【技术实现步骤摘要】
本专利技术属于辐射源识别领域，具体涉及基于因果学习的信道鲁棒通信辐射源识别方法及系统。
技术介绍
1、辐射源识别是一种主要从接收信号提取射频指纹的单个设备识别技术。由于它不需要对信号中的传输信息进行解密，在民用和军用领域受到了广泛关注，具有重要的应用价值。然而，射频指纹在训练和测试阶段中受到的信道影响通常是不同的，并且辐射源识别对抗信道变化能力较差。如何增强辐射源识别抗信道变化的能力，提高在不同信道环境下的识别率，成为了当前辐射源识别在实际应用中亟需解决的问题之一。
2、针对这一挑战，现有技术使用的技术方案包括：
3、一、通过收集尽可能多的信道条件下的训练数据，并交给神经网络自动学习来解决。可惜的是，在现实环境中，覆盖所有的信道条件是不切实际的，并且数据采集、存储与处理的成本非常大。二、将静态场景下收集的数据输入到设计好的信道模拟器中进行数据增强，生成各种信道条件下的信号。然而，设计与真实场景一致的模拟信道是十分困难的。三、提出通过信道估计和信道均衡来消除信道干扰，然而该方法需要没有信道影响的理想数据作为训练集，在实际应用中可能难以获得。
4、由此可见，在辐射源识别领域，由于环境变化导致模型在测试阶段性能下降的分布外泛化问题还没有得到很好的解决，识别模型可能学习了环境等与设备身份无关的虚假特征，辐射源识别的泛化性仍有待提高。
技术实现思路
1、本专利技术提供了一种基于因果学习的信道鲁棒通信辐射源识别方法及系统，以提高通信辐射源识别在不同信道环境下
2、为达到上述目的，本专利技术所采用的技术方案是：
3、本专利技术第一方面提供了一种基于因果学习的信道鲁棒通信辐射源识别方法，包括：
4、获取实时通信辐射源信号，利用中心化对数功率谱对实时通信辐射源信号的前导码识别信号进行特征表示获得识别样本，将识别样本并输入至预训练的因果纯化网络获得通信辐射源实时识别结果；
5、所述因果纯化网络的获取过程包括：
6、获取信道变化的通信辐射源训练信号，基于结构因果模型对通信辐射源训练信号中的干扰元素和因果元素进行建模分析，提取前导码信号并对前导码信号进行标准化；
7、利用中心化对数功率谱对标准化后的前导码信号进行特征表示获得训练样本；基于因果元素与通信辐射源设备的编号信息设定训练样本的辐射源标签；利用训练样本对所述因果纯化网络进行训练获得训练后的因果纯化网络。
8、进一步的，利用训练样本对所述因果纯化网络进行训练获得训练后的因果纯化网络的过程包括：
9、所述因果纯化网络包括特征提取器、分类器、特征去相关单元和特征纯化单元；
10、将训练样本输入至所述特征提取器获得全局特征和本地特征；将全局特征输入特征去相关单元获得样本权重；将全局特征输入分类器获得预测标签，基于预测标签和训练样本的辐射源标签计算预测损失，根据预测损失和样本权重计算获得第一损失；
11、将本地特征输入至特征纯化单元获得第二损失，根据第一损失和第二损失计算目标损失，基于目标损失对所述因果纯化网络参数进行优化，重复迭代因果纯化网络的训练过程直至达到设定的迭代次数，输出训练后的因果纯化网络。
12、进一步地，获取信道变化的通信辐射源训练信号的过程包括：
13、将n个相同规格的无线设备作为通信辐射源；在室内与室外的无线环境中固定接收机位置，改变辐射源的位置采集通信辐射源训练信号；在室内的有线环境中，将通信辐射源通过电缆线直接连接到接收机上采集通信辐射源训练信号。
14、进一步地，在通信辐射源的发射信号采集过程中，每次只有一个辐射源处于工作状态，并持续采集30秒获得历史通信辐射源信号。
15、进一步地，对前导码信号进行标准化的过程包括：
16、
17、公式中，r′(t)为通信辐射源训练信号的前导码信号，μ表示为前导码信号r′(t)的均值，σ为前导码信号r′(t)的标准差，r′(t)norm为标准化后的前导码信号。
18、进一步地，利用中心化对数功率谱对标准化后的前导码信号进行特征表示获得训练样本的方法包括：
19、对标准化后的前导码信号进行自相关运算，计算公式如下：
20、rr(τ)＝e[r′(t)normr′(t+τ)norm]＝rf(τ)+rn(τ)+rfn(τ)+rnf(τ)
21、式中，rf(τ)为通信辐射源训练信号自相关函数，rfn(τ)为通信辐射源训练信号与噪声的互相关函数，rnf(τ)为噪声与通信辐射源训练信号互相关函数，rn(τ)为噪声自相关函数；rr(τ)表示为标准化后的前导码信号自相关函数；τ表示为时刻t的滞后或超前时间量；
22、基于维纳-辛钦定理由自相关函数rr(τ)推导获得功率谱pr(ω)，表达公式为：
23、
24、公式中，ω表示为功率谱pr(ω)中的输入频率；b表示为虚部；
25、对功率谱pr(ω)做对数变换获得功率谱对数pr(ω)log，利用功率谱对数pr(ω)log减去功率谱对数pr(ω)log的均值缓解信道效应获得中心化对数功率谱clps，选用零均值归一化的方法对中心化对数功率谱clps进行数据标准化获得训练样本。
26、进一步地，特征提取器采用残差结构包括13个卷积层，1个平均池化层和1个平铺层；第一个卷积层设置为64个7×7的滤波器，第二层到第五层卷积层设置为64个3×3的滤波器，第六层到第十三层卷积层设置为128个3×3的滤波器；每个卷积层都采用relu作为激活函数。
27、进一步地，将全局特征输入特征去相关单元获得样本权重的方法包括:
28、使用随机傅里叶特征作为核函数，通过核函数将全局特征由原始特征空间的全局特征映射到再生核希尔伯特空间得到独立特征
29、对于原始特征空间中全局特征a和全局特征b的特征变量，从独立特征中采样na和nb个函数，获得重构特征u(a)与重构特征v(b)，表达公式为：
30、
31、
32、公式中，uk(a)表示为重构特征u(a)中的第k个函数，vk(b)表示为重构特征v(b)中的第k个函数；
33、计算重构特征u(a)与重构特征v(b)的互协方差算子，表达公式为：
34、
35、公式中，u(ai)表示为全局特征a中第i个特征变量对应的重构特征；u(aj)表示为全局特征a中第j个特征变量对应的重构特征；v(bi)表示为全局特征b中第i个特征变量对应的重构特征；v(bj)表示为全局特征b中第j个特征变量对应的重构特征；wi表示特征变量ai和特征变量bi的权重；wj分别表示特征变量aj和特征变量bj的权重；n表示为特征变量数量；
36、基于互协方差算子求解训练样本的样本权重。
37、进一步地，基于目标损失对所述因果纯化网络参数进行优化的方法包括：...
【技术保护点】
1.一种基于因果学习的信道鲁棒通信辐射源识别方法，其特征在于，包括：
2.根据权利要求1所述的信道鲁棒通信辐射源识别方法，其特征在于，利用训练样本对所述因果纯化网络进行训练获得训练后的因果纯化网络的过程包括：
3.根据权利要求2所述的信道鲁棒通信辐射源识别方法，其特征在于，获取信道变化的通信辐射源训练信号的过程包括：
4.根据权利要求1所述的信道鲁棒通信辐射源识别方法，其特征在于，对前导码信号进行标准化的过程包括：
5.根据权利要求4所述的信道鲁棒通信辐射源识别方法，其特征在于，利用中心化对数功率谱对标准化后的前导码信号进行特征表示获得训练样本的方法包括：
6.根据权利要求2所述的信道鲁棒通信辐射源识别方法，其特征在于，特征提取器采用残差结构包括13个卷积层，1个平均池化层和1个平铺层；第一个卷积层设置为64个7×7的滤波器，第二层到第五层卷积层设置为64个3×3的滤波器，第六层到第十三层卷积层设置为128个3×3的滤波器；每个卷积层都采用ReLU作为激活函数。
7.根据权利要求2所述的信道鲁棒通信辐射源识别
8.根据权利要求7所述的信道鲁棒通信辐射源识别方法，其特征在于，基于目标损失对所述因果纯化网络参数进行优化的方法包括：
9.一种基于因果学习的信道鲁棒通信辐射源识别系统，其特征在于，包括：
10.电子设备，包括存储介质和处理器；所述存储介质用于存储指令；其特征在于，所述处理器用于根据所述指令进行操作以执行权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种基于因果学习的信道鲁棒通信辐射源识别方法，其特征在于，包括：
2.根据权利要求1所述的信道鲁棒通信辐射源识别方法，其特征在于，利用训练样本对所述因果纯化网络进行训练获得训练后的因果纯化网络的过程包括：
3.根据权利要求2所述的信道鲁棒通信辐射源识别方法，其特征在于，获取信道变化的通信辐射源训练信号的过程包括：
4.根据权利要求1所述的信道鲁棒通信辐射源识别方法，其特征在于，对前导码信号进行标准化的过程包括：
5.根据权利要求4所述的信道鲁棒通信辐射源识别方法，其特征在于，利用中心化对数功率谱对标准化后的前导码信号进行特征表示获得训练样本的方法包括：
6.根据权利要求2所述的信道鲁棒通信辐射源识别方法，其特征在于，特征提取器采用残差结构包括13个...
【专利技术属性】
技术研发人员：徐以涛，汤鹏，丁国如，焦雨涛，宋叶辉，魏国峰，李京华，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。