CN112183300A - 一种基于多层次稀疏表示的ais辐射源识别方法及系统 - Google Patents
一种基于多层次稀疏表示的ais辐射源识别方法及系统 Download PDFInfo
- Publication number
- CN112183300A CN112183300A CN202011012693.8A CN202011012693A CN112183300A CN 112183300 A CN112183300 A CN 112183300A CN 202011012693 A CN202011012693 A CN 202011012693A CN 112183300 A CN112183300 A CN 112183300A
- Authority
- CN
- China
- Prior art keywords
- original
- ais
- dictionary
- signal
- deep
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000005855 radiation Effects 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000000630 rising effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Abstract
本发明给出了一种基于多层次稀疏表示的AIS辐射源识别方法及系统，包括对AIS信号的训练样本进行预处理后，截取训练样本中的有效数据作为原始信号；利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络，提取原始信号的浅层特征和深层特征；构建原始信号的原始字典，再利用浅层特征和深层特征对原始字典进行扩充，并降维后得到多层次字典；利用多层次字典对AIS信号的测试样本进行稀疏重构，当稀疏重构误差最小时，对应的AIS信号类别为AIS信号的测试样本所属的辐射源个体。以上方法便于从原始信号中抽取更有利于分类的浅层特征和深层特征，能够获得更高的准确率，并且在小样本情况下依然具有过完备性。
Description
技术领域
本发明涉及通信辐射源个体识别技术领域，尤其是一种基于多层次稀疏表示的AIS辐射源识别方法及系统。
背景技术
通用船舶自动识别系统是一种船载广播应答系统，船舶通过该系统在VHF公用无线信道上向附近船舶和岸上主管机关持续发送其身份、位置、航向、航速和其它数据。在AIS系统中，如果有人修改了唯一标识舰船身份信息的海事移动服务识别号(Maritime MobileService Identity，MMSI)，将给航行安全带来极大威胁。而信号射频指纹(RadioFingerprinting，RF)是AIS终端发射设备的物理层本质特征，难以被篡改。因此，基于射频指纹的辐射源个体识别技术提供了一种保护AIS通信系统安全的物理层方法，可运用于检测非法辐射源信号。将先进的AIS辐射源个体识别技术有效地综合运用于海上交通运输，能够加强海上交通的智能化管理，从而形成一种保障安全、提高效率、节约资源的海上综合运输系统。
在通信辐射源个体识别领域，传统的处理方式是先提取信号的特征，然后利用支持向量机(Support Vector Machine，SVM)等分类模型进行分类。利用分形特征、高阶谱、非线性动态特征等统计特征，以及对辐射源进行分解或者Hilbert-Huang变换得到的变换域特征，均可以进行辐射源个体识别。但上述方法通常需要人为设定参数，依赖于一定的先验知识，且不具有普适性。
发明内容
本发明提出了一种基于多层次稀疏表示的AIS辐射源识别方法及系统，以解决上文提到的现有技术的缺陷。
在一个方面，本发明提出了一种基于多层次稀疏表示的AIS辐射源识别方法，该方法包括以下步骤：
S1：对AIS信号的训练样本进行包括解调、抽样和解码的预处理后，截取所述训练样本中包括上升沿、训练序列和开始标志在内的有效数据，将所述有效数据作为用于特征提取的原始信号；
S2：利用基于深度学习中的注意力机制对输入信号的各个特征通道的重要程度进行分析的方式建立深度神经网络，将所述原始信号依次通过两个串行的所述深度神经网络，并依次提取所述原始信号的浅层特征和深层特征，再通过一个全连接层后，使用激活函数进行分类；
S3：构建所述原始信号的原始字典，再利用所述浅层特征和所述深层特征对所述原始字典进行扩充，并降维后得到多层次字典；
S4：在所述多层次字典中的所有AIS信号类别上分别对AIS信号的测试样本进行稀疏重构并求取稀疏重构误差，当所述稀疏重构误差最小时，对应的AIS信号类别为所述AIS信号的测试样本所属的辐射源个体。
以上方法采用了通道注意力机制增强有效信息，便于从原始信号中抽取更有利于分类的浅层特征和深层特征，多层次字典由原始信号、浅层特征和深层特征构建，能够提供不同层次的信息，并且在小样本情况下依然具有过完备性，再利用稀疏表示分类，能够获得更高的准确率。
在具体的实施例中，利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络具体包括对输入信号依次进行以下操作：利用Inception Module进行特征提取；使用全局平均池化在时间维度上进行特征压缩，将每个一维的特征通道变成一个具有全局感受野的实数；使用由两个全连接层组成的瓶颈层结构增加非线性并减少参数量；再通过一个激活函数获得0到1之间归一化的权重；将所述权重通过乘法对每个特征通道进行加权，并输出结果。本方案利用注意力机制使神经网络聚焦到更有用的特征通道上，并对Squeeze and Excitation Network进行了修改，使其可以应用于时序信号的通道注意力机制。
在具体的实施例中，所述Inception Module包括三个具有相同的卷积核个数和不同的尺度的卷积核。由于不同尺度的卷积核具有不同大小的感受野，因此该方法能够从时序信号中提取出不同分辨率的局部信息。
在具体的实施例中，所述Inception Module还包括一个与所述Inception Module中的卷积核并行且具有相同的卷积核个数的最大池化层和一个用于调整特征通道数的瓶颈层。为了便于后续能够将浅层特征、深层特征与原始信号直接拼接构成多层次字典，需要使它们在维度上保持一致，因此将Inception Module中所有卷积操作的核个数都设为相同，且核总数与输入信号维数相同。
在具体的实施例中，所述步骤S2中提取所述原始信号的浅层特征的具体步骤包括：获取所述原始信号通过第一个所述深度神经网络后的输出，记为第一输出，用一个瓶颈层将所述第一输出的特征通道数减少为1，作为所述浅层特征。
在具体的实施例中，所述步骤S2中提取所述原始信号的深层特征的具体步骤包括：获取所述原始信号依次通过两个串行的所述深度神经网络后的输出，记为第二输出，对所述第二输出在时间维度上做全局平均池化，作为所述深层特征。
在具体的实施例中，所述原始字典为所述原始信号构成的矩阵，所述原始字典表示为：
其中，K是所有所述训练样本的类别数，M是所述原始信号的维数，N是所述训练样本的个数，
是每一个类别所对应的所述原始信号的子字典，Ni为第i类所述原始样本的个数，
由Ni个第i类原始样本
构成，
在具体的实施例中，所述利用所述浅层特征和所述深层特征对所述原始字典进行扩充包括：将每一个所述原始信号的深层特征和浅层特征按类别加入所述原始字典中。本方法不仅使用了表征细节的原始字典，还引入了更能表征类别信息的浅层特征字典和深层特征字典，以便更好地描述样本，提高识别准确率。
根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面，提出一种基于多层次稀疏表示的AIS辐射源识别系统，该系统包括：
有效数据截取模块：配置用于对AIS信号的训练样本进行包括解调、抽样和解码的预处理后，截取所述训练样本中包括上升沿、训练序列和开始标志在内的有效数据，将所述有效数据作为用于特征提取的原始信号；
浅层特征和深层特征提取模块：配置用于利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络，将所述原始信号依次通过两个串行的所述深度神经网络，并依次提取所述原始信号的浅层特征和深层特征，再通过一个全连接层后，使用激活函数进行分类；
多层次字典构建模块：配置用于构建所述原始信号的原始字典，再利用所述浅层特征和所述深层特征对所述原始字典进行扩充，并降维后得到多层次字典；
AIS辐射源个体识别模块：配置用于在所述多层次字典中的所有AIS信号类别上分别对AIS信号的测试样本进行稀疏重构并求取稀疏重构误差，当所述稀疏重构误差最小时，对应的AIS信号类别为所述AIS信号的测试样本所属的辐射源个体。
本发明对AIS信号的训练样本进行预处理后，截取所述训练样本中的有效数据作为用于特征提取的原始信号；利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络，将所述原始信号依次通过两个串行的所述深度神经网络，并依次提取所述原始信号的浅层特征和深层特征，再通过一个全连接层后，使用激活函数进行分类；构建所述原始信号的原始字典，再利用所述浅层特征和所述深层特征对所述原始字典进行扩充，并降维后得到多层次字典；在所述多层次字典中的所有AIS信号类别上分别对AIS信号的测试样本进行稀疏重构并求取稀疏重构误差，当所述稀疏重构误差最小时，对应的AIS信号类别为所述AIS信号的测试样本所属的辐射源个体。以上方法采用了通道注意力机制增强有效信息，便于从原始信号中抽取更有利于分类的浅层特征和深层特征，多层次字典由原始信号、浅层特征和深层特征构建，能够提供不同层次的信息，并且在小样本情况下依然具有过完备性，再利用稀疏表示分类，能够获得更高的准确率。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明的一个实施例的一种基于多层次稀疏表示的AIS辐射源识别方法的流程图；
图2是本发明的一个具体的实施例的数据预处理流程图；
图3是本发明的一个具体的实施例的有效数据截取过程波形图；
图4是本发明的一个具体的实施例的1bit延迟差分解调原理图；
图5是本发明的一个具体的实施例的AIS信息帧格式图；
图6是本发明的一个具体的实施例的特征提取网络的架构图；
图7是本发明的一个具体的实施例的通道注意力机制的结构图；
图8是本发明的一个具体的实施例的本发明方案、Inception Time和Resnet的计算复杂度对比图；
图9是本发明的一个具体的实施例的辐射源个体识别准确率对比图；
图10是本发明的一个实施例的一种基于多层次稀疏表示的AIS辐射源识别系统的框架图；
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的一种基于多层次稀疏表示的AIS辐射源识别方法，图1示出了根据本发明的实施例的一种基于多层次稀疏表示的AIS辐射源识别方法的流程图。如图1所示，该方法包括以下步骤：
S101：对AIS信号的训练样本进行包括解调、抽样和解码的预处理后，截取所述训练样本中包括上升沿、训练序列和开始标志在内的有效数据，将所述有效数据作为用于特征提取的原始信号。
在具体的实施例中，根据国际海事组织要求，AIS终端发射机要遵循ITU-RM.1371-4规范要求，采用高斯最小频移键控(Gaussian Minimum Shift Keying，GMSK)调制，速率9600kBd。
在具体的实施例中，辐射源个体识别过程中通常需要截取一段信号来进行射频指纹的提取，这段目标信号被定义为有效数据。针对一般的信号，通常是通过检测信号变化情况来定位有效数据的起止位置，如Fractal-Bayesian阶跃检测。而对于AIS这类有严格发送规范的信号，利用信号内部的同步序列来定位有效数据，显然更加准确高效。提取有效数据前，需要对信号进行预处理，本实施例利用图2所示的流程来实现具体的预处理步骤。
图2示出了本发明的一个具体的实施例的数据预处理流程图，由于AIS信号采用GMSK调制，在本实施例中，接收到信号后采用GMSK解调，假设接收到的信号表示为：
其中，A(t)是由信道衰落引起的时变包络，
是由多径效应带来的相移，θ是附加相位，ωc是载波角频率。
在本实施例中，采用1bit延迟差分解调，图4示出了本发明的一个具体的实施例的1bit延迟差分解调原理图，接收到的信号r(t)经过1bit延时和π/2的相移后得到W(t)：
然后r(t)和W(t)相乘后得到x(t)：
经过低通滤波器滤除高频分量后得到低通滤波输出：
其中，A(t)是由信道衰落引起的时变包络，
是由多径效应带来的相移，θ是附加相位，ωc是载波角频率，T是1bit延迟。
图3示出了本发明的一个具体的实施例的有效数据截取过程波形图，y(t)的波形如图3中(b)子图所示，在(k+1)T时刻对y(t)进行采样得到y((k+1)T)，它的符号判决取决于Δθ((k+1)T)，因此就可以得到如下判决规则：若y((k+1)T)>0，即Δθ((k+1)T)>0，判决输出为b(k)＝1；若y((k+1)T)<0，即Δθ((k+1)T)<0，判决输出为b(k)＝0。对b(k)采用NRZ-I(NoReturn Zero-Inverse)解码，得到波形如图3中(c)子图所示。
以上方法基于所使用的AIS信息的帧格式，图5示出了本发明的一个具体的实施例的AIS信息帧格式图，AIS信号包含上升沿8个符号、训练序列24个符号和开始标志8个符号。
在本实施例中，由于上升沿、训练序列和开始标志这三个部分要求发送的符号一致，不包含任何数据信息，且包含了发射机功率从零到达额定功率的信号段，体现了不同AIS辐射源间由硬件引起的可用于区分的细微特征。因此本实施例截取上升沿、训练序列和开始标志作为AIS信号的有效数据。根据实测过程中采样频率为48KHz，经过计算可以得到，有效数据为200个采样点。如图3中(c)子图所示，在解码后的码元中找到“01111110”，即开始标志。根据开始标志的第一个采样点，往前截取32bit的数据(上升沿+训练序列)，往后截取8bit的数据(开始标志)，这40bit的数据即为有效数据。图3中(d)子图的第一条虚线标志有效数据起始点，第二条虚线标志有效数据结束点。
S102：利用基于深度学习中的注意力机制对输入信号的各个特征通道的重要程度进行分析的方式建立深度神经网络，将所述原始信号依次通过两个串行的所述深度神经网络，并依次提取所述原始信号的浅层特征和深层特征，再通过一个全连接层后，使用激活函数进行分类。下面将通过图6和图7分别阐述本发明提出的原始信号特征提取的过程和所使用的注意力机制的结构。
图7示出了本发明的一个具体的实施例的通道注意力机制的结构图，图中示出了一个利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立的深度神经网络，具体包括对输入信号x(701)依次进行以下操作：利用Inception Module进行特征提取；使用全局平均池化(702)在时间维度上进行特征压缩，将每个一维的特征通道变成一个具有全局感受野的实数；使用由两个全连接层(703、704)组成的瓶颈层结构增加非线性并减少参数量；再通过一个Sigmoid激活函数(705)获得0到1之间归一化的权重；将所述权重通过乘法对每个特征通道进行加权，并输出结果
在具体的实施例中，所述Inception Module包括三个具有相同的卷积核个数和不同的尺度的卷积核。
在具体的实施例中，所述Inception Module还包括一个与所述Inception Module中的卷积核并行且具有相同的卷积核个数的最大池化层和一个用于调整特征通道数的瓶颈层。
图6示出了本发明的一个具体的实施例的特征提取网络的架构图，其中包括浅层特征的提取和深层特征的提取，具体方法为堆砌两个带有通道注意力机制(608)的Inception Module(601、602)，使这两个Inception Module(601、602)串行，使原始信号(603)依次通过这两个Inception Module(601、602)，并进行如下操作：
获取原始信号通过第一个带有通道注意力机制(608)的Inception Module(601)后的输出，用一个瓶颈层(604)将该输出的特征通道数减少为1，作为所述浅层特征(605)；
获取原始信号通过第二个带有通道注意力机制(608)的Inception Module(602)后的输出，对该输出在时间维度上做全局平均池化(606)，作为所述深层特征(607)；
最后通过全连接(609)后采用softmax激活(610)进行分类。
使用FLOP评估模型复杂度，即浮点乘法与加法的数量之和，图8示出了本发明的一个具体的实施例的本发明方案、Inception Time和Resnet的计算复杂度对比图，可知本发明所提出的特征提取网络的计算复杂度比时间序列分类网络Inception Time和Resnet低了将近两个数量级，是一个轻量级的神经网络，训练过程不需要耗费太多的时间。
S103：构建所述原始信号的原始字典，再利用所述浅层特征和所述深层特征对所述原始字典进行扩充，并降维后得到多层次字典。
在具体的实施例中，所述原始字典为所述原始信号构成的矩阵，所述原始字典表示为：
其中，K是所有所述训练样本的类别数，M是所述原始信号的维数，N是所述训练样本的个数，
是每一个类别所对应的所述原始信号的子字典，Ni为第i类所述原始样本的个数，
由Ni个第i类原始样本
构成，
在具体的实施例中，假设只在原始字典上稀疏重构，测试AIS样本
可以表示为：
x＝So·α
其中，α为测试样本x在原始字典So上的稀疏表示系数，对α进行处理可以得到测试样本x的分类结果。每一个原始信号样本so经过特征提取网络后得到两个对应的特征，即浅层特征
和深层特征
首先利用这两个特征来扩充原始信号字典，得到扩充后的字典
其中每一类对应的子字典被扩充为
由原始子字典
浅层特征子字典
深层特征子字典
构成。
S104：在所述多层次字典中的所有AIS信号类别上分别对AIS信号的测试样本进行稀疏重构并求取稀疏重构误差，当所述稀疏重构误差最小时，对应的AIS信号类别为所述AIS信号的测试样本所属的辐射源个体。
在多层次字典上进行稀疏重构时，测试样本x可以表示为：
x＝So·α+Ss·β+Sd·γ
其中，α为测试样本x在原始字典So上的稀疏表示系数，β为测试样本x在浅层特征字典Ss上的稀疏表示系数，γ为测试样本x在深层特征字典Sd上的稀疏表示系数。
在具体的实施例中，由于字典S的各列基向量内特征的相关性较大，直接使用SRC效果较差，本实施例中采用PCA(Principal Components Analysis，PCA)降维，减弱基向量内特征的相关性，得到多层次字典D：
其中，
是字典S中每一行的对应均值组成的向量，1是1行3N列的单位向量，(S-m·1)为去均值化操作。求(S-m·1)的协方差矩阵Cov＝(S-m·1)·(S-m·1)T∈M×M的特征值及对应的特征向量，按照特征值从大到小的顺序，取前P个将其对应的特征向量从上到下按行排列成投影矩阵
P即投影后的特征维数。投影后得到的D为最终的多层次字典，接下来开始利用多层次字典D进行基于稀疏表示的分类。
对于一个测试样本
经过投影矩阵映射为
求解y的稀疏表示系数
其中θ为测试样本y在多层次字典矩阵D上的编码向量，采用基追踪算法可以求出其l1范数最小解，即
根据
进行信号重构和分类判决：
其中，
是第i类对应的编码系数向量，即测试样本y的稀疏表示系数
中第i类对应的元素保留，其余元素全部置零。在每一类上分别进行重构并求取重构误差，重构误差最小的那一类判断为该测试AIS信号所属的辐射源个体。
在本实施例中，从厦门市海洋管理公务码头采集了由9艘船发出的AIS信号，每艘船共采集了80个样本，每一类随机取40个样本作为测试数据集，40个样本作为训练数据集。特征提取网络的训练环境和训练过程中的参数设置如下：
1.训练环境
编程环境：Python
后端：TensorFlow 1.18.0
GPU型号：NVIDIA GeForce GTX 1080Ti
2.参数设置
批大小：32
损失函数：categorical_crossentropy
优化器：Adam优化器
本实施例利用将每类训练样本数从40个减少到10个的方式对本发明公开的方法进行小样本情况下的性能测试。为了证明本发明公开的方法的有效性，在逐渐减少训练样本数的同时，还对比了几种辐射源个体识别方法在同等实验环境下的性能，其中包括传统的辐射源识别方法(SIB+SVM)、时间序列分类网络Inception Time和Resnet。
图9示出了本发明的一个具体的实施例的辐射源个体识别准确率对比图，使用了SIB+SVM(902)、Inception Time(903)和Resnet(904)三种方法与本发明公开的基于多层次稀疏表示的分类算法(901)进行对比。可知所有基于神经网络的方法的识别准确率都要高于传统的方法SIB+SVM(902)，这体现了神经网络用于AIS辐射源个体识别的优越性。本发明公开的基于多层次稀疏表示的分类算法(901)，具有所有方法中最高的识别准确率，且在样本数量逐渐减少时优势逐渐明显。在每个辐射源的训练样本达到20个以上的情况下，能够达到95％以上的识别率。在每个AIS辐射源只有10个训练样本的情况下，依然能够达到85％以上的识别率，比其他方法中效果最好的Inception Time(903)高了10％左右。
图10示出了本发明的一个实施例的一种基于多层次稀疏表示的AIS辐射源识别系统的框架图。该系统包括有效数据截取模块(1001)、浅层特征和深层特征提取模块(1002)、多层次字典构建模块(1003)和AIS辐射源个体识别模块(1004)。
在具体的实施例中，有效数据截取模块(1001)被配置用于；浅层特征和深层特征提取模块(1002)被配置用于；多层次字典构建模块(1003)被配置用于；AIS辐射源个体识别模块(1004)被配置用于。通过有效数据截取模块(1001)、浅层特征和深层特征提取模块(1002)、多层次字典构建模块(1003)和AIS辐射源个体识别模块(1004)的共同作用实现了采用通道注意力机制增强有效信息，便于从原始信号中抽取更有利于分类的浅层特征和深层特征，由原始信号、浅层特征和深层特征构建多层次字典，能够提供不同层次的信息，并且在小样本情况下依然具有过完备性，再利用稀疏表示分类，能够获得更高的准确率。
本发明的实施例还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
本发明对AIS信号的训练样本进行预处理后，截取所述训练样本中的有效数据作为用于特征提取的原始信号；利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络，将所述原始信号依次通过两个串行的所述深度神经网络，并依次提取所述原始信号的浅层特征和深层特征，再通过一个全连接层后，使用激活函数进行分类；构建所述原始信号的原始字典，再利用所述浅层特征和所述深层特征对所述原始字典进行扩充，并降维后得到多层次字典；在所述多层次字典中的所有AIS信号类别上分别对AIS信号的测试样本进行稀疏重构并求取稀疏重构误差，当所述稀疏重构误差最小时，对应的AIS信号类别为所述AIS信号的测试样本所属的辐射源个体。以上方法采用了通道注意力机制增强有效信息，便于从原始信号中抽取更有利于分类的浅层特征和深层特征，多层次字典由原始信号、浅层特征和深层特征构建，能够提供不同层次的信息，并且在小样本情况下依然具有过完备性，再利用稀疏表示分类，能够获得更高的准确率。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于多层次稀疏表示的AIS辐射源识别方法，其特征在于，包括以下步骤：
S1：对AIS信号的训练样本进行包括解调、抽样和解码的预处理后，截取所述训练样本中包括上升沿、训练序列和开始标志在内的有效数据，将所述有效数据作为用于特征提取的原始信号；
S2：利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络，将所述原始信号依次通过两个串行的所述深度神经网络，并依次提取所述原始信号的浅层特征和深层特征，再通过一个全连接层后，使用激活函数进行分类；
S3：构建所述原始信号的原始字典，再利用所述浅层特征和所述深层特征对所述原始字典进行扩充，并降维后得到多层次字典；
S4：在所述多层次字典中的所有AIS信号类别上分别对AIS信号的测试样本进行稀疏重构并求取稀疏重构误差，当所述稀疏重构误差最小时，对应的AIS信号类别为所述AIS信号的测试样本所属的辐射源个体。
2.根据权利要求1所述的方法，其特征在于，所述利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络具体包括对输入信号依次进行以下操作：利用Inception Module进行特征提取；使用全局平均池化在时间维度上进行特征压缩，将每个一维的特征通道变成一个具有全局感受野的实数；使用由两个全连接层组成的瓶颈层结构增加非线性并减少参数量；再通过一个激活函数获得0到1之间归一化的权重；将所述权重通过乘法对每个特征通道进行加权，并输出结果。
3.根据权利要求2所述的方法，其特征在于，所述Inception Module包括三个具有相同的卷积核个数和不同的尺度的卷积核。
4.根据权利要求3所述的方法，其特征在于，所述Inception Module还包括一个与所述Inception Module中的卷积核并行且具有相同的卷积核个数的最大池化层和一个用于调整特征通道数的瓶颈层。
5.根据权利要求1所述的方法，其特征在于，所述步骤S2中提取所述原始信号的浅层特征的具体步骤包括：获取所述原始信号通过第一个所述深度神经网络后的输出，记为第一输出，用一个瓶颈层将所述第一输出的特征通道数减少为1，作为所述浅层特征。
6.根据权利要求1所述的方法，其特征在于，所述步骤S2中提取所述原始信号的深层特征的具体步骤包括：获取所述原始信号依次通过两个串行的所述深度神经网络后的输出，记为第二输出，对所述第二输出在时间维度上做全局平均池化，作为所述深层特征。
7.根据权利要求1所述的方法，其特征在于，所述原始字典为所述原始信号构成的矩阵，所述原始字典表示为：
其中，K是所有所述训练样本的类别数，M是所述原始信号的维数，N是所述训练样本的个数，
是每一个类别所对应的所述原始信号的子字典，Ni为第i类所述原始样本的个数，
由Ni个第i类原始样本
构成，
8.根据权利要求7所述的方法，其特征在于，所述利用所述浅层特征和所述深层特征对所述原始字典进行扩充包括：将每一个所述原始信号的深层特征和浅层特征按类别加入所述原始字典中。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被计算机处理器执行时实施权利要求1至8中任一项所述的方法。
10.一种基于多层次稀疏表示的AIS辐射源识别系统，其特征在于，包括：
有效数据截取模块：配置用于对AIS信号的训练样本进行包括解调、抽样和解码的预处理后，截取所述训练样本中包括上升沿、训练序列和开始标志在内的有效数据，将所述有效数据作为用于特征提取的原始信号；
浅层特征和深层特征提取模块：配置用于利用基于深度学习中的注意力机制对输入信号的各个特征通道按重要程度进行加权的方式建立深度神经网络，将所述原始信号依次通过两个串行的所述深度神经网络，并依次提取所述原始信号的浅层特征和深层特征，再通过一个全连接层后，使用激活函数进行分类；
多层次字典构建模块：配置用于构建所述原始信号的原始字典，再利用所述浅层特征和所述深层特征对所述原始字典进行扩充，并降维后得到多层次字典；
AIS辐射源个体识别模块：配置用于在所述多层次字典中的所有AIS信号类别上分别对AIS信号的测试样本进行稀疏重构并求取稀疏重构误差，当所述稀疏重构误差最小时，对应的AIS信号类别为所述AIS信号的测试样本所属的辐射源个体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011012693.8A CN112183300B (zh) | 2020-09-23 | 2020-09-23 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011012693.8A CN112183300B (zh) | 2020-09-23 | 2020-09-23 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183300A true CN112183300A (zh) | 2021-01-05 |
| CN112183300B CN112183300B (zh) | 2024-03-22 |
Family
ID=73956079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011012693.8A Active CN112183300B (zh) | 2020-09-23 | 2020-09-23 | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112183300B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464836A (zh) * | 2020-12-02 | 2021-03-09 | 珠海涵辰科技有限公司 | 一种基于稀疏表示学习的ais辐射源个体识别方法 |
| CN114048774A (zh) * | 2021-11-10 | 2022-02-15 | 厦门大学 | 一种基于se-block的resnet通信辐射源识别方法与系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
| CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
| CN106289508A (zh) * | 2016-07-19 | 2017-01-04 | 西南交通大学 | 一种面向机械故障诊断的振动信号重构方法 |
| CN106778863A (zh) * | 2016-12-12 | 2017-05-31 | 武汉科技大学 | 基于Fisher判别字典学习的仓库货品识别方法 |
| US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
| CN107255818A (zh) * | 2017-06-13 | 2017-10-17 | 厦门大学 | 一种两维多特征融合的水下目标快速检测方法 |
| CN107329141A (zh) * | 2017-08-03 | 2017-11-07 | 厦门大学 | 一种海洋环境下的航体微弱辐射噪声信号检测方法 |
| CN108573263A (zh) * | 2018-05-10 | 2018-09-25 | 西安理工大学 | 一种联合结构化稀疏表示与低维嵌入的字典学习方法 |
| CN109829352A (zh) * | 2018-11-20 | 2019-05-31 | 中国人民解放军陆军工程大学 | 融合多层稀疏学习与多视角学习的通信指纹识别方法 |
| CN109919242A (zh) * | 2019-03-18 | 2019-06-21 | 长沙理工大学 | 一种基于深度特征和联合稀疏的图像目标识别方法 |
| US20200019817A1 (en) * | 2018-07-11 | 2020-01-16 | Harbin Institute Of Technology | Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation |
| CN111431831A (zh) * | 2020-03-20 | 2020-07-17 | 厦门大学 | 一种基于多维ofdm环境自适应调制方法和系统 |
| WO2020168796A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳先进技术研究院 | 一种基于高维空间采样的数据增强方法 |
-
2020
- 2020-09-23 CN CN202011012693.8A patent/CN112183300B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
| US20170293825A1 (en) * | 2016-04-08 | 2017-10-12 | Wuhan University | Method and system for reconstructing super-resolution image |
| CN105956611A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于鉴别非线性字典学习的sar图像目标识别方法 |
| CN106289508A (zh) * | 2016-07-19 | 2017-01-04 | 西南交通大学 | 一种面向机械故障诊断的振动信号重构方法 |
| CN106778863A (zh) * | 2016-12-12 | 2017-05-31 | 武汉科技大学 | 基于Fisher判别字典学习的仓库货品识别方法 |
| CN107255818A (zh) * | 2017-06-13 | 2017-10-17 | 厦门大学 | 一种两维多特征融合的水下目标快速检测方法 |
| CN107329141A (zh) * | 2017-08-03 | 2017-11-07 | 厦门大学 | 一种海洋环境下的航体微弱辐射噪声信号检测方法 |
| CN108573263A (zh) * | 2018-05-10 | 2018-09-25 | 西安理工大学 | 一种联合结构化稀疏表示与低维嵌入的字典学习方法 |
| US20200019817A1 (en) * | 2018-07-11 | 2020-01-16 | Harbin Institute Of Technology | Superpixel classification method based on semi-supervised k-svd and multiscale sparse representation |
| CN109829352A (zh) * | 2018-11-20 | 2019-05-31 | 中国人民解放军陆军工程大学 | 融合多层稀疏学习与多视角学习的通信指纹识别方法 |
| WO2020168796A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳先进技术研究院 | 一种基于高维空间采样的数据增强方法 |
| CN109919242A (zh) * | 2019-03-18 | 2019-06-21 | 长沙理工大学 | 一种基于深度特征和联合稀疏的图像目标识别方法 |
| CN111431831A (zh) * | 2020-03-20 | 2020-07-17 | 厦门大学 | 一种基于多维ofdm环境自适应调制方法和系统 |
Non-Patent Citations (7)
| Title |
|---|
| 叶蓁;孙海信;颜佳泉;陈清峰;齐洁;: "鲸类声信号的分类系统设计", 厦门大学学报(自然科学版), no. 01, 31 December 2017 (2017-12-31) * |
| 周明章;姚广涛;孙海信;陈清峰;齐洁;古叶;: "WiFi信号外辐射源雷达双目标检测的研究", 舰船电子对抗, no. 02, 25 April 2016 (2016-04-25) * |
| 周青;孙海信;周明章;: "一种水声通信信号调制模式识别方法", 通信对抗, no. 02, 15 June 2017 (2017-06-15) * |
| 廖重阳;张洋;屈光中;毕云云;: "基于Fisher判别字典学习的可拒识模式分类模型", 计算机工程, no. 04, 15 April 2016 (2016-04-15) * |
| 朱会杰;王新晴;芮挺;李艳峰;李立平: "基于频域信号的稀疏编码在机械故障诊断中的应用", 振动与冲击, vol. 34, no. 21, 31 December 2015 (2015-12-31) * |
| 李东瑾;杨瑞娟;董睿杰;: "基于联合投影字典学习的辐射源调制识别", 兵工学报, no. 07, 15 July 2020 (2020-07-15) * |
| 胡正平;白帆;王蒙;孙哲;赵淑欢: "原子-分子字典结合的联合扩展加权稀疏表示人脸识别算法", 信号处理, vol. 32, no. 7, 31 December 2016 (2016-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464836A (zh) * | 2020-12-02 | 2021-03-09 | 珠海涵辰科技有限公司 | 一种基于稀疏表示学习的ais辐射源个体识别方法 |
| CN114048774A (zh) * | 2021-11-10 | 2022-02-15 | 厦门大学 | 一种基于se-block的resnet通信辐射源识别方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112183300B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
| Wang et al. | Radar emitter recognition based on the short time Fourier transform and convolutional neural networks | |
| CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
| CN110598530A (zh) | 一种基于acgan的小样本无线电信号增强识别方法 | |
| CN112183300A (zh) | 一种基于多层次稀疏表示的ais辐射源识别方法及系统 | |
| Wang et al. | Automatic modulation classification based on joint feature map and convolutional neural network | |
| Xiao et al. | Radar signal recognition based on transfer learning and feature fusion | |
| CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
| CN110610717A (zh) | 复杂频谱环境混合信号的分离方法 | |
| CN113033473B (zh) | 基于st2dcnn+se的雷达重叠信号识别方法 | |
| CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
| CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
| CN110781822B (zh) | 基于自适应多方位角字典对学习的sar图像目标识别方法 | |
| Li et al. | Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network | |
| Si et al. | An efficient deep convolutional neural network with features fusion for radar signal recognition | |
| CN116894207A (zh) | 一种基于Swin Transformer和迁移学习的智能辐射源识别方法 | |
| CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
| CN114548201B (zh) | 无线信号的自动调制识别方法、装置、存储介质及设备 | |
| Shen et al. | Deep learning based source number estimation with single-channel mixtures | |
| Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
| CN112232430A (zh) | 神经网络模型测试方法、装置、存储介质及电子装置 | |
| Chen et al. | Automatic modulation recognition of radar signals based on histogram of oriented gradient via improved principal component analysis | |
| Vagollari et al. | An End-to-End Deep Learning Framework for Wideband Signal Recognition | |
| Sun et al. | Feature-based digital modulation recognition using compressive sampling | |
| He et al. | UAV Detection and Identification Based on Radio Frequency Using Transfer Learning |
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 |