CN112395941B - 无线电信号辐射源个体识别方法、计算机设备和存储介质 - Google Patents
无线电信号辐射源个体识别方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112395941B CN112395941B CN202011040057.6A CN202011040057A CN112395941B CN 112395941 B CN112395941 B CN 112395941B CN 202011040057 A CN202011040057 A CN 202011040057A CN 112395941 B CN112395941 B CN 112395941B
- Authority
- CN
- China
- Prior art keywords
- network
- radiation source
- individual
- radio signal
- training
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种无线电信号辐射源个体识别方法、计算机设备和存储介质，对截取的有用信号的数据段进行时频分析，获得时频图；用标记好的时频图作为训练数据集；使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；获取待识别信号，并将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。本发明极大地降低了对于专家知识的依赖，提升了特征函数的拟合能力，并具有较高的识别准确率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种无线电信号辐射源个体识别方法、计算机设备和存储介质。
背景技术
随着科学技术的发展，人工智能技术得到了广泛应用，其中，尤其对于信号的识别和处理已经有了长足的进步。无线电信号辐射源个体识别技术是指利用信号中携带的辐射源特性来确定信号辐射源发射个体设备的技术。即使对于同种型号的辐射源，其硬件的实现上也存在着细微的差异，因此，利用此技术也能够区别信号的辐射源。无线电信号辐射源个体识别技术在战场感知上起着至关重要的作用，是后续战场电子对抗决策的基础。传统方法中，试图利用功放线性特征，相位偏移特征等人工设计的专家特征进行辐射源分类。近些年来，随着深度学习技术的发展，深度辐射源指纹特征逐渐被运用到无线电信号辐射源个体识别中来。深度神经网络提取电台辐射源特征进行个体识别方法，相较与人工设计特征，具有专家知识依赖小，特征函数拟合能力强的优点，但需要更多标记数据的支持。利用采集并标注的真实数据集，设计了超短波电台深度特征提取方法，实现个体辐射源识别。
发明内容
1)本发明的主要目的是：
利用本专利成果，可在采集或接收到无线电信号辐射源后，确定发送无线电信号辐射源的个体设备。
2)技术方案：
基于此，有必要针对上述技术问题，提供一种无线电信号辐射源个体识别方法、计算机设备和存储介质。
第一方面，本申请实施例提供一种无线电信号辐射源个体识别方法，所述方法包括：
步骤1获取无线电信号辐射源的个体设备发出的信号，使用信号检测方法，截取有用信号的数据段；
步骤2对每个切割后的数据段进行时频分析，获取数据段的时频图；
步骤3用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图；
步骤4N个发射无线电信号辐射源的个体，共有N种标签；
步骤5用标记好的时频图作为训练数据集；
步骤6使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；
步骤7在分段特征提取网络后加分类识别网络，构建无线电信号辐射源分段特征个体识别网络；
步骤8在两级无线电信号辐射源个体特征提取网络后加分类识别网络，构建无线电信号辐射源聚合特征个体识别网络；
步骤9在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；
步骤10获取待识别信号，使用步骤1信号检测方法，截取有用信号的数据段；
步骤11采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图；
步骤12将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。
在其中一个实施例中，所述使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络，包括：
步骤6-1将每个训练样本分成M段，即将数据段时频图分成M段；
步骤6-2将训练样本的每段时频图，作为分段特征提取网络的输入；
步骤6-3将M个分段特征提取网络的输出，组合成为特征聚合网络的输入；
步骤6-4将特征聚合网络的输出，作为训练样本的辐射源个体特征。
在其中一个实施例中，所述在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率，包括：
步骤9-1将训练时频图样本进行分段，分段后数据的标签与训练样本的标签相同；
步骤9-2构成分段特征提取网络训练数据集；
步骤9-3在分段特征提取网络训练数据集上，训练无线电信号辐射源分段特征个体识别网络，提升该网络识别信号辐射源个体的准确率；
步骤9-4在原训练数据集上，训练无线电信号辐射源聚合特征个体识别网络，提升该网络识别信号辐射源个体的准确率。
第二方面，本申请实施例提供一种无线电信号辐射源个体识别装置，所述装置包括：
获取模块，用于获取带有标签的信号实例和待识别信号，每种标签对应一种特定的物理特征，获取模块将带有标签的信号实例输出到训练模块，将待识别信号输出到分类模块；
识别模块，用于调用获取模块中带有标签的信号实例，训练智能识别模型，将训练好的智能模型参数存储后，供分类模块调用；
分类模块，用于调用获取模块中待识别的信号并传递给识别模块，并调取识别模块中的预测结果，分类待识别信号。
第三方面，本申请实施例提供一种计算机设备，包括存储器、通用计算处理器和智能训练计算处理器，所述存储器存储有计算机程序，所述通用计算处理器和智能训练计算处理器执行所述计算机程序时实现以下步骤：
步骤1获取无线电信号辐射源的个体设备发出的信号，使用信号检测方法，截取有用信号的数据段；
步骤2对每个切割后的数据段进行时频分析，获取数据段的时频图；
步骤3用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图；
步骤4N个发射无线电信号辐射源的个体，共有N种标签；
步骤5用标记好的时频图作为训练数据集；
步骤6使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；
步骤7在分段特征提取网络后加分类识别网络，构建无线电信号辐射源分段特征个体识别网络；
步骤8在两级无线电信号辐射源个体特征提取网络后加分类识别网络，构建无线电信号辐射源聚合特征个体识别网络；
步骤9在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；
步骤10获取待识别信号，使用步骤1信号检测方法，截取有用信号的数据段；
步骤11采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图；
步骤12将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
步骤1获取无线电信号辐射源的个体设备发出的信号，使用信号检测方法，截取有用信号的数据段；
步骤2对每个切割后的数据段进行时频分析，获取数据段的时频图；
步骤3用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图；
步骤4N个发射无线电信号辐射源的个体，共有N种标签；
步骤5用标记好的时频图作为训练数据集；
步骤6使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；
步骤7在分段特征提取网络后加分类识别网络，构建无线电信号辐射源分段特征个体识别网络；
步骤8在两级无线电信号辐射源个体特征提取网络后加分类识别网络，构建无线电信号辐射源聚合特征个体识别网络；
步骤9在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；
步骤10获取待识别信号，使用步骤1信号检测方法，截取有用信号的数据段；
步骤11采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图；
步骤12将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。
3)技术效果：
本发明达到效果包括：
上述无线电信号辐射源个体识别方法、计算机设备和存储介质，通过计算机设备获取信号实例和待识别信号，并采用训练好的识别模型对待识别信号进行识别，得到识别结果。采用该方法，极大地降低了对于专家知识的依赖，提升了特征函数的拟合能力，并具有较高的识别准确率。
在一个具体的9个无线电信号辐射源超短波电台个体识别的实施例中，9部电台的通信体制，通信波形协议等完全相同，在测试数据上，使用分段特征进行辐射源个体识别，可到达80％以上的识别准确率；使用聚合辐射源特征进行辐射源个体识别，可达到97％以上的分类准确率。
附图说明
图1为本发明方法的一个实施例中计算机设备的内部结构图；
图2为本发明的一个实施例中的特征提取网络结构示意图；
图3为本发明的一个实施例中的一段无线电采样信号的时频分析图；
图4为本发明在一个具体的9个无线电信号辐射源超短波电台个体识别的实施例中，使用分段特征提取网络模型在测试集的特征t-SNE可视化结果；
图5为本发明在一个具体的9个无线电信号辐射源超短波电台个体识别的实施例中，使用特征聚合网络模型在测试集的特征t-SNE可视化结果；
图6为本发明的一个实施例提供的无线电信号辐射源个体识别装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的无线电信号辐射源个体识别方法，可以适用于图1所示的计算机设备。该计算机设备包括通过总线连接的通用计算处理器、智能训练计算处理器、存储器、网络接口、显示设备、输入装置和输出装置。其中，该计算机设备的通用计算处理器用于提供通用计算和控制能力。该计算机设备的智能训练计算处理器用于提供智能模型训练和推理运算加速能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的有标签信号实例、预测模型、识别模型和分类模型，有关预测模型、识别模型和分类模型的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的，该计算机设备可以是服务器，可以是台式机，可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示设备可以是显示屏，如液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等，还可以是将外界物理信息传入计算机的装置，如：摄像头、压力感应麦克风装置等等。该计算机设备的输出装置是可以传出信息的装置，如显示器、喇叭和振动装置等，喇叭可以进行人声输出、振动装置可以特定振动来表达信息，等等。当然，输入输出装置和显示设备也可以不属于计算机设备的一部分，可以是计算机设备的外接设备。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体地计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。
实施例1：下面这个具体地实施例可以结合不同的识别信号类型进行调整。下面将结合附图，对本申请的实施例进行描述。
需要说明的是，下述方法实施例的执行主体可以分别是无线电信号辐射源个体识别装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
本实施例涉及的是计算机设备采用识别模型和分类模型对待识别信号进行分类的具体过程，包括：
步骤1获取无线电信号辐射源的个体设备发出的信号，使用信号检测方法，截取有用信号的数据段。
具体地，计算机设备获取的信号实例，可以是读取自身存储设备上存储的有标签信息的信号实例；也可以是接收其他设备发送的有标签信息的信号实例；还可以是对原始有标签的信号实例进行预处理之后得到的有标签的信号实例。可选地，上述预处理可以是对信号进行上采样、下采样、剪裁、归一化等处理。可选地，作为一个具体地处理方式，上述预处理还可以是对原始信号实例采用滤波网络对其进行滤波处理，从而实现对原始信号实例的增强，得到有标签信息的信号实例。可选地，该信号检测方法可以能量阈值检测方法，将超过一定能量的信号数据作为截取数据段，也可以是其他的信号检测方法，对此本实施例也不限定。
步骤2对每个切割后的数据段进行时频分析，获取数据段的时频图；
具体地，计算机设备采用时频分析的方法对原始采样数据进行预处理，以得到特征提取网络的图像输入形式。
步骤3用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图；
具体地，计算机设备用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图。
步骤4N个发射无线电信号辐射源的个体，共有N种标签；
具体地，计算机设备要识别N个发射无线电信号辐射源的个体，对应N种标签。
步骤5用标记好的时频图作为训练数据集；
具体地，计算机设备将时频图打上个体唯一识别的标签后，存储起来，作为训练数据集。
步骤6使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；
具体地，计算机设备使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络。
步骤7在分段特征提取网络后加分类识别网络，构建无线电信号辐射源分段特征个体识别网络；
具体地，计算机设备在分段特征提取网络后加分类识别网络，该分类识别网络可以由全连接网络构成，构建无线电信号辐射源分段特征个体识别网络。
步骤8在两级无线电信号辐射源个体特征提取网络后加分类识别网络，构建无线电信号辐射源聚合特征个体识别网络；
具体地，计算机设备在两级无线电信号辐射源个体特征提取网络后加分类识别网络，该分类识别网络可以由全连接网络构成，构建无线电信号辐射源聚合特征个体识别网络。
步骤9在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；
具体地，计算机设备在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率。
步骤10获取待识别信号，使用步骤1信号检测方法，截取有用信号的数据段；
具体地，计算机设备获取的信号实例，可以是读取自身存储设备上存储的有标签信息的信号实例；也可以是接收其他设备发送的有标签信息的信号实例；还可以是对原始有标签的信号实例进行预处理之后得到的有标签的信号实例。可选地，上述预处理可以是对信号进行上采样、下采样、剪裁、归一化等处理。可选地，作为一个具体地处理方式，上述预处理还可以是对原始信号实例采用滤波网络对其进行滤波处理，从而实现对原始信号实例的增强，得到有标签信息的信号实例。可选地，该信号检测方法可以能量阈值检测方法，将超过一定能量的信号数据作为截取数据段，也可以是其他的信号检测方法，对此本实施例也不限定。
步骤11采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图；
具体地，计算机设备采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图。
步骤12将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。
具体地，计算机设备可以将存储的预测信号与待识别的信号进行特征提取后，再分类识别。对衡量预测准确度的方法，可以是相似性累加求平均值的方式，也可以是相似性加权累加求均值的方式，也可以是其他方式，本实施例不做限定。
本实施例中，通过计算机设备获取信号实例和待识别信号，并采用训练好的识别模型对待识别信号进行识别，得到识别结果。采用该方法，极大地降低了对于专家知识的依赖，提升了特征函数的拟合能力，并具有较高的识别准确率。
在上述实施例基础上，可选地，上述实现方式中，“使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络”的一种可能的实现方式，包括：
步骤6-1将每个训练样本分成M段，即将数据段时频图分成M段；
具体地，计算机设备将存储的训练样本进行等大小连续分段，分成M段，即将数据段时频图分成M段。
步骤6-2将训练样本的每段时频图，作为分段特征提取网络的输入；
具体地，计算机设备将将训练样本的每段时频图，作为分段特征提取网络的输入，该分段特征提取网络可以由残差网络(Residual Neural Network)网络构成。
步骤6-3将M个分段特征提取网络的输出，组合成为特征聚合网络的输入；
具体地，计算机设备将M个分段特征提取网络的输出，组合成为特征聚合网络的输入，该特征聚合网络可以由长短时记忆网络(LSTM)网络构成，在一个具体地实施实施例中组合结构如图2所示。
步骤6-4将特征聚合网络的输出，作为训练样本的辐射源个体特征。
具体地，计算机设备将将特征聚合网络的输出，作为训练样本的辐射源个体特征。
可选地，上述实现方式中，“在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率”的一种可能的实现方式，包括：
步骤9-1将训练时频图样本进行分段，分段后数据的标签与训练样本的标签相同；
具体地，计算机设备将训练时频图样本进行等大小连续分段，分成M段，分段后数据的标签与训练样本的标签相同。
步骤9-2构成分段特征提取网络训练数据集；
具体地，计算机设备使用分段后的数据构成分段特征提取网络训练数据集。
步骤9-3在分段特征提取网络训练数据集上，训练无线电信号辐射源分段特征个体识别网络，提升该网络识别信号辐射源个体的准确率；
具体地，计算机设备在分段特征提取网络训练数据集上，训练无线电信号辐射源分段特征个体识别网络，提升该网络识别信号辐射源个体的准确率。
步骤9-4在原训练数据集上，训练无线电信号辐射源聚合特征个体识别网络，提升该网络识别信号辐射源个体的准确率；
具体地，计算机设备在原训练数据集上，训练无线电信号辐射源聚合特征个体识别网络，提升该网络识别信号辐射源个体的准确率。
实施例2：在另一个具体实施例中，以9个TDMA体制超短波电台信号个体识别为例，实施本发明进行的无线电信号辐射源个体识别。采集分析无线电信号辐射源，构建了包含160,000个示例的训练样本以及8,000个示例的测试样本。采集过程中每部电台均遍历了多种通信模式，其变量包括：定频/跳频，频点/跳频图案集，发射功率，信道衰落等。
计算机环境配置如下：
框架：深度学习框架Pytorch 1.4版本，python 3.6版本，英伟达加速库cuda10.1版本
计算卡型号：英伟达显卡RTX 2080ti(4个)
步骤1获取无线电信号辐射源的个体设备发出的信号，使用信号检测方法，截取有用信号的数据段；
具体地，在采样带宽为30MHz、采样速率50Msps的情况下，对于TDMA体制的超短波电台采样数据，仅在部分时隙内存在信号。因此首先使用能量阈值的方法进行信号检测，将包含信号的数据段提取出来。对于提取出来的采样数据，按照20480个I/Q采样点进行切割，即每个切割后的数据段包含20480个采样点的信号数据。
步骤2对每个切割后的数据段进行时频分析，获取数据段的时频图；
卷积神经网络卷积核的设计适用于图像局部信息的提取，因此，采用时频分析的方法对原始I/Q采样数据进行预处理，以得到特征提取网络的图像输入形式。采用短时傅里叶变换(STFT)对切割的样本进行处理，获得每个样本的时频图，调整窗长和窗滑动距离使每个切割后的样本变换结果的时间采样点为128。短时傅立叶变换基本思想是将信号加滑动时间窗，并对窗内信号做傅立叶变换，得到信号的时变频谱。离散形式的STFT变换公式为：
其中Z(k)为源信号，g(k)为窗函数。F为依据采样率确定的频率步长。输出的m维为时间维度，n维为频率维度。
下一步进行载频粗同步，将信号频段截取并重采样使频率采样点为128。由于傅里叶变换的结果为复数，使用实部、虚部和模长作为输入的三个通道。至此，将每个切割样本点转变成了3*1280*128维度的矩阵形式输入。为了去除不同辐射源信号接收功率不一致的不良影响，使用模长通道的F范数对数据进行归一化。图3为一段电台采样数据的时频分析图。
步骤3用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图；
具体地，用9个电台的唯一标识码作为标签，标记截取的数据段时频图。
步骤4共9个发射无线电信号辐射源的个体，有9种标签；
步骤5用标记好的时频图作为训练数据集；
具体地，训练数据集包括160,000个样本。
步骤6使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；
具体地，分段特征提取网络为18层的残差网络(Resnet18),特征聚合网络为长短时记忆网络(LSTM)。
步骤6-1将每个训练样本分成10段，即数据段时频图分成10段；
具体地，将每个训练样本分成10段，即数据段时频图分成10段，每段时频图为3*128*128维度的矩阵。
步骤6-2将训练样本的每段时频图，作为分段特征提取网络的输入；
步骤6-3将10个分段特征提取网络的输出，组合成为特征聚合网络的输入；
具体地，每个分段提取网络的输出为1024维向量，特征聚合网络的输入为10*1024维矩阵作为长短时记忆网络10个时序单元的输入。长短时记忆网络的初始状态设为10个1024维向量的均值。
步骤6-4将特征聚合网络的输出，作为训练样本的辐射源个体特征；
具体地，输出为10*512维向量，取长短时记忆网络最后时序单元的输出即512维向量作为辐射源个体特征。
步骤7在分段特征提取网络后加分类识别网络，构建无线电信号辐射源分段特征个体识别网络；
具体地，分类识别网络由多个全连接层构成，输入节点数为分段提取网络输出特征维数，在本例中为1024，最后一层的节点个数为辐射源个体数量，在本例中为9。
步骤8在两级无线电信号辐射源个体特征提取网络后加分类识别网络，构建无线电信号辐射源聚合特征个体识别网络；
具体地，分类识别网络同步骤7，输入节点数为特征聚合网络输出特征维数，在本例中为512。
步骤9在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；
具体地，分类识别网络的输出通过一个softmax层输出属于各辐射源的概率，并使用交叉熵作为损失函数进行训练。其中softmax定义为：
w(i)为全接连层第i个节点的输出，由上式可知，softmax函数将全连接层的输出映射为一个概率测度S，且输出值越大，对应的概率越高。交叉熵损失的定义为：
p(x)表示真实的概率，q(x)表示输出得到的概率。在分类问题中，由于p(x)对应类别位置为1，其它维度为0，因此交叉熵可表示为：
H(p,q)＝-log(q(xl))
其中q(x_l)表示真实类别维度的输出概率。
步骤9-1将训练时频图样本进行分段，分段后数据的标签与训练样本的标签相同；
步骤9-2构成分段特征提取网络训练数据集；
具体地，训练参数设定如下。批大小为128*4，网络参数学习率设为1e-3(每训练5个循环衰减10倍),优化器使用随机梯度下降SGD。
步骤9-3在分段特征提取网络训练数据集上，训练无线电信号辐射源分段特征个体识别网络，提升该网络识别信号辐射源个体的准确率；
具体地，训练参数设定如下。批大小为120*4，网络参数学习率设为1e-2(每训练5个循环衰减10倍),优化器使用随机梯度下降SGD。
步骤9-4在原训练数据集上，训练无线电信号辐射源聚合特征个体识别网络，提升该网络识别信号辐射源个体的准确率。
步骤10获取待识别信号，使用步骤1信号检测方法，截取有用信号的数据段；
步骤11采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图；
步骤12将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。
具体地，对于9部TDMA体制的电台信号，使用第一个阶段输出的分段特征，可到达80％以上的识别准确率；使用模型输出的聚合辐射源特征，最终可达到97％以上的分类准确率。图4为使用分段特征提取网络模型在测试集的特征t-SNE可视化结果；图5为使用特征聚合网络模型在测试集的特征t-SNE可视化结果。
实施例3：如图6所示，提供了一种无线电信号辐射源个体识别装置，所述装置包括：
获取模块100，用于获取带有标签的信号实例和待识别信号，每种标签对应一种特定的物理特征，获取模块将带有标签的信号实例输出到训练模块，将待识别信号输出到分类模块；
识别模块200，用于调用获取模块中带有标签的信号实例，训练智能识别模型，将训练好的智能模型参数存储后，供分类模块调用；
预测模块300，用于调用获取模块中待识别的信号并传递给识别模块，并调取识别模块中的预测结果，分类待识别信号。
关于信号识别装置具体限定，可以分别参见上文中对于信号识别方法的限定，在此不再赘述。上述信号识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的通用计算处理和智能训练计算处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
实施例4：提供了一种计算机设备，包括存储器、通用计算处理器和智能训练计算处理器，存储器中存储有计算机程序，该通用计算处理器和智能训练计算处理器执行计算机程序时实现以下步骤：
步骤1获取无线电信号辐射源的个体设备发出的信号，使用信号检测方法，截取有用信号的数据段；
步骤2对每个切割后的数据段进行时频分析，获取数据段的时频图；
步骤3用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图；
步骤4N个发射无线电信号辐射源的个体，共有N种标签；
步骤5用标记好的时频图作为训练数据集；
步骤6使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；
步骤7在分段特征提取网络后加分类识别网络，构建无线电信号辐射源分段特征个体识别网络；
步骤8在两级无线电信号辐射源个体特征提取网络后加分类识别网络，构建无线电信号辐射源聚合特征个体识别网络；
步骤9在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；
步骤10获取待识别信号，使用步骤1信号检测方法，截取有用信号的数据段；
步骤11采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图；
步骤12将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。
在一个实施例中，所述使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络，包括：
步骤6-1将每个训练样本分成M段，即数据段时频图分成M段；
步骤6-2将训练样本的每段时频图，作为分段特征提取网络的输入；
步骤6-3将M个分段特征提取网络的输出，组合成为特征聚合网络的输入；
步骤6-4将特征聚合网络的输出，作为训练样本的辐射源个体特征。
在一个实施例中，所述在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率，包括：
步骤9-1将训练时频图样本进行分段，分段后数据的标签与训练样本的标签相同；
步骤9-2构成分段特征提取网络训练数据集；
步骤9-3在分段特征提取网络训练数据集上，训练无线电信号辐射源分段特征个体识别网络，提升该网络识别信号辐射源个体的准确率；
步骤9-4在原训练数据集上，训练无线电信号辐射源聚合特征个体识别网络，提升该网络识别信号辐射源个体的准确率。
应当清楚的是，本申请实施例中通用计算处理和智能训练计算处理器执行计算机程序的过程，与上述方法中各个步骤的执行过程一致，具体可参见上文中的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种无线电信号辐射源个体识别方法，其特征在于，所述方法包括：
步骤1获取无线电信号辐射源的个体设备发出的信号，使用信号检测方法，截取有用信号的数据段；
步骤2对每个切割后的数据段进行时频分析，获取数据段的时频图；
步骤3用发射无线电信号辐射源的个体设备的唯一标识码作为标签，标记截取的数据段的时频图；
步骤4N个发射无线电信号辐射源的个体，共有N种标签；
步骤5用标记好的时频图作为训练数据集；
步骤6使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络；
步骤7在分段特征提取网络后加分类识别网络，构建无线电信号辐射源分段特征个体识别网络；
步骤8在两级无线电信号辐射源个体特征提取网络后加分类识别网络，构建无线电信号辐射源聚合特征个体识别网络；
步骤9在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率；
步骤10获取待识别信号，使用步骤1信号检测方法，截取有用信号的数据段；
步骤11采用步骤2时频分析的方法对截取数据进行预处理，得到数据段的时频图；
步骤12将时频图进行分段，输入给无线电信号辐射源聚合特征个体识别网络，识别信号辐射源个体。
2.根据权利要求1所述的方法，其特征在于，所述使用分段特征提取网络和特征聚合网络，构建两级无线电信号辐射源个体特征提取网络，包括：
步骤6-1将每个训练样本分成M段，即将数据段时频图分成M段；
步骤6-2将训练样本的每段时频图，作为分段特征提取网络的输入；
步骤6-3将M个分段特征提取网络的输出，组合成为特征聚合网络的输入；
步骤6-4将特征聚合网络的输出，作为训练样本的辐射源个体特征。
3.根据权利要求1所述的方法，其特征在于，所述在训练数据集上，分别训练无线电信号辐射源分段和聚合特征个体识别网络，提升网络识别信号辐射源个体的准确率，包括：
步骤9-1将训练时频图样本进行分段，分段后数据的标签与训练样本的标签相同；
步骤9-2构成分段特征提取网络训练数据集；
步骤9-3在分段特征提取网络训练数据集上，训练无线电信号辐射源分段特征个体识别网络，提升该网络识别信号辐射源个体的准确率；
步骤9-4在原训练数据集上，训练无线电信号辐射源聚合特征个体识别网络，提升该网络识别信号辐射源个体的准确率。
4.一种无线电信号辐射源个体识别装置，其特征在于，所述装置包括：
获取模块，用于获取带有标签的信号实例和待识别信号，每种标签对应一种特定的物理特征，获取模块将带有标签的信号实例输出到训练模块，将待识别信号输出到分类模块；
识别模块，用于调用获取模块中带有标签的信号实例，训练智能识别模型，将训练好的智能模型参数存储后，供分类模块调用；
分类模块，用于调用获取模块中待识别的信号并传递给识别模块，并调取识别模块中的预测结果，分类待识别信号。
5.一种计算机设备，包括存储器、通用计算处理器和智能训练计算处理器，所述存储器存储有计算机程序，其特征在于，所述通用计算处理器和智能训练计算处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
6.一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，所述计算机程序被通用计算处理器和智能训练计算处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011040057.6A CN112395941B (zh) | 2020-09-28 | 2020-09-28 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011040057.6A CN112395941B (zh) | 2020-09-28 | 2020-09-28 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112395941A CN112395941A (zh) | 2021-02-23 |
| CN112395941B true CN112395941B (zh) | 2022-09-20 |
Family
ID=74596511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011040057.6A Active CN112395941B (zh) | 2020-09-28 | 2020-09-28 | 无线电信号辐射源个体识别方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112395941B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114154545B (zh) * | 2021-12-07 | 2022-08-05 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
| CN114626418A (zh) * | 2022-03-18 | 2022-06-14 | 中国人民解放军32802部队 | 一种基于多中心复残差网络的辐射源识别方法及装置 |
| CN115099289B (zh) * | 2022-08-24 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 基于微弱指纹特征的无线电辐射源身份判别系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 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 |
-
2020
- 2020-09-28 CN CN202011040057.6A patent/CN112395941B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络的辐射源个体识别技术;耿梦婕等;《电子测量技术》;20191108(第21期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112395941A (zh) | 2021-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112395941B (zh) | 无线电信号辐射源个体识别方法、计算机设备和存储介质 | |
| US11087180B2 (en) | Risky transaction identification method and apparatus | |
| CN112070058A (zh) | 人脸面部复合情感表情识别方法及系统 | |
| CN111914919A (zh) | 基于深度学习的开放集辐射源个体识别方法 | |
| CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
| CN111177367B (zh) | 案件分类方法、分类模型训练方法及相关产品 | |
| CN113780243B (zh) | 行人图像识别模型的训练方法、装置、设备以及存储介质 | |
| CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
| CN112348006A (zh) | 一种无人机信号识别方法、系统、介质及设备 | |
| Zhao et al. | DeepCount: Crowd counting with Wi-Fi using deep learning | |
| CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
| CN111460923A (zh) | 微表情识别方法、装置、设备和存储介质 | |
| CN113971437B (zh) | 一种基于商用Wi-Fi设备的跨域手势识别方法 | |
| CN113793620B (zh) | 基于场景分类的语音降噪方法、装置、设备及存储介质 | |
| CN115062642A (zh) | 一种信号辐射源识别方法、装置、设备及存储介质 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN110866143B (zh) | 一种音频场景分类方法及系统 | |
| CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
| CN110647810A (zh) | 一种无线电信号图像识别模型构建、识别方法及装置 | |
| CN115100733A (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
| CN115512693A (zh) | 音频识别方法、声学模型训练方法、装置和存储介质 | |
| Quazi et al. | Image Classification and Semantic Segmentation with Deep Learning | |
| Arulmozhi et al. | ALRC: A novel adaptive linear regression based classification for grade based student learning using radio frequency identification | |
| Gu et al. | Radio frequency fingerprinting driven drone identification based on complex-valued CNN | |
| Ebraheem et al. | Lip Movement as a WiFi-Enabled Behavioral Biometric: A Pilot Study |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhu Yuxuan Inventor after: Bao Yanfei Inventor after: Ma Yu Inventor after: Yang Jian Inventor after: Tian Zhen Inventor after: Liu Jie Inventor after: Ji Gang Inventor before: Zhu Yuxuan Inventor before: Bao Yanfei Inventor before: Ma Yu Inventor before: Yang Jian Inventor before: Tian Zhen Inventor before: Liu Jie |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |