本發(fā)明屬于信號識別，具體涉及一種輻射源個體識別方法。

背景技術(shù)：

1、通信輻射源個體識別技術(shù)是通過識別輻射源發(fā)送信號獨(dú)有細(xì)微特征識別具體目標(biāo)的一種技術(shù)。這些細(xì)微特征是在輻射源處于非理想狀態(tài)時，無意中調(diào)制在信號上的，其主要表現(xiàn)為信號時域、頻域和其他方面的特殊失真。這些特征具備獨(dú)特性、穩(wěn)定性和可測性，可以被視為輻射源的獨(dú)特“指紋”，用于識別和區(qū)分不同的輻射源個體。

2、輻射源的指紋特征可以分為暫態(tài)特征和穩(wěn)態(tài)特征。暫態(tài)過程中的脈沖信號雖然包含豐富的個體特征，但其持續(xù)時間極短，和噪聲相似，且需要確定暫態(tài)過程的起點(diǎn)，因此難以利用?，F(xiàn)階段的主要研究方向是依據(jù)穩(wěn)態(tài)特征，大量的穩(wěn)態(tài)信號可以提取有效的識別特征，避開暫態(tài)特征的局限性，在實(shí)際應(yīng)用中具有更好的適用性。現(xiàn)有基于穩(wěn)態(tài)特征的研究主要從穩(wěn)態(tài)信號的時域、頻域、和時頻域幾方面進(jìn)行。使用時域i/q信號作為網(wǎng)絡(luò)輸入的方法實(shí)現(xiàn)簡單，具有較強(qiáng)的實(shí)用性，但是在噪聲較強(qiáng)的情況下識別率不高，而且過于依賴神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)。頻域分析主要用于揭示信號的頻率特性，而高階譜分析則側(cè)重于描述信號的高階統(tǒng)計(jì)特性，適用于處理復(fù)雜信號和非理想信號的分析，曹家昆等人提出了一種基于局部雙譜和longformer網(wǎng)絡(luò)的通信輻射源正交調(diào)制細(xì)微特征提取和識別方法，“一種通信輻射源正交調(diào)制細(xì)微特征提取和識別方法”電波科學(xué)學(xué)報1-7，具體使用積分雙譜提取信號的高級統(tǒng)計(jì)特征，區(qū)分不同發(fā)射機(jī)的特征信號，通過分析發(fā)射信號的非線性特性和相位耦合關(guān)系，提高發(fā)射機(jī)識別的準(zhǔn)確性和魯棒性，但該方法高度依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量，且缺少時域特征會影響識別結(jié)果的準(zhǔn)確性和魯棒性。目前基于變換域特征的方法較為流行，通過進(jìn)行時頻分析，可以獲取信號在時頻聯(lián)合域中的信息，從而揭露出不同信號之間更為細(xì)微的差異,但這對于非線性信號的分析效果一般。

3、在復(fù)雜的通信環(huán)境中，特別是在非合作通信的情況下，電磁環(huán)境十分復(fù)雜，信號條件多種多樣。僅僅依靠單一域信號的特征往往無法全面準(zhǔn)確地表征輻射源個體之間的微小差異，從而限制了個體識別的準(zhǔn)確率。此外，為了強(qiáng)行提高識別準(zhǔn)確率，研究中往往會采用更為復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，對信號樣本數(shù)量有了較大需求，但在實(shí)際通信環(huán)境中，難以獲取足夠的信號樣本。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)存在的問題，本發(fā)明提出一種多域特征融合的輻射源個體識別方法，其基本思想是：采用時域信號的高次冪與頻域頻譜數(shù)據(jù)fd-sp(frequency?domainspectrum?data)的組合作為模型輸入信號，通過時域特征和頻域特征表征不同信號的差異性，可以為輻射源識別提供更加全面的信號特征，將輻射源識別的問題轉(zhuǎn)換到高維特征空間中的判決區(qū)域劃分，以提高識別的準(zhǔn)確性和魯棒性。

2、信號的i/q數(shù)據(jù)作為輻射源的時域特征，是信號采集和存儲的主流方式，包含信號時域的全部信息。但是i/q數(shù)據(jù)難以突顯細(xì)微的特征差異，不易提取指紋特征。

3、i/q數(shù)據(jù)的平方s-i/q(the?square?of?i/q?data)可有效地刻畫信號的幅度特征，突顯原本被模糊或混淆的信號譜線。在低信噪比環(huán)境中，相對溫和地放大信號和噪聲，適合信號特征較為明顯但需要適度增強(qiáng)的情況。而且s-i/q所引入的非線性失真較小，計(jì)算復(fù)雜度低，特別適合實(shí)時處理場景。

4、i/q數(shù)據(jù)的四次方f-i/q(the?fourth?power?of?i/q?data)能夠有效突顯復(fù)雜輻射源信號與背景信號的差異。由于復(fù)雜輻射源信號通常由多個簡單信號組合而成，且幅度變化劇烈，四次方處理可以更加顯著地放大這些信號的各自特征，從而將其與背景信號區(qū)分開來，然而，這種處理方式也會引入更高的非線性效應(yīng)和計(jì)算復(fù)雜度，因此適合于需要強(qiáng)特征提取的場合。

5、對信號進(jìn)行高次冪處理，可增強(qiáng)信號的非線性特性，有助于提高信號對于多路徑衰落和其他非線性失真的抗干擾能力，更可靠地區(qū)分不同的信號狀態(tài)。通過對信號進(jìn)行預(yù)分類，可以有效地選擇合適的信號處理方法，如平方或四次方處理，以提高識別的準(zhǔn)確性和效率。

6、為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

7、一種多域特征融合的輻射源個體識別方法，包括：

8、步驟s1：信號采集。從多個通信輻射源中使用信號采集設(shè)備采集時域信號。通信輻射源個體為同類型輻射源設(shè)備，同類型輻射源設(shè)備之間存在輻射源指紋差異。通過信號采集設(shè)備，將通信輻射源發(fā)射出的信號進(jìn)行采集，并將其信號以時域數(shù)據(jù)的形式進(jìn)行存儲。

9、步驟s2：信號預(yù)處理。對采集到的信號進(jìn)行預(yù)處理，以提高信號的質(zhì)量和一致性。預(yù)處理包括信號分割、歸一化和標(biāo)準(zhǔn)化。

10、步驟s2-1：信號分割。將連續(xù)采集到的長時間信號分割成多個短時間的信號片段，便于后續(xù)處理和分析。采用滑動窗口技術(shù)，每次移動固定的步長，將信號分割成信號片段，以提高時間分辨率。

11、步驟s2-2：歸一化處理。使用最小最大歸一化方法，將信號的幅度值線性變換到[0,1]范圍內(nèi)，消除不同信號之間的幅度差異，使得信號在相同的尺度下進(jìn)行比較和分析。

12、

13、其中，x是信號片段的幅度值,xmin和xmax分別是信號的最小值和最大值，xnorm是歸一化后的信號幅度值。

14、步驟s2-3：標(biāo)準(zhǔn)化處理。對信號進(jìn)行均值和方差標(biāo)準(zhǔn)化處理，使信號數(shù)據(jù)的均值為0、方差為1，以提高后續(xù)特征提取和分類識別的穩(wěn)定性。

15、

16、其中，xnorm是歸一化后的信號幅度值，μ是信號的均值，σ是信號的標(biāo)準(zhǔn)差，xns是標(biāo)準(zhǔn)化后的信號幅度值。

17、步驟s3：信號預(yù)分類。從信號的調(diào)制類別出發(fā)，選擇合適的高次冪處理方式。

18、步驟s3-1：調(diào)制方式識別。采用基于深度殘差收縮網(wǎng)絡(luò)(deep?residualshrinkage?network,dsrn)的調(diào)制方式識別方法，將完成預(yù)處理的信號作為深度殘差收縮網(wǎng)絡(luò)模型的輸入，識別出調(diào)制方式。

19、步驟s3-1-1：淺層特征提取。使信號xns經(jīng)過深度殘差收縮網(wǎng)絡(luò)中的首個卷積層，進(jìn)而得到調(diào)制方式淺層特征y0。

20、y0＝relu(w0*xsn+b0)

21、其中，*表示卷積操作，w0是卷積核權(quán)重，b0是偏置，relu是激活函數(shù)。

22、步驟s3-1-2：將調(diào)制方式淺層特征y0經(jīng)過第i個殘差收縮塊(residual?shrikagebuilding?unit,rsbu)提取深層特征yi。

23、首先通過rsbu單元中前兩層卷積層提取特征hi：

24、hi＝relu(wi*y0+bi)

25、其中，wi是卷積核權(quán)重，bi是偏置，relu是激活函數(shù)。

26、對提取的特征hi進(jìn)行全局平均池化以獲得特征均值ai：

27、ai＝gap(|hi|)

28、使用rsbu單元中注意力機(jī)制模塊生成特征hi中每個通道的縮放參數(shù)αi：

29、αi＝σ(watt·ai+batt)

30、其中，σ(·)是sigmoid激活函數(shù)，watt是注意力機(jī)制的權(quán)重，batt是注意力機(jī)制的偏置。通過注意力機(jī)制計(jì)算自適應(yīng)的閾值τi：

31、τi＝αi×ai

32、應(yīng)用軟閾值化對特征hi進(jìn)行收縮，得到收縮特征hi′：

33、hi′＝sign(hi)·max(|hi|-τi,0)

34、其中，sign()是符號函數(shù)，max()取大值。

35、將收縮特征hi′與輸入特征yi-1進(jìn)行殘差連接，得到深層特征yi：

36、yi＝hi′+yi-1

37、如上，深層特征yi經(jīng)13個rsbu單元堆疊提取，得到最終特征y13。

38、步驟s3-1-3：分類器輸出。將最終特征通過深度殘差收縮網(wǎng)絡(luò)的全連接層和softmax激活函數(shù)得到分類輸出，判斷出調(diào)制方式z：

39、z＝softmax(wout·y13+bout)

40、其中，wout全連接層的權(quán)重，bout是全連接層的偏置，z是每種調(diào)制類型的預(yù)測概率向量。

41、步驟s3-2：高次冪處理選擇。對于低階調(diào)制方式，即階數(shù)小于等于4，每個符號所承載的信息量少于等于2比特，如am、fm、pm、2-fsk、4-fsk、4-pam、bpsk、qpsk和4-qam，時域信號采用二次方處理。對于高階調(diào)制方式，即階數(shù)大于4，每個符號所承載的信息量大于2比特，如8-fsk、16-fsk、8-pam、16-pam、8psk、16psk、8qam和16qam等，時域信號采用四次方處理。

42、步驟s4：提取特征。對預(yù)處理信號做高次冪處理和快速傅里葉變換處理，得到時域特征和頻域特征。

43、步驟s4-1：時域高次冪處理，即平方處理或四次方處理。對預(yù)處理完的信號片段中的每個值進(jìn)行平方運(yùn)算，得到s-i/q，刻畫信號的幅度特征，突顯原本被模糊或混淆的信號譜線。

44、

45、對信號片段中的每個值進(jìn)行四次方運(yùn)算，得到f-i/q，突顯復(fù)雜輻射源信號與其他背景信號的差異。

46、

47、步驟s4-2：快速傅里葉變換。對信號片段進(jìn)行快速傅里葉變換，得到信號的頻譜信息xk，包括頻率分量的幅度和相位，即fd-sp。

48、

49、其中，xj表示時間域信號在第j個采樣點(diǎn)的值，n是信號的總長度，即采樣點(diǎn)的數(shù)量，k是頻率索引，i是虛數(shù)單位，xk為信號在頻率k處的頻域表示，是一個復(fù)數(shù)。

50、步驟s5：模型預(yù)訓(xùn)練。預(yù)訓(xùn)練多域特征融合識別模型，多域特征融合識別模型包含兩個特征提取網(wǎng)絡(luò)和一個特征融合識別網(wǎng)絡(luò)，訓(xùn)練過程中采用基于梯度下降方法的反向傳播，損失函數(shù)采用加權(quán)交叉熵?fù)p失函數(shù)。

51、步驟s5-1：特征向量提取。將信號組合s-i/q+fd-sp或者f-i/q+fd-sp作為多域特征融合識別模型的輸入，經(jīng)兩個特征提取網(wǎng)絡(luò)分別進(jìn)行特征提取，特征提取網(wǎng)絡(luò)即卷積神經(jīng)網(wǎng)絡(luò)，得到包含時域的特征向量ft和包含頻域的特征向量fs，將兩個特征向量在尺寸上線性拼接為一個多域特征向量fm。

52、步驟s5-2：特征向量融合。將多域特征向量fm作為特征融合識別網(wǎng)絡(luò)的輸入，特征融合識別網(wǎng)絡(luò)中的全連接層和relu激活層通過對多域特征向量fm進(jìn)行加權(quán)和非線性變換，進(jìn)一步提煉和融合特征，增強(qiáng)特征的表達(dá)能力，多個全連接層和relu激活函數(shù)的使用可以逐步提取更加復(fù)雜和高級的特征。多域特征向量fm經(jīng)多個全連接層和激活層的公式如下：

53、f1output＝relu(w1·fm+b1)]

54、f2output＝relu(w2·f1output+b2)

55、f3output＝relu(w3·f2output+b3)

56、其中w1、w2、w3為全連接層的權(quán)重矩陣，b1、b2、b3為偏置向量，relu激活函數(shù)為f(z)＝max(0,z)，z為來自上一層神經(jīng)網(wǎng)絡(luò)的輸入向量。

57、步驟s5-3：計(jì)算類別概率。將步驟s5-2中成功融合時域特征和頻域特征的向量f3output送入softmax函數(shù)分類器，當(dāng)共有d個類別時，輸出一個d維向量，為該樣本所屬各個類別的概率：

58、

59、其中表示樣本屬于第i類的概率，zi是輸入向量z中的第i個元素，zd是輸入向量z中的第d維元素。

60、步驟s5-4：計(jì)算分類損失。采用交叉熵?fù)p失函數(shù)l，衡量預(yù)測概率分布與真實(shí)分布之間的差異：

61、

62、其中y＝[y1,y2,...,yd]為真實(shí)標(biāo)簽向量，其中yi表示樣本是否屬于第i類，如果樣本屬于第i類，則yi＝1，否則yi＝0。

63、步驟s5-5：反向傳播。根據(jù)adam優(yōu)化算法調(diào)整優(yōu)化模型超參數(shù)，直至達(dá)到交叉熵?fù)p失函數(shù)收斂。adam優(yōu)化算法結(jié)合了動量和rmsprop(root?mean?square?propagation)的優(yōu)點(diǎn)，自適應(yīng)調(diào)整學(xué)習(xí)率，使得訓(xùn)練過程更加穩(wěn)定和高效。

64、初始化adam算法的超參數(shù)學(xué)習(xí)率η、一階矩估計(jì)的指數(shù)衰減率β1、二階矩估計(jì)的指數(shù)衰減率β2和偏差修正項(xiàng)ε，賦予典型值η＝0.001，β1＝0.9，β2＝0.999，ε＝10-8，接著初始化一階矩向量mt和二階矩向量vt為零向量。

65、在每次迭代中，計(jì)算損失函數(shù)相對于模型參數(shù)θt的梯度gt：

66、

67、更新一階矩估計(jì)mt和二階矩估計(jì)vt：

68、mt＝β1mt-1+(1-β1)gt

69、vt＝β2vt-1+(1-β2)gt2

70、對mt和vt進(jìn)行偏差修正得和

71、

72、利用修正后的矩估計(jì)更新模型參數(shù)θt：

73、

74、其中，η是學(xué)習(xí)率，是β1的t次方,表示在第t次迭代中，一階矩估計(jì)的偏差修正因子。是β2的t次方，表示在第t次迭代中，二階矩估計(jì)的偏差修正因子。gt是梯度，l(·)交叉熵是損失函數(shù)，θt-1是上一次迭代的模型參數(shù)，mt-1和vt-1分別表示上一次迭代的一階矩估計(jì)和二階矩估計(jì)。

75、步驟s6：輻射源個體識別。對新接收的信號進(jìn)行分割、歸一化和標(biāo)準(zhǔn)化處理，按照上述步驟提取多域特征，將提取的特征進(jìn)行融合形成特征向量，輸入已訓(xùn)練好的分類模型，得到每個輻射源的識別概率。

76、本發(fā)明還提供一種多域特征融合的輻射源個體識別裝置，包括：

77、信號采集模塊，用于采集時域信號，將通信輻射源發(fā)射出的信號進(jìn)行采集，并將其信號以時域數(shù)據(jù)的形式進(jìn)行存；

78、信號預(yù)處理模塊，用于對采集到的信號進(jìn)行預(yù)處理，包括信號分割、歸一化和標(biāo)準(zhǔn)化等操作，以提高信號的質(zhì)量和一致性；

79、信號預(yù)分類模塊，從信號的調(diào)制類別出發(fā)，選擇合適的高次冪處理方式；

80、信號處理模塊，對信號做高次冪處理和快速傅里葉變換處理，得到時域特征和頻域特征；

81、模型預(yù)訓(xùn)練模塊，用于預(yù)訓(xùn)練多域特征融合識別模型；

82、輻射源個體識別模塊，用于對新接收的信號進(jìn)行分割、歸一化和標(biāo)準(zhǔn)化處理，按照上述步驟提取多域特征，將提取的特征進(jìn)行融合形成特征向量，輸入已訓(xùn)練好的分類模型，得到每個輻射源的識別概率；

83、信號采集模塊中信號接收機(jī)為usrp-2954r通用軟件無線電設(shè)備，中心頻率為375mhz，采樣率設(shè)為100mhz對發(fā)射信號進(jìn)行i/q正交雙通道采樣，采集4個模擬輻射源個體發(fā)送的通信信號，樣本總數(shù)為20000，樣本順序打亂并分為訓(xùn)練集，測試集以及驗(yàn)證集，比例分別為0.6，0.2，0.2；信號預(yù)處理模塊、信號處理模塊在cpu中實(shí)現(xiàn)；信號預(yù)分類模塊、模型預(yù)訓(xùn)練模塊、輻射源個體識別模塊在gpu和cpu中實(shí)現(xiàn)，cpu選用13th?gen?intel(r)core(tm)i5-13400f，gpu選用nvidia?geforce?rtx?4060ti。

84、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：融合的多域特征更能良好反映輻射源的細(xì)微差異，識別效果有明顯的提升；通過分別提取每個域的特征，可以有效減少數(shù)據(jù)的維度，從而降低計(jì)算和存儲的復(fù)雜度；同時允許對不同域的特征進(jìn)行有針對性的處理和融合，提高分類的精度；可以對不同域的特征進(jìn)行選擇和加權(quán)，增強(qiáng)重要特征的影響力，使模型更加靈活和精準(zhǔn)；使用普通計(jì)算機(jī)硬件配置，實(shí)用性強(qiáng)、經(jīng)濟(jì)性好。