CN113780521A - 一种基于深度学习的辐射源个体识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的辐射源个体识别方法，用于实现对辐射源个体的识别，其基本流程是对原始数据进行相应的预处理并制作训练数据集，根据辐射源数据的特点构造深度神经网络模型，针对性地构建损失函数并选择合适的超参数对神经网络进行训练，使用加性角边距损失函数作为深度神经网络模型的损失函数，得到最终的神经网络模型并用于辐射源的个体识别，将待识别数据的个体特征与训练数据的个体特征进行相似度判别，得到识别结果。本方法有着更好的泛化性能，同时神经网络对输入辐射源的类型不敏感，只需要更换训练数据，即可对不同的辐射源具备较好的识别性能，因此该方法的适应能力也更好。

Description

一种基于深度学习的辐射源个体识别方法

技术领域

本发明涉及目标识别领域，尤其涉及一种基于深度学习的辐射源个体识别方法。

背景技术

目前，随着电磁环境愈发复杂，以及装备反侦察能力的不断提升，传统的辐射源识别技术已经难以满足实际需求，而辐射源个体识别技术可以实现“信号-个体”的关联，通过单个脉冲就能精准锁定威胁源与高价值目标，大幅提升了目标态势分析能力，具有较强的应用前景。

现有的辐射源个体识别方法，首先对输入的原始信号进行信号预处理，如滤波、信号检测等，再人为选取相应的个体细微特征，并对处理后的信号进行个体特征提取；最终对提取的特征使用已有的特征数据库进行比对或使用识别算法进行识别，得到个体识别结果。在上述流程中，如何选择并提取有效的辐射源个体细微特征以及选用何种识别算法对最终的个体识别准确率有较大影响，因此现有识别方法依赖专业知识和人为经验，并且在实际使用中存在特征选择困难、识别效果差、特征适应能力不足的问题，其存在问题主要体现在以下几个方面：

1)现有方法需要事先选取相应的辐射源细微特征，其依赖于专业知识和人为经验。当前对辐射源个体细微特征的生成机理研究不够深入，很难从理论角度直接给出最适合的细微特征，因此需要大量的实验验证来选择合适的细微特征。

2)很多辐射源细微特征容易受到信道环境、辐射源工作状态、噪声等因素影响，对于同一个辐射源，其处在不同的信道环境与不同的信号采集时间时，一些细微特征会发生较大变化，使得该方法识别效果变差、适应能力不足。

3)对于不同类型的辐射源，其内部器件组成和工作原理差异较大，导致其可以用于个体识别的细微特征也存在较大差别，因此现有方法需要针对不同的辐射源进行针对性的分析，以提取有效的细微特征，导致取特征适应能力差，在实际场景中难以满足使用要求。

深度学习利用数据驱动思想，不需要人为选择细微特征，可以通过训练神经网络从原始数据中自动“学习”出高维抽象特征，能够提升辐射源个体识别的准确率，降低系统的复杂度。因此，本发明基于深度学习技术，提供一种有效的辐射源个体识别方法，提升对辐射源的个体识别准确率和实际应用能力。

发明内容

针对现有的辐射源个体识别方法在实际使用中存在的特征选择困难、识别效果差、特征适应能力不足的问题，本发明公开了一种基于深度学习的辐射源个体识别方法，用于实现对辐射源个体的识别，其基本流程是对原始数据进行相应的预处理并制作训练数据集，根据辐射源数据的特点构造深度神经网络，针对性地构建损失函数并选择合适的超参数对神经网络进行训练，得到最终的用于辐射源的个体识别的神经网络模型，并利用该神经网络模型对辐射源个体进行识别。

本发明公开了一种基于深度学习的辐射源个体识别方法，其包括个体识别模型训练和个体识别模型推理，首先进行个体识别模型训练，再利用训练好的个体识别模型进行推理。

所述的个体识别模型训练，其具体步骤为：

S1，确定待识别的辐射源设备，采集并标注足够的待识别的辐射源设备发射的时域中频信号，并按照采集时间先后关系，将所采集信号的前70％作为训练数据集，后30％作为验证数据集。

S2，将训练数据集与验证数据集分别进行数据预处理，得到经过归一化处理和时频变换后的数据。

S3，构建并初始化深度神经网络模型，设置默认的训练超参数。

S4，将经过归一化处理和时频变换后的数据输入深度神经网络模型中，并使用加性角边距损失函数作为深度神经网络模型的损失函数，对深度神经网络模型进行训练，在训练过程中，测试深度神经网络模型在验证数据集上的识别效果，并根据识别效果调整训练超参数。

S5，当深度神经网络模型在验证数据集上的识别准确率超过某一识别准确率阈值时，深度神经网络模型训练完成。

S6，随机挑选一批经过归一化处理和时频变换后的训练数据送入深度神经网络模型，利用该深度神经网络模型提取出训练数据的个体特征，将该个体特征向量与其对应的辐射源个体标签存入到特征对比数据库中；利用该深度神经网络模型所提取的训练数据集的个体特征，构建特征对比数据库。

所述的数据预处理包括归一化处理和时频变换。

归一化处理是将不同取值范围的数据映射到指定的取值范围内，其数学表达式为：

其中，t为数据集中的某一数据取值，t_max为数据集中所有数据的最大值，t_min为数据集中所有数据的最小值，t_归一化为数据t进行归一化处理后的取值。

数据预处理中使用的时频变换方法为短时傅里叶变换，对采集得到的时域中频信号进行时频变换，将得到的时频信号与时域信号进行组合，得到组合信号，将组合信号输入到深度神经网络模型中进行模型训练和个体识别。

所述的加性角边距损失函数在基于交叉熵的softmax损失函数的基础上，将深度神经网络模型从组合信号中提取的个体特征分布变换到余弦空间，并通过一个加性角边距对相同个体的余弦距离进行约束，从而构建得到该加性角边距损失函数。

基于交叉熵的softmax损失函数L，其数学表达式为：

其中，N为参与损失函数运算的样本数，m为深度神经网络模型的输出层节点数，i为参与损失函数运算的样本编号，y_i代表训练数据集的第i号样本，也即参与损失函数运算的第i号样本，所对应的辐射源个体编号，

为深度神经网络模型输出层第y_i号节点的输出结果，f_j为深度神经网络模型输出层第j号节点的输出结果。

对上述基于交叉熵的softmax损失函数L的表达式进一步化简，得到基于交叉熵的softmax损失函数L在余弦空间的内积表达式为：

其中，

为深度神经网络模型输出层第y_i号节点的权重，ω_j为深度神经网络模型输出层第j号节点的权重，x_i为深度神经网络模型从第i号样本中提取的个体特征，bias_j为深度神经网络模型输出层第j号节点的偏置，

为深度神经网络模型输出层第y_i号节点的偏置，cos(θ_j,i)为深度神经网络模型输出层第j号节点的权重与第i号样本提取的个体特征这两个向量之间角度θ_j,i的余弦值，

为深度神经网络模型输出层第y_i号节点的权重与第i号样本提取的个体特征这两个向量之间角度θ_j,i的余弦值，m为加性角边距。

对加性角边距损失函数增加一个加性角边距m后，其对应的判决准则为：

||ω₁||||x||cos(θ₁+m)≥||ω₂||||x||cos(θ₂)，

其中，m为加性角边距，是一个正整数，θ₁为深度神经网络模型所提取的辐射源个体1的特征向量与深度神经网络模型的输出层权重向量间的角度，θ₂为深度神经网络模型所提取的辐射源个体2的特征向量与深度神经网络模型的输出层权重向量间的角度，x为深度神经网络模型所提取的个体特征向量。

在深度神经网络模型中所使用的加性角边距损失函数，其计算公式为为：

其中，s为缩放系数函数，用于控制所提取特征的分布，m为加性角边距，θ_j,i为深度神经网络模型第j号输出层节点的权重与第i号样本提取的个体特征这两个向量之间的角度。

所述的深度神经网络模型使用了残差结构和压缩与激励网络结构，深度神经网络模型包括三部分，第一部分为特征预处理模块，用于对输入的组合信号数据进行基本的个体特征提取与降维处理，由一层卷积层与一层最大池化层组成，卷积层采用了7×7大小的卷积核，卷积深度为32；第二部分为特征精细处理模块，由两个SE_残差模块组成，该模块利用残差结构和压缩与激励网络结构对特征预处理模块提取的个体特征进行处理，获得能体现输入数据个体差异性的个体特征，两个SE_残差模块均采用3×3大小的卷积核，其卷积深度分别为64和128；第三部分为个体特征输出模块，其包括平均池化层、全连接层与输出层，该模块用于对第二部分精细处理后的个体特征再进行处理，平均池化层对个体特征进行降维，使该个体特征能匹配神经网络的输出层节点数目，全连接层对平均池化层输出的个体特征进行一次非线性运算，以抵消池化对个体特征带来的非线性影响，输出层对个体特征施加加性角边距约束，并用所述的加性角边距损失函数对神经网络进行训练，以提升个体特征的可判别性，并输出个体特征，全连接层与输出层均由128个节点的全连接神经网络组成。

该SE_残差模块以一个标准残差结构为基础结构进行构建，其输入信号分两条支路进行处理，第一条支路使输入信号经过两个卷积单元后(由一层卷积层与BatchNormalization层组成)，并再经过一个压缩与激励网络结构后输出，另一条支路对其输入信号不经过任何处理，并与第一条支路的输出结果进行累加，得到SE_残差模块的最终输出。压缩与激励网络结构，将其输入信号分为两条支路进行处理，第一支路使输入信号依次经过全局池化层、全连接层、全连接层和Sigmoid层，第二支路对输入信号不经过任何处理，并与第一支路的输出信号进行通道加权后，得到的信号作为压缩与激励网络结构的输出信号。

SE_残差模块的最大特点是引入了注意力机制，对神经网络提取的特征进行了多种不同类型的运算和组合，最大程度地提升了特征的个体表征能力和个体差异性。

所述的个体识别模型推理，其具体步骤包括：

S7，载入步骤S5中训练完成的深度神经网络模型；

S8，对于待识别辐射源设备发射的时域中频信号的数据，将其进行数据预处理，得到经过归一化处理和时频变换后的数据。

S9，将经过步骤S8的数据预处理后的数据，输入到训练完成的深度神经网络模型中，利用该神经网络模型提取出待识别数据的个体特征。

S10，将待识别数据的个体特征与训练数据的个体特征进行相似度判别，得到识别结果，该识别结果即为深度神经网络模型识别出的辐射源个体。

对于待识别数据的个体特征向量，将其与特征对比数据库中每个个体的特征向量计算余弦相似度，生成相似度矩阵。设定一个相似度阈值，如果特征对比数据库中的某个个体的特征向量与待识别数据的个体特征向量的相似度超过相似度阈值，则判定待识别数据与特征对比数据库中的该个体相似。对所有出现的相似结果进行评估，如果某一个体中满足相似度阈值条件的样本数量最多，且其样本数量超过一定比例，则判定待识别辐射源设备属于该个体，如果在特征对比数据库中没有找到满足上述条件的个体，则将待识别辐射源设备判定为未知个体。

本发明的有益效果为：

本方法利用深度学习技术，基于数据驱动思想，不需要人为设计特征，可以通过训练神经网络从原始数据中自动“学习”出高维抽象特征，能够提升辐射源个体识别的准确率，降低系统的复杂度。相比人为提取的细微特征，神经网络“学习”出高维抽象特征具有更好的个体区分度，也更能反映不同个体间的本质差异，因此有着更好的泛化性能，同时神经网络对输入辐射源的类型不敏感。只需要更换训练数据，即可对不同的辐射源具备较好的识别性能，因此，该方法的适应能力也更好。

附图说明

图1为现有的辐射源个体识别方法的基本实现流程图；

图2为本发明的基于深度学习的辐射源个体识别方法的流程图；

图3为本发明的时频变换示意图；

图4为本发明的基于交叉熵的softmax损失函数提取得到的特征分布；

图5为本发明的基于加性角边距损失函数提取得到的特征分布；

图6为本发明的SE_残差模块的基本结构。

具体实施方式

为了更好的了解本发明内容，这里给出一个实施例。

现有的技术方案主要是基于细微特征的辐射源个体识别，其基本实现流程如图1所示。图2为本发明的基于深度学习的辐射源个体识别方法的流程图；图3为本发明的时频变换示意图；图4为本发明的基于交叉熵的softmax损失函数提取得到的特征分布；图5为本发明的基于加性角边距损失函数提取得到的特征分布；图6为本发明的SE_残差模块的基本结构。

如图2所示，本发明公开了一种基于深度学习的辐射源个体识别方法，其包括个体识别模型训练和个体识别模型推理，首先进行个体识别模型训练，再利用训练好的个体识别模型进行推理。

所述的个体识别模型训练，其具体步骤为：

S1，确定待识别的辐射源设备，采集并标注足够的待识别的辐射源设备发射的时域中频信号，并按照采集时间先后关系，将所采集信号的前70％作为训练数据集、后30％作为验证数据集。

S2，将训练数据集与验证数据集分别进行数据预处理，得到经过归一化处理和时频变换后的数据。

S3，构建并初始化深度神经网络模型，设置默认的训练超参数。

S4，将经过归一化处理和时频变换后的数据输入深度神经网络模型中，并使用加性角边距损失函数作为深度神经网络模型的损失函数，对深度神经网络模型进行训练，在训练过程中，测试深度神经网络模型在验证数据集上的识别效果，并根据识别效果调整训练超参数。

S5，当深度神经网络模型在验证数据集上的识别准确率超过某一识别准确率阈值时，深度神经网络模型训练完成。

S6，随机挑选一批经过归一化处理和时频变换后的训练数据送入深度神经网络模型，利用该深度神经网络模型提取出训练数据的个体特征，将该个体特征向量与其对应的辐射源个体标签存入到特征对比数据库中；利用该深度神经网络模型所提取的训练数据集的个体特征，构建特征对比数据库。

所述的数据预处理包括归一化处理和时频变换。

在实际场景中，不同辐射源设备的发射功率、与接收机的距离不同，导致其时域信号的幅值存在较大差异。为了消除这种差异对后续模型训练和个体识别的影响，首先要对数据进行归一化处理。归一化处理是将不同取值范围的数据映射到指定的取值范围内，其数学表达式为：

其中，t为数据集中的某一数据取值，t_max为数据集中所有数据的最大值，t_min为数据集中所有数据的最小值，t_归一化为数据t进行归一化处理后的取值。

辐射源的时域信号携带了可表征辐射源个体差异的细微特征，但容易受到信道环境、噪声干扰的影响。时频变换将所采集的时域信号转换到时频域中，能够反映信号在各个时间段上频率的分布与变化关系，对信道噪声和干扰具有很好的抑制作用。因此本方法在时域信号的基础上，对其进行时频变换，并与时域信号组合，共同送入到神经网络中进行模型训练和个体识别。数据预处理中使用的时频变换方法为短时傅里叶变换，对采集得到的时域中频信号进行时频变换，将得到的时频信号与时域信号进行组合，得到组合信号，将组合信号输入到深度神经网络模型中进行模型训练和个体识别。图3为时域信号与其时频变换的结果。

本方法使用加性角边距损失函数作为模型训练的损失函数，所述的加性角边距损失函数在基于交叉熵的softmax损失函数的基础上，将深度神经网络模型从组合信号中提取的个体特征分布变换到余弦空间，并通过一个加性角边距对相同个体的余弦距离进行约束，从而使得相同个体的特征分布更为集中，不同个体的特征分布更加远离。

基于交叉熵的softmax损失函数L，其数学表达式为：

其中，N为参与损失函数运算的样本数，m为深度神经网络模型的输出层节点数，i为参与损失函数运算的样本编号，y_i代表训练数据集的第i号样本，也即参与损失函数运算的第i号样本，所对应的辐射源个体编号，

为深度神经网络模型输出层第y_i号节点的输出结果，f_j为深度神经网络模型输出层第j号节点的输出结果。

对上述基于交叉熵的softmax损失函数L的表达式进一步化简，得到基于交叉熵的softmax损失函数L在余弦空间的内积表达式为：

其中，

为深度神经网络模型输出层第y_i号节点的权重，ω_j为深度神经网络模型输出层第j号节点的权重，x_i为深度神经网络模型从第i号样本中提取的个体特征，bias_j为深度神经网络模型输出层第j号节点的偏置，

为深度神经网络模型输出层第y_i号节点的偏置，cos(θ_j,i)为深度神经网络模型输出层第j号节点的权重与第i号样本提取的个体特征这两个向量之间角度θ_j,i的余弦值，

为深度神经网络模型输出层第y_i号节点的权重与第i号样本提取的个体特征这两个向量之间角度θ_j,i的余弦值，m为加性角边距。

假设对模型的最后一层做约束，使得其偏置bias为0。如果目标y为目标1而不是目标2，那么要使y为目标1时L更小，需要使得：

||ω₁||||x||cos(θ₁)≥||ω₂||||x||cos(θ₂)，

对加性角边距损失函数增加一个加性角边距m后，其对应的判决准则为：

||ω₁||||x||cos(θ₁+m)≥||ω₂||||x||cos(θ₂)，

其中，m为加性角边距，是一个正整数，θ₁为深度神经网络模型所提取的辐射源个体1的特征向量与深度神经网络模型的输出层权重向量间的角度，θ₂为深度神经网络模型所提取的辐射源个体2的特征向量与深度神经网络模型的输出层权重向量间的角度，x为深度神经网络模型所提取的个体特征向量。cos函数在0到π范围又是单调递减的，所以cos(θ+m)要小于cosθ。通过加性角边距m，神经网络提取的特征x需要使得同一个体之间角距离至少比原损失函数小一个角边距，迫使同一个体的特征距离缩小。为进一步消除权重ω与特征x的模||ω||、||x||对角边距判别的影响，加性角边距损失函数将权重与特征进行归一化处理：

在深度神经网络模型中所使用的加性角边距损失函数，其计算公式为为：

其中，s为缩放系数函数，用于控制所提取特征的分布，m为加性角边距，θ_j,i为深度神经网络模型第j号输出层节点的权重与第i号样本提取的个体特征这两个向量之间的角度。

图5展示了对于相同的神经网络，使用基于交叉熵的softmax损失函数和基于加性角边距损失函数所提取出的不同个体间特征的分布差异。由图5可见，基于交叉熵的softmax损失的神经网络提取的特征在相同的个体内差异较大，不同个体容易发生混淆，而使用加性角边距损失函数的神经网络提取的特征更具可判别性，不同个体特征分布更为集中，也更容易将未知的新个体与已知个体区分，因此具有更好的个体识别效果。

本方法中，所述的深度神经网络模型，使用一种改进的卷积神经网络，用于辐射源个体识别，为了提升神经网络的个体识别准确率，所述的深度神经网络模型使用了残差结构和压缩与激励网络结构，深度神经网络模型包括三部分，第一部分为特征预处理模块，用于对输入的组合信号数据进行基本的个体特征提取与降维处理，由一层卷积层与一层最大池化层组成，卷积层采用了7×7大小的卷积核，卷积深度为32；第二部分为特征精细处理模块，由两个SE_残差模块组成，该模块利用残差结构和压缩与激励网络结构对特征预处理模块提取的个体特征进行处理，获得能体现输入数据个体差异性的个体特征，两个SE_残差模块均采用3×3大小的卷积核，其卷积深度分别为64和128；第三部分为个体特征输出模块，其包括平均池化层、全连接层与输出层，该模块用于对第二部分精细处理后的个体特征再进行处理，平均池化层对个体特征进行降维，使该个体特征能匹配神经网络的输出层节点数目，全连接层对平均池化层输出的个体特征进行一次非线性运算，以抵消池化对个体特征带来的非线性影响，输出层对个体特征施加加性角边距约束，并用所述的加性角边距损失函数对神经网络进行训练，以提升个体特征的可判别性，并输出个体特征，全连接层与输出层均由128个节点的全连接神经网络组成。该神经网络的基本结构如表1所示。

表1神经网络基本结构

所述的SE_残差模块组合了残差和压缩与激励网络结构，相比这两个结构具有更好的特征提取能力与神经网络训练效率，该SE_残差模块以一个标准残差结构为基础结构进行构建，其输入信号分两条支路进行处理，第一条支路使输入信号经过两个卷积单元后(由一层卷积层与Batch Normalization层组成)，并再经过一个压缩与激励网络结构后输出，另一条支路对其输入信号不经过任何处理，并与第一条支路的输出结果进行累加，得到SE_残差模块的最终输出。压缩与激励网络结构，将其输入信号分为两条支路进行处理，第一支路使输入信号依次经过全局池化层、全连接层、全连接层和Sigmoid层，第二支路对输入信号不经过任何处理，并与第一支路的输出信号进行通道加权后，得到的信号作为压缩与激励网络结构的输出信号。

SE_残差模块的最大特点是引入了注意力机制，对神经网络提取的特征进行了多种不同类型的运算和组合，最大程度地提升了特征的个体表征能力和个体差异性。SE_残差模块的基本结构如图6所示。

所述的个体识别模型推理，其具体步骤包括：

S7，载入步骤S5中训练完成的深度神经网络模型；

S8，对于待识别辐射源设备发射的时域中频信号的数据，将其进行数据预处理，得到经过归一化处理和时频变换后的数据。

S9，将经过步骤S8的数据预处理后的数据，输入到训练完成的深度神经网络模型中，利用该神经网络模型提取出待识别数据的个体特征。

S10，将待识别数据的个体特征与训练数据的个体特征进行相似度判别，得到识别结果，该识别结果即为深度神经网络模型识别出的辐射源个体。

所述的将待识别数据的个体特征与训练数据的个体特征进行相似度判别，判别准则为基于余弦相似度(Cosine Similarity)的判别准则，其相似度similarity的计算公式为：

其中，A和B为待比较的特征向量，N为特征向量维数，similarity为余弦相似度的计算结果。

对于待识别数据的个体特征向量，将其与特征对比数据库中每个个体的特征向量计算余弦相似度，生成相似度矩阵。设定一个相似度阈值，如果特征对比数据库中的某个个体的特征向量与待识别数据的个体特征向量的相似度超过相似度阈值，则判定待识别数据与特征对比数据库中的该个体相似。对所有出现的相似结果进行评估，如果某一个体中满足相似度阈值条件的样本数量最多，且其样本数量超过一定比例，则判定待识别辐射源设备属于该个体，如果在特征对比数据库中没有找到满足上述条件的个体，则将待识别辐射源设备判定为未知个体。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (5)

1.一种基于深度学习的辐射源个体识别方法，其特征在于，其包括个体识别模型训练和个体识别模型推理，首先进行个体识别模型训练，再利用训练好的个体识别模型进行推理；

所述的个体识别模型训练，其具体步骤为：

S1，确定待识别的辐射源设备，采集并标注足够的待识别的辐射源设备发射的时域中频信号，并按照采集时间先后关系，将所采集信号的前70％作为训练数据集，后30％作为验证数据集；

S2，将训练数据集与验证数据集分别进行数据预处理，得到经过归一化处理和时频变换后的数据；

S3，构建并初始化深度神经网络模型，设置默认的训练超参数；

S4，将经过归一化处理和时频变换后的数据输入深度神经网络模型中，并使用加性角边距损失函数作为深度神经网络模型的损失函数，对深度神经网络模型进行训练，在训练过程中，测试深度神经网络模型在验证数据集上的识别效果，并根据识别效果调整训练超参数；

S5，当深度神经网络模型在验证数据集上的识别准确率超过某一识别准确率阈值时，深度神经网络模型训练完成；

S6，随机挑选一批经过归一化处理和时频变换后的训练数据送入深度神经网络模型，利用该深度神经网络模型提取出训练数据的个体特征，将该个体特征向量与其对应的辐射源个体标签存入到特征对比数据库中；利用该深度神经网络模型所提取的训练数据集的个体特征，构建特征对比数据库；

所述的个体识别模型推理，其具体步骤包括：

S7，载入步骤S5中训练完成的深度神经网络模型；

S8，对于待识别辐射源设备发射的时域中频信号的数据，将其进行数据预处理，得到经过归一化处理和时频变换后的数据；

S9，将经过步骤S8的数据预处理后的数据，输入到训练完成的深度神经网络模型中，利用该神经网络模型提取出待识别数据的个体特征；

S10，将待识别数据的个体特征与训练数据的个体特征进行相似度判别，得到识别结果，该识别结果即为深度神经网络模型识别出的辐射源个体；

对于待识别数据的个体特征向量，将其与特征对比数据库中每个个体的特征向量计算余弦相似度，生成相似度矩阵；设定一个相似度阈值，如果特征对比数据库中的某个个体的特征向量与待识别数据的个体特征向量的相似度超过相似度阈值，则判定待识别数据与特征对比数据库中的该个体相似；对所有出现的相似结果进行评估，如果某一个体中满足相似度阈值条件的样本数量最多，且其样本数量超过一定比例，则判定待识别辐射源设备属于该个体，如果在特征对比数据库中没有找到满足上述条件的个体，则将待识别辐射源设备判定为未知个体。

2.如权利要求1所述的基于深度学习的辐射源个体识别方法，其特征在于，

步骤S2所述的数据预处理，包括归一化处理和时频变换；

归一化处理是将不同取值范围的数据映射到指定的取值范围内，其数学表达式为：

其中，t为数据集中的某一数据取值，t_max为数据集中所有数据的最大值，t_min为数据集中所有数据的最小值，t_归一化为数据t进行归一化处理后的取值；

数据预处理中使用的时频变换方法为短时傅里叶变换，对采集得到的时域中频信号进行时频变换，将得到的时频信号与时域信号进行组合，得到组合信号，将组合信号输入到深度神经网络模型中进行模型训练和个体识别。

3.如权利要求1所述的基于深度学习的辐射源个体识别方法，其特征在于，

所述的加性角边距损失函数，在基于交叉熵的softmax损失函数的基础上，将深度神经网络模型从组合信号中提取的个体特征分布变换到余弦空间，并通过一个加性角边距对相同个体的余弦距离进行约束，从而构建得到该加性角边距损失函数；

基于交叉熵的softmax损失函数L，其数学表达式为：

其中，N为参与损失函数运算的样本数，m为深度神经网络模型的输出层节点数，i为参与损失函数运算的样本编号，y_i代表训练数据集的第i号样本，也即参与损失函数运算的第i号样本，所对应的辐射源个体编号，

为深度神经网络模型输出层第y_i号节点的输出结果，f_j为深度神经网络模型输出层第j号节点的输出结果；

对上述基于交叉熵的softmax损失函数L的表达式进一步化简，得到基于交叉熵的softmax损失函数L在余弦空间的内积表达式为：

其中，

为深度神经网络模型输出层第y_i号节点的权重，ω_j为深度神经网络模型输出层第j号节点的权重，x_i为深度神经网络模型从第i号样本中提取的个体特征，bias_j为深度神经网络模型输出层第j号节点的偏置，

为深度神经网络模型输出层第y_i号节点的偏置，cos(θ_j,i)为深度神经网络模型输出层第j号节点的权重与第i号样本提取的个体特征这两个向量之间角度θ_j,i的余弦值，

为深度神经网络模型输出层第y_i号节点的权重与第i号样本提取的个体特征这两个向量之间角度θ_j,i的余弦值，m为加性角边距；

对加性角边距损失函数增加一个加性角边距m后，其对应的判决准则为：

||ω₁||||x||cos(θ₁+m)≥||ω₂||||x||cos(θ₂)，其中，m为加性角边距，是一个正整数，θ₁为深度神经网络模型所提取的辐射源个体1的特征向量与深度神经网络模型的输出层权重向量间的角度，θ₂为深度神经网络模型所提取的辐射源个体2的特征向量与深度神经网络模型的输出层权重向量间的角度，x为深度神经网络模型所提取的个体特征向量；

在深度神经网络模型中所使用的加性角边距损失函数，其计算公式为为：

其中，s为缩放系数函数，用于控制所提取特征的分布，m为加性角边距，θ_j,i为深度神经网络模型第j号输出层节点的权重与第i号样本提取的个体特征这两个向量之间的角度。

4.如权利要求1所述的基于深度学习的辐射源个体识别方法，其特征在于，

所述的深度神经网络模型使用了残差结构和压缩与激励网络结构，深度神经网络模型包括三部分，第一部分为特征预处理模块，用于对输入的组合信号数据进行基本的个体特征提取与降维处理，由一层卷积层与一层最大池化层组成，卷积层采用了7×7大小的卷积核，卷积深度为32；第二部分为特征精细处理模块，由两个SE_残差模块组成，该模块利用残差结构和压缩与激励网络结构对特征预处理模块提取的个体特征进行处理，获得能体现输入数据个体差异性的个体特征，两个SE_残差模块均采用3×3大小的卷积核，其卷积深度分别为64和128；第三部分为个体特征输出模块，其包括平均池化层、全连接层与输出层，该模块用于对第二部分精细处理后的个体特征再进行处理，平均池化层对个体特征进行降维，使该个体特征能匹配神经网络的输出层节点数目，全连接层对平均池化层输出的个体特征进行一次非线性运算，以抵消池化对个体特征带来的非线性影响，输出层对个体特征施加加性角边距约束，并用所述的加性角边距损失函数对神经网络进行训练，以提升个体特征的可判别性，并输出个体特征，全连接层与输出层均由128个节点的全连接神经网络组成。

5.如权利要求4所述的基于深度学习的辐射源个体识别方法，其特征在于，

所述的SE_残差模块以一个标准残差结构为基础结构进行构建，其输入信号分两条支路进行处理，第一条支路使输入信号经过两个卷积单元后，并再经过一个压缩与激励网络结构后输出，另一条支路对其输入信号不经过任何处理，并与第一条支路的输出结果进行累加，得到SE_残差模块的最终输出；压缩与激励网络结构，将其输入信号分为两条支路进行处理，第一支路使输入信号依次经过全局池化层、全连接层、全连接层和Sigmoid层，第二支路对输入信号不经过任何处理，并与第一支路的输出信号进行通道加权后，得到的信号作为压缩与激励网络结构的输出信号。

Images