基于指纹特征融合的通信辐射源个体识别研究

在对辐射源信号进行时频分析的基础上,提出一种基于特征融合的通信辐射源个体识别方法。提取辐射源信号载频特征和瞬态幅值特征,对重采样的瞬态幅值做三次样条插值,采用最小二乘法分段对插值后的瞬态幅值进行曲线拟合,获取拟合系数作为瞬态指纹特征;最后与载频特征融合,采用遗传算法优化融合系数,融合后的特征作为辐射源指纹特征。识别分类器采用概率神经网络,对16部手持机进行识别实验。实验结果表明,该方法提取的特征能够反映通信辐射源个体的时频特性,可实现对辐射源个体的有效识别,在信噪比为20 dB时,系统识别率优于90%。     

基于蚁群优化特征选择的辐射源个体识别

辐射源个体识别技术可以为战场指挥官提供复杂电磁环境中辐射源个体特征,使得指挥官在数字化战场中获得优势。为提升辐射源个体识别的效率和效果,提出了一种基于蚁群优化特征选择的辐射源个体识别方法。以最大分类正确率和最小特征子集规模为目标,建立了特征选择数学模型,使用分类器的分类正确率作为特征选择的目标函数,设计了求解模型的蚁群算法。在实测的电台辐射源信号数据集上验证算法的有效性,实验结果表明方法对辐射源信号的分类正确率有较高提升。     

基于复数对比预测编码的辐射源个体识别

将无监督表征学习领域中对比预测编码技术用于辐射源个体特征提取,并结合复数网络,设计了一种基于复数对比预测编码的辐射源个体识别方法。对由实部和虚部组合而成的复数电磁信号,首先采用复数对比预测编码技术提取辐射源个体“指纹”特征,然后采用复数残差网络进行分类识别。实验结果表明,通过联合复数对比预测编码和复数残差网络的方法,极大地提高了辐射源个体识别正确率和鲁棒性,相较基于实数的神经网络算法和传统识别算法,识别正确率绝对提升了11.38%。     

数据融合技术在辐射源和平台识别中的应用

辐射源和平台识别是面向区域电子战的一个重要组成部分，对后续的威胁估计和态势估计起奠基的作用。数据融合技术在辐射源和平台识别中的应用越来越广泛。文中论述了辐射源和平台识别的基本功能模型以及识别过程，各功能模块中应用的几种主要的数据融合技术。最后，总结了在辐射源和平台识别中的问题，并指出了研究方向。     

基于蚁群参数优化的LightGBM辐射源个体识别

为提升辐射源个体识别正确率和运算效率,提出了一种基于蚁群参数优化的LightGBM辐射源个体识别方法。运用提升小波包变换对辐射源信号数据进行特征提取并构建特征参数体系,对得到的特征数据集进行Z-score标准化处理;以最大分类正确率和最小特征子集规模为目标,建立了LightGBM参数优化和特征选择的数学模型;采用蚁群算法优化LightGBM的6个参数(最小叶子节点数据量、决策树的数量、学习率、L₁正则化项的权重、L₂正则化项的权重和最小叶子节点样本权重和);根据优化后的LightGBM得到每个特征的重要性值并使用序列后向搜索策略进行特征选择;最后通过LightGBM分类器实现对辐射源信号的分类识别。实验结果表明,所提方法在无噪声、信噪比为10 dB和信噪比为5 dB信号的数据集上的识别正确率优于对比特征选择方法GBDT、XGBoost和LightGBM的,同时特征维数的减少也提升了辐射源个体识别的运算效率。     

基于协作表示Boosting 的辐射源多传感器融合识别

由于单传感器辐射源识别的局限性,在低信噪比条件下仅提高单侦测平台的识别能力无法满足实际需求,为此提出基于协作表示Boosting的辐射源多传感器融合识别算法.利用多传感器数据信息的冗余性和互补性,对多处理支路采用时频分析提取特征,并由协作表示分类器求得残差.根据Boosting在训练阶段的权重组合得到最小分类残差,实现多传感器决策域的融合识别.仿真实验结果验证了所提出方法有效性,并且在低信噪比情况下噪声鲁棒性更优异,易于实现.     

数据融合技术在辐射源和平台识别中的应用

辐射源和平台识别是面向区域电子战的一个重要组成部分,对后续的威胁估计和态势估计起奠基的作用.数据融合技术在辐射源和平台识别中的应用越来越广泛.文中论述了辐射源和平台识别的基本功能模型以及识别过程,各功能模块中应用的几种主要的数据融合技术.最后,总结了在辐射源和平台识别中的问题,并指出了研究方向.     

基于多谱与支持向量机的通信辐射源个体识别

:研究电台信号性能识别问题,针对同类辐射源个体难以分类识别的特点,为消除噪声,识别有效信号,采用一种局部积分双谱作为个体识别的基本特征向量,并融合了对分类具有显著贡献的电台辐射源特征参数形成新的特征向量,提出了一种基于混合核函数的支持向量机实现通信辐射源个体的分类识别的方法,并比较了核函数的不同参数对通信信号分类正确率的影响以及使用混合核函数和普通核函数的各自的分类效果.对FM电台辐射源个体分类的实验结果表明,方法在较低信噪比下对同型号、同批次通信辐射源个体识别可以取得良好的效果.     

伪标签半监督通信辐射源个体识别方法

针对通信辐射源个体识别技术中有标签信号样本不足导致个体识别准确率较低的问题,提出了基于伪标签半监督深度学习的辐射源个体识别方法,该方法利用加权平均思想改进了伪标签的赋值方式,有效增强了伪标签的质量,提升了网络模型的鲁棒性;介绍了如何基于伪标签思想设计半监督深度学习方法,并运用熵正则化算法的概念从理论方面解释了伪标签的有效性;实验设计了适合于信号样本的卷积神经网络,采取不同数目的有标签样本与无标签样本组建的训练集方案,得到了改进的伪标签半监督方法在测试集的识别准确率,结果表明,该方法较全监督方法和改进前的伪标签半监督方法有着更好的识别效果和更强的优越性.     

基于稀疏表示的雷达辐射源信号级融合识别算法

针对现有融合识别算法难以兼顾信息完备性和节点通信数据量的问题,提出一种基于信号稀疏表示的雷达辐射源信号级融合识别算法。该方法将接收信号投影到稀疏域并进行压缩,从而在稀疏域完成融合,最后利用融合后的稀疏系数进行识别。该方法既降低了通信数据量,又较好地保证了信息的完整性。仿真实验表明,相对于单一传感器和决策级融合,所提出的方法可有效提高信号识别性能。     

基于PID和深度卷积神经网络的辐射源识别方法

利用神经网络进行辐射源个体识别时,训练样本的单一性会导致深度网络出现过拟合的现象,继而影响辐射源个体识别的精确性。针对该问题,本文提出一种基于PID算法的深度卷积网络结构,该结构通过在传统卷积神经网络的输出层与输入层间构建一条反馈回路,采用PID算法将网络输出错误率转化为划分训练集数据构成的概率,通过优化训练集数据构成,达到抑制过拟合的目的。将该方法应用于超短波电台识别,平均识别率达到92.59%,识别率方差约为传统算法的1/3,训练用时减少约35 min,上述指标均优于传统神经网络。实验结果表明,该算法增强了深度网络的鲁棒性,有效地抑制了过拟合现象。     

非合作辐射源识别技术发展动态分析

随着电磁环境愈发复杂,在非合作条件下,接收方对辐射源信号的识别与分析是获取电子情报的重要手段。辐射源识别是利用侦察设备截获的辐射源信号,提取并分析信号的特征,进而实现对辐射源的分类和类型判断。它是电子对抗领域一个重要的研究方向,在无线电安全和频谱资源管控等方面具有重要的意义和广阔的应用前景。本文在分析国内外大量文献的基础上,首先说明了辐射源识别的主要特点,其次归纳了辐射源识别的类型,接着将目前辐射源识别的主要方法进行分类,并分析了辐射源识别的现状,随后分类梳理了辐射源数据集,最后分析了辐射源识别未来可能的发展趋势。     

基于特征融合的恶意加密流量识别

随着加密技术的全面应用, 越来越多的恶意软件同样采用加密的方式隐藏自身的网络活动, 导致基于规则和特征的传统方法无法满足准确性和普适性的要求. 针对上述问题, 提出一种层次特征融合和注意力的恶意加密流量识别方法. 算法具备层次结构, 依次提取数据包的特征和会话流的特征, 前一阶段设计全局混合池化方法进行特征融合; 后一阶段使用注意力机制提高BiLSTM网络分析序列关系的能力. 最终, 实验采用CIC-AndMal 2017数据集进行验证, 结果表明: 模型设计合理, 相比TextCNN模型和HST-MHSA模型, 漏报率分别降低5.8%和2.6%, 加权F1值分别提高4.7%和3.5%, 在恶意加密流量识别和分类方面体现良好的优化效果.     

一种基于循环谱切片的通信辐射源识别方法

提出一种基于循环谱切片的通信辐射源个体识别方法.通过计算信号的循环谱密度矩阵,将循环谱密度切片作为初始高维特征,再采用主成分分析方法对其进行降维处理得到指纹特征矢量,最后采取概率神经网络分类器实现辐射源的个体识别.通过对20部手持机的实验表明,使用该方法提取的特征矢量能够较好地反映信号的循环平稳特性,并且特征参数对噪声干扰不敏感,在较低信噪比条件下,系统仍具有较高的正确识别率,说明该方法确实能够较好地解决同型号、同批次、同工作参数通信辐射源的个体识别问题.     

基于特征融合时序分割网络的行为识别研究

行为识别是当今计算机视觉领域的一个研究热点,是一项具有挑战性的任务.行为识别分析与其网络输入数据类型、网络结构、特征融合环节具有密切联系.目前,主流的行为识别网络输入数据为RGB图像和光流图像,网络结构主要以双流和3D卷积为主;而特征选择直接影响到识别的效率,多层次的特征融合工作还有很多问题有待解决.针对主流的双流卷积网络输入数据为RGB图像和光流图像的局限,利用低秩空间中稀疏特征能够有效捕捉视频中运动物体信息的特点,对网络输入数据进行补充.同时,针对网络中缺乏信息交互的特点,将深度网络中高层语义信息和低层细节信息结合起来共同识别行为动作,使时序分割网络性能更具优势.在行为识别数据集UCF101和HMDB51上取得了97.1%和76.7%的识别效果,较目前主流算法有了较大的提升.实验结果表明,该方法能够有效地提高行为识别的识别率.     

深度特征选择网络在雷达信号识别中的应用

在现有的雷达辐射源信号识别研究中,传统人工提取到的特征虽具有较为良好的物理表征,但特征中还存在冗余、噪声特征,而通过深度神经网络虽可以挖掘到对信号更深层次的表达,但其特征存在的“黑箱”难以解释性无法避免.结合人工特征良好的物理表征性和深度学习强大的学习能力,本文提出将一种深度特征选择网络（DFS,Deep Feature Selection）应用到雷达信号识别技术中.DFS通过在深度神经网络的输入层和第一隐藏层之间增添一对一层,获取针对每维特征与分类相关性度量得到的权值,以此权值作为衡量标准,加强敏感特征的输入影响,削弱冗余、噪声特征的输入影响,提高分类准确率.方法先对雷达信号提取复杂度特征、小波脊频级联特征、信息熵特征,合并建立原始特征集,利用DFS进行学习训练,以达到在输入级别实现特征选择的目的.本文已利用上述方法对5类辐射源信号进行仿真实验,识别效果良好,验证了方法有效.     

轻量型多路特征融合人体姿态估计

基于深度学习的人体姿态估计广泛应用于姿态识别、人机交互等领域. 为了提升人体关键点的检测精度, 很多网络采用运算量、参数量和复杂度不断增加的模型架构, 导致无法直接部署到低算力设备. 为了解决上述问题, 本文提出了一种多路特征注意力融合的轻量型方法. 模型基于HigherHRNet网络进行轻量化设计和训练, 包括: 采用通道拆分和通道混洗, 解决分组卷积后特征层之间存在的信息隔离; 采用线性运算的特征生成方法, 解决不同特征层之间存在的冗余性; 采用融合注意力信息的方法, 缓解因轻量化导致的准确率下降. 在MS COCO数据集上完成了模型的训练、测试、可视化以及消融实验. 实验结果表明本文的轻量化方法在保证直观的检测精度前提下, 能够显著降低人体姿态估计的计算量.     

基于特征融合的中文简历解析方法研究

针对基于规则和统计的传统中文简历解析方法效率低、成本高、泛化能力差的缺点，提出一种基于特征融合的中文简历解析方法，即级联Word2Vec生成的词向量和用BLSTM（Bidirectional Long Short-Term Memory）建模字序列生成的词向量，然后再结合BLSTM和CRF（Conditional Random Fields）对中文简历进行解析（BLSTM-CRF）。为了提高中文简历解析的效率，级联包含字序列信息的词向量和用Word2Vec生成的词向量，融合成一个新的词向量表示；再由BLSTM强大的学习能力融合词的上下文信息，输出所有可能标签序列的分值给CRF层；再由CRF引入标签之间约束关系求解最优序列。利用梯度下降算法训练神经网络，使用预先训练的词向量和Dropout优化神经网络，最终完成对中文简历的解析工作。实验结果表明，所提的特征融合方法优于传统的简历解析方法。     

FPGA平台轻量化卷积神经网络辐射源信号识别方法

针对卷积神经网络计算资源消耗大、难以在边缘侧应用等问题,提出了一种面向FPGA (Field Programmable Gate Array)平台的基于知识蒸馏的轻量化卷积神经网络辐射源信号识别方法。该方法以信号时频图作为特征提取对象,结合改进的知识蒸馏方法对卷积神经网络进行轻量化处理,通过注意力图增强知识信息传递,并融合深度可分离卷积,进一步提高网络稀疏度。最后,将该轻量化网络在FPGA平台上进行结构优化,通过改进循环策略和流水线并行设计,加速轻量化卷积神经网络的辐射源信号识别过程。仿真结果显示,利用本文提出的轻量化卷积神经网络辐射源信号识别算法,网络参数量降低了81.8%,在信噪比不低于-12dB的条件下,信号识别准确率达到了90%以上,FPGA平台信号识别时间为86ms,平均功耗为2W,可满足边缘侧终端对信号实时检测以及低功耗的实际应用需求。     

基于特征融合的跳频信号射频指纹识别技术

射频指纹识别(RFID)是一种物理层身份认证的方法,是电子对抗中一个重要且基本的研究方向,为现代战争提供情报信息等方面发挥着重要作用;为了提升在电子战复杂环境下RFID的准确率,同时解决在跳频信号片段长度有限致使稳态特征难以提取的问题,提出了一种基于信号多个维度特征融合与深度卷积网络提取特征的智能识别技术,改进了传统的星座图特征提取方法并提取了信号的双谱、星座图和希尔伯特-黄变换 (HHT)时频谱进行特征融合,并设置了不同信噪比和不同输入条件下的对照实验来证明该方法的有效性和鲁棒性;相比于传统的识别方法,该方法运算量小,且提升了在各信噪比下识别准确率,在正常室外环境下对六部相移键控(PSK)类跳频电台的识别准确率达到了99.29%。