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.     

结合时域分析和改进双谱的通信信号特征提取算法

传统的矩形积分双谱特征提取存在以下不足:第一是在以往的研究中没有讨论过积分路径个数对识别率的影响;第二是在矩形积分双谱算法中存在着部分积分路径对识别效果贡献不足、甚至带来负作用的缺点。为克服这些问题,本文提出了一种基于改进双谱和时域分析相结合的通信信号个体识别方法,首先通过实验得到了积分路径和识别率的性能曲线,选定最佳积分路径个数;其后利用最大能量区间比重算法剔除掉对识别效果贡献不足、具有负作用的积分路径;最后结合信号的时域特征并利用支持向量机分类器进行个体识别。本文用了在较低信噪比环境下的实际信号验证了提出算法,实验结果表明,该方法能够较好解决同类辐射源信号的个体识别问题,平均正确识别率高于95%。      

基于瞬时频率畸变特性的FSK电台指纹特征提取

为解决FSK电台个体识别问题,需要从辐射源信号上提取特征构成辐射源指纹。通过分析构成FSK电台的各个模块的畸变特性,阐明了FSK电台指纹产生机理,建立了基于瞬时频率的指纹信号模型,并根据信号模型设计了基于辅助参数的最小二乘算法以完成FSK频率畸变特性参数的估计,从而构建指纹特征完成对FSK电台的识别。对仿真信号和实际信号的识别测试试验表明,该算法具备辐射源个体识别能力,对实际环境下的4个FSK电台的识别率大于96%,优于双谱类方法。     

一种新的雷达辐射源信号识别方法研究

随着雷达技术的发展,雷达体制的多样性和雷达信号的复杂性对雷达辐射源信号识别技术提出了严峻的挑战。循环双谱抗噪性能强,且包含了丰富的信息,能用于识别雷达辐射源信号。但是其数据量庞大,而循环双谱对角切片法丢失了大部分信息。证明了循环双谱的对称性和周期性,提出了局部轴向积分循环双谱。该方法首先计算信号的循环双谱,然后在两个谱频率构成的平面上沿平行于谱频率轴的直线积分,最后用Fisher判决率（FDR）选择鉴别能力较强的轴向积分循环双谱。这样不但能有效地减小数据量,而且保留了大部分有用的循环双谱信息。仿真条件下,对比分析了局部轴向积分循环双谱与循环双谱对角切片的识别效果,结果表明新方法的识别率远远优于循环双谱对角切片法。      

一种稳健的通信辐射源个体识别方法

通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。测试实验表明,识别方法稳健有效,可在信噪比5 d B情况下实现93.7%的正确识别概率。     

基于同步压缩小波变换的主信号抑制技术

在辐射源个体识别(SEI)技术中,能量较高的主信号往往导致微弱个体特征稳定性降低,进而影响最终的个体识别效果。为了解决该问题并提升辐射源个体识别性能,该文提出基于同步压缩小波变换的主信号抑制技术。首先,利用静态小波变换完成对带噪信号的去噪预处理;然后,利用同步压缩小波变换完成对主信号的检测和抑制,并以均方根误差和皮尔逊相关系数为数值指标,验证算法的有效性;最后,在主信号抑制的基础上,利用分形理论中盒维数完成对信号的特征提取,并利用单核支持向量机验证个体识别性能。实验结果表明,与主信号抑制之前相比,主信号抑制算法下个体识别率提升了10%左右,验证了同步压缩小波变换的主信号抑制算法对辐射源个体识别率提升的有效性。     

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法.构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类.该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类.实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法.     

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,实现对其他信噪比下信号的高准确率识别。仿真实验结果表明,提出的算法显著提升了基于深度神经网络的辐射源个体识别算法在动态噪声条件下的准确率,在待识别信号信噪比下降4 dB的情况下,准确率提升了45.18%。      

多网络联合识别辐射源个体的优化方法

针对辐射源指纹特征间差异细微且受噪声干扰容易导致识别率下降的问题,提出了一种基于stacking方法集成多个异构网络识别结果的辐射源个体识别优化算法。利用不同网络结构在低信噪比条件下提取指纹特征的差异性,多个异构网络集成各自的预测结果能够提升对指纹特征的提取能力。同时为避免分类准确率提高造成模型规模过大,本文使用网络规模小且结构差异较大的EfficientNets系列异构网络作为基础网络。实验首先在高斯信道条件下验证了基础网络能够有效识别功率放大器杂散噪声,之后利用stacking等优化算法改进模型整体的性能。结果表明,本方法能够进一步利用信号指纹特征之间差异,与其他方法相比对辐射源个体有更高的识别率。      

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。     

基于扩张残差网络的雷达辐射源信号识别

针对低信噪比条件下,复杂多类雷达辐射源信号识别存在特征提取困难,识别正确率低的问题,本文提出了一种基于时频分析和扩张残差网络的辐射源信号自动识别方法.首先通过时频分析将信号时域波形转换成二维时频图像以反映信号本质特征;然后进行时频图像预处理以保留时频图像完备信息,适应深度学习模型输入;最后构建扩张残差网络以自动提取信号时频图像特征,实现雷达辐射源信号分类识别.实验结果表明,信噪比为-6dB时,该方法对16类雷达辐射源信号的整体识别正确率能够达到98.2%,对时频图像特征相似的类LFM（Linear Frequency Modulation）信号的整体识别正确率超过95%.本文提供了一种新的雷达辐射源信号智能识别方法,具有较好的工程应用前景.     

辐射源个体识别的一种可解释性测试架构

由于射频信号种类多,电磁环境复杂,特征提取难度大,现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式,但深度学习方法自身可解释性差,而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上,探索了基于该数据集的深度学习模型测试方法,提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本,并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置,分析模型的鲁棒性,揭示信道环境对识别性能的影响,从而解释了深度学习网络模型的性能。     

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。     

导数约束平滑条件下基于模糊函数特征的雷达辐射源信号识别方法

针对低信噪比条件下,雷达辐射源信号识别效果差的问题,提出了一种导数约束平滑条件下提取信号模糊函数特征的辐射源信号识别方法.建立了基于取整函数和坐标转换的模糊函数最大能量角提取的数学模型,降低处理复杂度;提出了不依赖于信号及噪声具体模型的基于导数约束平滑的最大能量切片波形信息提取算法,转化为二阶锥规划（Second-order Cone Programming,SOCP）问题求解,较大程度地降低了噪声对模糊函数波形特征的影响;依据有效性指标,确定了本文算法中目标函数正则化系数与对称Holder系数的范数因子取值,最后通过模糊c-means方法实现对辐射源信号特征向量的聚类识别.仿真结果表明,在低信噪比条件下本文方法具有更高的识别正确率.     

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.     

雷达辐射源信号脉内特征分析

脉内特征提取是新型雷达辐射源信号识别的关键问题。本文提出一种新的雷达辐射源信号脉内特征提取和识别方法．将雷达辐射源脉冲信号的分形维数作为识别脉内调制方式的分类特征,这些特征包含了雷达辐射源信号幅度、频率和相位等的变化和分布信息,反映了雷达辐射源信号脉内调制规律,理论分析和仿真实验结果都证明了这些特征具有对噪声不敏感的良好特性．通过10种典型雷达辐射源信号的特征提取和分类识别的实验结果表明,本文所提取的脉内特征类间距离大、类内距离小、正确识别率高．证实了本文方法的有效性。     

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。      

基于小波包变换和特征选择的雷达辐射源信号识别

为了提高雷达辐射源信号的正确识别率以满足现代电子对抗的需要，提出一种基于小波包变换和特征选择的雷达辐射源信号识别新方法。先采用小波包变换进行特征提取，再采用基于量子遗化算法的相像系数特征选择法来挑选出小波包特征中分辨能力强的特征。仿真实验结果显示，该方法用较少的特征能获得较高的正确识别率，具有一定的参考价值。     

利用卷积-循环神经网络的串行序列空时分组码识别方法

针对多输入多输出(Multiple Input Multiple Output, MIMO)系统中的空时分组码识别(Space-Time Block Code, STBC)问题,本文提出了一种利用卷积-循环神经网络的串行序列空时分组码识别方法。将一维接收信号的实部和虚部分离后输入网络,利用卷积神经网络(CNN)提取其空间特征,结合循环神经网络(RNN)提取其深层时序特征,提高网络的特征表达能力;网络训练过程采用反向传播方法,通过计算输出与目标值的误差,将误差反向传回网络中并更新权值,完成网络的训练过程;将测试集数据输入训练好的网络中,实现对空时分组码的识别和区分。该方法将深度学习算法运用到串行序列空时分组码识别当中,训练完的网络可直接对单接收天线下的空时分组码进行识别,不需要重复计算信号的统计特征,避免了人为设计特征参数和检测阈值。该方法不需要知道信道和噪声的先验信息,适用于电子侦查等非协作通信情况。仿真实验表明,该算法能够有效地对串行序列空时分组码进行识别,并且在低信噪比下有较好的识别性能。