CN116166954A - 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法 - Google Patents

基于自适应信号特征嵌入知识图谱的辐射源个体识别方法 Download PDF

Info

Publication number
CN116166954A
CN116166954A CN202310424871.5A CN202310424871A CN116166954A CN 116166954 A CN116166954 A CN 116166954A CN 202310424871 A CN202310424871 A CN 202310424871A CN 116166954 A CN116166954 A CN 116166954A
Authority
CN
China
Prior art keywords
radiation source
layer
signal
feature
self
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
Application number
CN202310424871.5A
Other languages
English (en)
Inventor
陆智怡
徐从安
华敏妤
桂冠
张逸彬
陈雪梅
林云
闫文君
刘凯
葛亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Guiruide Information Technology Co ltd
Original Assignee
Nanjing Guiruide Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Guiruide Information Technology Co ltd filed Critical Nanjing Guiruide Information Technology Co ltd
Priority to CN202310424871.5A priority Critical patent/CN116166954A/zh
Publication of CN116166954A publication Critical patent/CN116166954A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了基于自适应信号特征嵌入知识图谱的辐射源个体识别方法包括：信号处理与知识图谱构建：采集辐射源信号，提取特征，将复数表征转换为实数特征，并构建电磁信号知识图谱；搭建与训练识别模型：使用卷积神经网络搭建识别框架，选择优化器，加入Attention机制，进行网络训练；动态调整与识别：根据识别精度和阈值，动态调整网络架构，进行再训练，得到最终模型，并对辐射源信号进行识别。本发明提出的同时考虑了模型的识别精度与计算复杂度，实现了识别性能和计算开销的平衡，在几乎不降低辐射源识别准确率的情况下大大降低了模型的复杂度，能够极大地促进该领域的产品化。

Description

基于自适应信号特征嵌入知识图谱的辐射源个体识别方法
技术领域
本发明属于信号传输技术领域，尤其涉及基于自适应信号特征嵌入知识图谱的辐射源个体识别方法。
背景技术
随着科学技术的发展，信号所处的电磁信号环境日益复杂，辐射源密度成倍增加，电磁信号样式复杂多变，这些都给辐射源识别带来前所未有的挑战辐射源个体识别主要是利用辐射源硬件在发射信号上不同于其他个体的特性来确定辐射源发射的信号的技术，其在确保工业物联网安全方面发挥着重要的作用。
近几年来，随着机器学习和深度学习的发展，许多基于机器学习和深度学习的辐射源个体识别方法被陆续提出。专利申请号为202010019501.X提供一种辐射源识别方法、装置及辐射源识别模型创建方法、装置；方法包括：获取待识别辐射源所发出信号的时域数据；根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果。该发明实施例具有识别准确率高以及识别效果稳定，对噪声有一定的鲁棒性的优点。该发明没有建立统一的电磁信号特征知识图谱，不利于为电磁信号识别提供实用和有价值的信息参考，也使得信号特征的结果不易于迁移应用。
当前的基于机器学习的辐射源个体识别模型在应对复杂的辐射环境下，很难保证找到最佳的特征组合以及进行高效的计算。这是因为传统机器学习方法依赖于手工特征提取，可能无法完全捕捉到潜在的辐射源信息。现有基于深度学习的辐射源个体识别模型虽然在性能上有所提升，但在计算资源受限的场景下，模型的计算开销可能过大。
发明内容
为解决现有技术中的不足，本发明提供基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，以解决现有基于机器学习的辐射源个体识别模型不能保证最佳的特征组合和有效计算的问题以及现有基于深度学习的辐射源个体识别模型面对一些计算资源受限的场景开销过大的问题。
为了实现上述目标，本发明采用如下技术方案。
基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，具体包括：
信号处理与知识图谱构建：采集辐射源信号，提取特征，将复数表征转换为实数特征，并构建电磁信号知识图谱；
搭建与训练识别模型：使用卷积神经网络搭建识别框架，选择优化器，加入Attention（计算机视觉）机制，进行网络训练；
动态调整与识别：根据识别精度和阈值，动态调整网络架构，进行再训练，得到最终模型，并对辐射源信号进行识别。
进一步地，所属提取特征包括提取四阶累积量和六阶累积量，对于四阶累积量和六阶累积量的特征提取步骤如下：
对I/Q信号进行变频和采样，得到序列；
定义信号累积量，得到累积量和矩之间的数学关系；
考虑力矩变化，得到自归一化高阶矩和高阶累积量的计算公式并计算；
将得到的结果通过Matlab顺次表示，实现四阶累积量六阶累积量的特征提取。
进一步地，所述特征提取还包括频域特征提取，具体步骤如下：
首先通过Matlab的periodogram函数直接求得功率谱、返回信号的PSD估计值
Figure SMS_1
和频率矢量/>
Figure SMS_2
；
通过公式分别求得均方频率，均方根频率，重心频率，频率方差和频率标准差；
通过Matlab的pkurtosis函数进一步计算频域峰度，再对频域峰度通过Matlab自带函数mean，std，skewness，kurtosis求得频域峰度的均值，频域峰度的标准差，频域峰度的偏度和频域峰度的峰度。
进一步地，辐射源信号为I/Q信号，复数表征转变为实数特征需要进行I载波和Q载波合并，合并公式如下：
Figure SMS_3
；
其中，
Figure SMS_4
为第n个输入样本，m代表每个信号样本中包含的特征总数。
进一步地，构建电磁信号知识图谱具体为：提取信号样本的实体、属性和关系组成三元组，连结各三元组构建电磁信号知识图谱，选择“电磁信号——时域特征——特征参数”和“电磁信号——频域特征——特征参数”的形式，形成相应的“实体——属性”格式，将时域特征和频域特征作为实体，并将其对应的特征参数作为辅助属性，通过属性连接实体之间的关系。
进一步地，识别模型为：
Figure SMS_5
；
其中，
Figure SMS_6
表示用于识别接收信号的映射函数；/>
Figure SMS_7
代表/>
Figure SMS_8
的识别结果；/>
Figure SMS_9
表示最佳权重矩阵，/>
Figure SMS_10
表示输入信号。
进一步地，搭建的卷积神经网络架构整体为四层，
第一层为卷积神经网络的输入层，能接收的输入大小为36000×56×1×1，其后为卷积网络部分；
第二层为卷积层，批归一化层和激活函数层，采用三个相同的二维卷积，批归一化层和ReLU激活函数对输入数据进行处理，卷积层中输入和输出通道数均为特征数
Figure SMS_11
；
第三层为一个Droupt层，设置
Figure SMS_12
，能够有效避免过拟合；/>
第四层为全连接层，该层的输入神经元个数为特征数
Figure SMS_13
，输出神经元个数为辐射源设备数/>
Figure SMS_14
。
进一步地，选择自适应矩估计优化器，学习率设为0.0001。
进一步地，搭建与训练识别模型具体包括：
执行压缩操作，并通过平均池化将每个通道的二维空间特征
Figure SMS_15
压缩为实数，通道代表所提取的特征；压缩后，尺寸由/>
Figure SMS_16
变为/>
Figure SMS_17
，/>
Figure SMS_18
和/>
Figure SMS_19
分别表示特征图的高和宽；
通过两个全连接层对特征向量进行映射和变换；
将获得的权重矩阵
Figure SMS_20
与输入特征/>
Figure SMS_21
相乘以完成Attention机制的引入；
搭建完成自适应特征组合块的架构，自适应特征组合块共有六层结构，且应先执行自适应特征组合块后执行卷积神经网络架构。
进一步地，搭建与训练识别模型还包括：
初始化模型权重
Figure SMS_22
；
设置参数，包括训练epochs
Figure SMS_23
，批大小/>
Figure SMS_24
，初始化学习率
Figure SMS_25
，初始压缩率/>
Figure SMS_26
；
开始进行数据映射过程：
首先，执行压缩操作，通过平均池化将每个通道的二维空间特征
Figure SMS_27
压缩为实数，即/>
Figure SMS_28
；
其次，通过第一个全连接层执行特征压缩变换，将特征压缩为原始特征的
Figure SMS_29
倍；
最后，通过另一个全连接层执行特征映射变换，即
Figure SMS_30
；
进行训练过程：
令初始训练参数
Figure SMS_31
；
针对每一个epoch，通过Adam优化器、学习率
Figure SMS_32
和/>
Figure SMS_33
更新权重/>
Figure SMS_34
；
Figure SMS_35
为当前训练参数，若当前/>
Figure SMS_36
的损失函数小于/>
Figure SMS_37
，则令/>
Figure SMS_38
；
得到权重矩阵
Figure SMS_39
。
与现有技术相比，本发明有益效果是：
1.本发明提供的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，通过Attention机制实现最佳特征组合，解决了传统机器学习方法无法保证最佳特征组合的问题。
2.本发明提供的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，利用AFC块中的两个FC层压缩信道特征，通过调整压缩率实现计算开销和识别性能的平衡，解决了传统深度学习方法计算开销过大的问题。
3.本发明提供的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，有助于基于卷积神经网络的辐射源识别产品化和规模生产。
4.本发明提供的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，保证模型的识别精度和鲁棒性。
5.本发明提供的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，结合知识图谱技术实现可视化信号特征表示和存储，增强模型的可迁移性、可扩展性和可持续性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明中流程示意图；
图2为本发明中提出的电磁信号知识图谱可视化表示示意图；
图3为本发明中提出的最优特征权重矩阵结果示意图；
图4为本发明中提出的模型精度与压缩率关系以及模型复杂度与压缩率关系的示意图。
具体实施方式
下面结合附图对本发明作进一步地详细说明，以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
如图1所示，基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，具体包括以下步骤：
步骤S1：对场景中采集到的由辐射源发射的I/Q信号进行特征提取，将复数表征的I/Q信号转变为实数特征：
对场景中采集到的由辐射源发射的I/Q信号进行时域特征提取，所提取的特征包括：均值，方差，标准差，峰度，偏度，四阶累积量，六阶累积量，最大值，最小值，中位数，峰峰值，整流平均值，均方根，均方值，方根幅值，波形因子，峰值因子，脉冲因子和裕度因子。上述时域特征中，除了四阶累积量，六阶累积量，峰峰值，整流平均值，均方值，方根幅值，波形因子，峰值因子，脉冲因子，裕度因子之外，其余均通过Matlab自带的函数进行提取。
对于四阶和六阶累积量的特征提取，
步骤S11：首先对I/Q信号进行下变频和采样，得到的序列可以表示为：
Figure SMS_40
；
其中，
Figure SMS_41
表示/>
Figure SMS_42
的长度，则混合力矩/>
Figure SMS_43
可被定义为：
Figure SMS_44
；/>
其中
Figure SMS_45
是当前力矩的阶次，则信号/>
Figure SMS_46
的累积量可以定义为：
Figure SMS_47
；
步骤S12：由此，得到了累积量和矩之间的数学关系，可以表示为：
Figure SMS_48
；
其中，
Figure SMS_49
，/>
Figure SMS_50
表示集合/>
Figure SMS_51
中的列表成员，/>
Figure SMS_52
是集合/>
Figure SMS_53
中的元素个数。在进行特征提取时，需要考虑的是给定信号/>
Figure SMS_54
，对于/>
Figure SMS_55
个样本，在这种情况下估计的力矩变为：
Figure SMS_56
；
因此，在不丧失一般性的情况下，假设归一化信号
Figure SMS_57
具有单位能量，即/>
Figure SMS_58
；
步骤S13：在实践提取高阶累积量时，自归一化高阶矩和高阶累积量可以计算为：
Figure SMS_59
；
Figure SMS_60
；
步骤S14：将上述两个式子得到的二阶矩，四阶矩，六阶矩，二阶累积量，四阶累积量和六阶累积量通过Matlab顺次表示，可以顺利实现四阶累积量和六阶累积量的特征提取。
对于峰峰值的特征提取，由得到的最大值-最小值，从而得到峰峰值。
对于整流平均值的特征提取，先通过abs函数得到I/Q信号的模，后对其求平均可得到。
对于均方值和方根幅值的特征提取，通过对均方根平方即可得到均方值，方根幅值是算术平方根的平均值的平方，对其进行Matlab求解可得。
对于波形因子，峰值因子，脉冲因子，裕度因子的特征提取，波形因子可由均方根/整流平均值得到；峰值因子可由峰峰值/均方根得到；脉冲因子可由峰峰值/整流平均值得到；裕度因子可由峰峰值/方根幅值得到。
对场景中采集到的由辐射源发射的I/Q信号进行频域特征提取，所提取的特征包括：均方频率，均方根频率，重心频率，频率方差，频率标准差，频域峰度的均值，频域峰度的标准差，频域峰度的偏度和频域峰度的峰度。
首先通过Matlab的periodogram函数直接求得功率谱，返回信号的PSD估计值
Figure SMS_61
和频率矢量/>
Figure SMS_62
。通过下列公式可以分别求得均方频率，均方根频率，重心频率，频率方差和频率标准差：/>
Figure SMS_63
；
Figure SMS_64
；
Figure SMS_65
；
Figure SMS_66
；
Figure SMS_67
；
其次，通过Matlab的pkurtosis函数进一步计算频域峰度。最后对频域峰度直接通过Matlab自带函数mean，std，skewness，kurtosis求得频域峰度的均值，频域峰度的标准差，频域峰度的偏度和频域峰度的峰度。
将复数表征的I/Q信号转变为实数特征，这需要进行I载波和Q载波的合并：
Figure SMS_68
；
其中，
Figure SMS_69
为第n个输入样本，m代表每个信号样本中包含的特征总数。即在合并前信号是/>
Figure SMS_70
的2路I/Q信号，经过特征提取后，时域和频域各提取28个特征，通过Matlab的cat函数对行数进行拼接合并，得到/>
Figure SMS_71
的实数特征信号，通过这种方式将复数信号转换为所提出网络支持的实数信号。
步骤S2：提取信号样本的实体、属性和关系组成三元组，连结各三元组构建电磁信号知识图谱：
选择“电磁信号——时域特征——特征参数”和“电磁信号——频域特征——特征参数”的形式，形成相应的“实体——属性”格式，将时域特征和频域特征作为实体，并将其对应的特征参数作为辅助属性，通过属性连接实体之间的关系。例如，“时域特征”实体和“均值”属性通过“均值：实部”关系连接实体和属性，形成简单的三元组。将形成的各个三元组进行连结，构建电磁信号知识图谱，如图2所示。
步骤S3：使用卷积神经网络（CNN）搭建识别框架，识别系统模型为：
步骤S301：假设数据集定义为
Figure SMS_72
，其中，/>
Figure SMS_73
表示对应于不同辐射源设备的标签，则识别模型可以表示为：
Figure SMS_74
；
其中，
Figure SMS_75
表示用于识别接收信号的映射函数；/>
Figure SMS_76
代表/>
Figure SMS_77
的识别结果；/>
Figure SMS_78
表示最佳权重矩阵。此外，还定义了正确率，公式如下：/>
Figure SMS_79
；
由正确率的定义可得相应的错误率的定义
Figure SMS_80
。则整个识别模型需要优化的函数可以表示为：
Figure SMS_81
；
通过调整权重矩阵系数
Figure SMS_82
和/>
Figure SMS_83
来获得最佳的权重矩阵/>
Figure SMS_84
，在步骤五中的实现了最佳权重矩阵下辐射源个体识别的最大精度/>
Figure SMS_85
和最小误差/>
Figure SMS_86
。
步骤S302：所搭建的CNN网络架构整体为四层。
第一层为卷积神经网络的输入层，能接收的输入大小为
Figure SMS_87
，其后为卷积网络部分；
第二层为卷积层，批归一化层和激活函数层，采用三个相同的二维卷积，批归一化层和ReLU激活函数对输入数据进行处理，卷积层中输入和输出通道数均为特征数
Figure SMS_88
；
第三层为一个Droupt层，设置
Figure SMS_89
，能够有效避免过拟合；
第四层为全连接层，该层的输入神经元个数为特征数
Figure SMS_90
，输出神经元个数为辐射源设备数/>
Figure SMS_91
。
步骤S4：选择网络的优化器，自适应矩估计优化器（Adaptive MomentEstimation，Adam），学习率设为0.0001；
步骤S5：在网络中添加自适应特征组合（Adaptive Feature Combination，AFC）块的Attention机制，通过全局池化和全连接层（FC）求解特征对应的权重矩阵，构建基于自适应信号特征嵌入知识图谱的辐射源个体识别模型并进行网络训练：
步骤S51：执行压缩操作，并通过平均池化将每个通道（通道代表所提取的特征）的二维空间特征
Figure SMS_92
压缩为实数。压缩后，尺寸由/>
Figure SMS_93
变为/>
Figure SMS_94
。压缩过程的公式为：
Figure SMS_95
；
其中，
Figure SMS_96
是压缩的输出，/>
Figure SMS_97
和/>
Figure SMS_98
分别表示特征图的高和宽。
步骤S52：通过两个FC对特征向量进行映射和变换。其中，第一个FC中的神经元数量需要除以压缩率，即：
Figure SMS_99
；
其中，
Figure SMS_101
是压缩的输出；/>
Figure SMS_103
是一个FC运算，且有/>
Figure SMS_105
，代表第一个FC的特征权重层；/>
Figure SMS_102
表示ReLU操作；/>
Figure SMS_104
也是一个FC运算，且有/>
Figure SMS_106
，代表第二个FC的特征权重层；/>
Figure SMS_107
代表Sigmoid过程；/>
Figure SMS_100
是所获得的特征权重。
步骤S53：将获得的权重矩阵
Figure SMS_108
与输入特征/>
Figure SMS_109
相乘以完成Attention机制的引入，公式为：
Figure SMS_110
；
步骤S54：根据上述步骤搭建AFC块的架构，AFC块共有六层结构，且应先执行AFC块后执行CNN架构：
第一层
Figure SMS_111
为AFC块的平局池化层，输入大小为
Figure SMS_112
，输出大小为，即输出的特征图的宽高为1，即步骤5-1；
第二层为第一个FC层，输入为信号特征数
Figure SMS_113
，输出为
Figure SMS_114
，即输出得到/>
Figure SMS_115
；
其中，
Figure SMS_116
为AFC块的压缩率。
第三层为激活函数ReLU；
第四层为第二个FC层，输入为信号特征数
Figure SMS_117
，输出为
Figure SMS_118
，即输出得到/>
Figure SMS_119
。
第五层为Sigmoid函数，对通道权重进行归一化处理，则有第二层、第三层，第四层和第五层构成了步骤S502。
第六层为将输入特征图与通道权重相乘，即步骤S503，从而便于后续辐射源个体识别。
步骤S55：具体的权重系数优化过程为：
步骤S551：初始化模型权重
Figure SMS_120
；
步骤S552：设置参数，包括训练epochs
Figure SMS_121
，"epochs"称为“迭代次数”是指在训练过程中，整个数据集完整地通过神经网络的一次正向传播和一次反向传播；批大小
Figure SMS_122
，“批”（Batch）是指在训练神经网络时，一次同时处理的样本数量。批处理是一种训练模型的方法，初始化学习率/>
Figure SMS_123
，初始压缩率/>
Figure SMS_124
；
步骤S553：开始进行数据映射过程：
首先，执行压缩操作，通过平均池化将每个通道（通道代表所提取的特征）的二维空间特征
Figure SMS_125
压缩为实数，即/>
Figure SMS_126
；
其次，通过第一个FC（全连接层）执行特征压缩变换，将特征压缩为原始特征的
Figure SMS_127
倍；
最后，通过另一个FC执行特征映射变换，即
Figure SMS_128
。
步骤S554：进行训练过程：
令初始训练参数
Figure SMS_129
针对每一个epoch，有：
通过Adam优化器，学习率
Figure SMS_130
和/>
Figure SMS_131
更新权重/>
Figure SMS_132
；
若当前
Figure SMS_133
的损失函数小于/>
Figure SMS_134
，则令/>
Figure SMS_135
；
步骤S555：经历上述训练过程，即可得到权重矩阵
Figure SMS_136
，其中权重矩阵/>
Figure SMS_137
的大小为/>
Figure SMS_138
。
步骤S6：根据模型识别精度和阈值动态调整CNN网络架构和AFC压缩率：
设置模型识别精度阈值为99%;根据模型识别精度是否提升和识别精度是否达到阈值依次调整CNN网络架构和AFC块的压缩率，以实现最优特征权重矩阵
Figure SMS_139
，最优特征权重矩阵/>
Figure SMS_140
的结果如图3所示。
此时，原始测试模型识别精度结果为99.2%，无需进行CNN架构的调整；其次进行压缩率的调整，比较了压缩率
Figure SMS_141
的不同精度情况，最终AFC块中的压缩率选取/>
Figure SMS_142
。
步骤S7：再训练，获得最终模型。
根据多次训练结果，得到最终模型为CNN架构不变，AFC块中压缩率选取
Figure SMS_143
。根据这些参数要求，重新训练模型，得到最终的辐射源个体识别模型。
如图3，挑选第一个批样本数据的最优特征权重矩阵进行可视化。其中横坐标为特征数，纵坐标为不同特征的最优权重值。
如图4中的(a)，对不同压缩率下的模型进行100次蒙特卡洛实验，box plot图不受异常值的影响，能够准确稳定地描绘数据的离散分布。其中，方框中间的黑线是中间值，表示数据的平均水平；方框的上限和下限是数据的上四分位数和下四分位数能够在一定程度上反映数据的波动性；黑色“o”表示异常值；两条黑色水平线表示去除异常值后的最大值和最小值。从图4中的(a)中可以看出，当
Figure SMS_144
时，结果中有许多离散点，结果具有一定的随机性且不稳定。然而，在/>
Figure SMS_145
的情况下，离散点的数量很小并且识别精度相对稳定。通过与原始未压缩情况下的识别精度进行进一步比较，可以发现对于一定范围内的压缩率，性能是稳健的。
如图4中的(b)，通过FLOPs指标来计算时间复杂度，通过卷积层的复杂度来计算空间复杂度。可以观察到，随着压缩率的增加，计算复杂度降低。
结合图4中的(a),(b)可得，对于一定范围内的增加的压缩率，识别精度是稳健的，但是计算复杂度会随着压缩率的增加而降低。综上所述，可以选择压缩率
Figure SMS_146
以实现性能和计算开销的平衡。
本发明所设计的信号特征嵌入知识图谱的辐射源个体识别模型避免了传统基于深度学习的辐射源个体识别方法计算开销过大的问题，也解决了传统机器学习方法识别精度低，不能保证最佳的特征组合的问题。同时本发明能在识别性能和计算开销之间实现最佳平衡，有效地得到了各个特征的最佳权重，有助于基于卷积神经网络的辐射源识别的产品化以及规模生产，不仅可以保证模型的识别精度和模型鲁棒性，而且可以结合知识图谱技术实现可视化信号特征的表示和存储，增强了模型的可迁移性、可扩展性和可持续性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，具体包括：
信号处理与知识图谱构建：采集辐射源信号，提取特征，将复数表征转换为实数特征，并构建电磁信号知识图谱；
搭建与训练识别模型：使用卷积神经网络搭建识别框架，选择优化器，加入Attention机制，进行网络训练；
动态调整与识别：根据识别精度和阈值，动态调整网络架构，进行再训练，得到最终模型，并对辐射源信号进行识别。
2.根据权利要求1所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，提取特征包括提取四阶累积量和六阶累积量，具体包括：
首先对I/Q信号进行变频和采样，得到序列；接着定义信号累积量，得到累积量和矩之间的数学关系；考虑力矩变化，得到自归一化高阶矩和高阶累积量的计算公式并计算；最后将计算得到的结果通过Matlab顺次表示，实现四阶累积量和六阶累积量的特征提取。
3.根据权利要求2所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，提取特征还包括频域特征提取，具体步骤如下：
首先通过Matlab中的函数直接求得功率谱、返回信号的PSD估计值
Figure QLYQS_1
和频率矢量/>
Figure QLYQS_2
；
通过公式分别求得均方频率，均方根频率，重心频率，频率方差和频率标准差；
再通过Matlab中的函数进一步计算频域峰度，再求得频域峰度的均值，频域峰度的标准差，频域峰度的偏度和频域峰度的峰度。
4.据权利要求1所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，辐射源信号为I/Q信号，复数表征转变为实数特征需要进行I载波和Q载波合并，合并公式如下：
Figure QLYQS_3
其中，
Figure QLYQS_4
为第n个输入样本，m代表每个信号样本中包含的特征总数。
5.据权利要求1所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，构建电磁信号知识图谱具体为：提取信号样本的实体、属性和关系组成三元组，连结各三元组构建电磁信号知识图谱，选择“电磁信号——时域特征——特征参数”和“电磁信号——频域特征——特征参数”的形式，形成相应的“实体——属性”格式，将时域特征和频域特征作为实体，并将其对应的特征参数作为辅助属性，通过属性连接实体之间的关系。
6.据权利要求1所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，识别模型为：
Figure QLYQS_5
其中，
Figure QLYQS_6
表示用于识别接收信号的映射函数；/>
Figure QLYQS_7
代表/>
Figure QLYQS_8
的识别结果；/>
Figure QLYQS_9
表示最佳权重矩阵，/>
Figure QLYQS_10
表示输入信号。
7.据权利要求1所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，搭建的卷积神经网络架构整体为四层，
第一层为卷积神经网络的输入层，能接收的输入大小为36000×56×1×1，其后为卷积网络部分；
第二层为卷积层，批归一化层和激活函数层，采用三个相同的二维卷积，批归一化层和ReLU激活函数对输入数据进行处理，卷积层中输入和输出通道数均为特征数
Figure QLYQS_11
；
第三层为一个Droupt层，设置
Figure QLYQS_12
，能够有效避免过拟合；
第四层为全连接层，全连接层的输入神经元个数为特征数
Figure QLYQS_13
，输出神经元个数为辐射源设备数/>
Figure QLYQS_14
。
8.根据权利要求1所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，选择自适应矩估计优化器，学习率设为0.0001。
9.根据权利要求1所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，搭建与训练识别模型具体包括：
执行压缩操作，并通过平均池化将每个通道的二维空间特征
Figure QLYQS_15
压缩为实数，通道代表所提取的特征；
压缩后，尺寸由
Figure QLYQS_16
变为/>
Figure QLYQS_17
，/>
Figure QLYQS_18
和/>
Figure QLYQS_19
分别表示特征图的高和宽；通过两个全连接层对特征向量进行映射和变换；
将获得的权重矩阵
Figure QLYQS_20
与输入特征/>
Figure QLYQS_21
相乘以完成Attention机制的引入；
搭建完成自适应特征组合块的架构，自适应特征组合块共有六层结构，且应先执行自适应特征组合块后执行卷积神经网络架构。
10.根据权利要求9所述的基于自适应信号特征嵌入知识图谱的辐射源个体识别方法，其特征在于，搭建与训练识别模型还包括：
初始化模型权重
Figure QLYQS_22
；
设置参数，包括训练epochs
Figure QLYQS_23
，批大小/>
Figure QLYQS_24
，初始化学习率/>
Figure QLYQS_25
，初始压缩率/>
Figure QLYQS_26
；
开始进行数据映射过程：
首先，执行压缩操作，通过平均池化将每个通道的二维空间特征
Figure QLYQS_27
压缩为实数，即
Figure QLYQS_28
；
其次，通过第一个全连接层执行特征压缩变换，将特征压缩为原始特征的
Figure QLYQS_29
倍；
最后，通过另一个全连接层执行特征映射变换，即
Figure QLYQS_30
；
进行训练过程：令初始训练参数
Figure QLYQS_31
；
针对每一个epoch，通过Adam优化器、学习率
Figure QLYQS_32
和/>
Figure QLYQS_33
更新权重/>
Figure QLYQS_34
；
Figure QLYQS_35
为当前训练参数，若当前/>
Figure QLYQS_36
的损失函数小于/>
Figure QLYQS_37
，则令/>
Figure QLYQS_38
，得到权重矩阵/>
Figure QLYQS_39
。/>
CN202310424871.5A 2023-04-20 2023-04-20 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法 Pending CN116166954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310424871.5A CN116166954A (zh) 2023-04-20 2023-04-20 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310424871.5A CN116166954A (zh) 2023-04-20 2023-04-20 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法

Publications (1)

Publication Number Publication Date
CN116166954A true CN116166954A (zh) 2023-05-26

Family

ID=86416610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310424871.5A Pending CN116166954A (zh) 2023-04-20 2023-04-20 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN116166954A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830308A (zh) * 2018-05-31 2018-11-16 西安电子科技大学 一种基于信号的传统特征与深度特征融合的调制识别方法
CN113780521A (zh) * 2021-08-24 2021-12-10 中国人民解放军93114部队 一种基于深度学习的辐射源个体识别方法
CN114254672A (zh) * 2021-12-16 2022-03-29 嘉兴深智科技有限公司 基于双路注意力卷积神经网络的通信辐射源个体识别方法
US20220114456A1 (en) * 2020-10-09 2022-04-14 Visa International Service Association Method, System, and Computer Program Product for Knowledge Graph Based Embedding, Explainability, and/or Multi-Task Learning
CN115166748A (zh) * 2022-07-08 2022-10-11 上海埃威航空电子有限公司 一种基于信息融合的飞行目标识别方法
CN115481685A (zh) * 2022-09-13 2022-12-16 中国人民解放军空军工程大学 一种基于原型网络的辐射源个体开集识别方法
CN115563465A (zh) * 2022-09-22 2023-01-03 东南大学 一种面向辐射源个体识别的特征编码方法
CN115757828A (zh) * 2022-11-16 2023-03-07 南京航空航天大学 一种基于辐射源知识图谱的空中目标意图识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830308A (zh) * 2018-05-31 2018-11-16 西安电子科技大学 一种基于信号的传统特征与深度特征融合的调制识别方法
US20220114456A1 (en) * 2020-10-09 2022-04-14 Visa International Service Association Method, System, and Computer Program Product for Knowledge Graph Based Embedding, Explainability, and/or Multi-Task Learning
CN113780521A (zh) * 2021-08-24 2021-12-10 中国人民解放军93114部队 一种基于深度学习的辐射源个体识别方法
CN114254672A (zh) * 2021-12-16 2022-03-29 嘉兴深智科技有限公司 基于双路注意力卷积神经网络的通信辐射源个体识别方法
CN115166748A (zh) * 2022-07-08 2022-10-11 上海埃威航空电子有限公司 一种基于信息融合的飞行目标识别方法
CN115481685A (zh) * 2022-09-13 2022-12-16 中国人民解放军空军工程大学 一种基于原型网络的辐射源个体开集识别方法
CN115563465A (zh) * 2022-09-22 2023-01-03 东南大学 一种面向辐射源个体识别的特征编码方法
CN115757828A (zh) * 2022-11-16 2023-03-07 南京航空航天大学 一种基于辐射源知识图谱的空中目标意图识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIE HU, LI SHEN, SAMUEL ALBANIE, GANG SUN, ENHUA WU: "Squeeze-and-Excitation Networks", 《COMPUTER VISION AND PATTERN RECOGNITION》, pages 1 - 13 *
YIMING CHEN等: "Individual Identification Technology of Communication Radiation Sources Based on Deep Learning", 《2020 IEEE 20TH INTERNATIONAL CONFERENCE ON COMMUNICATION TECHNOLOGY (ICCT)》, pages 1301 - 1305 *
华敏妤等: "基于信号特征知识图谱与宽度学习架构的特定辐射源识别", 《移动通信》, pages 2 - 5 *
耿梦婕;张君毅;: "基于神经网络的辐射源个体识别技术", 电子测量技术, no. 21, pages 137 - 142 *

Similar Documents

Publication Publication Date Title
CN108182316B (zh) 一种基于人工智能的电磁仿真方法及其电磁大脑
CN113610146B (zh) 基于中间层特征提取增强的知识蒸馏实现图像分类的方法
Chen et al. Deep-broad learning system for traffic flow prediction toward 5G cellular wireless network
CN111860790A (zh) 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统
CN114707765A (zh) 一种基于动态加权聚合的联邦学习负荷预测方法
CN116701692A (zh) 一种图像生成方法、装置、设备及介质
CN113610989B (zh) 风格迁移模型训练方法和装置、风格迁移方法和装置
CN117290429B (zh) 通过自然语言调用数据系统接口的方法
CN114020950A (zh) 图像检索模型的训练方法、装置、设备以及存储介质
CN107729821B (zh) 一种基于一维序列学习的视频概括方法
CN111210051B (zh) 一种用户用电行为预测方法及系统
CN116166954A (zh) 基于自适应信号特征嵌入知识图谱的辐射源个体识别方法
CN114758130B (zh) 图像处理及模型训练方法、装置、设备和存储介质
CN112600869B (zh) 基于td3算法的计算卸载分配方法和装置
CN116911419A (zh) 一种基于趋势相关性特征学习的长时序预测方法
CN116228014A (zh) 一种基础设施入网的直流配电网效益评估系统及其方法
CN115601603A (zh) 模型训练和用电器类别识别方法、设备及存储介质
KR20220042315A (ko) 교통 데이터 예측 방법, 장치 및 전자 기기
CN113743012A (zh) 一种多用户场景下的云-边缘协同模式任务卸载优化方法
Lei et al. A weighted K-SVD-based double sparse representations approach for wireless channels using the modified Takenaka-Malmquist basis
CN112966150A (zh) 一种视频内容抽取的方法、装置、计算机设备及存储介质
CN105654517A (zh) 基于分层空间的rb化粒子滤波算法
Qian et al. Deep Image Semantic Communication Model for Artificial Intelligent Internet of Things
CN113223121B (zh) 视频生成方法、装置、电子设备及存储介质
CN117114132A (zh) 一种针对电商平台的联邦学习方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230526