基于领域自适应的动态噪声辐射源个体识别

现有基于深度神经网络的辐射源识别算法受训练场景限制,当待测信号与训练数据集的信道环境噪声不一致时,网络的识别性能严重退化.为了克服该问题,本文提出一种基于迁移学习的辐射源个体识别算法.该算法结合领域自适应的思想,建立优化模型将不同信噪比下信号的特征对齐,使在特定信噪比下训练的神经网络学习到与信道噪声无关的射频指纹特征,...     

基于深度自编码器的辐射源个体开集识别

为实现对城市用频设备的精确管控,针对特定辐射源开集识别问题,构建了一套基于深度学习的辐射源个体开集识别处理流程,核心在于指纹特征有效区间筛选与基于深度自编码器的开集识别模型。一方面,通过使用Grad-CAM实现对深度网络激活可视化,筛选出信号对网络激活贡献较高的部分,在不损失过多指纹信息的情况下进行信号区间筛选;另一方面,建立基于半监督对抗自编码器的辐射源个体开集识别模型,实现对电磁环境中出现的未知辐射源个体的有效识别。实验表明此开集识别模型能够在不损失闭集识别率的条件下实现高精确度的开集识别。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题，提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性，提取信号双谱对角切片特征作为深度学习模型的输入数据，采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试，结果表明该算法能识别个体辐射源，在低信噪比条件下也能获得高的辐射源识别率；相比于其他识别算法，双谱对角切片特征有更鲁棒的分辨性。     

一种基于深度置信网络的通信辐射源个体识别方法

针对复杂电磁环境下通信辐射源个体识别问题，提出了一种小样本条件下基于深度置信网络的通信辐射源个体识别方法.首先分析通信辐射源信号频带内互调干扰信号的幅度和相位特性，建立基于互调干扰信号的通信辐射源个体特征；然后对辐射源信号进行预处理得到通信辐射源信号的矩形积分双谱，再采取对比散度的方法，利用高阶谱自底向上训练每个受限玻尔兹曼机，通过多次迭代得到合适的权重、隐藏层的偏差和可见层的偏差，从而提取出辐射信号的互调干扰信号特征；最后使用softmax分类器对训练模型进行微调，获得面向通信辐射源细微特征识别的深度学习网络.通过计算机的仿真得到了超过80%的识别率，进一步验证了该方法的有效性.     

一种基于复数残差网络的通信辐射源个体识别方法

在复杂电磁环境的通信辐射源个体识别任务中,针对传统特征提取识别方法分类效果不佳和低信噪比环境下基于实数神经网络的方法识别准确率不高的问题,本文提出了一种基于复数残差网络的通信辐射源个体识别方法。将实际采集的I路和Q路电台数据组合成复数作为输入,根据电台数据集特点选取复数初始化方法、复数激活函数,以改进的复数残差块为基础构建复数残差网络,进一步调整和优化网络结构并运用到辐射源个体识别任务中。通过实验证明,相比于实数残差网络和人工特征提取方法,复数残差网络的性能更优,并且在低信噪比的条件下,基于复数残差网络的方法鲁棒性更强。      

通信特定辐射源识别的多特征融合分类方法

针对通信辐射源个体识别问题,提出了一种基于多通道变换投影、集成深度学习和生成对抗网络的融合分类方法.首先,通过对原始信号进行多种变换得到三维特征图像,据此构建信号的时频域投影以构建特征数据集,并使用生成对抗网络对数据集进行扩充.然后,设计了一种基于多特征融合的双阶段识别分类方法,利用神经网络初级分类器分别对3类特征数据...     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

基于脉间特征深度学习的雷达辐射源识别

多功能雷达在复杂程序调度下,发射信号参数呈现取值范围宽、捷变速度快、变化随机性强等特点,非合作接收方难以对其建立有效的信号模型,给电子侦察系统的雷达辐射源识别带来严峻挑战。本文提出一种基于深度学习的复杂体制雷达辐射源识别方法,利用大样本全脉冲数据形成脉间参数变化的图像特征表示,从宏观上揭示雷达辐射源隐含的波形设计机理,并设计了基于AlexNet网络的图像特征深度学习网络开展辐射源识别,实测数据实验表明了本文的方法对一定时间跨度内的有限部同型多功能雷达具有良好的识别性能,为多功能雷达辐射源智能个体识别提供了新的解决思路。      

基于Raw I/Q和深度学习的射频指纹识别方法综述

硬件差异会形成辐射源的独有指纹,并附加在无线电信号上,利用辐射源的这一独特属性可进行射频指纹识别。在非合作条件下,由于信道环境未知、信号调制方案等先验知识匮乏,基于特征工程的射频指纹识别方法面临巨大挑战,而基于深度学习的射频指纹识别方法,尤其是能够直接处理Raw I/Q的方法表现出了很大潜力,但是该方向的研究成果较为零散,妨碍了研究者对关键问题的把握。该文首先从先验知识的利用上,对基于深度学习的射频指纹识别方法进行了分类对比,将问题聚焦到基于Raw I/Q和深度学习的射频指纹识别方法。然后,该文重点对使用Raw I/Q进行射频指纹识别的深度神经网络模型进行了分类和讨论,并对射频指纹识别相关的开源数据集、数据表示方法和数据增强方法进行了整理和归纳。最后,该文讨论了基于深度学习的射频指纹识别方法所面临的难题和值得关注的研究方向,以期对射频指纹识别的研究与应用有所帮助。      

基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module, CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。     

基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比（signal-noise ratio,SNR）为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.     

基于个体特征的雷达辐射源识别方法研究

电子战的电磁环境正朝着复杂性和多样性的方向日趋发展,使得过去传统的雷达辐射源识别技术已无法准确地对辐射源进行分类和识别。为了改善和解决该问题,文中利用信号的脉内调制特性和雷达的个体特征进行辅助识别,并围绕着雷达信号的调制特性、特征提取和选择进行了深入的研究,同时提出了新的特征提取方法。该方法可以实现针对常规的雷达信号识别其个体并判断其调制类型,测量其指纹特征参数。通过计算机仿真实验和实测数据计算结果证明了该方法的有效性。     

基于轻量神经网络的无线电调制识别算法

在信号环境日益复杂、信号调制样式种类多变的情况下,采用深度学习方法实现通信信号的调制识别是一种有效手段。针对当前模型存在着超参数量大、部分信号类型(如正交幅度调制信号)识别率低、识别时间过长等问题,提出了一种基于轻量神经网络的无线电自动调制识别算法。首先通过基于深度可分离卷积的基础单元实现特征提取,并引入通道洗牌操作对不同通道的特征进行重新分配,最终使用注意力机制和Smoothing Maximum Unit(SMU)激活函数加强特征挖掘、复用及学习能力。所提模型能够显著增强空间和通道间的信息交流,有效减少模型超参数量和训练耗时,并进一步解决深层网络中的梯度消失问题。实验结果表明,所提模型的平均识别准确率为90.60%,参数量为75 000,训练耗时更短,优于目前流行的调制识别算法,尤其能缓解模型越复杂响应速度越慢的问题,证明了所提模型的有效性及鲁棒性。     

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题，提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法，基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集，提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务，以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明，该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力，在目标域每个类别100个样本限制下，识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory, LSTM)的方法相比均有较大提升。     

基于多层双向长短时记忆网络的水声多载波通信索引检测方法

索引调制滤波器组多载波(FBMC-IM)水声通信系统在进行信号检测时,需要先根据均衡后子载波上承载的恢复数据判断出活跃子载波的位置。针对传统检测方法估计索引信息时计算复杂度高且准确度较低的问题,该文结合双向长短时记忆网络(BLSTM)对时序信号进行特征提取的优势,将深度学习理论引入水声信号处理的概念,提出一种基于多层BLSTM的水声通信信号索引检测方法。该方法将传统索引检测问题转化为数据驱动的多元分类问题,在提高估计性能的同时降低了计算复杂度。基于湖试测得的水声信道数据仿真验证了该方法的优越性和鲁棒性,可以作为索引调制机制下的一种通用检测手段。     

基于CLDNN的物联网设备个体识别

针对目前个体识别中特征工程存在信号序列长、特征鲁棒性差等问题,研究了基于深度神经网络的个体识别技术。借鉴语音识别中的卷积长短时全连接神经网络(CLDNN),通过卷积神经网络提取信号的局部幅度特征,通过长短期记忆网络提取信号的全局时域特征,使用全连接网络实现特征图到设备标签的映射。在视距(LOS)信道下,采集8台LoRa调制的无线数传电台数据,加入高斯白噪声进行仿真测试。仿真表明,本文所提方法在信号序列长度为2 048点和低信噪比(0 dB)时,模型准确率达到95%;此外相较VGG16模型,本模型参数更少,在物联网设备部署方面具有一定的应用前景。