【技术实现步骤摘要】
本专利技术涉及电磁通信，特别是应用于跳频电台个体识别领域中，更具体地是涉及一种多分支并行学习的跳频电台个体识别方法及系统。
技术介绍
1、数字通信时代，对信息的依赖度越来越高，在军事领域通信中，高度依赖电磁空间，有效获取作战对手方电磁情报，构建战场电磁态势是我军夺取战场制电磁权、取得战斗主动的关键，这也促成了作战平台信息交互必须依赖的无线通信越来越关注于其通信过程的安全性与抗干扰能力。跳频通信因其具有保密性好、抗干扰能力强、截获概率低、多址能力强以及易于组网等优点，已逐渐成为当今国内外抗干扰和反侦察技术无线通信的主导技术，这也对跳频通信目标的侦察识别带来了巨大挑战。如何实现电台个体的有效识别已然成为通信对抗领域的主要难题和研究重点，是战场电磁环境下获取电磁情报，实现敌我识别、威胁等级判定的首要步骤，对于最终构建战场电磁态势起着极其关键的作用。
2、如今关于辐射源个体识别的技术多是针对定频通信信号或雷达脉冲信号的，主要分为两大类，一类是通过数学建模方法对辐射源个体的传统特征进行仿真计算，然后设计分类器进行分类；第二种是通过神经网络或深度学习方法在大量样本训练的基础上进行特征提取。而现有的通信辐射源个体识别方法如图1所示，通信辐射源个体识别方法主要分为三个过程，一是数据预处理，主要完成数据的分段、数据样本增广等操作；二是特征提取，首先利用两个参数共享的残差网络作为主干网络进行特征对比学习，然后将增广样本的矩形积分双谱特征输入对比学习模块，进一步学习更加具有区分力的特征表示，从而增强不同辐射源样本之间的特征可分离性；其次，
3、通信现代战场中，随着跳频通信电台的广泛使用，大量跳频电台在时域、空域和频域内密集分布，电磁环境日益复杂，各类跳频电台在技术体制和技术参数基本相同的情况下，现有技术提供的方法在时效及准确性方面都有待提高。
技术实现思路
1、为解决上述问题，本专利技术提供一种基于多尺度跨模态特征融合的虚假情报检测方法及系统。
2、本专利技术第一方面公开了一种多分支并行学习的跳频电台个体识别方法，包括：
3、步骤s1：分别采集多个跳频电台发射的跳频中频采样数据，生成原始数据样本集；
4、步骤s2：对步骤s1中得到的所述原始数据样本集中每个中频采样数据进行检测、分帧、下变频和归一化预处理，形成基带数据样本；
5、步骤s3：构建多分支并行学习的深度残差卷积网络，对所述基带数据样本进行训练，得到固化后的卷积网络；将训练完成后的固化后的深度残差卷积网络对每个跳频电台进行特征提取，形成特征向量，并将所述特征向量存储到目标统计中心特征库中；
6、步骤s4：将待识别的跳频电台数据输入所述固化后的卷积网络，基于统计特征和判决门限进行数据处理，得到最终跳频电台个体识别结果。
7、根据本专利技术第一方面所述的多分支并行学习的跳频电台个体识别方法，步骤s1中采集多个跳频电台发射的跳频中频采样数据包括：在采集数据过程中，采集设备的采样频率为固定值，通过改变跳频电台中心频率使得采集得到的数据样本集覆盖所述跳频电台的工作频率。
8、根据本专利技术第一方面所述的多分支并行学习的跳频电台个体识别方法，步骤s3中所述构建多分支并行学习的深度残差卷积网络包括：设置输入层；设置多分支并行结构，所述并行结构包括多个并行的单层学习网络，所述单层学习网络由多个残差网络单元和一个注意力单元组成，一个残差网络单元由三个卷积单元、一个池化单元和一个快捷连接单元组成，其中，每个分支上的所述卷积单元的卷积核尺寸、步长、池化参数各不相同，每一分支的特征关联度也不相同；设置全连接层及输出层。
9、根据本专利技术第一方面所述的多分支并行学习的跳频电台个体识别方法，所述深度残差卷积网络中的差异化目标损失函数为：在交叉熵的基础上引入目标特征约束，优化后的目标损失函数为：
10、
11、s.t.|cm-cn|2≥δ,m,n＝1,2,..,m,m≠n
12、其中，cm，cn为第m，n个目标n维特征统计中心向量，fm,k为网络对第m个目标的第k个所述基带数据样本所提取的n维特征向量，cm、fm,k作为变量通过迭代进行优化，δ为特征约束值，α、β为权重因子且满足α+β＝1，α、β、δ作为全局变量不参与训练但随迭代次数逐渐递增或递减，h(p，q)为所述卷积网络的交叉熵函数，p表示真实分布，q表示预测分布，m表示目标n维特征统计中心向量的数量，k表示所述基带数据样本总数。
13、根据本专利技术第一方面所述的多分支并行学习的跳频电台个体识别方法，步骤s4具体包括：
14、步骤s41：将待识别的跳频电台数据输入所述固化后的卷积网络进行特征提取，得到特征向量；
15、步骤s42：将步骤s41所提取到的特征向量输入变分自编码网络，计算特征分布概率p及重构误差e；
16、步骤s43：将步骤s41所提取到的特征向量与所述目标统计中心特征库进行差异化比对：
17、dc＝min||x-xc||2，c∈c，
18、其中，dc为特征差异化值；c为目标集合；x为提取到的特征向量；xc为对应的目标统计中心特征库中特征向量；
19、步骤s44：将特征分布概率p、重构误差e和特征差异化值dc与判决门限向量τ进行比对，若满足分别小于判决门限向量τ对应的门限值，则输出目标识别结果；否则输出该信号目标身份未知。
20、根据本专利技术第一方面所述的多分支并行学习的跳频电台个体识别方法，步骤s3中所述构建多分支并行学习的深度残差卷积网络还包括：所述深度残差卷积网络中的多个分支中，将每个分支所提取的特征叠加整合，通过比较分析不同分支所提取的特征有效性，综合各个分支共性和差异性特征，得到最终的信号特征。
21、本专利技术第二方面公开了一种多分支并行学习的跳频电台个体识别系统，所述系统用以实现第一方面所述的多分支并行学习的跳频电台个体识别方法。
22、本专利技术第三方面公开了一种电子设备，包括存储器及处理器，存储器中存储有计算机程序，所述处理器用于执行存储器中的程序以实现第一方面所述的多分支并行学习的跳频电台个体识别方法。
23、本专利技术第四方面公开了一种计算机可读存储介质，所述存储介质存储实现第一方面所述的多分支并行学习的跳频电台个体识别方法的计算机程序。
24、综上，本专利技术提出的方案在综合考虑和衡量硬件算力及模型训练速度的前提条件下，设计多个分支的深度卷积网络，获取电台每一跳突发信号所携带的稳定、丰富且具有可区分性的辐射源细微特征，本文档来自技高网...
【技术保护点】
1.一种多分支并行学习的跳频电台个体识别方法，其特征在于，包括：
2.根据权利要求1所述的多分支并行学习的跳频电台个体识别方法，其特征在于，步骤S1中采集多个跳频电台发射的跳频中频采样数据包括：在采集数据过程中，采集设备的采样频率为固定值，通过改变跳频电台中心频率使得采集得到的数据样本集覆盖所述跳频电台的工作频率。
3.根据权利要求1所述的多分支并行学习的跳频电台个体识别方法，其特征在于，步骤S3中所述构建多分支并行学习的深度残差卷积网络包括：设置输入层；设置多分支并行结构，所述并行结构包括多个并行的单层学习网络，所述单层学习网络由多个残差网络单元和一个注意力单元组成，一个残差网络单元由三个卷积单元、一个池化单元和一个快捷连接单元组成，其中，每个分支上的所述卷积单元的卷积核尺寸、步长、池化参数各不相同，每一分支的特征关联度也不相同；设置全连接层及输出层。
4.根据权利要求3所述的多分支并行学习的跳频电台个体识别方法，其特征在于，所述深度残差卷积网络中的差异化目标损失函数为：在交叉熵的基础上引入目标特征约束，优化后的目标损失函数为：
6.根据权利要求3所述的多分支并行学习的跳频电台个体识别方法，其特征在于，步骤S3中所述构建多分支并行学习的深度残差卷积网络还包括：所述深度残差卷积网络中的多个分支中，将每个分支所提取的特征叠加整合，通过比较分析不同分支所提取的特征有效性，综合各个分支共性和差异性特征，得到最终的信号特征。
7.一种多分支并行学习的跳频电台个体识别系统，其特征在于，所述系统用以实现权利要求1-6任一项所述的多分支并行学习的跳频电台个体识别方法。
8.一种电子设备，其特征在于：包括存储器及处理器，存储器中存储有计算机程序，所述处理器用于执行存储器中的程序以实现权利要求1-6任一项所述的多分支并行学习的跳频电台个体识别方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储实现权利要求1-6任一项所述的多分支并行学习的跳频电台个体识别方法的计算机程序。
...【技术特征摘要】
1.一种多分支并行学习的跳频电台个体识别方法，其特征在于，包括：
2.根据权利要求1所述的多分支并行学习的跳频电台个体识别方法，其特征在于，步骤s1中采集多个跳频电台发射的跳频中频采样数据包括：在采集数据过程中，采集设备的采样频率为固定值，通过改变跳频电台中心频率使得采集得到的数据样本集覆盖所述跳频电台的工作频率。
3.根据权利要求1所述的多分支并行学习的跳频电台个体识别方法，其特征在于，步骤s3中所述构建多分支并行学习的深度残差卷积网络包括：设置输入层；设置多分支并行结构，所述并行结构包括多个并行的单层学习网络，所述单层学习网络由多个残差网络单元和一个注意力单元组成，一个残差网络单元由三个卷积单元、一个池化单元和一个快捷连接单元组成，其中，每个分支上的所述卷积单元的卷积核尺寸、步长、池化参数各不相同，每一分支的特征关联度也不相同；设置全连接层及输出层。
4.根据权利要求3所述的多分支并行学习的跳频电台个体识别方法，其特征在于，所述深度残差卷积网络中的差异化目标损失函数为：在交叉熵的基础上引入...
【专利技术属性】
技术研发人员：史英春，张坤峰，樊甫华，张硕，秦立龙，张峻宁，
申请(专利权)人：中国人民解放军国防科技大学，
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。