【技术实现步骤摘要】
本专利技术涉及辐射源个体识别方法，属于辐射源个体识别领域。
技术介绍
1、随着无线设备的激增，保护物理层内的强大安全性仍然是一项重大挑战。sei的主要目的是通过分析信号中脉冲无意调制(umop)的独特特性来识别发射器。与基于软件的安全凭证相比，umop本质上保持稳定，并且特别耐更改，从而sei已成为各种无线通信环境中的基本元素。在深度学习(dl)出现之前，传统的sei方法主要依靠统计方法来设计特征，包括高阶谱、累积量、非线性动态特征以及源自短时傅立叶变换等变换的各种时频(tf)特征。然而，这些传统方法受到显着的限制，包括性能欠佳、对不同环境的适应性有限，以及无法应对不断升级的复杂性和众多发射机。近年来，深度学习已成为一种有前景的数据分析工具，并在无线通信技术中获得了广泛的关注，特别是在sei领域。基于深度学习的sei方法利用卷积神经网络(cnn)、循环神经网络(rnn)、变压器模型和生成对抗网络(gan)等神经网络来实现统一特征提取和分类。这些基于深度学习的sei方法根据样本表示分为三个主要部分：时域信号、频谱图和星座图。基于深度学习的sei技术利用大量历史样本存储库，提取更具弹性和更有效的umop特征，与依赖人工设计特征的方法相比具有优越性。然而，这些方法面临着新类别训练信号样本的可用性的限制以及在线部署期间再训练机会的限制。
2、放大器非线性失真是sei的主要因素。然而，在通信和雷达系统中，这种失真不仅会缩小线性范围，还会降低整体效率。随着这些系统对更宽带宽的需求不断增长，线性化放大器和提高效率的方法，如负反馈、
技术实现思路
1、本专利技术的目的是为了解决实际部署时dpd技术的应用以及在线sei部署时数据不足等导致辐射源个体识别准确率低的问题，提出了数字预失真下有限样本场景中辐射源个体识别方法。
2、数字预失真下有限样本场景中辐射源个体识别方法具体过程为：
3、步骤一、对采集到的信号进行预处理，得到hht图、itd-hilbert图、cwt图、cwd图和gt图；
4、所述hht为希尔伯特-黄变换；
5、所述itd-hilbert为希尔伯特变换；
6、所述cwt为连续小波变换；
7、所述cwd为choi-williams分布；
8、所述gt为gabor变换；
9、步骤二、分别对hht图、itd-hilbert图、cwt图、cwd图和gt图进行预处理，构建数据集；
10、步骤三、构建fs-sei网络模型；
11、fs-sei网络模型包括cnn网络模型和关系网络模型；
12、cnn网络模型依次包括特征提取器和分类器；
13、步骤四、对fs-sei网络模型进行训练，获得训练好的fs-sei网络模型；
14、步骤五、将测试集输入训练好的fs-sei网络模型，训练好的fs-sei网络模型输出测试集的类别。
15、本专利技术的有益效果为：
16、本专利技术一种用于少样本辐射源个体识别(fs-sei)模型，集成了卷积神经网络(cnn)嵌入和度量学习，针对样本可用性有限的场景。
17、本专利技术通过希尔伯特-黄变换(hht)、itd后希尔伯特变换(itd-hilbert)、连续小波变换(cwt)和choi-williams分布(cwd)、gabor变换(gt)来表征信号。这些方法有助于将各种形式的发射器信号表示为时频图像，从而显示信号的不同特征。
18、本专利技术提出了一种dpd下的fs-sei模型。该模型集成了用于深度特征向量提取的cnn和旨在自主学习非线性距离度量的关系网络(rn)。我们的研究结果表明，虽然dpd技术往往会掩盖发射器的独特特征，但fs-sei模型成功应对了这一挑战，在sei任务中表现出比传统cnn和其他方法显着的性能改进。这种增强在信噪比低且样本可用性有限的环境中尤其显着。随着dpd技术不断发展并更加融入现代通信系统，针对这些条件改进sei方法的研究很有意义。
本文档来自技高网...【技术保护点】
1.数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述步骤一中对采集到的信号进行预处理，得到HHT图、ITD-Hilbert图、CWT图、CWD图和GT图；具体过程为：
3.根据权利要求2所述的数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述步骤二中分别对HHT时频图、ITD-Hilbert时频图、CWT时频图、CWD时频图和GT时频图进行预处理，构建数据集；具体过程为：
4.根据权利要求3所述的数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述步骤三中构建FS-SEI网络模型；
5.根据权利要求4所述的数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述步骤四中对FS-SEI网络模型进行训练，获得训练好的FS-SEI网络模型；具体过程为：
【技术特征摘要】
1.数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述步骤一中对采集到的信号进行预处理，得到hht图、itd-hilbert图、cwt图、cwd图和gt图；具体过程为：
3.根据权利要求2所述的数字预失真下有限样本场景中辐射源个体识别方法，其特征在于：所述步骤二中分别对hht时频图、...
【专利技术属性】
技术研发人员：赵雅琴，谢丹，吴龙文，杨柱天，卞俊杰，张真源，
申请(专利权)人：哈尔滨工业大学，
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。