CN114626418A - 一种基于多中心复残差网络的辐射源识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于多中心复残差网络的辐射源识别方法及装置，该方法包括：获取复数形式的辐射源信号数据；复数形式的辐射源信号数据被分为基类数据和目标类数据；基类数据用于训练；目标类数据用于识别；对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；对信号的频域信息进行特征提取，得到特征参数；在训练阶段，对提取的特征参数进行训练，形成特征库；在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。本发明使用多中心复残差网络来处理复数形式的辐射源信号数据，与现有的实值网络相比，充分利用复数形式的辐射源信号数据中的相位信息，提高辐射源信号识别的准确率。

Description

一种基于多中心复残差网络的辐射源识别方法及装置

技术领域

本发明属于辐射源识别技术领域，特别是涉及一种基于多中心复残差网络的辐射源识别方法及装置。

背景技术

辐射源信号识别是指对接收的调制信号进行特征提取，根据已获得的信息来确定特定的目标。

在机器学习领域中，识别问题得到了广泛的研究，以卷积神经网络为主的识别模型在图像、视频等诸多领域取得了显著的成果，但是在辐射源信号数据的识别问题上还有这较多的缺陷。现有的神经网络结构以实值网络为主，难以充分利用复数形式的辐射源信号数据中的信息；另一方面，现有的机器学习算法往往需要充足的样本数，以此支持模型的参数训练，但是在辐射源目标识别的场景下，往往识别目标所对应的样本数量较少，且由于制式、业务的改变，特征呈现出多中心的现象。针对这一问题，本发明提出了一种新的针对复数形式辐射源信号的识别方法，以提升识别的准确率。

发明内容

本发明所要解决的技术问题在于，提供一种基于多中心复残差网络的辐射源识别方法及装置，能够通过给定一定数量的辐射源信号数据以及相应的标签信息，通过训练获取一个分类器，当输入一个新的辐射源信号数据时，能够对其进行识别，判别其所属的类别。

为了解决上述技术问题，本发明实施例第一方面公开了一种基于多中心复残差网络的辐射源识别方法，其特征在于，所述方法包括：

获取复数形式的辐射源信号数据；

所述复数形式的辐射源信号数据被分为基类数据和目标类数据；

所述基类数据用于训练；

所述目标类数据用于识别；

对所述获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；

对信号的频域信息进行特征提取，得到特征参数；

在训练阶段，对提取的特征参数进行训练，形成特征库；

在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

作为一种可选的实施方式，在本发明实施例的第一方面中，所述对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息，包括：

对复数形式的辐射源信号数据进行加窗，截取有限长的一段信号；

对截取的有限长的一段信号进行短时傅里叶变换，得到信号的频域信息。

对复数形式的辐射源信号数据进行加窗和短时傅里叶变换，得到信号的频域信息。

作为一种可选的实施方式，在本发明实施例的第一方面中，所述在训练阶段，对提取的特征参数进行训练，形成特征库，包括：

获取基类数据和基类数据对应的标签；

对基类数据进行预处理，得到基类数据的频域信息；

随机初始化多中心复残差网络中的网络参数；

根据所述基类数据对应的标签信息计算交叉熵，并通过梯度下降法调整多中心复残差网络的网络参数及softmax分类器中的性能参数，实现对多中心复残差网络及softmax分类器的训练；

将所述基类数据的频域信息输入所述多中心复残差网络进行特征提取；

将所述提取的特征输入softmax分类器，进行特征分类，得到分类结果，形成特征库。

作为一种可选的实施方式，在本发明实施例的第一方面中，所述在识别阶段，对提取的特征利用分类模型进行分类处理，得到分类结果，包括：

获取目标类数据和目标类数据对应的标签；

所述目标类数据包含N个类别，N为大于等于1的常数；

对目标类数据进行预处理，得到目标类数据的频域信息；

将所述目标类数据的频域信息输入所述多中心复残差网络进行特征提取；

将提取的特征输入预设的分类器模型进行分类，得到分类结果。

作为一种可选的实施方式，在本发明实施例的第一方面中，所述分类器模型为高斯混合模型分类器；

所述高斯混合模型分类器包括背景高斯混合模型分类器和类别高斯混合模型分类器；

所述高斯混合模型分类器包括均值参数和方差参数。

作为一种可选的实施方式，在本发明实施例的第一方面中，所述高斯混合模型的训练方法为EM算法；

所述背景高斯混合模型分类器由所述目标类数据的全部数据进行训练得到；

所述类别高斯混合模型分类器由所述目标类数据中的第i类进行训练得到，1≤i≤N。

作为一种可选的实施方式，在本发明实施例的第一方面中，所述识别阶段，对提取的特征利用分类模型进行分类处理，得到分类结果，包括：

对于目标类数据中的某一类数据，进行数据预处理，得到信号的频域信息；

对信号的频域信息进行特征提取，得到特征参数；

将所述特征参数输入预设的分类模型，计算其归属于每一个类别高斯混合模型的后验概率，后验概率最大的类别就是所述目标数据对应的类别，得到分类结果。

本发明第二方面公开了一种基于多中心复残差网络的辐射源识别装置，其特征在于，所述装置包括：

数据获取模块，用于获取复数形式的辐射源信号数据；所述复数形式的辐射源信号数据被分为基类数据和目标类数据，基类数据用于训练，目标类数据用于识别；

预处理模块，用于对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；

特征提取模块，用于对信号的频域信息进行特征提取，得到特征参数；

训练识别模块，用于在训练阶段，对提取的特征进行训练，形成特征库；在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

作为一种可选的实施方式，本发明实施例第二方面中，所述对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息，包括：

对复数形式的辐射源信号数据进行加窗，截取有限长的一段信号；

对截取的有限长的一段信号进行短时傅里叶变换，得到信号的频域信息。

作为一种可选的实施方式，本发明实施例第二方面中，所述在训练阶段，对提取的特征参数进行训练，形成特征库，包括：

获取基类数据和基类数据对应的标签；

对基类数据进行预处理，得到基类数据的频域信息；

随机初始化多中心复残差网络中的网络参数；

根据所述基类数据对应的标签信息计算交叉熵，并通过梯度下降法调整多中心复残差网络的网络参数及softmax分类器中的性能参数，实现对多中心复残差网络及softmax分类器的训练；

将所述基类数据的频域信息输入所述多中心复残差网络进行特征提取；

将所述提取的特征输入softmax分类器，进行特征分类，得到分类结果，形成特征库。

作为一种可选的实施方式，本发明实施例第二方面中，所述在识别阶段，对提取的特征利用分类模型进行分类处理，得到分类结果，包括：

获取目标类数据和目标类数据对应的标签；

所述目标类数据包含N个类别，N为大于等于1的常数；

对目标类数据进行预处理，得到目标类数据的频域信息；

将所述目标类数据的频域信息输入所述多中心复残差网络进行特征提取；

将提取的特征输入预设的分类器模型进行分类，得到分类结果。

作为一种可选的实施方式，本发明实施例第二方面中，所述分类器模型为高斯混合模型分类器；

所述高斯混合模型分类器包括背景高斯混合模型分类器和类别高斯混合模型分类器；

所述高斯混合模型分类器包括均值参数和方差参数。

作为一种可选的实施方式，在本发明实施例的第二方面中，所述高斯混合模型的训练方法为EM算法；

所述背景高斯混合模型分类器由所述目标类数据的全部数据进行训练得到；

所述类别高斯混合模型分类器由所述目标类数据中的第i类进行训练得到，1≤i≤N。

作为一种可选的实施方式，在本发明实施例的第二方面中，所述识别阶段，对提取的特征利用分类模型进行分类处理，得到分类结果，包括：

对于目标类数据中的某一类数据，进行数据预处理，得到信号的频域信息；

对信号的频域信息进行特征提取，得到特征参数；

将所述特征参数输入预设的分类模型，计算其归属于每一个类别高斯混合模型的后验概率，后验概率最大的类别就是所述目标数据对应的类别，得到分类结果。

本发明第三方面公开了另一种基于多中心复残差网络的辐射源识别装置，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的基于多中心复残差网络的辐射源识别方法。

本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的基于多中心复残差网络的辐射源识别方法。

与现有技术相比，本发明实施例具有以下有益效果：

本发明实施例中，获取复数形式的辐射源信号数据；复数形式的辐射源信号数据被分为基类数据和目标类数据；基类数据用于训练；目标类数据用于识别；对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；对信号的频域信息进行特征提取，得到特征参数；在训练阶段，对提取的特征参数进行训练，形成特征库；在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。可见本发明使用多中心复残差网络来处理复数形式的辐射源信号数据，在进行短时傅里叶变换时，采用一种改进的短时傅里叶变换方法，与传统的短时傅里叶变换相比，改进的短时傅里叶变换方法获取的信号参数更加准确；与现有的实值网络相比，本发明充分利用复数形式的辐射源信号数据中的相位信息，提高辐射源信号识别的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例公开的一种基于多中心复残差网络的辐射源识别方法的流程示意图；

图2是本发明实施例公开的一种基于多中心复残差网络的辐射源识别装置示意图；

图3是本发明实施例公开的又一种基于多中心复残差网络的辐射源识别装置示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明公开了一种基于多中心复残差网络的辐射源识别方法及装置，使用多中心复残差网络对复数形式的辐射源信号数据进行特征提取，在特征分类阶段，通过高斯混合模型分类器寻找目标所在的多类中心，进而实现分类。以下分别进行详细说明。

实施例一

请参阅图1，图1是本发明实施例公开的一种基于多中心复残差网络的辐射源识别方法的流程示意图。如图1所示，该辐射源识别方法可以包括以下操作：

获取复数形式的辐射源信号数据；复数形式的辐射源信号数据被分为基类数据和目标类数据；基类数据用于训练；目标类数据用于识别；

对所述获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；

对信号的频域信息进行特征提取，得到特征参数；

在训练阶段，对提取的特征参数进行训练，形成特征库；

在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

可见，实施本发明实施例所描述的基于多中心复残差网络的辐射源识别方法能够对复数形式的辐射源信号数据进行预处理和特征提取，对提取的特征参数进行训练，形成特征库，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

可选的，上述复数形式的辐射源信号数据的特征提取采用多中心复残差网络来实现，具体方式为：

给定一复数形式的数据a+ib，实部为a，虚部为b。若一个卷积层有N个特征图，那么规定其前N2张图表示复数的实部，而后N2张图表示复数的虚部。假设某一卷积层有N_in个输入特征图，N_out个输出特征图，卷积核大小为m×m,那么该卷积层就对应(N_out×N_in×m×m)2个复参数。

可选的，多中心复残差网络的参数设置为：

(1)复卷积层(complex conv)：假设一个复卷积矩阵W＝A+jB与复向量h＝x+jy做卷积，其中A,x表示实部，B,y表示虚部。那么显然有：

W*h＝(A*x-B*y)+i(B*x+A*y)

将其表示为矩阵形式则有：

(2)复值的激活函数(complex relu)：采取对实部虚部分别进行ReLU函数计算的方法：

CReLU(z)＝ReLU(Re(z))+iReLU(Im(z))

(3)复批归一化(complex BN)处理：批归一化处理是深度学习中常用的加速学习的方式，具体是把每一层的输入数据统一起来，从而消除神经网络内部数据分布变化对学习速率的影响。复数情况下的归一化与实数情况相似，只是由一维数据分布变为了二维分布。首先，将一个2D的向量，转化为二维标准正态分布：

式中，x是输入，E[x]为输入x的均值，V是2×2的协方差矩阵。V的具体形式为：

对于x，其分布具有如下的特征：

定义两个参数β和γ，平移参数β是2×1的向量，两个元素分别表示实部和虚部。放大因子γ则是一个2×2的半正定矩阵，其作用是放大标准分布的方差。对应于

γ的具体形式如下：

定义复形式的批归一化为：

可选的，特征提取模型的学习过程为：

(1)给定基类训练数据X＝[x₁,x₂,…,x_n]∈R^d×2×n，其中每个x_i代表一个采样数据，是长度为d的复值双通道数据，以及数据对应的标签Y＝[y₁,y₂,…,y_n]，其表示每一个数据所归属的终端编号，对数据进行短时傅里叶变换，得到新的数据矩阵

每个数据点依然为复值形式；

所采用的短时傅里叶变换是对传统傅里叶变换的改进，其变换形式为：

其中，h(t)为x(t)的解析信号，G(τ,f)为信号的频谱，h(t)和x(t)之间的关系为：

定义

G(τ,f)＝A(τ,f)e^jθ(τ,f)

A(τ,f_τ)＝max[A(τ,f)]

θ(τ,f_τ)＝max[θ(τ,f)]

其中A(τ,f)和θ(τ,f)分别表示信号的高精度时频幅度谱和高精度时频相位谱，A(τ,f_τ)和θ(τ,f_τ)为给定时间τ处信号的频谱的峰值幅度和峰值相位，f_τ为取得峰值幅度和峰值相位处的频率。

(2)随机初始化多中心复残差网络中的参数；

(3)通过多中心复残差网络提取数据特征Z；

(4)通过softmax分类器，对得到的特征Z进行分类得到。根据给定的标签信息计算交叉熵，并通过梯度下降法调整多中心复残差网络以及softmax分类器中的参数：

可选的，高斯混合模型的分类过程为：

(1)给定目标类的训练数据X＝[x₁,x₂,…,x_m]∈R^d×2×m，x_i代表的是长度为d的复值双通道数据。目标类数据和基类数据是不相同的，并给出目标类数据对应的标签Y＝[y₁,y₂,…,y_m]，标签表示每个数据对应的终端编号，可以与特征提取过程中的编号不重合，对数据进行短时傅里叶变换，得到新的数据矩阵

(2)通过训练好的特征提取器，将

转化为特征Z∈R^D×m；

(3)通过EM算法，训练整体数据对应的背景高斯混合模型φ₀，该模型包括均值参数μ和方差参数∑；

(4)对于每一个终端类别i，抽取出对应的特征矩阵Z_i[z_i1,z_i2,…]，利用EM算法调整φ₀中的均值参数μ，得到新的均值参数μ₁，方差参数则固定不变。由此生成对应该类别的类别高斯混合模型φ_i；

(5)执行预测任务时，将给定的信号X，通过短时傅里叶变换以及特征提取器转化为z，分别计算其归属于每一个终端的高斯混合模型的后验概率，并将X的类别判别为后验概率最大的那一类。

可见，本发明提出利用高斯混合模型进行辐射源信号数据分类的方法，能够对复数形式的辐射源信号数据进行预处理和特征提取，对提取的特征参数进行训练，形成特征库，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

实施例二

如图2所示，图2是本发明实施例公开的一种基于多中心复残差网络的辐射源识别装置示意图，该装置可以包括：

数据获取模块201，用于获取复数形式的辐射源信号数据；所述复数形式的辐射源信号数据被分为基类数据和目标类数据，基类数据用于训练，目标类数据用于识别；

预处理模块202，用于对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；

特征提取模块203，用于对信号的频域信息进行特征提取，得到特征参数；

训练识别模块204，用于在训练阶段，对提取的特征进行训练，形成特征库；在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

可见，实施图2所示的一种基于多中心复残差网络的辐射源识别装置，能够获取复数形式的辐射源信号数据；复数形式的辐射源信号数据被分为基类数据和目标类数据；基类数据用于训练；目标类数据用于识别；对所述获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；对信号的频域信息进行特征提取，得到特征参数；在训练阶段，对提取的特征参数进行训练，形成特征库；在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

实施例三

本发明实施例公开了一种基于多中心复残差网络的辐射源识别装置，如图3所示。该装置可以包括：

存储有可执行程序代码的存储器301；

与存储器301耦合的处理器302；

处理器302调用存储器301中存储的所述可执行程序代码，用来执行如实施例一或实施例二所描述的基于多中心复残差网络的辐射源识别方法。

实施例四

本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的基于多中心复残差网络的辐射源识别方法的步骤。

以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种基于多中心复残差网络的辐射源识别方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种基于多中心复残差网络的辐射源识别方法，其特征在于，所述方法包括：

获取复数形式的辐射源信号数据；所述复数形式的辐射源信号数据被分为基类数据和目标类数据；所述基类数据用于训练；所述目标类数据用于识别；

对所述获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；

对信号的频域信息进行特征提取，得到特征参数；

在训练阶段，对提取的特征参数进行训练，形成特征库；

在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

2.根据权利要求1所述的基于多中心复残差网络的辐射源识别方法，其特征在于，所述对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息，包括：

对复数形式的辐射源信号数据进行加窗，截取有限长的一段信号；

对截取的有限长的一段信号进行短时傅里叶变换，得到信号的频域信息。

3.根据权利要求1所述的基于多中心复残差网络的辐射源识别方法，其特征在于，所述在训练阶段，对提取的特征参数进行训练，形成特征库，包括：

获取基类数据和基类数据对应的标签；

对所述基类数据进行预处理，得到基类数据的频域信息；

随机初始化多中心复残差网络中的网络参数；

根据所述基类数据对应的标签信息计算交叉熵，并通过梯度下降法调整多中心复残差网络的网络参数及softmax分类器中的性能参数，实现对多中心复残差网络及softmax分类器的训练；

将所述基类数据的频域信息输入所述多中心复残差网络进行特征提取；

将所述提取的特征输入softmax分类器，进行特征分类，得到分类结果，形成特征库。

4.根据权利要求1所述的基于多中心复残差网络的辐射源识别方法，其特征在于，所述在识别阶段，对提取的特征利用分类模型进行分类处理，得到分类结果，包括：

获取目标类数据和目标类数据对应的标签；所述目标类数据包含N个类别，N为大于等于1的常数；

对目标类数据进行预处理，得到目标类数据的频域信息；

将所述目标类数据的频域信息输入所述多中心复残差网络进行特征提取；

将提取的特征输入预设的分类器模型进行分类，得到分类结果。

5.根据权利要求4所述的基于多中心复残差网络的辐射源识别方法，其特征在于，所述分类器模型为高斯混合模型分类器；

所述高斯混合模型分类器包括背景高斯混合模型分类器和类别高斯混合模型分类器；

所述高斯混合模型分类器包括均值参数和方差参数。

6.根据权利要求4所述的基于多中心复残差网络的辐射源识别方法，其特征在于，所述高斯混合模型的训练方法为EM算法；

所述背景高斯混合模型分类器由所述目标类数据的全部数据进行训练得到；

所述类别高斯混合模型分类器由所述目标类数据中的第i类进行训练得到，1≤i≤N。

7.根据权利要求1所述的基于多中心复残差网络的辐射源识别方法，其特征在于，所述识别阶段，对提取的特征利用分类模型进行分类处理，得到分类结果，包括：

对于目标类数据中的某一类数据，进行数据预处理，得到信号的频域信息；

对信号的频域信息进行特征提取，得到特征参数；

将所述特征参数输入预设的分类模型，计算其归属于每一个类别高斯混合模型的后验概率，后验概率最大的类别就是所述目标数据对应的类别，得到分类结果。

8.一种基于多中心复残差网络的辐射源识别装置，其特征在于，所述装置包括：

数据获取模块，用于获取复数形式的辐射源信号数据；所述复数形式的辐射源信号数据被分为基类数据和目标类数据，基类数据用于训练，目标类数据用于识别；

预处理模块，用于对获取的复数形式的辐射源信号数据进行预处理，得到信号的频域信息；

特征提取模块，用于对信号的频域信息进行特征提取，得到特征参数；

训练识别模块，用于在训练阶段，对提取的特征进行训练，形成特征库；在识别阶段，对提取的特征参数利用分类模型进行分类处理，得到分类的结果。

9.一种基于多中心复残差网络的辐射源识别装置，其特征在于，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述基于多中心复残差网络的辐射源识别方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于多中心复残差网络的辐射源识别方法。

Images