CN113435245B - 一种空中辐射源个体识别方法、系统及应用 - Google Patents

Abstract

本发明属于应用电子设备进行识别的方法或装置技术领域，公开了一种空中辐射源个体识别方法、系统及应用，对接收的空中辐射源信号进行下变频等预处理；对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到信号的三种特征；将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。本发明可以有效打破传统深度学习网络中规格化的矩形感受野，让网络在卷积操作时更偏向于有用的信息内容，忽略部分背景噪声信息，在低信噪比环境下达到更好的分类效果，在‑2dB时识别准确率超过90％，在3dB时识别准确率达到100％。

Description

一种空中辐射源个体识别方法、系统及应用

技术领域

本发明属于应用电子设备进行识别的方法或装置技术领域，尤其涉及一种空中辐射源个体识别方法、系统及应用。

背景技术

空中辐射源个体识别技术的基本任务是利用被动观测信号的指纹特征，识别发射该信号的特定空中辐射源目标，获取电子情报。空中辐射源个体识别技术在电子情报、电子支援、认知无线电以及无线网络安全等诸多领域，都有着广泛而深入的应用，历来都是信号处理领域中的研究热点之一。目前，目标空中辐射源个体识别领域的研究主要集中在通信辐射源个体识别和雷达辐射源个体识别方面。对于通信辐射源个体识别而言，由于受到不同辐射源设备内部器件的差异，调制信号中的非线性产物如谐波，交调干扰，互调干扰以及杂散输出如放大器非线性失真等的影响，实际辐射源信号存在非线性，非平稳的特点。现有技术一通过提取实际通信辐射源信号的非线性动力学参数作为实现了辐射源个体识别。现有技术二通过提取信号的归一化排列熵作为指纹特征，实现了同种调制方式的不同电台信号识别。现有技术三将辐射源看作一个非线性动力系统，通过Hilbert变换得到信号的幅度、相位、频率序列，利用相空间重构提取序列的排列熵作为信号指纹特征，完成数字电台识别。针对雷达辐射源个体识别，现有的方法大致可以分为基于时域特征的识别方法，基于时频域特征的识别方法和基于统计特征的识别方法。现有技术四通过提取载频、脉冲宽度、脉冲幅度、到达时间、和到达角等参数，组成脉冲描述字参数，利用决策树分类，从而实现了宽信噪比范围内的雷达辐射源个体识别。现有技术五研究了脉冲序列的时域12维特征参数，利用数据平滑去除数据错误和不连续性，有效提高雷达辐射源个体识别正确率。现有技术六利用广义时频表征提取绝对斜率和比、多项曲线拟合系数、脊阶梯数目和极差归一化系数等特征，有效实现了雷达辐射源个体识别。现有技术七通过提取辐射源信号的采样熵和模糊熵构建特征向量，利用支持向量机完成雷达辐射源个体识别。现有技术八提取辐射源信号的模糊函数主脊切片特征，并采用奇异值分解去除噪声影响，从而实现了辐射源个体识别。现有技术九提取信号的魏格纳威尔分布，采用卷积神经网络模型训练数据，实现辐射源个体的识别。现有技术十将信号的短时傅里叶变换作为特征，利用卷积自动编码器网络实现辐射源个体的分类识别。现有技术十一提取信号的双谱，采用深度置信网络模型训练数据，实现辐射源个体的识别。

现有技术一—现有技术八使用传统识别方法，传统方法往往只能提取信号一些浅层的特征，对信号深层信息挖掘不够充分，在较低信噪比环境下识别性能欠佳，另外，上述识别技术实现起来较为复杂，且可靠性较低。现有技术九—现有技术十一采用了深度学习网络挖掘信号深层特征，但网络中常规的滤波器只能在固定位置对输入特征图进行采样，缺少用于处理几何变换的内部机制，适合传统自然图像处理，对处理信号特征这种轮廓型图片的兼容性不高。

综上所述，现有技术存在的问题是：

(1)现有技术中传统方法在较低信噪比环境下识别性能欠佳，实现复杂，且可靠性较低.

(2)现有技术中利用深度学习网络的方法只能在固定位置对输入特征图进行采样，缺少用于处理几何变换的内部机制，适合传统自然图像处理，对处理信号特征这种轮廓型图片的兼容性不高。.

解决以上问题及缺陷的难度为：打破深度学习网络中规格化的矩形感受野，让网络在卷积操作时更偏向于有用的信息内容，忽略部分背景噪声信息。

解决以上问题及缺陷的意义为：将更有利于网络对信号特征的学习，达到更好的分类效果，在非合作通信以及辐射源目标侦测中具有重要的意义和价值。

发明内容

针对现有技术存在的问题，本发明提供了一种空中辐射源个体识别方法、系统及应用。

本发明是这样实现的，一种空中辐射源个体识别方法，所述空中辐射源个体识别方法包括：

对接收的辐射源信号进行下变频预处理，通过下变频降低处理信号所需的采样频率，减少数据点数，降低计算压力；

对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征，从信号的时频关系、频域的高阶累计量等多角度刻画信号的细节信息；

将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络，通过可变形卷积网络学习不同个体信号之间特征的差异；

将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。

进一步，所述对接收的辐射源信号进行下变频预处理具体包括；

辐射源信号表达式如下：

其中，f₀是载波频率，

是初始相位，通常情况下设初始相位为0，T_b为符号宽度，r(t)为调相系数。

进一步，所述对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征具体包括；

对辐射源信号s(t)求崔威廉斯分布，表达式如下：

其中，τ为时延，σ为常数，可以通过调节σ的大小调节交叉干扰项的抑制程度。

进一步，对目标空中辐射源信号s(t)求模糊函数，表达式如下：

其中，τ为时延，ξ多普勒频移。

进一步，对辐射源信号s(t)求双谱，表达式如下：

其中，τ是时延。

进一步，所述将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络具体包括：

可变形卷积网络中采用可变形卷积层，具体包括：可变形卷积层在传统卷积的采样位置中添加了二维偏移量，在卷积操作时，创建一个额外的卷积层用来对卷积核偏移量进行建模，在输入特征图上使用常规卷积核进行采样，对于输出特征映射图y上，每个p₀位置的值为：

F＝{(-1,-),(-1,0),...,(0,1),(1,1)}；

其中，F表示卷积核可采样的感受野，w_i为p_i位置处的加权值，y(p)和x(p)是指在p处的特征值，p_i是常规卷积核的预设偏移量，加入新的偏移量Δp_i后，每个p₀位置的值表示为：

卷积核的采样位置就变为到了不规则的偏移位置p_i+Δp_i处了，由于偏移量Δp_i通常为小数，需要利用双线性插值法：

其中，p＝p₀+p_n+Δp_n表示任意(小数)位置，q遍历了输入特征图x中的所有位置，G(·,·)是二维的双线性插值内核，由两个一维空间内核组成：

G(q,p)＝g(q_x,p_x)·(q_y,p_y)；

其中，g(a,b)＝max(0,1-|a-b|)。

进一步，可变形卷积网络中采用深度可分离卷积结构，具体包括：

分组卷积：每个通道只会被一个卷积核卷积，每一个卷积核只负责一个通道，相当于对每一个通道的数据单独收集特征。对于H×W×C的输入，其中H和W分别为特征图的长和宽，C为通道数，将其分成C组，每组包含一个通道的数据，然后对每一组都做K×K的二维卷积，卷积核的数量与通道数相同。

逐点卷积：将每个通道相同位置处的信息混合。对于H×W×C的输入，做H×W个1×1×C的三维卷积，对输入特征图上每个位置在深度方向进行加权，有多少卷积核就产生多少个输出特征映射图。

本发明的另一目的在于提供一种智能终端，所述智能用于实现所述的空中辐射源个体识别方法；所述智能终端包括：电子情报终端、电子支援终端、认知无线电终端以及无线网络安全终端。

本发明的另一目的在于提供一种实施所述空中辐射源个体识别方法的空中辐射源个体识别系统，所述空中辐射源个体识别系统包括：

预处理模块，用于对接收的辐射源信号进行下变频等预处理；

辐射源信号特征获取模块，用于对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征；

训练网络输入模块，用于将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；

空中辐射源个体识别模块，用于将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。

本发明的另一目的在于提供一种应用电子设备进行识别的方法，所述应用电子设备进行识别的方法使用所述的空中辐射源个体识别方法。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明旨在解决现有技术中传统方法在较低信噪比环境下识别性能欠佳，实现复杂，且可靠性较低；现有技术中利用深度学习网络的方法只能在固定位置对输入特征图进行采样，缺少用于处理几何变换的内部机制，适合传统自然图像处理，对处理信号特征这种轮廓型图片的兼容性不高的问题。本发明可以有效打破传统深度学习网络中规格化的矩形感受野，自适应改变卷积核的尺寸，让网络在卷积操作时更偏向于有用的信息内容，忽略部分背景噪声信息，在低信噪比环境下达到更好的分类效果。

附图说明

图1是本发明实施例提供的空中辐射源个体识别方法流程图。

图2是本发明实施例提供的空中辐射源个体识别系统的结构示意图；

图2中：1、预处理模块；2、辐射源信号特征获取模块；3、训练网络输入模块；4、空中辐射源个体识别模块。

图3是本发明实施例提供的基于可变形卷积网络的空中辐射源个体识别方法性能图。

图4是本发明实施例提供的基于可变形卷积网络的空中辐射源个体识别方法与传统卷积神经网络性能对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种空中辐射源个体识别方法、系统及应用，下面结合附图对本发明作详细的描述。

如图1所示，本发明提供的空中辐射源个体识别方法包括以下步骤：

S101：对接收的辐射源信号进行下变频等预处理；

S102：对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征；

S103：将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；

S104：将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。

本发明提供的空中辐射源个体识别方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的空中辐射源个体识别方法仅仅是一个具体实施例而已。

如图2所示，本发明提供的空中辐射源个体识别系统包括：

预处理模块1，用于对接收的辐射源信号进行下变频等预处理；

辐射源信号特征获取模块2，用于对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征；

训练网络输入模块3，用于将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；

空中辐射源个体识别模块4，用于将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。

下面结合附图对本发明的技术方案作进一步的描述。

本发明提供的空中辐射源个体识别方法具体包括以下步骤：

步骤一：对接收的辐射源信号进行下变频等预处理；

辐射源信号表达式如下：

其中，f₀是载波频率，

是初始相位，通常情况下设初始相位为0，T_b为符号宽度，r(t)为调相系数。

步骤二：对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征；

进一步，对辐射源信号s(t)求崔威廉斯分布，表达式如下：

其中，τ为时延，σ为常数，可以通过调节σ的大小调节交叉干扰项的抑制程度。

进一步，对目标空中辐射源信号s(t)求模糊函数，表达式如下：

其中，τ为时延，ξ多普勒频移。

进一步，所述步骤二对辐射源信号s(t)求双谱，表达式如下：

其中，τ是时延。

步骤三：将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；

进一步，可变形卷积网络中采用可变形卷积层，具体包括：

可变形卷积层在传统卷积的采样位置中添加了二维偏移量，能够使卷积核尺寸自由变形，集中在感兴趣的区域。在卷积操作时，创建一个额外的卷积层用来对卷积核偏移量进行建模，在输入特征图上使用常规卷积核进行采样，对于输出特征映射图y上，每个p₀位置的值为：

F＝{(-1,-),(-1,0),...,(0,1),(1,1)}；

其中，F表示卷积核可采样的感受野，w_i为p_i位置处的加权值，y(p)和x(p)是指在p处的特征值，p_i是常规卷积核的预设偏移量，加入新的偏移量Δp_i后，每个p₀位置的值可以表示为：

这样，卷积核的采样位置就变为到了不规则的偏移位置p_i+Δp_i处了，由于偏移量Δp_i通常为小数，需要利用双线性插值法：

其中，p＝p₀+p_n+Δp_n表示任意(小数)位置，q遍历了输入特征图x中的所有位置，G(·,·)是二维的双线性插值内核，它由两个一维空间内核组成：

G(q,p)＝g(q_x,p_x)·(q_y,p_y)；

其中，g(a,b)＝max(0,1-|a-b|)。

进一步，可变形卷积网络中采用深度可分离卷积结构，具体包括：

分组卷积：每个通道只会被一个卷积核卷积，每一个卷积核只负责一个通道，相当于对每一个通道的数据单独收集特征。对于H×W×C的输入，其中H和W分别为特征图的长和宽，C为通道数，将其分成C组，每组包含一个通道的数据，然后对每一组都做K×K的二维卷积，卷积核的数量与通道数相同。

逐点卷积：将每个通道相同位置处的信息混合。对于H×W×C的输入，做H×W个1×1×C的三维卷积，对输入特征图上每个位置在深度方向进行加权，有多少卷积核就产生多少个输出特征映射图。

步骤四：将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。

下面结合仿真对本发明的就修改作详细的描述。

仿真使用5种不同个体的ADS-B信号，信道环境为高斯白噪声，设置信噪比范围为-3dB至6dB，每个信噪比下每个个体有800个样本数据用于网络的训练、200个样本数据用于测试，因此训练样本总量为40000个，测试集样本数量共为10000个。训练时，对样本集的所有信号进行智能表征，输入可变形卷积神经网络进行训练，训练过程中采用SGD优化方法，损失函数为交叉熵损失函数，训练过程中每一批的样本数据量设置为32，共设置100个训练批次，并设置early-stop机制，即模型收敛时自动停止训练。训练完成后对5中个体的测试集进行识别，识别过程为：对测试集的所有信号进行智能表征，输入网络中进行分类识别，统计识别准确率。

图3展示了在设置三层可变形卷积层时的可变形卷积网络对五种个体各自的识别准确率，当信噪比大于等于-2dB时，识别准确率超过90％，当信噪比大于等于3dB时，识别准确率全部达到100％。

图4展示了可变形卷积网络与传统卷积神经网络在空中辐射源识别场景下的性能对比图，其中可变形卷积网络设置了三层可变形卷积层。从图中可以看出，相比传统卷积神经网络，在相同信噪比下，可变形卷积网络具有更好的识别效果，在低信噪比环境下识别率更高，说明可变形卷积网络相较传统卷积神经网络在处理这种轮廓型的信号特征时有更好的学习效果。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种空中辐射源个体识别方法，其特征在于，所述空中辐射源个体识别方法包括：

对接收的辐射源信号进行下变频预处理；

对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征；

将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；

将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别；

所述将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络具体包括：

可变形卷积网络中采用可变形卷积层，具体包括：可变形卷积层在传统卷积的采样位置中添加了二维偏移量，在卷积操作时，创建一个额外的卷积层用来对卷积核偏移量进行建模，在输入特征图上使用常规卷积核进行采样，对于输出特征映射图y上，每个p₀位置的值为：

F＝{(-1,-1),(-1,0),...,(0,1),(1,1)}；

其中，F表示卷积核可采样的感受野，w_i为p_i位置处的加权值，y(p)和x(p)是指在p处的特征值，p_i是常规卷积核的预设偏移量，加入新的偏移量Δp_i后，每个p₀位置的值表示为：

卷积核的采样位置就变为到了不规则的偏移位置p_i+Δp_i处了，由于偏移量Δp_i为小数，需要利用双线性插值法：

其中，p＝p₀+p_n+Δp_n表示任意小数位置，q遍历了输入特征图x中的所有位置，G(·,·)是二维的双线性插值内核，由两个一维空间内核组成：

G(q,p)＝g(q_x,p_x)·(q_y,p_y)；

其中，g(a,b)＝max(0,1-|a-b|)；

可变形卷积网络中采用深度可分离卷积结构，具体包括：

分组卷积：每个通道只会被一个卷积核卷积，每一个卷积核只负责一个通道，相当于对每一个通道的数据单独收集特征，对于H×W×C的输入，其中H和W分别为特征图的长和宽，C为通道数，将其分成C组，每组包含一个通道的数据，然后对每一组都做K×K的二维卷积，卷积核的数量与通道数相同；

逐点卷积：将每个通道相同位置处的信息混合，对于H×W×C的输入，做H×W个1×1×C的三维卷积，对输入特征图上每个位置在深度方向进行加权，有多少卷积核就产生多少个输出特征映射图。

2.如权利要求1所述的空中辐射源个体识别方法，其特征在于，所述对接收的辐射源信号进行下变频预处理具体包括；

辐射源信号表达式如下：

其中，f₀是载波频率，

是初始相位，通常情况下设初始相位为0，T_b为符号宽度，r(t)为调相系数。

3.如权利要求1所述的空中辐射源个体识别方法，其特征在于，所述对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征具体包括；

对辐射源信号s(t)求崔威廉斯分布，表达式如下：

其中，τ为时延，σ为常数，可以通过调节σ的大小调节交叉干扰项的抑制程度。

4.如权利要求3所述的空中辐射源个体识别方法，其特征在于，

对目标空中辐射源信号s(t)求模糊函数，表达式如下：

其中，τ为时延，ξ多普勒频移。

5.如权利要求1所述的空中辐射源个体识别方法，其特征在于，对辐射源信号s(t)求双谱，表达式如下：

其中，τ是时延。

6.一种智能终端，其特征在于，所述智能终端用于实现权利要求1～5任意一项所述的空中辐射源个体识别方法；所述智能终端包括：电子情报终端、电子支援终端、认知无线电终端以及无线网络安全终端。

7.一种实施权利要求1～5任意一项所述空中辐射源个体识别方法的空中辐射源个体识别系统，其特征在于，所述空中辐射源个体识别系统包括：

预处理模块，用于对接收的辐射源信号进行下变频等预处理；

辐射源信号特征获取模块，用于对预处理后的信号求崔威廉斯分布、模糊函数和双谱，得到辐射源信号的三种特征；

训练网络输入模块，用于将训练集信号的三种特征分别从三个通道输入可变形卷积网络中训练网络；

空中辐射源个体识别模块，用于将测试集信号的特征输入训练好的可变形卷积网络，实现空中辐射源的个体识别。

8.一种应用电子设备进行识别的方法，其特征在于，所述应用电子设备进行识别的方法使用权利要求1～5任意一项所述的空中辐射源个体识别方法。

Images