一种未知辐射源个体识别及检测的方法技术

该发明专利技术公开了一种未知辐射源个体识别及检测的方法，属于信号识别领域。针对现有技术中对未知信号识别效率、准确率低的问题，采用神经网络对信号记性特征提取，计算特征的各项差异性数据，将待识别信号的各项差异性数据与训练神经网络样本信号的各项差异性数据进行逐层次的比较，依次筛选出未知类信号，然后对未知类信号进行标签添加；本发明专利技术技术方案检测未知类的误差率为0.28％，说明本发明专利技术方法具有高准确率的优点。

A method of individual recognition and detection of unknown radiation sources

【技术实现步骤摘要】
一种未知辐射源个体识别及检测的方法
本专利技术涉及辐射源个体识别
，更具体的，是涉及一种基于神经网络，并对未知辐射源个体进行检测和自动加标签的方法。
技术介绍
随着通信技术的发展与频谱管理变得越来越复杂，通信信号的识别正变得越来越重要，尤其在非协作式通信中，辐射源个体识别在辐射源的搜索、截获、分析、识别以及定位中拥有广泛的应用。辐射源个体识别有两种方法，人工手动识别和机器自动识别。人工识别方法将不同类型的接收机接收到的信号进行初步处理后，通过示波器、频谱仪等仪器进行个体识别。这种方法准确率不高，能识别的类型有限且人工识别效率极低。自动识别主要是将神经网络与辐射源个体识别结合起来，利用带有分类标签的大量数据，使设备能够通过神经网络来获得自主学习、自动决策与自动更新的能力。但是现有的基于神经网络或深度学习进行辐射源个体识别的算法往往对数据有严苛要求，要求有大量加好分类标签的数据，并且都是已经分好类的数据。每当数据集发生变动，即有未被标签的未知类的数据存在，就无法正常训练和识别。而且现有的算法往往网络层数深、结构复杂、参数量极大，存在着训练耗时、网络泛化性差的问题。本专利技术基于信号二维层次上的时频域特征，利用神经网络进行辐射源个体识别，对未知源进行检测以及自动加标签，是针对目前辐射源个体识别相关问题的有效尝试。
技术实现思路
针对辐射源在未知类检测方面检测效率低的问题，本专利技术提出一种基于神经网络的高效率高识别率的辐射源个体识别以及未知个体检测方法。本专利技术技术方案为一种未知辐射源个体识别及检测的方法，该方法包括：步骤1：获取训练样本；针对每个型号的辐射源由X种信号采集带宽、Y种传输带宽和Z种调制方式相互组合构成的X*Y*Z种工作模式发送信号，然后接收这些信号作为训练样本；步骤2：将所有训练样本做下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长WinLen、重叠点数noverlap、补零点数Nfft；步骤4：每段的加窗使用Hamming窗，根据信号长度nLen、窗长WinLen以及重叠点数noverlap，计算窗滑动次数nnum；步骤5：求每个训练样本的能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((Nfft/2)+1)*nuum；步骤6：将得到的矩阵进行划分，根据每个训练样本所代表的时间长度，设计合理的nwidth值；每个训练样本包含nwidth个分窗，即nWidth列，每个数据文件被分为nnum/nwidth个训练样本，即每个训练样本维度均是((Nfft/2)+1)*nWidth；步骤7：计算步骤6得到的训练样本的均值最小值μtrain1、方差最小值σ2train1、标准差σtrain1最小值；步骤8：对步骤6得到的所有训练样本数据进行z-score标准化；步骤9：采用步骤7得到的训练样本数据对神经网络进行训练；所述神经网络包括七层：第一层为二维卷积层，其参数设置为92个权重矩阵，权重矩阵尺寸为(11，11)，激活函数为Relu函数；第二层为最大池化层，其参数设置为池化核尺寸(3，3)；第三层为二维卷积层，其参数设置为251个权重矩阵，权重矩阵尺寸为(5，5)，激活函数为Relu函数；第四层为最大池化层，其参数设置为池化核尺寸(3，3)；第五层为二维卷积层，其参数设置为377个权重矩阵，权重矩阵尺寸为(3，3)，激活函数为Relu函数；第六层为最大池化层，其参数设置为池化核尺寸(3，3)；第七层为全连接层；其中：第一、三、五层的二维卷积层的输入矩阵包含四个维度，依次为：样本数、图像高度、图像宽度、图像通道数；输出矩阵格式与输入矩阵的维度顺序和含义相同，但是后三个维度：图像高度、图像宽度、图像通道数的尺寸发生变化；权重矩阵格式同样是四个维度，但维度的含义为：卷积核高度、卷积核宽度、输入通道数和输出通道数。输入矩阵、权重矩阵和输出矩阵这三者的参数是相互决定的关系；权重矩阵的输入通道数由输入矩阵的通道数所决定；输出矩阵的通道数由卷积核的输出通道数所决定；输出矩阵的高度和宽度(hout，wout)这两个维度的尺寸由输入矩阵、权重矩阵、扫描方式所共同决定；计算公式如下：hin代表输入矩阵高度，win代表输入矩阵宽度，hkenel、wkenel分别代表权重矩阵的高度和宽度，p代表填充像素的大小，s代表步长；第二、四、六层的最大池化层；给定数据的三维度尺寸，即[cin，hin，win]，代表输入池化层之前的数据的通道数，高度以及宽度，给定两个超参数池化核尺寸[fpool*fpool]，池化步长[spool]，计算池化后的样本尺寸，公式如下：wout＝(win-fpool)/spool+1hout＝(hin-fpool)/spool+1cout＝cin其中wout为池化之后的样本宽度，hout代表池化后的样本高度，cout则代表池化后输出的样本的通道数；池化核的滤波器是不需要保留参数的；不同于卷积层的滤波器，每一个最大池化层滤波器就是一个固定的函数；全连接层：多维数组需先进行Flatten，然后连接全连接层；Flatten用来将输入“压平”，即把多维的输入一维化，为了从卷积层到全连接层的过渡；步骤10：去掉神经网络中的第七层，将步骤7得到数据输入神经网络，第六层的输出作为神经网络的输出，计算出步骤7得到的所有数据的均值最小值μtrain2、方差的最小值σ2train2、标准差的最小值σtrain2、最大最小值差距的最小值Max-Mintrain、训练样本对应输出的值的平均值向量Xave、输出值与Xave之间的夹角余弦最小值cos(θ)train、输出值与Xave之间的欧氏距离最小值其中X1，k表示样本输入神经网络后第六层的输出值，m是样本在神经网络第六层输出的中间值的维度，n是样本对应的输出值向量的数量；步骤10：在实际检测过程中，采用步骤2到步骤7的方法计算出待检测信号的均值、方差、标准差分别对应的与步骤7得到的均值最小值μtrain1、方差最小值σ2train1、标准差σtrain1最小值进行比较，当待检测信号的均值、方差、标准差分别对应小于均值最小值μtrain1、方差最小值σ2train1、标准差σtrain1时认为待检测信号为未知类信号，并对该信号添加标签；不符合上述条件的信号进行步骤11处理；步骤11：将步骤10剩余的信号输入步骤9建立的去掉第七层的神经网络，计算第六层输出值的均值、方差、标准差、最大最小值差距、与Xave之间的夹角余弦、与Xave之间的欧氏距离；当剩余信号输入神经网络后第六层输出值的均值、方差、标准差、最大最小值差距、与Xave之间的夹角余本文档来自技高网...

【技术保护点】
1.一种未知辐射源个体识别及检测的方法，该方法包括：/n步骤1：获取训练样本；/n针对每个型号的辐射源由X种信号采集带宽、Y种传输带宽和Z种调制方式相互组合构成的X*Y*Z种工作模式发送信号，然后接收这些信号作为训练样本；/n步骤2：将所有训练样本做下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；/n步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长Win

【技术特征摘要】
1.一种未知辐射源个体识别及检测的方法，该方法包括：
步骤1：获取训练样本；
针对每个型号的辐射源由X种信号采集带宽、Y种传输带宽和Z种调制方式相互组合构成的X*Y*Z种工作模式发送信号，然后接收这些信号作为训练样本；
步骤2：将所有训练样本做下采样，考虑到信号数据当中，有部分时间段并没有实际发送、接收信息，所以将未发送信号的空白部分过滤掉；
步骤3：确定相关参数，包括原信号x[n]、窗函数w[n]、窗长WinLen、重叠点数noverlap、补零点数Nfft；
步骤4：每段的加窗使用Hamming窗，根据信号长度nLen、窗WinLen以及重叠点数noverlap，计算窗滑动次数nnum；



步骤5：求每个训练样本的能量谱密度PSD矩阵P，对于实信号，P是各段PSD的单边周期估计；对于复信号，当指定频率向量F时，P为双边PSD；处理后得到的数据矩阵大小为((Nfft/2)+1)*nnum；
步骤6：将得到的矩阵进行划分，根据每个训练样本所代表的时间长度，设计合理的nwidth值；每个训练样本包含nWidth个分窗，即nWidth列，每个数据文件被分为nnum/nWidth个训练样本，即每个训练样本维度均是((Nfft/2)+1)*nWidth；
步骤7：计算步骤6得到的训练样本的均值最小值μtrain1、方差最小值σ2train1、标准差ntrain1最小值；
步骤8：对步骤6得到的所有训练样本数据进行z-score标准化；
步骤9：采用步骤7得到的训练样本数据对神经网络进行训练；
所述神经网络包括七层：
第一层为二维卷积层，其参数设置为92个权重矩阵，权重矩阵尺寸为(11，11)，激活函数为Relu函数；
第二层为最大池化层，其参数设置为池化核尺寸(3，3)；
第三层为二维卷积层，其参数设置为251个权重矩阵，权重矩阵尺寸为(5，5)，激活函数为Relu函数；
第四层为最大池化层，其参数设置为池化核尺寸(3，3)；
第五层为二维卷积层，其参数设置为377个权重矩阵，权重矩阵尺寸为(3，3)，激活函数为Relu函数；
第六层为最大池化层，其参数设置为池化核尺寸(3，3)；
第七层为全连接层；
其中：第一、三、五层的二维卷积层的输入矩阵包含四个维度，依次为：样本数、图像高度、图像宽度、图像通道数；输出矩阵格式与输入矩阵的维度顺序和含义相同，但是后三个维度：图像高度、图像宽度、图像通道数的尺寸发生变化；权重矩阵格式同样是四个维度，但维度的含义为：卷积核高度、卷积核宽度、输入通道数和输出通道数。
输入矩阵、权重矩阵和输出矩阵这三者的参数是相互决定的关系；权重矩阵的输入通道数由输入矩阵的通道数所决定；输出矩阵的通道数由卷积核的输出通道数所决定；输出矩阵的高度和宽度(hout，wout)这两个维度的尺寸由输入矩阵、权重矩阵、扫描方式所共同决定；计算公式如下：hin代表输入矩阵高度，win代表输入矩阵宽度，hkenel、wkenel分别代表权重矩阵的高度和宽度，p代表填充像素的大小，s代表步长；



第二、四、六层的最大池化层；给定数据的三维度尺寸，即[cin，hin，win]，代表输入池化层之前的数据的通道数，高度以及宽度，给定两个超参数池化核尺寸[fpool*fpool]，池化步长[spool]，计算池化后的样本尺寸，公式如下：
wout＝(win-fpool)/spoo...

【专利技术属性】
技术研发人员：张昊，王厚钧，杨海芬，杨占祥，李航宇，周亮，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51