CN115809426A - 一种辐射源个体识别方法及系统 - Google Patents
一种辐射源个体识别方法及系统 Download PDFInfo
- Publication number
- CN115809426A CN115809426A CN202310052810.0A CN202310052810A CN115809426A CN 115809426 A CN115809426 A CN 115809426A CN 202310052810 A CN202310052810 A CN 202310052810A CN 115809426 A CN115809426 A CN 115809426A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- original
- signals
- layer
- cnn model
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种辐射源个体识别方法及系统,涉及辐射源信号识别技术领域,该方法包括以下步骤:采集辐射源原始I/Q信号;构建一维Complex‑CNN模型;将辐射源原始I/Q信号输入至一维Complex‑CNN模型,输出信号分类结果,根据信号分类结果对辐射源个体进行判别;一维Complex‑CNN模型包括输入层、四层复卷积层、全连接层、分类层和输出层,输出辐射源原始I/Q信号分类结果。本发明构建了基于一维Complex‑CNN的辐射源个体识别方法及系统,提取的识别特征全面,复杂度低,泛化性强,能够对五种ZigBee设备在‑10dB至10dB信噪比条件下实现高精度识别。
Description
技术领域
本发明涉及辐射源信号识别技术领域,特别是涉及一种辐射源个体识别方法及系统。
背景技术
无线通信技术的大规模应用和物联网时代的到来,促使了大量通信设备的快速发展,同时也给通信安全和信号侦察等领域带来了严峻挑战。传统的MAC地址和秘钥认证方法容易被伪造和破解,依靠信号分析方法去追踪和识别信号已无法满足复杂电磁环境下的侦察需求,特定辐射源识别通过提取不同辐射源信号中由于硬件制造等问题产生的固有指纹特征,可以完成对辐射源个体的认证和识别。在电子侦察领域中,通过识别个体特征可以有效获取非合作目标信息、追踪信号位置空间、分析战场电磁态势并获取价值情报。另外,特定辐射源识别方法配合传统的秘钥、MAC地址等认证方法可以加强对非法无线通信设备的识别和身份认证,提高通信系统安全性能。
通信辐射源内部器件的主要指纹特征包括:振荡器的相位噪声和频率偏差、功率放大器振幅和相位的非线性特征和杂散特征、滤波器的失真以及I/Q调制器的调制误差等。基于人工设计的特征提取方法主要是将信号的频率、相位、幅度、信号熵、星座图、高阶累积量、双谱以及分形维数等作为指纹特征,并通过特征参数匹配、支持向量机、聚类、决策树等方法构建分类器,完成对辐射源的个体识别。
基于人工设计的特征提取和分类方法虽然有一定的识别效果,但是难以得到有效全面的数学模型,所提取的特征不够全面,复杂度高,泛化性不强,其识别率普遍都较低。
发明内容
本发明提供了一种辐射源个体识别方法及系统,可以解决现有技术中存在的问题。
本发明提供一种辐射源个体识别方法,包括以下步骤:
采集辐射源原始I/Q信号;
构建一维Complex-CNN模型;
将所述辐射源原始I/Q信号输入至一维Complex-CNN模型,输出信号分类结果,根据信号分类结果对辐射源个体进行判别;
所述一维Complex-CNN模型包括:
输入层,用于输入辐射源原始I/Q信号;
四层复卷积层,每一层复卷积层后均级联一个复激活函数和一个复值最大池化层,对输入的辐射源原始I/Q信号进行特征提取;
全连接层,对提取的特征进行拟合;
分类层,采用SoftMax函数对拟合后的特征进行分类;
输出层,输出辐射源原始I/Q信号分类结果。
优选的,所述四层复卷积层的复数卷积核个数分别为32、64、128和256。
式中,M=MR+MI为复数特征向量,MR为卷积前实部特征,MI为卷积前虚部特征,K=KR+K I 为复数卷积核,KR为实部卷积核,K I 为虚部卷积核,*代表复卷积操作;
式中,MRKR-MIKI为卷积后虚部特征,MRKI+MIKR为卷积后实部特征。
优选的,还包括:
采集5种ZigBee设备的辐射源信号作为数据集,对所述数据集进行预处理,将预处理后的数据集分为训练集和测试集,通过训练集对一维Complex-CNN模型进行训练,通过测试集对训练后的一维Complex-CNN模型进行测试。
优选的,对所述数据集进行预处理具体为:依次对数据集中的数据进行过采样、功率归一化、切片和加噪,形成固定长度的序列样本,将得到的序列样本分为训练集和测试集。
优选的,通过测试集对训练后的一维Complex-CNN模型进行测试之前,通过分类准确率对训练后的一维Complex-CNN模型进行性能评估。
式中,TP代表将正类预测为正类数;TN代表将负类预测为负类数;FP代表将负类预测为正类数;FN代表将正类预测为负类数。
一种辐射源个体识别系统,其特征在于,包括:
采集模块,用于采集辐射源原始I/Q信号;
模型构建模块,用于构建一维Complex-CNN模型;
分类模块,用于将辐射源原始I/Q信号输入至一维Complex-CNN模型,输出信号分类结果,根据信号分类结果对辐射源个体进行判别;
所述一维Complex-CNN模型包括:
输入层,用于输入辐射源原始I/Q信号;
四层复卷积层,每一层复卷积层后均级联一个复激活函数和一个复值最大池化层,对输入的辐射源原始I/Q信号进行特征提取;
全连接层,对提取的特征进行拟合;
分类层,采用SoftMax函数对拟合后的特征进行分类;
输出层,输出辐射源原始I/Q信号分类结果。
优选的,还包括数据预处理模块,所述数据预处理模块对辐射源原始I/Q信号进行预处理;
预处理具体为:依次对采集的辐射源原始I/Q信号进行过采样、功率归一化、切片和加噪,形成固定长度的序列样本。
与现有技术相比,本发明的有益效果是:
本发明构建了基于一维Complex-CNN的辐射源个体识别方法及系统,通过复卷积的思想构建一维Complex-CNN模型,使得提取的识别特征全面,复杂度低,泛化性强,采用本发明的一维Complex-CNN模型能够对五种ZigBee设备在-10dB至10dB信噪比条件下实现高精度识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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本发明的一种辐射源个体识别方法的流程图;
图2为本发明的一维Complex-CNN模型处理数据的流程图;
图3为本发明的一维Complex-CNN模型的复卷积层的卷积过程示意图;
图4为本发明的一维Complex-CNN模型在信噪比为-6dB下的混淆矩阵示意图;
图5为本发明的一维Complex-CNN模型在信噪比为-2dB下的混淆矩阵示意图;
图6为本发明的一维Complex-CNN模型在信噪比为2dB下的混淆矩阵示意图;
图7为本发明的一维Complex-CNN模型在信噪比为6dB下的混淆矩阵示意图;
图8为本发明的一维Complex-CNN模型在不同信噪比下的识别准确率示意图。
具体实施方式
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做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。
参照图1,本发明提供了一种辐射源个体识别方法,包括以下步骤:
第一步:采集辐射源原始I/Q信号。
本发明通过Ettus Research N210 USRP对ZigBee设备进行数据采集, EttusResearch N210 USRP设备的采样速率是10 Msamples/s。ZigBee设备的I/Q信道芯片速率是1 Mb/s,ZigBee设备使用的是符合IEEE 802.15.4标准的数据格式,其使用的是OQPSK调制方式,使用DSSS技术和half-sine chip shaping波形变换技术。
采集多个原始I/Q信号得到数据集,该数据集是5种ZigBee设备的正交同相(I/Q)信号,每一类设备共有5段信号,每段信号分为9个小的帧段,每个帧段约为40000个样本。同时该数据集中的数据也存在如多径衰落产生的高斯白噪声、频率偏移等常见的信道误差,另外也通过人为加噪,使得信噪比范围广,能较为真实地模拟各种情况的信号。ZigBee数据集的参数如表1所示。对数据集依次进行过采样、功率归一化、切片和加噪预处理,处理成固定长度和不同信噪比的序列样本,将得到的序列样本分为训练集和测试集。
表1 ZigBee数据集的参数
第二步:构建一维Complex-CNN模型(模块),即复卷积神经网络。参照图2,本发明的网络结构由输入层、四层复卷积层、全连接层、分类层和输出层构成,针对辐射源I/Q信号的特点,四层复卷积层均采用了复值卷积的思想,针对输入的I/Q信号进行了改进。输入层用于输入辐射源原始I/Q信号,四层复卷积层用于对输入的辐射源原始I/Q信号进行特征提取,全连接层用于对提取的特征进行拟合,分类层采用SoftMax函数对拟合后的特征进行分类,输出层用于输出辐射源原始I/Q信号分类结果。
本发明构建的一维Complex-CNN模型的四层复卷积层的卷积核个数分别为32、64、128和256。每一个复卷积层后使用复激活函数,然后通过一个复值最大池化层,对复卷积层所提取的信息进行降维,减少模型的计算量。
式中,M=MR+MI为复数特征向量,MR为卷积前实部特征,MI为卷积前虚部特征,K=KR+K I 为复数卷积核,KR为实部卷积核,K I 为虚部卷积核,*代表复卷积操作。
式中,MRKR-MIKI为卷积后虚部特征,MRKI+MIKR为卷积后实部特征。
第三步:通过训练集对一维Complex-CNN模型进行训练,训练时在分类层中设有损失函数,对构建好的一维Complex-CNN模型中的网络参数进行迭代更新,提高识别的准确性。
同时,本发明还设有一维Complex-CNN模型的性能评价指标,使用分类准确率和混淆矩阵两个方法对一维Complex-CNN模型进行性能评估。通过测试集对训练后的一维Complex-CNN模型进行测试。
混淆矩阵作为判断分类精准度的评价标准,它可以确认每个类别是否与数据标签相同,并且可以看出每一类列表中分类的正确数量和误分类的数量。
其中,True Positive(真正,TP):将正类预测为正类数;True Negative(真负,TN):将负类预测为负类数;False Positive(假正,FP):将负类预测为正类数;FalseNegative(假负,FN):将正类预测为负类数。
第四步:将辐射源原始I/Q信号输入至一维Complex-CNN模型,对辐射源原始I/Q信号进行分类,并输出信号分类结果,根据信号分类结果对辐射源个体进行判别。
利用一维Complex-CNN模型对原始I/Q信号进行分类的具体过程为:
向输入层输入辐射源原始I/Q信号,四层复卷积层对输入的辐射源原始I/Q信号进行特征提取,全连接层对提取的特征进行拟合,分类层采用SoftMax函数对拟合后的特征进行分类,输出层输出辐射源原始I/Q信号分类结果。
参照图4-7,5种ZigBee设备在-6dB、-2dB、2dB、6dB信噪比条件下的分类准确率分别为:87.6%、91.2%、95.6%、98.0%,一维Complex-CNN模型能够实现高精度的通信辐射源个体识别。
参照图8,本发明所构建基于一维Complex-CNN的通信辐射源个体识别方法在-10dB至10dB信噪比条件下对5种ZigBee设备的分类平均准确率能够达到88%以上。
基于同一个发明构思,本发明还提供了一种辐射源个体识别系统,包括采集模块、数据预处理模块、模型构建模块和分类模块,采集模块用于采集原始I/Q信号,通过EttusResearch N210 USRP进行数据采集,获得原始I/Q序列信号。数据预处理模块对采集辐射源原始I/Q信号进行过采样、功率归一化、切片和加噪,形成固定长度的序列样本。模型构建模块用于构建一维Complex-CNN模型。分类模块用于将原始I/Q信号输入至一维Complex-CNN模型,根据输出的信号分类结果对辐射源个体进行判别。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种辐射源个体识别方法,其特征在于,包括以下步骤:
采集辐射源原始I/Q信号;
构建一维Complex-CNN模型;
将所述辐射源原始I/Q信号输入至一维Complex-CNN模型,输出信号分类结果,根据信号分类结果对辐射源个体进行判别;
所述一维Complex-CNN模型包括:
输入层,用于输入辐射源原始I/Q信号;
四层复卷积层,每一层复卷积层后均级联一个复激活函数和一个复值最大池化层,对输入的辐射源原始I/Q信号进行特征提取;
全连接层,对提取的特征进行拟合;
分类层,采用SoftMax函数对拟合后的特征进行分类;
输出层,输出辐射源原始I/Q信号分类结果。
2.如权利要求1所述的一种辐射源个体识别方法,其特征在于,所述四层复卷积层的复数卷积核个数分别为32、64、128和256。
4.如权利要求1所述的一种辐射源个体识别方法,其特征在于,还包括:
采集5种ZigBee设备的辐射源信号作为数据集,对所述数据集进行预处理,将预处理后的数据集分为训练集和测试集,通过训练集对一维Complex-CNN模型进行训练,通过测试集对训练后的一维Complex-CNN模型进行测试。
5.如权利要求4所述的一种辐射源个体识别方法,其特征在于,对所述数据集进行预处理具体为:依次对数据集中的数据进行过采样、功率归一化、切片和加噪,形成固定长度的序列样本,将得到的序列样本分为训练集和测试集。
6.如权利要求4所述的一种辐射源个体识别方法,其特征在于,通过测试集对训练后的一维Complex-CNN模型进行测试之前,通过分类准确率对训练后的一维Complex-CNN模型进行性能评估。
8.一种辐射源个体识别系统,其特征在于,包括:
采集模块,用于采集辐射源原始I/Q信号;
模型构建模块,用于构建一维Complex-CNN模型;
分类模块,用于将辐射源原始I/Q信号输入至一维Complex-CNN模型,输出信号分类结果,根据信号分类结果对辐射源个体进行判别;
所述一维Complex-CNN模型包括:
输入层,用于输入辐射源原始I/Q信号;
四层复卷积层,每一层复卷积层后均级联一个复激活函数和一个复值最大池化层,对输入的辐射源原始I/Q信号进行特征提取;
全连接层,对提取的特征进行拟合;
分类层,采用SoftMax函数对拟合后的特征进行分类;
输出层,输出辐射源原始I/Q信号分类结果。
9.如权利要求8所述的一种辐射源个体识别系统,其特征在于,还包括数据预处理模块,所述数据预处理模块对辐射源原始I/Q信号进行预处理;
预处理具体为:依次对采集的辐射源原始I/Q信号进行过采样、功率归一化、切片和加噪,形成固定长度的序列样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052810.0A CN115809426A (zh) | 2023-02-03 | 2023-02-03 | 一种辐射源个体识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052810.0A CN115809426A (zh) | 2023-02-03 | 2023-02-03 | 一种辐射源个体识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809426A true CN115809426A (zh) | 2023-03-17 |
Family
ID=85487357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052810.0A Pending CN115809426A (zh) | 2023-02-03 | 2023-02-03 | 一种辐射源个体识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809426A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713912A (zh) * | 2024-02-05 | 2024-03-15 | 成都大公博创信息技术有限公司 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112312457A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 一种基于复数深度残差网络的通信辐射源个体识别方法 |
CN114239646A (zh) * | 2021-12-01 | 2022-03-25 | 电子科技大学 | 一种基于复数神经网络的辐射源识别系统 |
CN115062642A (zh) * | 2022-05-13 | 2022-09-16 | 合肥讯飞数码科技有限公司 | 一种信号辐射源识别方法、装置、设备及存储介质 |
CN115236606A (zh) * | 2022-09-23 | 2022-10-25 | 中国人民解放军战略支援部队航天工程大学 | 雷达信号特征提取方法和复数域卷积网络架构 |
-
2023
- 2023-02-03 CN CN202310052810.0A patent/CN115809426A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112312457A (zh) * | 2020-10-29 | 2021-02-02 | 上海电机学院 | 一种基于复数深度残差网络的通信辐射源个体识别方法 |
CN114239646A (zh) * | 2021-12-01 | 2022-03-25 | 电子科技大学 | 一种基于复数神经网络的辐射源识别系统 |
CN115062642A (zh) * | 2022-05-13 | 2022-09-16 | 合肥讯飞数码科技有限公司 | 一种信号辐射源识别方法、装置、设备及存储介质 |
CN115236606A (zh) * | 2022-09-23 | 2022-10-25 | 中国人民解放军战略支援部队航天工程大学 | 雷达信号特征提取方法和复数域卷积网络架构 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117713912A (zh) * | 2024-02-05 | 2024-03-15 | 成都大公博创信息技术有限公司 | 一种基于CVCNN-BiGRU的星链终端信号识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN108509911B (zh) | 基于卷积神经网络的干扰信号识别方法 | |
CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN111914919A (zh) | 基于深度学习的开放集辐射源个体识别方法 | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
CN114943253A (zh) | 一种基于元学习模型的射频指纹小样本识别方法 | |
Xu et al. | A transformer based approach for open set specific emitter identification | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
CN115809426A (zh) | 一种辐射源个体识别方法及系统 | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN115941407A (zh) | 基于递归式卷积网络和注意力机制的信号调制识别方法 | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
CN116776227A (zh) | 基于特征融合的卫星身份识别方法和装置 | |
CN112926477A (zh) | 一种适用于低信噪比环境的物联网射频指纹识别方法 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
Qu et al. | Specific emitter identification based on one-dimensional complex-valued residual networks with an attention mechanism | |
Xu et al. | Individual recognition of communication emitter based on deep learning | |
CN118155249A (zh) | 一种针对射频指纹特征的深度学习盲训练开集识别方法 |
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 |