System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信号识别,具体涉及一种辐射源个体识别方法。
技术介绍
1、通信辐射源个体识别技术是通过识别辐射源发送信号独有细微特征识别具体目标的一种技术。这些细微特征是在辐射源处于非理想状态时,无意中调制在信号上的,其主要表现为信号时域、频域和其他方面的特殊失真。这些特征具备独特性、稳定性和可测性,可以被视为辐射源的独特“指纹”,用于识别和区分不同的辐射源个体。
2、辐射源的指纹特征可以分为暂态特征和稳态特征。暂态过程中的脉冲信号虽然包含丰富的个体特征,但其持续时间极短,和噪声相似,且需要确定暂态过程的起点,因此难以利用。现阶段的主要研究方向是依据稳态特征,大量的稳态信号可以提取有效的识别特征,避开暂态特征的局限性,在实际应用中具有更好的适用性。现有基于稳态特征的研究主要从稳态信号的时域、频域、和时频域几方面进行。使用时域i/q信号作为网络输入的方法实现简单,具有较强的实用性,但是在噪声较强的情况下识别率不高,而且过于依赖神经网络的设计。频域分析主要用于揭示信号的频率特性,而高阶谱分析则侧重于描述信号的高阶统计特性,适用于处理复杂信号和非理想信号的分析,曹家昆等人提出了一种基于局部双谱和longformer网络的通信辐射源正交调制细微特征提取和识别方法,“一种通信辐射源正交调制细微特征提取和识别方法”电波科学学报1-7,具体使用积分双谱提取信号的高级统计特征,区分不同发射机的特征信号,通过分析发射信号的非线性特性和相位耦合关系,提高发射机识别的准确性和鲁棒性,但该方法高度依赖于训练数据的质量和数量,且缺少时域特征会影
3、在复杂的通信环境中,特别是在非合作通信的情况下,电磁环境十分复杂,信号条件多种多样。仅仅依靠单一域信号的特征往往无法全面准确地表征辐射源个体之间的微小差异,从而限制了个体识别的准确率。此外,为了强行提高识别准确率,研究中往往会采用更为复杂的神经网络模型,对信号样本数量有了较大需求,但在实际通信环境中,难以获取足够的信号样本。
技术实现思路
1、为了克服现有技术存在的问题,本专利技术提出一种多域特征融合的辐射源个体识别方法,其基本思想是:采用时域信号的高次幂与频域频谱数据fd-sp(frequency domainspectrum data)的组合作为模型输入信号,通过时域特征和频域特征表征不同信号的差异性,可以为辐射源识别提供更加全面的信号特征,将辐射源识别的问题转换到高维特征空间中的判决区域划分,以提高识别的准确性和鲁棒性。
2、信号的i/q数据作为辐射源的时域特征,是信号采集和存储的主流方式,包含信号时域的全部信息。但是i/q数据难以突显细微的特征差异,不易提取指纹特征。
3、i/q数据的平方s-i/q(the square of i/q data)可有效地刻画信号的幅度特征,突显原本被模糊或混淆的信号谱线。在低信噪比环境中,相对温和地放大信号和噪声,适合信号特征较为明显但需要适度增强的情况。而且s-i/q所引入的非线性失真较小,计算复杂度低,特别适合实时处理场景。
4、i/q数据的四次方f-i/q(the fourth power of i/q data)能够有效突显复杂辐射源信号与背景信号的差异。由于复杂辐射源信号通常由多个简单信号组合而成,且幅度变化剧烈,四次方处理可以更加显著地放大这些信号的各自特征,从而将其与背景信号区分开来,然而,这种处理方式也会引入更高的非线性效应和计算复杂度,因此适合于需要强特征提取的场合。
5、对信号进行高次幂处理,可增强信号的非线性特性,有助于提高信号对于多路径衰落和其他非线性失真的抗干扰能力,更可靠地区分不同的信号状态。通过对信号进行预分类,可以有效地选择合适的信号处理方法,如平方或四次方处理,以提高识别的准确性和效率。
6、为达到上述目的,本专利技术提供如下技术方案:
7、一种多域特征融合的辐射源个体识别方法,包括:
8、步骤s1:信号采集。从多个通信辐射源中使用信号采集设备采集时域信号。通信辐射源个体为同类型辐射源设备,同类型辐射源设备之间存在辐射源指纹差异。通过信号采集设备,将通信辐射源发射出的信号进行采集,并将其信号以时域数据的形式进行存储。
9、步骤s2:信号预处理。对采集到的信号进行预处理,以提高信号的质量和一致性。预处理包括信号分割、归一化和标准化。
10、步骤s2-1:信号分割。将连续采集到的长时间信号分割成多个短时间的信号片段,便于后续处理和分析。采用滑动窗口技术,每次移动固定的步长,将信号分割成信号片段,以提高时间分辨率。
11、步骤s2-2:归一化处理。使用最小最大归一化方法,将信号的幅度值线性变换到[0,1]范围内,消除不同信号之间的幅度差异,使得信号在相同的尺度下进行比较和分析。
12、
13、其中,x是信号片段的幅度值,xmin和xmax分别是信号的最小值和最大值,xnorm是归一化后的信号幅度值。
14、步骤s2-3:标准化处理。对信号进行均值和方差标准化处理,使信号数据的均值为0、方差为1,以提高后续特征提取和分类识别的稳定性。
15、
16、其中,xnorm是归一化后的信号幅度值,μ是信号的均值,σ是信号的标准差,xns是标准化后的信号幅度值。
17、步骤s3:信号预分类。从信号的调制类别出发,选择合适的高次幂处理方式。
18、步骤s3-1:调制方式识别。采用基于深度残差收缩网络(deep residualshrinkage network,dsrn)的调制方式识别方法,将完成预处理的信号作为深度残差收缩网络模型的输入,识别出调制方式。
19、步骤s3-1-1:浅层特征提取。使信号xns经过深度残差收缩网络中的首个卷积层,进而得到调制方式浅层特征y0。
20、y0=relu(w0*xsn+b0)
21、其中,*表示卷积操作,w0是卷积核权重,b0是偏置,relu是激活函数。
22、步骤s3-1-2:将调制方式浅层特征y0经过第i个残差收缩块(residual shrikagebuilding unit,rsbu)提取深层特征yi。
23、首先通过rsbu单元中前两层卷积层提取特征hi:
24、hi=relu(wi*y0+bi)
25、其中,wi是卷积核权重,bi是偏置,relu是激活函数。
26、对提取的特征hi进行全局平均池化以获得特征均值ai:
27、ai=gap(|hi|)
28、使用rsbu单元中注意力机制模块生成特征hi中每个通道的缩放参数αi:
29、αi=σ(watt·ai+ba本文档来自技高网...
【技术保护点】
1.一种多域特征融合的辐射源个体识别方法,包括:
2.如权利要求1所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
3.如权利要求2所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
4.如权利要求3所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
5.如权利要求4所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
6.如权利要求1所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
7.如权利要求1所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
8.一种多域特征融合的辐射源个体识别装置,包括:
9.如权利要求8所述的一种多域特征融合的辐射源个体识别装置,其特征在于:
10.如权利要求9所述的一种多域特征融合的辐射源个体识别装置,其特征在于:
【技术特征摘要】
1.一种多域特征融合的辐射源个体识别方法,包括:
2.如权利要求1所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
3.如权利要求2所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
4.如权利要求3所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
5.如权利要求4所述的一种多域特征融合的辐射源个体识别方法,其特征在于:
...【专利技术属性】
技术研发人员:王军,褚鹏,朱锐,曹九霄,石国豪,
申请(专利权)人:西京学院,
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。