CN112464713A - 一种基于深度学习的通信辐射源射频指纹识别方法 - Google Patents

一种基于深度学习的通信辐射源射频指纹识别方法 Download PDF

Info

Publication number
CN112464713A
CN112464713A CN202011134197.XA CN202011134197A CN112464713A CN 112464713 A CN112464713 A CN 112464713A CN 202011134197 A CN202011134197 A CN 202011134197A CN 112464713 A CN112464713 A CN 112464713A
Authority
CN
China
Prior art keywords
deep learning
radiation source
layer
training
communication radiation
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
Application number
CN202011134197.XA
Other languages
English (en)
Other versions
CN112464713B (zh
Inventor
方梦卿
张友华
彭征承
朱俊霖
许雨璐
夏猛
李科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202011134197.XA priority Critical patent/CN112464713B/zh
Publication of CN112464713A publication Critical patent/CN112464713A/zh
Application granted granted Critical
Publication of CN112464713B publication Critical patent/CN112464713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2218/08—Feature extraction
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：使用通信信号接收装置，接收通信辐射源信号，并对信号进行处理，获得I/Q两路数字零中频信号；同时提取I/Q两路数字零中频信号的三种指纹信息，分别为：矩形积分双谱特征、分形盒维数特征、小波特征；将三种指纹信息数据集划分为训练集和测试集；构建多通道深度学习模型，并利用训练集和测试集训练模型直至模型精度达到98％；本发明在现有的通信辐射源射频指纹识别的传统方法上进行创新，利用信号多特征融合的方法，采用多通道深度卷积神经网络模型，进行二次特征提取，提高通信辐射源射频指纹的识别精度，从而更好地达到实际环境对通信辐射源射频指纹的识别要求。

Description

一种基于深度学习的通信辐射源射频指纹识别方法
技术领域
本发明属于通信技术领域，具体是一种基于深度学习的通信辐射源射频指纹识别方法。
背景技术
通信辐射源射频指纹识别，是指针对不同通信辐射设备所发出射频信号中存在的独一无二的细微特征，采用信号处理和模式识别方法，对这些信号中的细微特征进行提取识别的过程。
业内利用深度学习模型进行通信辐射源射频指纹识别的方法，大多采用的是单通道深度学习模型，在此识别过程中，由于单通道深度学习模型的局限性，该方法往往未能保证所提取信号的多个特征的独立性，从而导致通信辐射源射频指纹识别精度的下降。因此，实际应用中此类模型难以取得理想的效果。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于深度学习的通信辐射源射频指纹识别方法。
为实现上述目的，本发明采用了如下技术方案：
一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：
A、使用通信信号接收装置，接收通信辐射源信号，并进行预选放大、混频、中频滤波、A/D转换、数字正交解调，获得I/Q两路数字零中频信号；
B、针对每种信号，提取其三种指纹信息，分别为：提取I/Q两路数字零中频信号的矩形积分双谱特征、提取I/Q两路数字零中频信号的分形盒维数特征、提取I/Q两路数字零中频信号的小波特征；
C、将提取到的所有通信辐射源信号的矩形积分双谱特征、分形盒维数特征和小波特征，划分为训练样本集和测试样本集；
D、构建多通道深度学习模型，即多通道深度卷积神经网络模型；
E、利用已组建的训练样本集和测试样本集，训练多通道深度学习模型，确定模型参数；
F、将几类待识别的通信辐射源信号的特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
优选的，所述步骤B中提取I/Q两路数字零中频信号的矩形积分双谱特征的方法为：
对I/Q两路数字零中频信号进行矩形积分双谱变换，获得M类待识别辐射源且每类辐射源具有s个样本信号，每个样本信号具有D维矩形积分双谱特征，构成D*s维的矩形积分双谱特征矩阵；
则有：X＝[x1,x2,…,xi,…,xs]∈RD×s
其中，i＝1，2，……，s，D是每个样本信号的矩形积分双谱特征的维数，xi∈[xi,1,xi,2,…,xi,j,…,xi,D]×RD，Xi是该类辐射源的第i个样本信号；
所述步骤B中提取I/Q两路数字零中频信号的分形盒维数特征的方法为：
对I/Q两路数字零中频信号进行局域均值分解，分解所得每个PF(分形维数特征)分量在波形特征上具有自相似性，因此同一个PF分量中包含了具有相似时间尺度特征的频率成分，依据分形维数的说明，可利用盒维数进行特征提取如下：
Figure BDA0002736133170000021
其中，d是分形维数特征(维数)，c是盒子尺寸大小，N是盒子数量，由于d是Nc、1/c所对应直线的斜率，因此，多次c改变值，获得多个样本点，最后利用直线拟合得到d值，
所述步骤B中提取I/Q两路数字零中频信号的小波特征的方法为：
对信号运用小波基函数进行分解，得到n个分解树，利用α(n,k,j)＝WTf计算分解树每层节点对应的小波系数，其中，α表示变换得到的小波系数，W是正交矩阵，f是输入信号。再次对每个分层进行分析，利用
Figure BDA0002736133170000022
及各节点能量归一化处理得到各节点能量百分比。
其中E(k，j)表示第k层第j个节点的能量值，α(n，k，j)表示对应节点的小波系数。
优选的，所述步骤D中构建多通道深度学习模型，即多通道卷积神经网络模型的方法如下：
D1：构建具备3个输入通道的卷积神经网络模型，提取所得3种信号特征，每种特征分别通过对应的一个通道输入，该特征输入后经过2个卷积层模块、2个池化层模块处理，处理顺序为：卷积、池化、卷积、池化；
每种信号特征经过输入通道、2个卷积层模块和2个池化层模块，得到处理结果，3种信号特征的处理结果融合输入至一个全局平均池化层模块进行处理，处理完毕后再通过Softmax函数层输出识别分类的结果；
D2：D1步骤中所述第一个卷积层模块中设置卷积层数为4-5层，每层卷积层均采用Same Padding法，激活函数均采用非线性Relu函数，D1步骤中所述第一个卷积层模块中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述第二个卷积层模块，设置卷积层数为4-5层，采用Same Padding法和Relu激活函数，D1步骤中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述每种信号特征经通道输入得到卷积层模块和池化层模块的处理，将3个通道经卷积、池化所得处理结果融合至全局平均池化层，将所得结果输入Softmax层进行识别分类，输出结果。
D3：D2步骤中两个所述卷积层模块均设置卷积层数为4-5层，且两个卷积层模块均设置"Batch Normalization"层，每层卷积计算后所得数据输入BN层，BN层对数据进行批量标准化处理后，输入Relu激活函数层处理，所得结果输入至下一层卷积，再次进行卷积计算、BN层和Relu激活函数层处理，直至该卷积层模块处理完毕。
优选的，所述步骤E中利用训练集训练多通道深度学习模型，将训练集数据输入模型中，采用反向传播算法训练模型，多次训练，直至模型准确率达到98％以上，且损失值降低至0.01以下。
优选的，所述步骤E中利用测试集训练深度学习模型，将测试集数据输入深度学习模型中，得到测试集的准确率和损失值,若测试集的准确率和训练集的准确率之差≥20％或测试集的损失值和训练集的损失值之差≥0.1，则该多通道深度学习模型存在过拟合问题，重复D1～D4步骤，直至测试集的准确率和训练集的准确率之差＜20％且测试集的损失值和训练集的损失值之差＜0.1，此时，该多通道深度学习模型训练完毕。
优选的，所述步骤F中利用训练完毕的多通道深度学习模型识别分类几类待识别的通信辐射源信号的方法为：将所得待识别通信辐射源信号的几种特征输入至训练完毕的多通道深度学习模型中，得到模型识别分类结果。
与现有技术相比，本发明提供了一种基于深度学习的通信辐射源射频指纹识别方法，具有如下有益效果：
本发明在现有的通信辐射源射频指纹识别的传统方法上进行创新，利用信号多特征融合的方法，采用多通道深度卷积神经网络模型，进行二次特征提取，提高通信辐射源射频指纹的识别精度，从而更好地达到实际环境对通信辐射源射频指纹的识别要求。
附图说明
图1是本发明的整体步骤流程示意图；
图2是本发明中深度学习模型框架图之一；
图3是本发明中深度学习模型框架图之二。
具体实施方式
以下结合附图1，进一步说明本发明一种基于深度学习的通信辐射源射频指纹识别方法的具体实施方式。本发明一种基于深度学习的通信辐射源射频指纹识别方法不限于以下实施例的描述。
本实施例给出一种基于深度学习的通信辐射源射频指纹识别方法的具体结构，如图1-3所示，一种基于深度学习的通信辐射源射频指纹识别方法，包括以下步骤：
A、使用通信信号接收装置，接收通信辐射源信号，并进行预选放大、混频、中频滤波、A/D转换、数字正交解调，获得I/Q两路数字零中频信号；
B、针对每种信号，提取其三种指纹信息，分别为：提取I/Q两路数字零中频信号的矩形积分双谱特征、提取I/Q两路数字零中频信号的分形盒维数特征、提取I/Q两路数字零中频信号的小波特征；
C、将提取到的所有通信辐射源信号的矩形积分双谱特征、分形盒维数特征和小波特征，划分为训练样本集和测试样本集；
D、构建多通道深度学习模型，即多通道深度卷积神经网络模型；
E、利用已组建的训练样本集和测试样本集，训练多通道深度学习模型，确定模型参数；
F、将几类待识别的通信辐射源信号的特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
步骤B中提取I/Q两路数字零中频信号的矩形积分双谱特征的方法为：
对I/Q两路数字零中频信号进行矩形积分双谱变换，获得M类待识别辐射源且每类辐射源具有s个样本信号，每个样本信号具有D维矩形积分双谱特征，构成D*s维的矩形积分双谱特征矩阵；
则有：X＝[x1,x2,…,xi,…,xs]∈RD×s
其中，i＝1，2，……，s，D是每个样本信号的矩形积分双谱特征的维数，xi∈[xi,1,xi,2,…,xi,j,…,xi,D]×RD，Xi是该类辐射源的第i个样本信号；
步骤B中提取I/Q两路数字零中频信号的分形盒维数特征的方法为：
对I/Q两路数字零中频信号进行局域均值分解，分解所得每个PF(分形维数特征)分量在波形特征上具有自相似性，因此同一个PF分量中包含了具有相似时间尺度特征的频率成分，依据分形维数的说明，可利用盒维数进行特征提取如下：
Figure BDA0002736133170000051
其中，d是分形维数特征(维数)，c是盒子尺寸大小，N是盒子数量，由于d是Nc、1/c所对应直线的斜率，因此，多次c改变值，获得多个样本点，最后利用直线拟合得到d值，
步骤B中提取I/Q两路数字零中频信号的小波特征的方法为：
对信号运用小波基函数进行分解，得到n个分解树，利用α(n,k,j)＝WTf计算分解树每层节点对应的小波系数，其中，α表示变换得到的小波系数，W是正交矩阵，f是输入信号。再次对每个分层进行分析，利用
Figure BDA0002736133170000061
及各节点能量归一化处理得到各节点能量百分比。
其中E(k，j)表示第k层第j个节点的能量值，α(n，k，j)表示对应节点的小波系数。
步骤D中构建多通道深度学习模型，即多通道卷积神经网络模型的方法如下：
D1：构建具备3个输入通道的卷积神经网络模型，提取所得3种信号特征，每种特征分别通过对应的一个通道输入，该特征输入后经过2个卷积层模块、2个池化层模块处理，处理顺序为：卷积、池化、卷积、池化；
每种信号特征经过输入通道、2个卷积层模块和2个池化层模块，得到处理结果，3种信号特征的处理结果融合输入至一个全局平均池化层模块进行处理，处理完毕后再通过Softmax函数层输出识别分类的结果；
D2：D1步骤中第一个卷积层模块中设置卷积层数为4-5层，每层卷积层均采用SamePadding法，激活函数均采用非线性Relu函数，D1步骤中第一个卷积层模块中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中第二个卷积层模块，设置卷积层数为4-5层，采用Same Padding法和Relu激活函数，D1步骤中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中每种信号特征经通道输入得到卷积层模块和池化层模块的处理，将3个通道经卷积、池化所得处理结果融合至全局平均池化层，将所得结果输入Softmax层进行识别分类，输出结果。
D3：D2步骤中两个卷积层模块均设置卷积层数为4-5层，且两个卷积层模块均设置"Batch Normalization"层(即为图3中批量标准化)，每层卷积计算后所得数据输入BN层，BN层对数据进行批量标准化处理后，输入Relu激活函数层处理，所得结果输入至下一层卷积，再次进行卷积计算、BN层和Relu激活函数层处理，直至该卷积层模块处理完毕。
D4：D2步骤中两个卷积层模块中均设置"skip connection"(即为图3中表示的远跳连接),构建残差模块。
步骤E中利用训练集训练多通道深度学习模型，将训练集数据输入模型中，采用反向传播算法训练模型，多次训练，直至模型准确率达到98％以上，且损失值降低至0.01以下。
步骤E中利用测试集训练深度学习模型，将测试集数据输入深度学习模型中，得到测试集的准确率和损失值,若测试集的准确率和训练集的准确率之差≥20％或测试集的损失值和训练集的损失值之差≥0.1，则该多通道深度学习模型存在过拟合问题，重复D1～D4步骤，直至测试集的准确率和训练集的准确率之差＜20％且测试集的损失值和训练集的损失值之差＜0.1，此时，该多通道深度学习模型训练完毕。
步骤F中利用训练完毕的多通道深度学习模型识别分类几类待识别的通信辐射源信号的方法为：将所得待识别通信辐射源信号的几种特征输入至训练完毕的多通道深度学习模型中，得到模型识别分类结果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：
A、使用通信信号接收装置，接收通信辐射源信号，并进行预选放大、混频、中频滤波、A/D转换、数字正交解调，获得I/Q两路数字零中频信号；
B、针对每种信号，提取其三种指纹信息，分别为：提取I/Q两路数字零中频信号的矩形积分双谱特征、提取I/Q两路数字零中频信号的分形盒维数特征、提取I/Q两路数字零中频信号的小波特征；
C、将提取到的所有通信辐射源信号的矩形积分双谱特征、分形盒维数特征和小波特征，划分为训练样本集和测试样本集；
D、构建多通道深度学习模型，即多通道深度卷积神经网络模型；
E、利用已组建的训练样本集和测试样本集，训练多通道深度学习模型，确定模型参数；
F、将几类待识别的通信辐射源信号的特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。
2.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤B中提取I/Q两路数字零中频信号的矩形积分双谱特征的方法为：
对I/Q两路数字零中频信号进行矩形积分双谱变换，获得M类待识别辐射源且每类辐射源具有s个样本信号，每个样本信号具有D维矩形积分双谱特征，构成D*s维的矩形积分双谱特征矩阵；
则有：X＝[x1,x2,…,xi,…,xs]∈RD×s
其中，i＝1，2，……，s，D是每个样本信号的矩形积分双谱特征的维数，xi∈[xi,1,xi,2,…,xi,j,…,xi,D]×RD，Xi是该类辐射源的第i个样本信号；
所述步骤B中提取I/Q两路数字零中频信号的分形盒维数特征的方法为：
对I/Q两路数字零中频信号进行局域均值分解，分解所得每个PF(分形维数特征)分量在波形特征上具有自相似性，因此同一个PF分量中包含了具有相似时间尺度特征的频率成分，依据分形维数的说明，可利用盒维数进行特征提取如下：
Figure FDA0002736133160000021
其中，d是分形维数特征(维数)，c是盒子尺寸大小，N是盒子数量，由于d是Nc、1/c所对应直线的斜率，因此，多次c改变值，获得多个样本点，最后利用直线拟合得到d值，
所述步骤B中提取I/Q两路数字零中频信号的小波特征的方法为：
对信号运用小波基函数进行分解，得到n个分解树，利用α(n,k,j)＝WTf计算分解树每层节点对应的小波系数，其中，α表示变换得到的小波系数，W是正交矩阵，f是输入信号。再次对每个分层进行分析，利用
Figure FDA0002736133160000022
及各节点能量归一化处理得到各节点能量百分比。
其中E(k，j)表示第k层第j个节点的能量值，α(n，k，j)表示对应节点的小波系数。
3.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤D中构建多通道深度学习模型，即多通道卷积神经网络模型的方法如下：
D1：构建具备3个输入通道的卷积神经网络模型，提取所得3种信号特征，每种特征分别通过对应的一个通道输入，该特征输入后经过2个卷积层模块、2个池化层模块处理，处理顺序为：卷积、池化、卷积、池化；
每种信号特征经过输入通道、2个卷积层模块和2个池化层模块，得到处理结果，3种信号特征的处理结果融合输入至一个全局平均池化层模块进行处理，处理完毕后再通过Softmax函数层输出识别分类的结果；
D2：D1步骤中所述第一个卷积层模块中设置卷积层数为4-5层，每层卷积层均采用SamePadding法，激活函数均采用非线性Relu函数，D1步骤中所述第一个卷积层模块中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述第二个卷积层模块，设置卷积层数为4-5层，采用Same Padding法和Relu激活函数，D1步骤中设置池化滑动窗口尺寸为：2*2，设置滑动步长为：2，采用最大池化法提取特征并降维，D1步骤中所述每种信号特征经通道输入得到卷积层模块和池化层模块的处理，将3个通道经卷积、池化所得处理结果融合至全局平均池化层，将所得结果输入Softmax层进行识别分类，输出结果。
D3：D2步骤中两个所述卷积层模块均设置卷积层数为4-5层，且两个卷积层模块均设置"Batch Normalization"层，每层卷积计算后所得数据输入BN层，BN层对数据进行批量标准化处理后，输入Relu激活函数层处理，所得结果输入至下一层卷积，再次进行卷积计算、BN层和Relu激活函数层处理，直至该卷积层模块处理完毕。
D4：D2步骤中两个所述卷积层模块中均设置"skip connection",构建残差模块。
4.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤E中利用训练集训练多通道深度学习模型，将训练集数据输入模型中，采用反向传播算法训练模型，多次训练，直至模型准确率达到98％以上，且损失值降低至0.01以下。
5.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤E中利用测试集训练深度学习模型，将测试集数据输入深度学习模型中，得到测试集的准确率和损失值,若测试集的准确率和训练集的准确率之差≥20％或测试集的损失值和训练集的损失值之差≥0.1，则该多通道深度学习模型存在过拟合问题，重复D1～D4步骤，直至测试集的准确率和训练集的准确率之差＜20％且测试集的损失值和训练集的损失值之差＜0.1，此时，该多通道深度学习模型训练完毕。
6.如权利要求1所述的一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：所述步骤F中利用训练完毕的多通道深度学习模型识别分类几类待识别的通信辐射源信号的方法为：将所得待识别通信辐射源信号的几种特征输入至训练完毕的多通道深度学习模型中，得到模型识别分类结果。
CN202011134197.XA 2020-10-21 2020-10-21 一种基于深度学习的通信辐射源射频指纹识别方法 Active CN112464713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011134197.XA CN112464713B (zh) 2020-10-21 2020-10-21 一种基于深度学习的通信辐射源射频指纹识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011134197.XA CN112464713B (zh) 2020-10-21 2020-10-21 一种基于深度学习的通信辐射源射频指纹识别方法

Publications (2)

Publication Number Publication Date
CN112464713A true CN112464713A (zh) 2021-03-09
CN112464713B CN112464713B (zh) 2022-11-08

Family

ID=74833195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011134197.XA Active CN112464713B (zh) 2020-10-21 2020-10-21 一种基于深度学习的通信辐射源射频指纹识别方法

Country Status (1)

Country Link
CN (1) CN112464713B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255548A (zh) * 2021-06-03 2021-08-13 西南交通大学 基于胶囊神经元的无线网络设备个体识别方法与应用
CN113449682A (zh) * 2021-07-15 2021-09-28 四川九洲电器集团有限责任公司 一种基于动态融合模型识别民航领域射频指纹的方法
CN113491506A (zh) * 2021-08-06 2021-10-12 中科搏锐（北京）科技有限公司 一种基于深度卷积网络的脑电信号处理方法及其设备
CN114218984A (zh) * 2021-12-07 2022-03-22 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
CN114241272A (zh) * 2021-11-25 2022-03-25 电子科技大学 基于深度学习的异构信息融合定位方法
CN114615666A (zh) * 2022-03-11 2022-06-10 四川大学 一种自适应多变干扰域的通用射频指纹提取与识别方法
CN114707549A (zh) * 2022-04-02 2022-07-05 中国人民解放军战略支援部队航天工程大学 一种辐射源电磁频谱指纹特征标定及提取方法
CN116633809A (zh) * 2023-06-26 2023-08-22 中国信息通信研究院 基于人工智能的检测方法和系统
CN113491506B (zh) * 2021-08-06 2024-05-17 中科搏锐（北京）科技有限公司 一种基于深度卷积网络的脑电信号处理方法及其设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106169070A (zh) * 2016-07-04 2016-11-30 中国人民解放军电子工程学院 基于协作表示的通信辐射源个体识别方法及系统
KR101682184B1 (ko) * 2016-04-28 2016-12-02 주식회사 레니븐테크놀로지 이탈 감지 기능을 갖는 이동형 방사선원 위치추적 단말기
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
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN108090462A (zh) * 2017-12-29 2018-05-29 哈尔滨工业大学 一种基于盒维数的辐射源指纹特征提取方法
CN108090412A (zh) * 2017-11-17 2018-05-29 西北工业大学 一种基于深度学习的雷达辐射源类别识别方法
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法
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
CN110110738A (zh) * 2019-03-20 2019-08-09 西安电子科技大学 一种基于多特征融合的雷达辐射源识别方法
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
CN111160171A (zh) * 2019-12-19 2020-05-15 哈尔滨工程大学 一种联合两域多特征的辐射源信号识别方法
CN111259937A (zh) * 2020-01-09 2020-06-09 中国人民解放军国防科技大学 一种基于改进tsvm的半监督通信辐射源个体识别方法
CN111310680A (zh) * 2020-02-24 2020-06-19 电子科技大学 一种基于深度学习的辐射源个体识别方法
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

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101682184B1 (ko) * 2016-04-28 2016-12-02 주식회사 레니븐테크놀로지 이탈 감지 기능을 갖는 이동형 방사선원 위치추적 단말기
CN106169070A (zh) * 2016-07-04 2016-11-30 中国人民解放军电子工程学院 基于协作表示的通信辐射源个体识别方法及系统
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
CN107301381A (zh) * 2017-06-01 2017-10-27 西安电子科技大学昆山创新研究院 基于深度学习和多任务学习策略的雷达辐射源识别方法
CN108090412A (zh) * 2017-11-17 2018-05-29 西北工业大学 一种基于深度学习的雷达辐射源类别识别方法
CN108090462A (zh) * 2017-12-29 2018-05-29 哈尔滨工业大学 一种基于盒维数的辐射源指纹特征提取方法
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
CN109254274A (zh) * 2018-11-23 2019-01-22 哈尔滨工程大学 一种基于特征融合的雷达辐射源辨识方法
CN110110738A (zh) * 2019-03-20 2019-08-09 西安电子科技大学 一种基于多特征融合的雷达辐射源识别方法
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
CN111160171A (zh) * 2019-12-19 2020-05-15 哈尔滨工程大学 一种联合两域多特征的辐射源信号识别方法
CN111259937A (zh) * 2020-01-09 2020-06-09 中国人民解放军国防科技大学 一种基于改进tsvm的半监督通信辐射源个体识别方法
CN111310680A (zh) * 2020-02-24 2020-06-19 电子科技大学 一种基于深度学习的辐射源个体识别方法
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)

* Cited by examiner, † Cited by third party
Title
SHUANG MA等: "Radiation Source Identification based on Box Dimension of PF and SIB Fusion", 《2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL, INFORMATION AND DATA PROCESSING (ICSIDP)》 *
苟嫣: "基于机器学习的辐射源识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
马爽: "基于多特征融合的无线通信设备指纹特征提取及识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255548A (zh) * 2021-06-03 2021-08-13 西南交通大学 基于胶囊神经元的无线网络设备个体识别方法与应用
CN113449682A (zh) * 2021-07-15 2021-09-28 四川九洲电器集团有限责任公司 一种基于动态融合模型识别民航领域射频指纹的方法
CN113449682B (zh) * 2021-07-15 2023-08-08 四川九洲电器集团有限责任公司 一种基于动态融合模型识别民航领域射频指纹的方法
CN113491506A (zh) * 2021-08-06 2021-10-12 中科搏锐（北京）科技有限公司 一种基于深度卷积网络的脑电信号处理方法及其设备
CN113491506B (zh) * 2021-08-06 2024-05-17 中科搏锐（北京）科技有限公司 一种基于深度卷积网络的脑电信号处理方法及其设备
CN114241272A (zh) * 2021-11-25 2022-03-25 电子科技大学 基于深度学习的异构信息融合定位方法
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
CN114218984A (zh) * 2021-12-07 2022-03-22 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
CN114615666A (zh) * 2022-03-11 2022-06-10 四川大学 一种自适应多变干扰域的通用射频指纹提取与识别方法
CN114615666B (zh) * 2022-03-11 2023-06-13 四川大学 一种自适应多变干扰域的通用射频指纹提取与识别方法
CN114707549A (zh) * 2022-04-02 2022-07-05 中国人民解放军战略支援部队航天工程大学 一种辐射源电磁频谱指纹特征标定及提取方法
CN116633809B (zh) * 2023-06-26 2024-01-23 中国信息通信研究院 基于人工智能的检测方法和系统
CN116633809A (zh) * 2023-06-26 2023-08-22 中国信息通信研究院 基于人工智能的检测方法和系统

Also Published As

Publication number Publication date
CN112464713B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN112464713B (zh) 一种基于深度学习的通信辐射源射频指纹识别方法
CN108399428B (zh) 一种基于迹比准则的三元组损失函数设计方法
CN109191382B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN106847302B (zh) 基于卷积神经网络的单通道混合语音时域分离方法
CN107506822B (zh) 一种基于空间融合池化的深度神经网络方法
CN113705446B (zh) 一种面向辐射源个体的开集识别方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN100595780C (zh) 一种基于模块神经网络的手写体数字自动识别方法
CN108090472B (zh) 基于多通道一致性特征的行人重识别方法及其系统
CN113569742B (zh) 一种基于卷积神经网络的宽频带电磁干扰源识别方法
CN101833671A (zh) 一种基于支持向量机的表面肌电信号多类别模式识别方法
CN110059765B (zh) 一种矿物智能识别分类系统与方法
CN109766469A (zh) 一种基于深度哈希学习优化的图像检索方法
CN111126481A (zh) 一种神经网络模型的训练方法及装置
CN112347910B (zh) 一种基于多模态深度学习的信号指纹识别方法
CN111368648B (zh) 雷达辐射源个体识别方法、装置、电子设备及其存储介质
CN111079847A (zh) 一种基于深度学习的遥感影像自动标注方法
CN105550712A (zh) 基于优化卷积自动编码网络的极光图像分类方法
CN110704662A (zh) 一种图像分类方法及系统
CN111256965A (zh) 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
CN114998958A (zh) 一种基于轻量化卷积神经网络的人脸识别方法
CN107516069A (zh) 基于几何重构和多尺度分析的目标识别方法
CN112381667B (zh) 一种基于深度学习的配网电气拓扑识别方法
CN112966735B (zh) 一种基于谱重建的监督多集相关特征融合方法
CN111967501B (zh) 一种遥测原始数据驱动的载荷状态判别方法及判别系统

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