累积量的(k-1)维离散时间傅里叶变换,即如公式(2)所示:
式中wi为频率分量;
信号的高阶谱又叫多谱或累积量谱,三阶谱也就是双谱是最常用的高阶谱,即如公式(3)所示:
3)实际信号双谱非参数间接估计:采用间接估计法时以观测数据估计三阶累积量,再通过傅里叶变换得到双谱估计,过程为:
3-1)假设观测数据是长度为N的数据序列{x(0),x(1),…x(N-1)};
3-2)把N个数据分成K段,每段M个数据,即N=KM;
3-3)对每段数据进行均值归零化处理;
3-4)假设第i段数据表示为{xi(0),xi(1),…xi(n-1)},对每段数据作三阶累积量或三阶矩估计,即如公式(4)所示:
式中:i=1,2,…,K,s1=max{0,-m,-n},s2=min{M-1,M-1-m,M-1-n};
3-5)通过求ri(m,n)的均值,估计三阶累积量,即如公式(5)所示:
3-6)得到双谱估计,即如公式(6)所示:
式中:L<M-1;w(m,n)是二维窗函数,在k阶谱估计中用的(k-1)维窗函数得到估计结果,采用的窗函数为Parzen窗即如公式(7)所示:
4)获得双谱等高图:不同信号的双谱图之间存在差异,双谱等高图由将同值点连线形成,是二维平面图,获得信号双谱等高图的过程为:
4-1)将接收的信号数据导入MATLAB软件做双谱估计;
4-2)采用MATLAB中自带的contour函数画出接收的信号双谱等高图,采用九个等高线层级绘制双谱等高图;
4-3)将步骤4-2)中的等高图进行预处理,将等高图背景设置为白色,隐藏坐标轴网格线与坐标系;
5)训练残差网络:训练残差网络包括:
5-1)将从MATLAB生成的多个双谱等高图划分为测试集和训练集并保存;
5-2)将训练集和测试集里的图像进行预处理:先进行灰度化,然后将图片尺寸修改为256×256;
5-3)将双谱等高图每个像素的灰度值范围从0-255转换为大小0-1的张量;
5-4)将步骤5-2)中的图像每个像素值进行标准化:设均值mean=0.4,标准差std=0.2,则有
img=(img-mean)/std;
5-5)将图像放入结构经网络进行训练,其中残差神经网络的梯度下降优化器选择的是Adam优化器,损失函数Loss Function采用的是交叉熵损失函数CrossEntropyLoss如公式(8)所示:
H(p,q)=-∑xp(x)logq(x) (8),
其中p(x)为期望输出的概率,q(x)为实际输出的概率;
5-6)残差网络训练完成后,将权值数据保存;
6)采用训练好的残差神经网络检测识别不同的通信辐射源;
步骤5)中所述的残差神经网络设有残差模块、池化层和全连接层,其中残差模块包括三层,分别为两层卷积核大小为1×1的卷积层和中间一层卷积核大小为3×3的卷积层以及一个快捷链接,其中第一个1×1的卷积层负责减小维度,让中间的3×3卷积层获得更少的通道数,第二个1×1的卷积层负责增加维度,每层卷积层之后的激活函数为ReLU,公式为f(x)=max(0,x);
步骤5)中所述的残差神经网络设有50层卷积层,其中第一层为卷积核大小7×7的卷积层,第二层为池化过滤器大小为3×3的最大池化层,后面有16个残差模块连接,每个残差模块有三层卷积层,最后连接池化过滤器大小为1×1的平均池化层和全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961558.1A CN112087774B (zh) | 2020-09-14 | 2020-09-14 | 一种基于残差神经网络的通信辐射源个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010961558.1A CN112087774B (zh) | 2020-09-14 | 2020-09-14 | 一种基于残差神经网络的通信辐射源个体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112087774A CN112087774A (zh) | 2020-12-15 |
CN112087774B true CN112087774B (zh) | 2023-04-18 |
Family
ID=73737831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010961558.1A Active CN112087774B (zh) | 2020-09-14 | 2020-09-14 | 一种基于残差神经网络的通信辐射源个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112087774B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112689288A (zh) * | 2020-12-18 | 2021-04-20 | 桂林电子科技大学 | 一种基于wann的射频指纹提取和识别方法 |
CN112668498B (zh) * | 2020-12-30 | 2024-02-06 | 西安电子科技大学 | 空中辐射源个体智能增量识别方法、系统、终端及应用 |
CN112348006A (zh) * | 2021-01-11 | 2021-02-09 | 湖南星空机器人技术有限公司 | 一种无人机信号识别方法、系统、介质及设备 |
CN113014524B (zh) * | 2021-03-03 | 2021-12-14 | 电子科技大学 | 一种基于深度学习的数字信号调制识别方法 |
CN113343868A (zh) * | 2021-06-15 | 2021-09-03 | 四川九洲电器集团有限责任公司 | 一种辐射源个体识别方法及装置、终端、存储介质 |
CN114218984B (zh) * | 2021-12-07 | 2024-03-22 | 桂林电子科技大学 | 一种基于样本多视图学习的射频指纹识别方法 |
CN115456035B (zh) * | 2022-11-10 | 2023-04-07 | 中铁第一勘察设计院集团有限公司 | 基于对角相关局部积分双谱的射频指纹识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
CN110018447A (zh) * | 2019-04-09 | 2019-07-16 | 电子科技大学 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
CN110327055A (zh) * | 2019-07-29 | 2019-10-15 | 桂林电子科技大学 | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 |
WO2020068178A2 (en) * | 2018-05-18 | 2020-04-02 | Lawrence Livermore National Security, Llc | Multifaceted radiation detection and classification system |
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 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
-
2020
- 2020-09-14 CN CN202010961558.1A patent/CN112087774B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN107979842A (zh) * | 2017-11-28 | 2018-05-01 | 电子科技大学 | 一种基于双谱特征和深度学习的手机个体识别方法 |
WO2020068178A2 (en) * | 2018-05-18 | 2020-04-02 | Lawrence Livermore National Security, Llc | Multifaceted radiation detection and classification system |
CN109507648A (zh) * | 2018-12-19 | 2019-03-22 | 西安电子科技大学 | 基于VAE-ResNet网络的雷达辐射源识别方法 |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
CN110147812A (zh) * | 2019-04-04 | 2019-08-20 | 中国人民解放军战略支援部队信息工程大学 | 基于扩张残差网络的雷达辐射源识别方法及装置 |
CN110018447A (zh) * | 2019-04-09 | 2019-07-16 | 电子科技大学 | 基于双谱分析与卷积神经网络的信号发射机个体识别方法 |
CN110327055A (zh) * | 2019-07-29 | 2019-10-15 | 桂林电子科技大学 | 一种基于高阶谱和卷积神经网络的心冲击信号的分类方法 |
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 |
CN111767848A (zh) * | 2020-06-29 | 2020-10-13 | 哈尔滨工程大学 | 一种基于多域特征融合的辐射源个体识别方法 |
Non-Patent Citations (3)
Title |
---|
基于全双谱和卷积神经网络的信号分类方法;方成等;《计算机应用研究》;20171212(第12期);第1-4页 * |
基于局部双谱和深度卷积神经网络的通信电台识别研究;曹阳等;《通信技术》;20200710(第07期);全文 * |
基于残差神经网络的辐射源个体识别;张宁;《航天电子对抗》;20200828(第04期);第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112087774A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
CN108845306B (zh) | 基于变分模态分解的激光雷达回波信号去噪方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
Sa et al. | Specific emitter identification techniques for the internet of things | |
CN112560803A (zh) | 基于时频分析与机器学习的雷达信号调制识别方法 | |
CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
CN107340055A (zh) | 一种基于多测度融合的随机共振微弱信号检测方法 | |
CN110163040B (zh) | 非高斯杂波中雷达辐射源信号识别技术 | |
CN111796242B (zh) | 一种基于功率特征值提取的改进块稀疏贝叶斯抗干扰方法 | |
CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
Yin et al. | Underwater acoustic target classification based on LOFAR spectrum and convolutional neural network | |
CN116047427A (zh) | 一种小样本雷达有源干扰识别方法 | |
CN114779185A (zh) | 编解码卷积神经网络的雷达信号抗干扰低损恢复方法 | |
CN114218984A (zh) | 一种基于样本多视图学习的射频指纹识别方法 | |
Liu et al. | RF fingerprint recognition based on spectrum waterfall diagram | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
CN117368877A (zh) | 基于生成对抗学习的雷达图像杂波抑制与目标检测方法 | |
CN111222430A (zh) | 一种基于人工智能的无人机识别方法及系统 | |
CN116449328A (zh) | 基于时频分析特征融合的雷达工作模式识别方法及系统 | |
CN107341519B (zh) | 一种基于多分辨率分析的支持向量机识别优化方法 | |
CN114519372B (zh) | 基于支持向量机的一维距离像目标识别方法 | |
CN110458219B (zh) | 一种基于stft-cnn-rvfl的φ-otdr振动信号识别算法 | |
CN105259539B (zh) | 一种针对极地探冰雷达数据的分部式噪声抑制方法 | |
CN113905383A (zh) | 一种基于射频指纹的iff信号识别方法、装置及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |