本發(fā)明屬于通信領(lǐng)域，特別涉及一種衛(wèi)星變調(diào)制下個(gè)體識(shí)別方法，可用于信源衛(wèi)星的電子偵察與識(shí)別。

背景技術(shù)：

1、在衛(wèi)星通信領(lǐng)域，衛(wèi)星身份識(shí)別已成為一個(gè)重要的研究方向。目前，衛(wèi)星識(shí)別技術(shù)主要依賴對(duì)衛(wèi)星測(cè)控信號(hào)進(jìn)行規(guī)律分析或特征提取，以有效驗(yàn)證衛(wèi)星的身份。然而，在復(fù)雜的電磁環(huán)境下，準(zhǔn)確識(shí)別信號(hào)的信源衛(wèi)星身份是深入解讀和分析通信信息的關(guān)鍵前提。因此，亟需一種改進(jìn)的衛(wèi)星身份識(shí)別方法，以提高在多變環(huán)境中對(duì)衛(wèi)星信號(hào)的解析能力和準(zhǔn)確性。

2、申請(qǐng)?zhí)枮椋篶n202310977450.5的專利申請(qǐng)文獻(xiàn)中公開(kāi)了一種“基于特征融合的衛(wèi)星身份識(shí)別方法和裝置”。其實(shí)現(xiàn)方案為：首先接收并預(yù)處理待識(shí)別設(shè)備的iq基帶信號(hào)，得到穩(wěn)定信號(hào)段；然后構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)并行g(shù)ru網(wǎng)絡(luò)構(gòu)建衛(wèi)星身份識(shí)別模型；接著對(duì)所述穩(wěn)定信號(hào)段進(jìn)行iq和時(shí)序特征提??；最后將iq特征、時(shí)序特征與iq基帶信號(hào)結(jié)合卷積，由全連接層分類得到識(shí)別結(jié)果；根據(jù)識(shí)別結(jié)果，利用合法衛(wèi)星射頻指紋庫(kù)進(jìn)行對(duì)比，確認(rèn)待識(shí)別設(shè)備是否合法。該方法由于需要大量的正確信號(hào)構(gòu)造指紋庫(kù)，過(guò)程相當(dāng)復(fù)雜且不易更新，且在個(gè)體識(shí)別中沒(méi)有考慮信號(hào)調(diào)制類型和個(gè)體特征的關(guān)系，因而很難用于實(shí)際的衛(wèi)星身份識(shí)別中。

3、申請(qǐng)?zhí)枮椋?02310542492.6的專利申請(qǐng)文獻(xiàn)中公開(kāi)了一種“衛(wèi)星通信輻射源識(shí)別方法”。其實(shí)現(xiàn)方案為：首先將衛(wèi)星通信調(diào)制信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)數(shù)據(jù)；對(duì)數(shù)字信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理和特征分析，利用lstm網(wǎng)絡(luò)、cnn網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練得到子網(wǎng)絡(luò)層；對(duì)子網(wǎng)絡(luò)層結(jié)果分別添加濾波器，嵌入通道注意力機(jī)制，構(gòu)建融合網(wǎng)絡(luò)層，添加全連接層，融合數(shù)據(jù)圖特征，進(jìn)行訓(xùn)練；連接子網(wǎng)絡(luò)層、se-net層和融合網(wǎng)絡(luò)層，訓(xùn)練se-net層和融合網(wǎng)絡(luò)層，輸出識(shí)別結(jié)果。該方法雖說(shuō)考慮了信號(hào)的多維特征，但由于其仍然割離了信號(hào)的調(diào)制類型與個(gè)體特征的關(guān)系，難以應(yīng)對(duì)調(diào)制變化下的衛(wèi)星身份識(shí)別。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提供一種基于多任務(wù)解耦學(xué)習(xí)的衛(wèi)星變調(diào)制下個(gè)體識(shí)別方法，以減輕調(diào)制變化時(shí)的特征損失，提高在變調(diào)制場(chǎng)景下衛(wèi)星識(shí)別的準(zhǔn)確率。

2、實(shí)現(xiàn)本發(fā)明目的的技術(shù)思路是：通過(guò)將目標(biāo)特征解耦為調(diào)制特征和個(gè)體特征，在不同調(diào)制類型下提取個(gè)體穩(wěn)態(tài)特征，減輕由調(diào)制變化帶來(lái)的個(gè)體特征損失；深入挖掘信號(hào)中的細(xì)微特征，提高識(shí)別的準(zhǔn)確率。

3、根據(jù)上述思路，本發(fā)明的技術(shù)方案包括如下步驟：

4、(1)使用寬帶接收機(jī)接收通過(guò)某觀測(cè)軌道的下行通信鏈路信號(hào)，并對(duì)其進(jìn)行預(yù)處理，再將預(yù)處理的數(shù)據(jù)按照7：3的比例劃分為訓(xùn)練集與測(cè)試集；

5、(2)構(gòu)建多任務(wù)解耦網(wǎng)絡(luò)：

6、2a)建立由多個(gè)復(fù)值多尺度嵌入單元并聯(lián)，并串聯(lián)注意力門控單元的知識(shí)提取塊；

7、2b)將三個(gè)知識(shí)提取塊并聯(lián)組成特征提取模塊，分別用于提取調(diào)制知識(shí)、共享知識(shí)和個(gè)體知識(shí)；

8、2c)將多個(gè)特征提取模塊上下串聯(lián)堆疊成特征提取層；

9、2d)建立兩個(gè)均由全連接層構(gòu)成的分類器，分別用于對(duì)調(diào)制類型進(jìn)行分類和對(duì)個(gè)體特征進(jìn)行分類，將這兩個(gè)分類器分別連接到特征提取層的兩個(gè)輸出端，組成多任務(wù)解耦網(wǎng)絡(luò)；

10、(3)將訓(xùn)練集數(shù)據(jù)輸入到多任務(wù)解耦網(wǎng)絡(luò)中，采用梯度下降法對(duì)模型進(jìn)行訓(xùn)練，直至損失函數(shù)趨于收斂，獲得訓(xùn)練好的多任務(wù)解耦網(wǎng)絡(luò)；

11、(4)將測(cè)試集數(shù)據(jù)輸入到訓(xùn)練好的多任務(wù)解耦網(wǎng)絡(luò)，輸出調(diào)制類型結(jié)果和衛(wèi)星身份結(jié)果。

12、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)：

13、1.本發(fā)明設(shè)計(jì)的多任務(wù)解耦網(wǎng)絡(luò)由于采用多尺度復(fù)值嵌入單元來(lái)提取專享知識(shí)或共享知識(shí)，并通過(guò)多任務(wù)注意力門控單元實(shí)現(xiàn)信息共享與耦合。因而能夠在調(diào)制方式變化的情況下提取豐富的個(gè)體信息，減輕由調(diào)制變化引起的特征損失，實(shí)現(xiàn)對(duì)調(diào)制方式變化的衛(wèi)星識(shí)別。

14、2.本發(fā)明構(gòu)建的多任務(wù)解耦網(wǎng)絡(luò)由于包含用于提取共享知識(shí)的知識(shí)提取塊，故可在提取個(gè)體特征的過(guò)程中有效關(guān)聯(lián)調(diào)制特征，使得多個(gè)任務(wù)之間形成了良好的協(xié)同效應(yīng)，進(jìn)一步增強(qiáng)了對(duì)復(fù)雜信號(hào)的處理能力，并顯著提升了識(shí)別性能。

技術(shù)特征：

1.一種基于多任務(wù)解耦學(xué)習(xí)的衛(wèi)星變調(diào)制下個(gè)體識(shí)別，其特征在于：包括如下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(1)中對(duì)下行通信鏈路信號(hào)進(jìn)行預(yù)處理，是先對(duì)輸入信號(hào)進(jìn)行去直流操作，以去除信號(hào)的直流偏置；再對(duì)去除信號(hào)的直流偏置進(jìn)行歸一化操作，使信號(hào)值范圍控制在特定區(qū)間，確保不同信號(hào)在同一標(biāo)準(zhǔn)下進(jìn)行比較和處理。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(2a)中構(gòu)成知識(shí)提取塊的每個(gè)復(fù)值多尺度嵌入單元，由三個(gè)復(fù)卷積并聯(lián)構(gòu)成，其中第一復(fù)卷積的卷積核大小為1×3，卷積步長(zhǎng)為2；第二復(fù)卷積的卷積核大小為1×5，卷積步長(zhǎng)為2；第三復(fù)卷積的卷積核大小為1×7，卷積步長(zhǎng)為4，三種復(fù)卷積層的激活函數(shù)均采用復(fù)數(shù)relu函數(shù)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(2b)中引入注意力機(jī)制組成的門控單元，其輸入為需要融合的知識(shí)向量，輸出為已融合注意力的知識(shí)向量，該門控單元由一層全連接層與殘差并聯(lián)組成，該全連接層用于提取每個(gè)知識(shí)向量的權(quán)重，該殘差用于獲取原始知識(shí)向量。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(2c)中構(gòu)成分類器的全連接層，其輸入為特征提取層的輸出，輸出為調(diào)制類型結(jié)果和衛(wèi)星身份結(jié)果，全連接層的中間神經(jīng)元個(gè)數(shù)設(shè)置為不小于128，兩個(gè)全連接層的輸出神經(jīng)元個(gè)數(shù)分別為n1和n2，其中n1為調(diào)制類別數(shù)，n2為衛(wèi)星個(gè)體數(shù)。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(3)中將訓(xùn)練集數(shù)據(jù)輸入到多任務(wù)解耦網(wǎng)絡(luò)中，采用梯度下降法對(duì)其進(jìn)行訓(xùn)練，實(shí)現(xiàn)如下：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于多任務(wù)解耦學(xué)習(xí)的衛(wèi)星變調(diào)制下個(gè)體識(shí)別方法，主要解決現(xiàn)有技術(shù)在變調(diào)制情況下提取的個(gè)體特征表征性能差的問(wèn)題。其實(shí)現(xiàn)方案是：接收通過(guò)某觀測(cè)軌道的下行通信鏈路信號(hào)，并劃分訓(xùn)練集與測(cè)試集；建立由復(fù)值多尺度嵌入單元與注意力門控單元構(gòu)成的兩個(gè)知識(shí)提取塊和一個(gè)共享知識(shí)提取塊，并將這三個(gè)知識(shí)提取塊并聯(lián)組成特征提取模塊；堆疊特征提取模塊并連接分類器組成多任務(wù)解耦網(wǎng)絡(luò)；將訓(xùn)練集數(shù)據(jù)輸入到多任務(wù)解耦網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；將測(cè)試集數(shù)據(jù)輸入到訓(xùn)練好的多任務(wù)解耦網(wǎng)絡(luò)，輸出調(diào)制類型和衛(wèi)星身份結(jié)果。本發(fā)明減輕了因調(diào)制變化引起的特征損失，能在調(diào)制方式變化下提取豐富的個(gè)體信息，增強(qiáng)對(duì)復(fù)雜信號(hào)識(shí)別性能，可用于信源衛(wèi)星的電子偵察與識(shí)別。

技術(shù)研發(fā)人員：李林,孟京龍,臧博,張文博,姬紅兵,朱志剛
受保護(hù)的技術(shù)使用者：西安電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/28