本發(fā)明屬于信號識別，具體涉及一種輻射源個體識別方法。

背景技術(shù)：

1、通信輻射源個體識別技術(shù)是通過識別輻射源發(fā)送信號獨有細微特征識別具體目標的一種技術(shù)。這些細微特征是在輻射源處于非理想狀態(tài)時，無意中調(diào)制在信號上的，其主要表現(xiàn)為信號時域、頻域和其他方面的特殊失真。這些特征具備獨特性、穩(wěn)定性和可測性，可以被視為輻射源的獨特“指紋”，用于識別和區(qū)分不同的輻射源個體。

2、輻射源的指紋特征可以分為暫態(tài)特征和穩(wěn)態(tài)特征。暫態(tài)過程中的脈沖信號雖然包含豐富的個體特征，但其持續(xù)時間極短，和噪聲相似，且需要確定暫態(tài)過程的起點，因此難以利用。現(xiàn)階段的主要研究方向是依據(jù)穩(wěn)態(tài)特征，大量的穩(wěn)態(tài)信號可以提取有效的識別特征，避開暫態(tài)特征的局限性，在實際應(yīng)用中具有更好的適用性?，F(xiàn)有基于穩(wěn)態(tài)特征的研究主要從穩(wěn)態(tài)信號的時域、頻域、和時頻域幾方面進行。使用時域i/q信號作為網(wǎng)絡(luò)輸入的方法實現(xiàn)簡單，具有較強的實用性，但是在噪聲較強的情況下識別率不高，而且過于依賴神經(jīng)網(wǎng)絡(luò)的設(shè)計。頻域分析主要用于揭示信號的頻率特性，而高階譜分析則側(cè)重于描述信號的高階統(tǒng)計特性，適用于處理復(fù)雜信號和非理想信號的分析，曹家昆等人提出了一種基于局部雙譜和longformer網(wǎng)絡(luò)的通信輻射源正交調(diào)制細微特征提取和識別方法，“一種通信輻射源正交調(diào)制細微特征提取和識別方法”電波科學學報1-7，具體使用積分雙譜提取信號的高級統(tǒng)計特征，區(qū)分不同發(fā)射機的特征信號，通過分析發(fā)射信號的非線性特性和相位耦合關(guān)系，提高發(fā)射機識別的準確性和魯棒性，但該方法高度依賴于訓練數(shù)據(jù)的質(zhì)量和數(shù)量，且缺少時域特征會影響識別結(jié)果的準確性和魯棒性。目前基于變換域特征的方法較為流行，通過進行時頻分析，可以獲取信號在時頻聯(lián)合域中的信息，從而揭露出不同信號之間更為細微的差異,但這對于非線性信號的分析效果一般。

3、在復(fù)雜的通信環(huán)境中，特別是在非合作通信的情況下，電磁環(huán)境十分復(fù)雜，信號條件多種多樣。僅僅依靠單一域信號的特征往往無法全面準確地表征輻射源個體之間的微小差異，從而限制了個體識別的準確率。此外，為了強行提高識別準確率，研究中往往會采用更為復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，對信號樣本數(shù)量有了較大需求，但在實際通信環(huán)境中，難以獲取足夠的信號樣本。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)存在的問題，本發(fā)明提出一種多域特征融合的輻射源個體識別方法，其基本思想是：采用時域信號的高次冪與頻域頻譜數(shù)據(jù)fd-sp(frequency?domainspectrum?data)的組合作為模型輸入信號，通過時域特征和頻域特征表征不同信號的差異性，可以為輻射源識別提供更加全面的信號特征，將輻射源識別的問題轉(zhuǎn)換到高維特征空間中的判決區(qū)域劃分，以提高識別的準確性和魯棒性。

2、信號的i/q數(shù)據(jù)作為輻射源的時域特征，是信號采集和存儲的主流方式，包含信號時域的全部信息。但是i/q數(shù)據(jù)難以突顯細微的特征差異，不易提取指紋特征。

3、i/q數(shù)據(jù)的平方s-i/q(the?square?of?i/q?data)可有效地刻畫信號的幅度特征，突顯原本被模糊或混淆的信號譜線。在低信噪比環(huán)境中，相對溫和地放大信號和噪聲，適合信號特征較為明顯但需要適度增強的情況。而且s-i/q所引入的非線性失真較小，計算復(fù)雜度低，特別適合實時處理場景。

4、i/q數(shù)據(jù)的四次方f-i/q(the?fourth?power?of?i/q?data)能夠有效突顯復(fù)雜輻射源信號與背景信號的差異。由于復(fù)雜輻射源信號通常由多個簡單信號組合而成，且幅度變化劇烈，四次方處理可以更加顯著地放大這些信號的各自特征，從而將其與背景信號區(qū)分開來，然而，這種處理方式也會引入更高的非線性效應(yīng)和計算復(fù)雜度，因此適合于需要強特征提取的場合。

5、對信號進行高次冪處理，可增強信號的非線性特性，有助于提高信號對于多路徑衰落和其他非線性失真的抗干擾能力，更可靠地區(qū)分不同的信號狀態(tài)。通過對信號進行預(yù)分類，可以有效地選擇合適的信號處理方法，如平方或四次方處理，以提高識別的準確性和效率。

6、為達到上述目的，本發(fā)明提供如下技術(shù)方案：

7、一種多域特征融合的輻射源個體識別方法，包括：

8、步驟s1：信號采集。從多個通信輻射源中使用信號采集設(shè)備采集時域信號。通信輻射源個體為同類型輻射源設(shè)備，同類型輻射源設(shè)備之間存在輻射源指紋差異。通過信號采集設(shè)備，將通信輻射源發(fā)射出的信號進行采集，并將其信號以時域數(shù)據(jù)的形式進行存儲。

9、步驟s2：信號預(yù)處理。對采集到的信號進行預(yù)處理，以提高信號的質(zhì)量和一致性。預(yù)處理包括信號分割、歸一化和標準化。

10、步驟s2-1：信號分割。將連續(xù)采集到的長時間信號分割成多個短時間的信號片段，便于后續(xù)處理和分析。采用滑動窗口技術(shù)，每次移動固定的步長，將信號分割成信號片段，以提高時間分辨率。

11、步驟s2-2：歸一化處理。使用最小最大歸一化方法，將信號的幅度值線性變換到[0,1]范圍內(nèi)，消除不同信號之間的幅度差異，使得信號在相同的尺度下進行比較和分析。

12、

13、其中，x是信號片段的幅度值,xmin和xmax分別是信號的最小值和最大值，xnorm是歸一化后的信號幅度值。

14、步驟s2-3：標準化處理。對信號進行均值和方差標準化處理，使信號數(shù)據(jù)的均值為0、方差為1，以提高后續(xù)特征提取和分類識別的穩(wěn)定性。

15、

16、其中，xnorm是歸一化后的信號幅度值，μ是信號的均值，σ是信號的標準差，xns是標準化后的信號幅度值。

17、步驟s3：信號預(yù)分類。從信號的調(diào)制類別出發(fā)，選擇合適的高次冪處理方式。

18、步驟s3-1：調(diào)制方式識別。采用基于深度殘差收縮網(wǎng)絡(luò)(deep?residualshrinkage?network,dsrn)的調(diào)制方式識別方法，將完成預(yù)處理的信號作為深度殘差收縮網(wǎng)絡(luò)模型的輸入，識別出調(diào)制方式。

19、步驟s3-1-1：淺層特征提取。使信號xns經(jīng)過深度殘差收縮網(wǎng)絡(luò)中的首個卷積層，進而得到調(diào)制方式淺層特征y0。

20、y0＝relu(w0*xsn+b0)

21、其中，*表示卷積操作，w0是卷積核權(quán)重，b0是偏置，relu是激活函數(shù)。

22、步驟s3-1-2：將調(diào)制方式淺層特征y0經(jīng)過第i個殘差收縮塊(residual?shrikagebuilding?unit,rsbu)提取深層特征yi。

23、首先通過rsbu單元中前兩層卷積層提取特征hi：

24、hi＝relu(wi*y0+bi)

25、其中，wi是卷積核權(quán)重，bi是偏置，relu是激活函數(shù)。

26、對提取的特征hi進行全局平均池化以獲得特征均值ai：

27、ai＝gap(|hi|)

28、使用rsbu單元中注意力機制模塊生成特征hi中每個通道的縮放參數(shù)αi：

29、αi＝σ(watt·ai+batt)

30、其中，σ(·)是sigmoid激活函數(shù)，watt是注意力機制的權(quán)重，batt是注意力機制的偏置。通過注意力機制計算自適應(yīng)的閾值τi：

31、τi＝αi×ai

32、應(yīng)用軟閾值化對特征hi進行收縮，得到收縮特征hi′：

33、hi′＝sign(hi)·max(|hi|-τi,0)

34、其中，sign()是符號函數(shù)，max()取大值。

35、將收縮特征hi′與輸入特征yi-1進行殘差連接，得到深層特征yi：

36、yi＝hi′+yi-1

37、如上，深層特征yi經(jīng)13個rsbu單元堆疊提取，得到最終特征y13。

38、步驟s3-1-3：分類器輸出。將最終特征通過深度殘差收縮網(wǎng)絡(luò)的全連接層和softmax激活函數(shù)得到分類輸出，判斷出調(diào)制方式z：

39、z＝softmax(wout·y13+bout)

40、其中，wout全連接層的權(quán)重，bout是全連接層的偏置，z是每種調(diào)制類型的預(yù)測概率向量。

41、步驟s3-2：高次冪處理選擇。對于低階調(diào)制方式，即階數(shù)小于等于4，每個符號所承載的信息量少于等于2比特，如am、fm、pm、2-fsk、4-fsk、4-pam、bpsk、qpsk和4-qam，時域信號采用二次方處理。對于高階調(diào)制方式，即階數(shù)大于4，每個符號所承載的信息量大于2比特，如8-fsk、16-fsk、8-pam、16-pam、8psk、16psk、8qam和16qam等，時域信號采用四次方處理。

42、步驟s4：提取特征。對預(yù)處理信號做高次冪處理和快速傅里葉變換處理，得到時域特征和頻域特征。

43、步驟s4-1：時域高次冪處理，即平方處理或四次方處理。對預(yù)處理完的信號片段中的每個值進行平方運算，得到s-i/q，刻畫信號的幅度特征，突顯原本被模糊或混淆的信號譜線。

44、

45、對信號片段中的每個值進行四次方運算，得到f-i/q，突顯復(fù)雜輻射源信號與其他背景信號的差異。

46、

47、步驟s4-2：快速傅里葉變換。對信號片段進行快速傅里葉變換，得到信號的頻譜信息xk，包括頻率分量的幅度和相位，即fd-sp。

48、

49、其中，xj表示時間域信號在第j個采樣點的值，n是信號的總長度，即采樣點的數(shù)量，k是頻率索引，i是虛數(shù)單位，xk為信號在頻率k處的頻域表示，是一個復(fù)數(shù)。

50、步驟s5：模型預(yù)訓練。預(yù)訓練多域特征融合識別模型，多域特征融合識別模型包含兩個特征提取網(wǎng)絡(luò)和一個特征融合識別網(wǎng)絡(luò)，訓練過程中采用基于梯度下降方法的反向傳播，損失函數(shù)采用加權(quán)交叉熵損失函數(shù)。

51、步驟s5-1：特征向量提取。將信號組合s-i/q+fd-sp或者f-i/q+fd-sp作為多域特征融合識別模型的輸入，經(jīng)兩個特征提取網(wǎng)絡(luò)分別進行特征提取，特征提取網(wǎng)絡(luò)即卷積神經(jīng)網(wǎng)絡(luò)，得到包含時域的特征向量ft和包含頻域的特征向量fs，將兩個特征向量在尺寸上線性拼接為一個多域特征向量fm。

52、步驟s5-2：特征向量融合。將多域特征向量fm作為特征融合識別網(wǎng)絡(luò)的輸入，特征融合識別網(wǎng)絡(luò)中的全連接層和relu激活層通過對多域特征向量fm進行加權(quán)和非線性變換，進一步提煉和融合特征，增強特征的表達能力，多個全連接層和relu激活函數(shù)的使用可以逐步提取更加復(fù)雜和高級的特征。多域特征向量fm經(jīng)多個全連接層和激活層的公式如下：

53、f1output＝relu(w1·fm+b1)]

54、f2output＝relu(w2·f1output+b2)

55、f3output＝relu(w3·f2output+b3)

56、其中w1、w2、w3為全連接層的權(quán)重矩陣，b1、b2、b3為偏置向量，relu激活函數(shù)為f(z)＝max(0,z)，z為來自上一層神經(jīng)網(wǎng)絡(luò)的輸入向量。

57、步驟s5-3：計算類別概率。將步驟s5-2中成功融合時域特征和頻域特征的向量f3output送入softmax函數(shù)分類器，當共有d個類別時，輸出一個d維向量，為該樣本所屬各個類別的概率：

58、

59、其中表示樣本屬于第i類的概率，zi是輸入向量z中的第i個元素，zd是輸入向量z中的第d維元素。

60、步驟s5-4：計算分類損失。采用交叉熵損失函數(shù)l，衡量預(yù)測概率分布與真實分布之間的差異：

61、

62、其中y＝[y1,y2,...,yd]為真實標簽向量，其中yi表示樣本是否屬于第i類，如果樣本屬于第i類，則yi＝1，否則yi＝0。

63、步驟s5-5：反向傳播。根據(jù)adam優(yōu)化算法調(diào)整優(yōu)化模型超參數(shù)，直至達到交叉熵損失函數(shù)收斂。adam優(yōu)化算法結(jié)合了動量和rmsprop(root?mean?square?propagation)的優(yōu)點，自適應(yīng)調(diào)整學習率，使得訓練過程更加穩(wěn)定和高效。

64、初始化adam算法的超參數(shù)學習率η、一階矩估計的指數(shù)衰減率β1、二階矩估計的指數(shù)衰減率β2和偏差修正項ε，賦予典型值η＝0.001，β1＝0.9，β2＝0.999，ε＝10-8，接著初始化一階矩向量mt和二階矩向量vt為零向量。

65、在每次迭代中，計算損失函數(shù)相對于模型參數(shù)θt的梯度gt：

66、

67、更新一階矩估計mt和二階矩估計vt：

68、mt＝β1mt-1+(1-β1)gt

69、vt＝β2vt-1+(1-β2)gt2

70、對mt和vt進行偏差修正得和

71、

72、利用修正后的矩估計更新模型參數(shù)θt：

73、

74、其中，η是學習率，是β1的t次方,表示在第t次迭代中，一階矩估計的偏差修正因子。是β2的t次方，表示在第t次迭代中，二階矩估計的偏差修正因子。gt是梯度，l(·)交叉熵是損失函數(shù)，θt-1是上一次迭代的模型參數(shù)，mt-1和vt-1分別表示上一次迭代的一階矩估計和二階矩估計。

75、步驟s6：輻射源個體識別。對新接收的信號進行分割、歸一化和標準化處理，按照上述步驟提取多域特征，將提取的特征進行融合形成特征向量，輸入已訓練好的分類模型，得到每個輻射源的識別概率。

76、本發(fā)明還提供一種多域特征融合的輻射源個體識別裝置，包括：

77、信號采集模塊，用于采集時域信號，將通信輻射源發(fā)射出的信號進行采集，并將其信號以時域數(shù)據(jù)的形式進行存；

78、信號預(yù)處理模塊，用于對采集到的信號進行預(yù)處理，包括信號分割、歸一化和標準化等操作，以提高信號的質(zhì)量和一致性；

79、信號預(yù)分類模塊，從信號的調(diào)制類別出發(fā)，選擇合適的高次冪處理方式；

80、信號處理模塊，對信號做高次冪處理和快速傅里葉變換處理，得到時域特征和頻域特征；

81、模型預(yù)訓練模塊，用于預(yù)訓練多域特征融合識別模型；

82、輻射源個體識別模塊，用于對新接收的信號進行分割、歸一化和標準化處理，按照上述步驟提取多域特征，將提取的特征進行融合形成特征向量，輸入已訓練好的分類模型，得到每個輻射源的識別概率；

83、信號采集模塊中信號接收機為usrp-2954r通用軟件無線電設(shè)備，中心頻率為375mhz，采樣率設(shè)為100mhz對發(fā)射信號進行i/q正交雙通道采樣，采集4個模擬輻射源個體發(fā)送的通信信號，樣本總數(shù)為20000，樣本順序打亂并分為訓練集，測試集以及驗證集，比例分別為0.6，0.2，0.2；信號預(yù)處理模塊、信號處理模塊在cpu中實現(xiàn)；信號預(yù)分類模塊、模型預(yù)訓練模塊、輻射源個體識別模塊在gpu和cpu中實現(xiàn)，cpu選用13th?gen?intel(r)core(tm)i5-13400f，gpu選用nvidia?geforce?rtx?4060ti。

84、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：融合的多域特征更能良好反映輻射源的細微差異，識別效果有明顯的提升；通過分別提取每個域的特征，可以有效減少數(shù)據(jù)的維度，從而降低計算和存儲的復(fù)雜度；同時允許對不同域的特征進行有針對性的處理和融合，提高分類的精度；可以對不同域的特征進行選擇和加權(quán)，增強重要特征的影響力，使模型更加靈活和精準；使用普通計算機硬件配置，實用性強、經(jīng)濟性好。