空中辐射源个体智能增量识别方法、系统、终端及应用技术方案

本发明专利技术属于辐射源个体识别技术领域，公开了一种空中辐射源个体智能增量识别方法、系统、终端及应用，对接收到的空中辐射源ADS

【技术实现步骤摘要】
S提出了一种利用短时离散傅里叶变换(STDFT)对信号进行特征提取的算法，最后利用聚类算法进行分类识别，但该方法对滑动窗口选择依赖性大，且聚类算法的识别准确率较低(D'Agostino S.Specific emitter identification based on amplitude features[C]//IEEE International Conference on Signal&Image Processing Applications.IEEE，2015.)。
[0004]上述方法在一定程度上解决了辐射源个体识别的问题，但是在低信噪比环境下识别性能欠佳，在不同信道环境下的泛化能力不足，且个体识别方法对于特征提取方法依赖性很强，不同的特征提取方法的识别准确度相差较大。此外，传统的训练策略必须要求所有的数据类别做为先验信息，并进行统一地训练。但现实中数据往往不是收集好的一整块，而是流式数据，传统的联合训练的方式并不适用于目前的环境。
[0005]通过上述分析，现有技术存在的问题及缺陷为：
[0006](1)现有技术存在在低信噪比环境下识别性能欠佳，在不同信道环境下的泛化能力不足，且个体识别方法对于特征提取方法依赖性很强，不同的特征提取方法的识别准确度相差较大等问题。
[0007](2)传统的训练策略必须要求所有的数据类别是提前知道的，并进行统一地训练。但现实中数据往往不是收集好的一整块，而是流式数据，传统的联合训练的方式并不适用于目前的环境。
[0008]解决以上问题及缺陷的难度为：/>[0009](1)由于当前复杂的电磁环境及信道的影响，常见空中辐射源个体信号难以达到较高信噪比，信号的信噪比较低以及干扰较强是常态，寻找一种抗干扰能力强，对多数信道均有良好识别能力的特征提取方法较为困难；
[0010](2)流式数据的训练需要对以往数据进行保存留档，而旧数据的存储对内存空间的需求较大，如果全部进行保存再训练，不仅之前的训练结果被浪费，还浪费了大量的存储空间，不利于训练速度提升和资源最大化利用。
[0011]解决以上问题及缺陷的意义为：
[0012]空中辐射源个体的种类越来越多，相互交错的信号越来越密集，敌对国家的干扰信号的效果也变得越来越强，且战场形式瞬息万变，更快更精准地对辐射源个体进行识别就有可能影响到整个战局形式走向。因此，如何在低信噪比、干扰强烈的复杂电磁环境中准确识别空中辐射源个体，并利用以往的训练结果对和新数据对个体识别系统进行快速更新，从而提高电子战的能力，已成为现代战争中亟待解决的关键问题。

技术实现思路

[0013]针对现有技术存在的问题，本专利技术提供了一种空中辐射源个体智能增量识别方法、系统、终端及应用。
[0014]本专利技术是这样实现的，一种空中辐射源个体智能增量识别方法，所述空中辐射源个体智能增量识别方法包括：
[0015]对接收到的空中辐射源ADS
‑
B(广播式自动相关监视)信号分别提取模糊函数、双谱变换、希尔伯特黄变换、短时傅里叶变换共四种特征，将特征进行线性特征融合得到新的特征图；
[0016]通过卷积神经网络来对已知类别的辐射源个体进行分类识别，得到网络模型；
[0017]对于未训练类别数据，采取增量学习的方式进行训练，即在原来训练结果的基础上取用少部分旧数据和新数据共同训练网络，并修改网络中的部分参数和损失函数，实现空中辐射源个体的智能增量识别。
[0018]进一步，所述四种特征提取方法具体实施为：
[0019](1)短时傅里叶变换STFT：短时傅里叶变换表达式为：
[0020][0021]其中，下标n区别于标准的傅里叶变换，w(n
‑
m)是窗口函数序列，x(m)是输入序列，不同的窗口函数序列将得到不同的傅里叶变换结果；短时傅里叶变换有两个自变量n和w，既是关于时间n的离散函数，又是关于角频率w的连续函数；
[0022](2)模糊函数，用来分析和设计各种信号，用来识别不同类型的信号。假设时延差为τ，频移为μ，输入信号为X1(t)、X2(t)，模糊度函数定义为：
[0023][0024](3)双谱变换，接收信号r(n)的双谱用非参数法进行估计，r(n)先分为Γ段，每段包含Δ个样本，接收信号r(n)的三阶循环累积量写作：
[0025][0026]其中，χ
γ
(τ1,τ2)是每段信号的三阶循环累积量，τ1,τ2为不同时延，w(τ1,τ2)是六角窗函数，信号r(n)的双谱估计表示为：
[0027][0028](4)希尔伯特黄变换，将经验模态分解与希尔伯特变换相结合的方法。经验模态分解算法的基本原理为：首先，找到原始信号X(t)的上包络线X
max
(t)和下包络线X
min
(t)，并对上下包络线求平均值：
[0029][0030]其次，对原始信号X(t)与平均包络m1(t)相减，得到余下信号d1(t)；对余下信号d1(t)重复进行上述操作，直到小于筛分门限值(SD)时停止，这时候得到最终合适的第一阶模态分量c1(t)，即第一个IMF，其中，SD求法如下：
[0031][0032]再次，对信号X(t)和c1(t)求差，得到第一阶残差量r1(t)，将r1(t)替代原始信号X(t)进行上述操作，重复n次后得到n阶模态函数c
n
(t)和最终符合标准的残差量r
n
(t)，原始信号X(t)经过经验模态分解分解的表达式为：
[0033][0034]最后，使用希尔伯特变换对经过经验模态分解处理后的信号进行时频处理并转换为希尔伯特谱图。
[0035]进一步，所述特征进行线性特征融合得到新的特征图具体实施如下：采取插值补零法将其扩充至相同大小，然后将四种特征进行线性特征融合，最终得到新的特征图；如果某一种特征提取方法所体现辐射源个体差异性不明显，神经网络通过其他特征来判别属于哪个辐射源个体。
[0036]进一步，所述通过卷积神经网络来对已知类别的辐射源个体进行分类识别过程包括：
[0037]首先，由卷积层对输入的特征图进行特征提取，卷积神经网络以往处理的通常都是图片数据，对信号进行四种方式的特征提取并进行线性特征融合，每个信号能得到一个四通道的数据特征图，同样适用于卷积神经网络的处理。卷积层其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小。计算公式为：
[0038][0039][0040]其中，b为偏差量，ω是权重值，x和y表示卷积核对整个特征图进行卷积处理，Z
l
和Z
l+1
表示第l+1层的卷积输入和输出，也被称为特征图，L
l+1
是Z
l+1
的尺寸，假设特征图长宽相等；Z(i,j)对应特征图的像素，K为特征图通道数，f是卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空中辐射源个体智能增量识别方法，其特征在于，所述空中辐射源个体智能增量识别方法包括：对接收到的空中辐射源ADS
‑
B信号分别提取模糊函数、双谱变换、希尔伯特黄变换、短时傅里叶变换共四种特征，将特征进行线性特征融合得到新的特征图；通过卷积神经网络来对已知类别的辐射源个体进行分类识别，得到网络模型；对于未训练类别数据，采取增量学习的方式进行训练，即在原来训练结果的基础上取用少部分旧数据和新数据共同训练网络，并修改网络中的部分参数和损失函数，实现空中辐射源个体的智能增量识别。2.如权利要求1所述的空中辐射源个体智能增量识别方法，其特征在于，所述四种特征提取方法具体实施为：(1)短时傅里叶变换STFT：短时傅里叶变换表达式为：其中，下标n区别于标准的傅里叶变换，w(n
‑
m)是窗口函数序列，x(m)是输入序列，不同的窗口函数序列将得到不同的傅里叶变换结果；短时傅里叶变换有两个自变量n和w，既是关于时间n的离散函数，又是关于角频率w的连续函数；(2)模糊函数，用来分析和设计各种信号，用来识别不同类型的信号，时延差为τ，频移为μ，输入信号为X1(t)、X2(t)，模糊度函数定义为：(3)双谱变换，接收信号r(n)的双谱用非参数法进行估计，r(n)先分为Γ段，每段包含Δ个样本，接收信号r(n)的三阶循环累积量写作：其中，χ
γ
(τ1,τ2)是每段信号的三阶循环累积量，τ1,τ2为不同时延，w(τ1,τ2)是六角窗函数，信号r(n)的双谱估计表示为：(4)希尔伯特黄变换，将经验模态分解与希尔伯特变换相结合的方法，经验模态分解算法的基本原理为：首先，找到原始信号X(t)的上包络线X
max
(t)和下包络线X
min
(t)，并对上下包络线求平均值：其次，对原始信号X(t)与平均包络m1(t)相减，得到余下信号d1(t)；对余下信号d1(t)重复进行上述操作，直到小于筛分门限值(SD)时停止，这时候得到最终合适的第一阶模态分量c1(t)，即第一个IMF，其中，SD求法如下：
再次，对信号X(t)和c1(t)求差，得到第一阶残差量r1(t)，将r1(t)替代原始信号X(t)进行上述操作，重复n次后得到n阶模态函数c
n
(t)和最终符合标准的残差量r
n
(t)，原始信号X(t)经过经验模态分解分解的表达式为：最后，使用希尔伯特变换对经验模态分解分解后的信号进行时频处理并转换为希尔伯特谱图。3.如权利要求1所述的空中辐射源个体智能增量识别方法，其特征在于，所述特征进行线性特征融合得到新的特征图具体实施如下：采取插值补零法将其扩充至相同大小，然后将四种特征进行线性特征融合，最终得到新的特征图；如果某一种特征提取方法所体现辐射源个体差异性不明显，神经网络通过其他特征来判别属于哪个辐射源个体。4.如权利要求1所述的空中辐射源个体智能增量识别方法，其特征在于，所述通过卷积神经网络来对已知类别的辐射源个体进行分类识别过程包括：首先，由卷积层对输入的特征图进行特征提取，卷积神经网络以往处理的通常都是图片数据，对信号进行四种方式的特征提取并进行线性特征融合，每个信号能得到一个四通道的数据特征图，同样适用于卷积神经网络的处理。卷积层其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，计算公式为：其中，b为偏差量，ω是权重值，x和y表示卷积核对整个特征图进行卷积处理，Z
l
和Z
l+1
表示第l+1层的卷积输入和输出，也被称为特征图，L
...

【专利技术属性】
技术研发人员：刘明骞，王嘉堃，陈倩，宫丰奎，葛建华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：