CN113435246B - 一种辐射源个体智能识别方法、系统及终端 - Google Patents
一种辐射源个体智能识别方法、系统及终端 Download PDFInfo
- Publication number
- CN113435246B CN113435246B CN202110541051.5A CN202110541051A CN113435246B CN 113435246 B CN113435246 B CN 113435246B CN 202110541051 A CN202110541051 A CN 202110541051A CN 113435246 B CN113435246 B CN 113435246B
- Authority
- CN
- China
- Prior art keywords
- radiation source
- residual error
- individual
- residual
- signal
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 49
- 238000010586 diagram Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000010304 firing Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
Abstract
本发明属于电子对抗中辐射源个体识别技术领域，公开了一种辐射源个体智能识别方法、系统及终端，所述辐射源个体智能识别方法首先提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征，通过脉冲耦合神经网络对初级特征进行像素级融合，最后通过深度多重宽残差网络实现了辐射源个体的智能识别。本发明通过脉冲耦合神经网络对辐射源个体的时频域特征与调制域特征融合，保证了特征的全面性，有效解决了辐射源个体指纹特征受噪声的影响大和自适应性比较差的问题，利用深度网络训练融合后的特征，克服了指纹特征的不稳定性，在低信噪比下辐射源个体识别性能良好。
Description
技术领域
本发明属于电子对抗中辐射源个体识别技术领域，尤其涉及一种辐射源个体智能识别方法、系统及终端。
背景技术
目前：辐射源个体识别问题是辐射源识别中的一项重要内容，区别于辐射源个体的有意调制，无意调制是由发射机的硬件条件而产生的独一无二的属性，这些属性能够体现辐射源的个体特征，它的识别准确性在电子对抗中占据着举足轻重的地位。如果不同辐射源发射的脉冲具有不同的频率或脉冲重复间隔，那么将它们区分开来并不困难。然而，更复杂的信号波形，只依靠脉内调制特征不能完全分辨信号来自哪个辐射源，因为同一辐射源也会发射不同脉内调制的信号，不同的辐射源也能发射相同调制的信号，在这种情况下辐射源个体识别就能根据硬件元件导致的无意调制，得到反映个体特征的信息，通过与特征库进行比对，可以将某部特定的辐射源识别出来。指纹识别的技术难度更大，为电子对抗提供的信息更精准，可以说是衡量对抗技术的核心关键，因此也越来越受人重视。
目前，业内常用的现有技术主要通过基本参数脉冲描述字来实现识别，因此存在着在复杂电磁环境中不适用的问题。现有技术一，严勇在其论文“基于脉冲数据流的雷达辐射源个体识别方法及实现”(舰船电子对抗,2020.)中采用脉冲数据流的方式，通过于特征库比对辐射源参数的方法进行个体识别，但是该方法限制条件很多，对统计得到的特征数据库的完备性依赖程度大，并且适应性较弱，辐射源具体型号的不同也会导致识别性能的降低；为了达到特征的完备性，现有技术二，王上月等人在论文“基于新型智能特征集的辐射源个体识别”(现代防御技术,2020,v.48,No.275(01):48–55.)针对个体识别构建了特征集，将信号各个角度特征都提取出来组合成特征集进行识别，该方法考虑到特征集的冗余信息，结合了主成分分析法对特征集降维，对个体信号的表征能力很强，具备可检测性、稳定性、唯一性、完备性的条件。但是在低信噪比下性能还有待提高；现有技术三中LI在论文“Identification and parameter estimation algorithm of radar signal subtlefeatures ScienceDirect”(Physical Communication,2020,42.)提出一种基于粗到细分类的奇异值熵和分形维数识别算法，标准支持向量机作为分类器，但是该算法在信噪比低于1dB时识别性能不佳；WANG在“Convolutional neural network applied to specificemitter identificationbased onpulse waveform images”(IET Radar,SonarandNavigation,2020,14(5):728–735.)提出基于脉冲波形和卷积神经网络算法。该方法以整个脉冲功率的上升沿、稳定和下降沿为基础，将时域波形转换为二维图像特征，并设计了一个带有小卷积核的卷积神经网络来提取细微特征并识别。仿真和实验表明，该方法能克服辐射源个体特征的不确定性，但难点在控制时间复杂度和识别精度的平衡。
通过上述分析，现有技术存在的问题及缺陷为：由于指纹特征的特殊性，受噪声的影响大，稳定性和自适应性比较差。当前对辐射源个体识别主要依赖于大量的先验知识，在未知电磁环境下实现对其准确识别较为困难。
解决以上问题及缺陷的难度为：辐射源无意调制的差异性较小，不同的辐射源个体很可能具有相同的频率或脉冲重复间隔，加大了识别的难度。尤其是在低信噪比的复杂电磁环境下，辐射源个数较多，个体区分度很低，识别性能并不理想。
解决以上问题及缺陷的意义为：辐射源信号愈发复杂，只依靠脉内调制特征不能完全分辨信号来自哪个辐射源，因此需要研究更具有区分性的特征来辨别辐射源信息。随着辐射源的种类日益繁多，密集的辐射源个体在空间中越发交错，辐射源个体识别的能力必须不断增强电子对抗能力。
发明内容
针对现有技术存在的问题，本发明提供了一种辐射源个体智能识别方法、系统及终端。
本发明是这样实现的，一种辐射源个体智能识别方法，所述辐射源个体智能识别方法包括：
首先接收机接收辐射源信号，提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征，能够在时域频域以及变换域上分别把握雷达辐射源个体的细微差距。
然后通过脉冲耦合神经网络对初级特征进行像素级融合，脉冲耦合神经网络可以根据同一信号在各域上的联系，克服传统融合算法各特征彼此造成的干扰，使融合特征类间区别度更大。
最后将融合特征输入深度多重宽残差网络中，克服深层网络可能会出现的梯度爆炸问题，且在提高识别精度的同时降低训练时间，节省网络计算成本，实现辐射源个体的智能识别。
进一步，所述接收机接收辐射源信号，分别计算辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图，具体包括：
(1)在信道和接收机都在理想的状态下，载波频率为fc的信号X(t)的差分过程可以表示为
D(t)＝X(t)·ej2πψt·X(t+τ)·e-j2πψ(t+λ)；
该差分过程不需要频率和时间同步，其中，fc是载波频率，载波频偏设为ψ＝t-r，λ为差分时间间隔；采用星座轨迹图表示差分结果D(t)，正好能呈现信号I/Q不平衡的影响特性；星座图直接评估信号质量，并且差分后的信号只与差分时间间隔相关，得到稳定的星座图；
(2)信号x(t)的模糊函数定义为：
取模糊函数的零切片以及近邻的频偏接近于零的切片，也被称作为模糊函数代表性切片，作为个体识别的特征；
(3)信号的双谱定义为：
其中，c3x(k,l)是实值序列x(n)和c3x(k,l)＝E{x*(n)x(n+k)x(n+l)}的三阶累积量，截获信号的累积量给出：
cumj(s1,s2,...,sk)＝cumj(x1+w1,x2+w2,...,xk+wk)；
其中，j＞2,k＝1,2,...,N，当阶数大于2时，信号的累积量表示为：
cumj(s1,s2,...,sk)＝cumj(x1,x2,...,xk)+cumj(w1,w2,...,wk)＝cumj(x1,x2,...,xk)；
根据双谱的特点，引入矩形积分双谱将二维的双谱矩阵降维成一维的向量，减小运算量；矩形积分双谱也叫做围线积分双谱，它的积分路径是中心为原点的正方形，矩形积分双谱的表达式为：
其中，L为积分路径数量。
进一步，所述通过脉冲耦合神经网络对初级特征进行像素级融合具体方法如下：
1)接收域Y通道接收邻域神经元的脉冲输入差分星座图，外部刺激F通道分别输入模糊函数代表性切片和矩形积分双谱图，模型结构如下所示：
其中，参数af为衰减系数，模拟随时间的指数衰减特性，VL是连接L通道输入的幅值，Wijkl为神经元与周围连接的权值，Uij类似于神经网络内部的隐藏层；
2)将上一步接收域的输出L与外部刺激F相乘，公式如下所示：
Uij(n)＝Fij(n)·(βLij(n)+1)；
其中，β是神经元连接强度；
3)脉冲生成器由可变阈值和硬阈值函数组成；脉冲输入是否激活，也就代表着神经元是否点火，而这取决于得到的U是否能够超过动态阈值E；如果动态阈值E小于内部活动U，神经元点火的同时阈值也变大从而对下一次点火有阻碍作用；否则，脉冲生成器关闭；其表达式为：
其中，T为总点火次数，Yij具体表示如下：
经脉冲发生器判断可以得到融合特征图像。
进一步，所述深度多重宽残差网络，具体方法是：
1)引入残差结构，构建深度残差网络；
2)在残差模块上引入扩大因子K，K乘以卷积层中的特征数添加更多的卷积核，增加残差模块的宽度，构建宽残差网络；
3)采用多分支的结构加强残差模块的多样性，增加每个残差单元中残差函数的数量，构建深度多重宽残差网络；
4)通过训练后的深度多重宽残差网络进行分类识别。
进一步，深度多重宽残差网络的具体训练过程为：
1)步长设为1，将输入数据进行卷积操作；
2)卷积后的数据分别进行批处理归一化、relu激活和第二次卷积操作；
3)重复上述步骤，直到训练完整个残差网络；
4)输出层的结果是全连接层的输出与残差分量相加并连接激活函数。
进一步，深度多重宽残差网络多分支的结构具体为：
1)第一个残差函数是由三个卷积层组成的残差单元，首尾是两个1×1卷积，中间加上一个3×3卷积；
2)第二个残差函数是先进行1×1卷积，再进行5×5卷积，最后再使用一个1×1卷积；
3)第三个残差函数是两个3×3卷积组成，最后再加一个1×1卷积的残差单元。
4)输出层的结果是三个残差块的输出相加，连接激活函数。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
首选接收机接收辐射源信号，提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征；
然后通过脉冲耦合神经网络对初级特征进行像素级融合；
最后将融合特征输入深度多重宽残差网络中，实现辐射源个体的智能识别。
本发明的另一目的在于提供一种实施所述辐射源个体智能识别方法的辐射源个体智能识别系统，所述辐射源个体识别系统包括：
脉冲组建立模块，用于接收机接收辐射源信号，并对其降频处理；
脉冲预处理模块，用于提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征；
特征融合处理，用于将初级特征用脉冲耦合神经网络进行特征融合；
个体识别模块，用于将得到的特征图像输入深度多重宽残差网络进行个体识别。
本发明的另一目的在于提供一种辐射源个体识别终端，所述辐射源个体识别用于实现所述的辐射源个体智能识别方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的辐射源个体智能识别方法。
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：由于本发明融合了信号差分星座图特征，模糊函数代表性切片特征和矩形积分双谱图特征，结合信号在时域，时频域，变换域上的信息共同识别，克服了目前个体识别领域大多方法所用特征单一，适应性不强的缺陷，解决了特征不稳定以及特征提取不全面的问题，得到表征能力更强的特征，更有利于后续的识别。同时，本发明利用神经网络取代业内常用的简单叠加或拼接的融合算法，所得融合特征根据同一信号在不同域上的联系调整融合权重，克服了传统融合方法各特征彼此会带来干扰，不利于识别的缺陷，因此更能反应不同信号在各域的差别。由于本发明构建了每个残差块添加更多的卷积核的宽残差网络，以及添加更多的特征平面的多重残差网络，提高了残差网络的表现能力，并且节省了网络计算成本。由于本发明结合宽残差网络与多重残差网络，提出了深度多重宽残差网络，克服了目前业内利用深度学习网络进行识别时，识别精度与梯度爆炸问题之间的矛盾，同时也解决了识别精度和网络训练时间的矛盾，在追求高识别率的同时，减少网络参数，降低训练时间，提升个体识别性能。
附图说明
图1是本发明实施例提供的辐射源个体智能识别方法流程图。
图2是本发明实施例提供的辐射源个体智能识别系统的结构示意图；
图2中：1、脉冲组建立模块；2、脉冲预处理模块；3、特征融合处理；4、个体识别模块。
图3是本发明实施例提供的个体识别性能对比结果图。
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，本发明提供了一种辐射源个体智能识别方法、系统及终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的辐射源个体智能识别方法包括以下步骤：
S101：接收机接收辐射源信号，对其进行降频预处理；
S102：提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征；
S103：通过脉冲耦合神经网络对初级特征进行像素级融合；
S104：将得到的特征输入深度多重宽残差网络进行准确个体识别。
本发明提供的辐射源个体智能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的本发明提供的辐射源个体智能识别方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的辐射源个体智能识别系统包括：
脉冲组建立模块1，用于接收机接收辐射源信号，并对其降频处理；
脉冲预处理模块2，用于提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征；
特征融合处理3，用于将初级特征用脉冲耦合神经网络进行特征融合；
个体识别模块4，用于将得到的特征图像输入深度多重宽残差网络进行个体识别。
下面结合附图对本发明的技术方案作进一步的描述。
辐射源个体智能识别方法、系统及终端
针对现有技术提取的辐射源个体指纹特征受噪声的影响大，稳定性和自适应性比较差的问题，由于本发明通过脉冲耦合神经网络对辐射源时频域特征与调制域特征融合，并利用深度多重宽残差网络作为分类器，实现识别功能，保证了特征的稳定性和完备性，得到更强的表征能力，并且解决了网络梯度爆炸问题，节省了计算成本，提高了网络的表现能力，提高了个体识别的准确度。
本发明实施例提供的基于深度特征融合的辐射源个体智能识别方法具体包括以下步骤：
步骤一，具体实施过程为：
接收机接收高频信号，利用谐波混频器实现从高频信号到中频信号的降频，对信号进行下采样处理，降低采样频率。
步骤二，具体实施过程为：
1)对接收到的辐射源个体分别计算其接收信号的差分星座图，模糊函数代表性切片和矩形积分双谱图，
(1)在信道和接收机都在理想的状态下，载波频率为fc的信号X(t)的差分过程可以表示为：
D(t)＝X(t)·ej2πψt·X(t+τ)·e-j2πψ(t+λ)；
该差分过程不需要频率和时间同步，其中，fc是载波频率，载波频偏设为ψ＝t-r，λ为差分时间间隔。采用星座轨迹图表示差分结果D(t)，正好能呈现信号I/Q不平衡的影响特性。星座图可以直接评估信号质量，并且差分后的信号只与差分时间间隔相关，可以得到稳定的星座图。
(2)信号x(t)的模糊函数定义为：
其中，fd为载频，τ为目标距离延迟。模糊函数其中一个的特点是原点对称，并且在原点处达到最大值，能量也集中在零点附近。模糊函数有两个轴，分别是时移轴和频偏轴，能量大部分是向着时移轴扩散，而频移轴很快收敛到几乎为0。它的另一个特点是辐射源个体的无意调制在模糊函数的零频偏附近存在着一些幅值上的细微差异。因此，取模糊函数的零切片以及近邻的频偏接近于零的切片，也被称作为模糊函数代表性切片，作为个体识别的特征。
(3)信号的双谱定义为：
其中，c3x(k,l)是实值序列x(n)和c3x(k,l)＝E{x*(n)x(n+k)x(n+l)}的三阶累积量，截获信号的累积量可以给出，
cumj(s1,s2,...,sk)＝cumj(x1+w1,x2+w2,...,xk+wk)；
其中，j＞2,k＝1,2,...,N，当阶数大于2时，信号的累积量可以表示为：
cumj(s1,s2,...,sk)＝cumj(x1,x2,...,xk)+cumj(w1,w2,...,wk)＝cumj(x1,x2,...,xk)；
由于双谱的计算量大，采用估计算法得到双谱的幅值，并且其幅度谱为三维特征，不便于进行识别，因此需要简化为二维特征，首先考虑直接用双谱幅度矩阵的对角元素，该特征损失了部分谱信息，影响后续识别精确度。进一步地，提取对角化后的双谱对角线信息，该特征提取算法的计算复杂度剧增。根据双谱的特点，引入矩形积分双谱将二维的双谱矩阵降维成一维的向量，减小运算量。
矩形积分双谱也叫做围线积分双谱，它的积分路径是中心为原点的正方形，矩形积分双谱的表达式如下所示
其中，L为积分路径数量。
进一步，双谱的估计方法具体方法是：
1)将序列x(N)分为l段，每个段的长度M＝N/l，其中N是x(N)的长度；
2)x(i)(l)是信号的离散时间傅里叶变换，其中x(i)(l)提供属于第l段的第i个元素；
3)计算DFT变换的系数，得到每一段的n阶矩谱估计
s1＝max(0,-ω1,…,-ωn-1)；
s2＝min(M-1,M-1-ω1,…,M-1-ωn-1)；
4)通过每段估计值的统计平均值计算整个序列x的双谱估计值。
步骤三，具体实现步骤如下：
1)接收域Y通道接收邻域神经元的脉冲输入差分星座图，外部刺激F通道分别输入模糊函数代表性切片和矩形积分双谱图，模型结构如下：
其中，参数af为衰减系数，模拟随时间的指数衰减特性，VL是连接L通道输入的幅值，Wijkl为神经元与周围连接的权值，Uij类似于神经网络内部的隐藏层；
2)将上一步接收域的输出L与外部刺激F相乘，公式如下所示：
Uij(n)＝Fij(n)·(βLij(n)+1)；
其中，β是神经元连接强度。
3)脉冲生成器由可变阈值和硬阈值函数组成。脉冲输入是否激活，也就代表着神经元是否点火，而这取决于第二步得到的U是否能够超过动态阈值E。如果动态阈值E小于内部活动U，神经元点火的同时阈值也变大从而对下一次点火有阻碍作用；否则，脉冲生成器关闭。公式如下所示
其中，T为总点火次数，Yij具体表示如下：
经脉冲发生器判断可以得到融合特征图像。
步骤四，具体实现步骤如下：
1)引入残差结构，构建深度残差网络；
2)在残差模块上引入扩大因子K，K乘以卷积层中的特征数添加更多的卷积核，增加残差模块的宽度，构建宽残差网络；
3)采用多分支的结构加强残差模块的多样性，增加每个残差单元中残差函数的数量，构建多重宽残差网络；
4)通过训练后的深层网络进行分类识别。
进一步，网络具体训练过程是：
1)步长设为1，将输入数据进行卷积操作；
2)卷积后的数据分别进行批处理归一化、relu激活和第二次卷积操作；
3)重复上述步骤，直到训练完整个残差网络；
4)输出层的结果是全连接层的输出与残差分量相加并连接激活函数。
进一步，深度多重宽残差网络多分支的结构具体为：
1)第一个残差函数是由三个卷积层组成的残差单元，首尾是两个1×1卷积，中间加上一个3×3卷积；
2)第二个残差函数是先进行1×1卷积，再进行5×5卷积，最后再使用一个1×1卷积；
3)第三个残差函数是两个3×3卷积组成，最后再加一个1×1卷积的残差单元；
4)输出层的结果是三个残差块的输出相加，连接激活函数。
下面结合仿真对本发明的技术效果作详细的描述。
为了验证本发明方法的性能，基于MATLAB软件平台进行仿真实验，为了验证本章所提辐射源个体智能识别算法的有效性，构建九个辐射源个体模型，利用相位噪声来区分不同辐射源个体。在信噪比-5dB到信噪比10dB的环境下每种个体分别各有训练样本1000个，共计16000个，从中取出1000个作为测试样本，与其他现有技术对比的识别结果如图3所示。
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 (6)
1.一种辐射源个体智能识别方法，其特征在于，所述辐射源个体智能识别方法包括：
首选接收机接收辐射源信号，提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征；
然后通过脉冲耦合神经网络对初级特征进行像素级融合；
最后将融合特征输入深度多重宽残差网络中，实现辐射源个体的智能识别；
所述通过脉冲耦合神经网络对初级特征进行像素级融合具体方法如下：
1)接收域Y通道接收邻域神经元的脉冲输入差分星座图，外部刺激F通道分别输入模糊函数代表性切片和矩形积分双谱图，模型结构如下所示：
其中，参数af为衰减系数，模拟随时间的指数衰减特性，VL是连接L通道输入的幅值，Wijkl为神经元与周围连接的权值，Uij类似于神经网络内部的隐藏层；
2)将上一步接收域的输出L与外部刺激F相乘，公式如下所示：
Uij(n)＝Fij(n)·(βLij(n)+1)；
其中，β是神经元连接强度；
3)脉冲生成器由可变阈值和硬阈值函数组成；脉冲输入是否激活，也就代表着神经元是否点火，而这取决于得到的U是否能够超过动态阈值E；如果动态阈值E小于内部活动U，神经元点火的同时阈值也变大从而对下一次点火有阻碍作用；否则，脉冲生成器关闭；其表达式为：
其中，T为总点火次数，Yij具体表示如下：
经脉冲发生器判断可以得到融合特征图像；
所述深度多重宽残差网络，具体方法是：
1)引入残差结构，构建深度残差网络；
2)在残差模块上引入扩大因子K，K乘以卷积层中的特征数添加更多的卷积核，增加残差模块的宽度，构建宽残差网络；
3)采用多分支的结构加强残差模块的多样性，增加每个残差单元中残差函数的数量，构建深度多重宽残差网络；
4)通过训练后的深度多重宽残差网络进行分类识别；
深度多重宽残差网络的具体训练过程为：
1)步长设为1，将输入数据进行卷积操作；
2)卷积后的数据分别进行批处理归一化、relu激活和第二次卷积操作；
3)重复上述步骤，直到训练完整个残差网络；
4)输出层的结果是全连接层的输出与残差分量相加并连接激活函数；
深度多重宽残差网络多分支的结构具体为：
1)第一个残差函数是由三个卷积层组成的残差单元，首尾是两个1×1卷积，中间加上一个3×3卷积；
2)第二个残差函数是先进行1×1卷积，再进行5×5卷积，最后再使用一个1×1卷积；
3)第三个残差函数是两个3×3卷积组成，最后再加一个1×1卷积的残差单元；
4)输出层的结果是三个残差块的输出相加，连接激活函数。
2.如权利要求1所述的辐射源个体智能识别方法，其特征在于，所述接收机接收辐射源信号，分别计算辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图，具体包括：
(1)在信道和接收机都在理想的状态下，载波频率为fc的信号X(t)的差分过程可以表示为
该差分过程不需要频率和时间同步，其中，fc是载波频率，载波频偏设为ψ＝t-r，λ为差分时间间隔；采用星座轨迹图表示差分结果D(t)，正好能呈现信号I/Q不平衡的影响特性；星座图直接评估信号质量，并且差分后的信号只与差分时间间隔相关，得到稳定的星座图；
(2)信号x(t)的模糊函数定义为：
取模糊函数的零切片以及近邻的频偏接近于零的切片，也被称作为模糊函数代表性切片，作为个体识别的特征；
(3)信号的双谱定义为：
其中，c3x(k,l)是实值序列x(n)和c3x(k,l)＝E{x*(n)x(n+k)x(n+l)}的三阶累积量，截获信号的累积量给出：
cumj(s1,s2,...,sk)＝cumj(x1+w1,x2+w2,...,xk+wk)；
其中，j＞2,k＝1,2,...,N，当阶数大于2时，信号的累积量表示为：
cumj(s1,s2,...,sk)＝cumj(x1,x2,...,xk)+cumj(w1,w2,...,wk)＝cumj(x1,x2,...,xk)；
根据双谱的特点，引入矩形积分双谱将二维的双谱矩阵降维成一维的向量，减小运算量；矩形积分双谱也叫做围线积分双谱，它的积分路径是中心为原点的正方形，矩形积分双谱的表达式为：
其中，L为积分路径数量。
3.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～2任意一项所述辐射源个体智能识别方法，包括如下步骤：
首选接收机接收辐射源信号，提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征；
然后通过脉冲耦合神经网络对初级特征进行像素级融合；
最后将融合特征输入深度多重宽残差网络中，实现辐射源个体的智能识别。
4.一种实施权利要求1～2任意一项所述辐射源个体智能识别方法的辐射源个体智能识别系统，其特征在于，所述辐射源个体识别系统包括：
脉冲组建立模块，用于接收机接收辐射源信号，并对其降频处理；
脉冲预处理模块，用于提取辐射源个体的差分星座图，模糊函数代表性切片和矩形积分双谱图作为初级特征；
特征融合处理，用于将初级特征用脉冲耦合神经网络进行特征融合；
个体识别模块，用于将得到的特征图像输入深度多重宽残差网络进行个体识别。
5.一种辐射源个体识别终端，其特征在于，所述辐射源个体识别用于实现权利要求1～2任意一项所述的辐射源个体智能识别方法。
6.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～2任意一项所述的辐射源个体智能识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110541051.5A CN113435246B (zh) | 2021-05-18 | 2021-05-18 | 一种辐射源个体智能识别方法、系统及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110541051.5A CN113435246B (zh) | 2021-05-18 | 2021-05-18 | 一种辐射源个体智能识别方法、系统及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435246A CN113435246A (zh) | 2021-09-24 |
| CN113435246B true CN113435246B (zh) | 2024-04-05 |
Family
ID=77803319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110541051.5A Active CN113435246B (zh) | 2021-05-18 | 2021-05-18 | 一种辐射源个体智能识别方法、系统及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435246B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109271485A (zh) * | 2018-09-19 | 2019-01-25 | 南京邮电大学 | 一种支持语义的云环境加密文档排序检索方法 |
| 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 |
| 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 |
| WO2021012752A1 (zh) * | 2019-07-23 | 2021-01-28 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
| JP6826276B1 (ja) * | 2019-09-12 | 2021-02-03 | 浙江大学Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ | パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法 |
| AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
| CN112398552A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 基于差分复数深度神经网络的通信辐射源个体识别方法 |
| CN112398553A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 一种基于差分等势星球图的通信辐射源个体识别方法 |
| CN112507855A (zh) * | 2020-12-04 | 2021-03-16 | 国网浙江省电力有限公司武义县供电公司 | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 |
| CN112668498A (zh) * | 2020-12-30 | 2021-04-16 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7022223B2 (ja) * | 2018-05-18 | 2022-02-17 | ローレンス リバモア ナショナル セキュリティ リミテッド ライアビリティ カンパニー | 放射線源を識別するためのコンピュータシステムおよび方法 |
-
2021
- 2021-05-18 CN CN202110541051.5A patent/CN113435246B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109271485A (zh) * | 2018-09-19 | 2019-01-25 | 南京邮电大学 | 一种支持语义的云环境加密文档排序检索方法 |
| 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 |
| WO2021012752A1 (zh) * | 2019-07-23 | 2021-01-28 | 中建三局智能技术有限公司 | 一种基于脉冲神经网络的短程跟踪方法及系统 |
| JP6826276B1 (ja) * | 2019-09-12 | 2021-02-03 | 浙江大学Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ | パルス周波数の特徴パターンの識別に基づくプロペラキャビテーションの程度の識別方法 |
| 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 |
| CN112398552A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 基于差分复数深度神经网络的通信辐射源个体识别方法 |
| CN112398553A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 一种基于差分等势星球图的通信辐射源个体识别方法 |
| CN112507855A (zh) * | 2020-12-04 | 2021-03-16 | 国网浙江省电力有限公司武义县供电公司 | 一种基于瞬时包络等势星球图的通信辐射源个体识别方法 |
| AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
| CN112668498A (zh) * | 2020-12-30 | 2021-04-16 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113435246A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220606B (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
| CN110824450B (zh) | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 | |
| Gao et al. | Fusion image based radar signal feature extraction and modulation recognition | |
| CN110109059B (zh) | 一种基于深度学习网络的雷达辐射源信号识别方法 | |
| US8233873B2 (en) | Device and methods for enhanced matched filtering based on correntropy | |
| CN113435247B (zh) | 一种通信干扰智能识别方法、系统及终端 | |
| CN110071885A (zh) | 一种psk数字信号子类调制识别的深度学习判别方法 | |
| CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
| Li et al. | Automatic modulation classification based on bispectrum and CNN | |
| CN111257845B (zh) | 一种基于近似消息传递的不在网格目标角度估计方法 | |
| CN110932807A (zh) | 一种非高斯噪声下mimo系统的频谱感知方法 | |
| Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
| CN115661869A (zh) | 基于多维特征智能融合的射频信号指纹识别方法和系统 | |
| Wang et al. | Low probability of intercept radar waveform recognition based on dictionary leaming | |
| CN113435246B (zh) | 一种辐射源个体智能识别方法、系统及终端 | |
| Guven et al. | Classifying LPI radar waveforms with time-frequency transformations using multi-stage CNN system | |
| CN113267758A (zh) | 一种复合高斯环境下存在干扰时的目标检测方法与系统 | |
| Bai et al. | A new radar signal modulation recognition algorithm based on time-frequency transform | |
| KR102407834B1 (ko) | 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치 | |
| Ma et al. | Radar working mode recognition based on hierarchical feature representation and clustering | |
| Hu et al. | Confidence test for blind analysis of BPSK signals | |
| Sestok et al. | Randomized data selection in detection with applications to distributed signal processing | |
| Wong | On the use of convolutional neural networks for specific emitter identification | |
| Chen et al. | Individual identification of communication radiation sources based on Inception and LSTM network | |
| Zhao et al. | A study of individual identification of radiation source based on feature extraction and deep 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 |