基于深度学习的通信辐射源指纹特征提取算法

针对在小样本条件下难以有效提取通信辐射源指纹特征的问题，设计了一种堆栈自编码网络的通信辐射源个体细微特征提取算法。首先通过预处理（高阶谱分析）将原始通信辐射源信号从时域转化到高维特征空间，然后利用大量无标签的通信辐射源高维样本训练堆栈自编码器网络，在此基础上，通过少量有标签的通信辐射源样本对softmax回归模型进行精校训练，从而获得面向通信辐射源指纹特征提取的深度学习网络。实际采集的通信电台数据集上的实验结果验证了该模型的可行性与有效性。      

基于半监督联合神经网络的调制识别算法

针对基于有监督学习通信信号分类算法需要大量有标签训练样本,而在实际场合大多无法满足数量要求的问题,提出利用数据驱动模型的半监督学习方法,通过对比预测编码无监督算法预训练和有监督学习相结合,利用LSTM (long short term memory)和ResNet (residual network)联合神经网络实现小样本自动提取特征,提高小样本条件下信号识别准确率。在真实通信调制信号集上实验表明,半监督联合神经网络结构较以往方法,识别准确率提升3%-20%,小样本条件下性能提高60%,同时在低信噪比条件下识别能力突出,0dB时对11种调制信号平均识别正确率达到92%,具有明显优势。      

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.     

基于信号包络新特征参数的电台个体识别

非协作条件下的电台个体识别是目前通信侦察领域的一个难题。尽管已有多种方法从电台的发射信号中提取到指纹特征实现个体识别,但均在不同程度上存在着低信噪比条件下电台个体识别准确率不高的问题。在分析信号包络特征可以应用于电台个体识别的基础上,提出了一种基于信号复调制与低通滤波的改进包络提取算法,精确地提取信号包络;并为达到降维的目的,从提取的信号包络中求得一个对信号包络特征具有较强表征能力的新特征参数。仿真结果表明,不同电台个体的新特征参数具有较好的聚类性能,识别准确率在95%以上,有效提高了低信噪比条件下电台个体识别的准确率。     

基于瞬时包络特征的跳频电台个体识别方法

通信电台发射的信号通常表现出一定的细微特征差异,针对这种细微特征差异,本文在论证跳频信号跳变瞬时包络可以作为电台个体细微特征的基础上,提出了一种基于跳频信号瞬时包络特征的跳频电台个体识别方法。首先基于一种改进的基于小波变换的包络提取算法,提取出了样本信号跳变时刻的瞬时包络,并减轻了噪声等因素的影响。其次,分离并定量计算其盒维数和信息维数等瞬时特征,将得到的跳频信号的瞬时细微特征变换为一个特征向量,之后采用基于构造型神经网络的分类方法实现不同跳频电台的个体识别。最后对实际工作状态下3种型号电台进行个体识别,实际数据的实验结果验证了算法的有效性。      

应用深度神经网络和集成学习的电台个体识别

提出了一种基于深度神经网络的个体智能识别方法,可用于电台个体分类识别.该方法构建集成多子网络的一维深度卷积模型,以电台时序信号作为模型输入,进行电台个体分类.利用深度神经网络自动特征化的能力,该方法从时序信号中自动获取个体特征,从而以端到端的形式实现从电台信号识别电台个体.该方法能够免去基于专家知识的特征提取工作,自动提取的个体深度特征还有助于区分传统特征无法区分的高度相似电台个体.实验证明,该方法能有效降低模型调参设计难度,能减轻单一网络带来的特征提取识别过拟合问题,能提高电台个体识别算法的泛化能力与鲁棒性.在信噪比12 dB的条件下,对10类电台8PSK调制信号进行特征提取与识别,整体正确率91.83％,平均正确率为89.12％;对MSK调制信号进行特征提取与识别,平均分类精度为89.1％.     

一种优化孪生网络的小样本辐射源个体识别方法

针对信号辐射源个体识别小样本难以稳定收敛、识别准确率不足的问题,提出了一种基于优化孪生网络模型进行小样本辐射源个体识别的方法,分析了通过孪生网络实现不同类别样本对特征向量距离增大、相同类别样本对特征向量距离减小的弹簧模型,达到小样本训练损失函数的快速收敛的目的,并结合交叉熵实现损失函数优化,从而提升了小样本个体识别的准确率和稳定性。试验结果表明,针对每类不大于10个训练样本集的通信电台所提方法能够达到88%以上个体识别准确率。     

通信电台个体识别技术研究

本文研究了基于通信电台短时频率稳定度特征的通信电台个体识别技术.在论证通信电台短时频率波动可以作为电台个体细微特征的基础上,提出了一种利用该特征进行电台识别的有效方法.首先通过采样抽取的方法将频率波动信息转变到伪调制的包络波形中,并对极大值点之间用三次样条插值拟合的方法精确提取包络特征,然后计算包络信号分形的盒维和信息维特征,最后采用最近邻的分类方法达到对通信电台的个体识别.仿真和实际电台实验结果都验证了方法的有效性.     

基于谱再生逆分析的信号细微特征提取

为解决无线复杂电磁环境下同型号通信电台的个体识别问题,研究谱再生逆分析的细微特征提取方法并改进。首先分析输入信号通过非线性功放后的谱再生现象,然后对其进行逆分析,以功率谱分段拟合的方法提取功放非线性参数作为各电台特征,并对特征提取步骤进行了改进使算法更适用于同型号电台的个体识别。为验证算法有效性,使用SVM分类器对特征进行模式训练和识别,仿真结果表明,算法在高斯信道模型和Watterson短波好信道模型下对同型号电台有较好的识别效果。      

基于时频能量谱特征的跳频电台个体识别

针对于跳频电台的细微特征分类识别问题,提出基于跳频信号时频能量谱的细微特征提取算法。首先,利用跳频信号在时频域的稀疏特性,通过稀疏重构方法得到跳频信号时频能量谱;然后,在不同尺度条件下对时频能量谱进行分割,分别提取时频能量谱瑞利熵、多重分形维数和差分盒维数三种特征;最后,通过支持向量机分类器对提取特征集进行训练、分类和识别,实现跳频电台个体识别。利用四部电台的跳频信号,验证对比了本文算法与另外两种算法的识别性能。实验结果表明,本文方法所提取的细微特征集具有较强的分辨能力,避免了由单一特征的相似性而引起的误判问题,能够在少量训练样本条件下,保持较高的识别正确率。      

Radio Fingerprint Extraction Based on Marginal Fisher Deep Autoencoders

Aiming at the difficulty of extracting radio fingerprint feature caused by insufficient traditional training method under small labeled sample prerequisite, the deep autoencoders regularized by marginal Fisher analysis algorithm for radio fingerprint extraction is proposed. Based on deep autoencoders, the training procedures was divided into two parts: unsupervised pre-training and supervised finetuning based on marginal Fisher analysis. In the algorithm, firstly the individual information of radio classes in large amounts of unlabeled signal samples was extracted, whose information was then applied on model optimal parameters learning by deep autoencoders. Then the trainable parameters were analyzed by marginal Fisher method with the assistant of labeled samples to improve the discriminant capability of fingerprint feature between radio individuals of the same model. The classification experiment was operated on several communication radio signal dataset. The results proved that the differences of radio individuals of the same model can be represented effectively through the algorithm proposed.     

基于LSTM网络和特征融合的通信干扰识别

针对现有通信干扰信号识别方法识别效果不佳的问题,提出了一种基于长短时记忆网络(Long Short-Term Memory,LSTM)和特征融合的通信干扰识别方法.该方法利用LSTM网络提取干扰信号的特征,通过LSTM强大的序列特征提取能力提升干扰信号特征提取的性能;通过提取信号的时域和频域特征后进行特征融合,使用全连...     

基于功率谱密度的通信辐射源个体识别方法

为阻止设备克隆、重放攻击和用户身份假冒等问题的发生,准确识别和认证物联对象,提出一种基于功率谱密度指纹特征与智能分类器的通信辐射源个体识别方法。利用接收机采集I路射频基带信号;通过方差轨迹检测截取稳态信号片段,并对稳态信号片段进行数据标准化处理;计算数据标准化处理后的稳态信号片段的功率谱密度得到特征向量,将所述特征向量作为发射机的射频指纹;最后利用智能分类器识别所述射频指纹,完成通信辐射源个体识别。通过对同厂家、同型号、同批次的8个无线数传电台E90-DTU设备和100个WiFi网卡设备的实验测试表明,本文所提方法在视距(LOS)场景、视距场景与非视距(NOS)场景的混合场景、低信噪比场景、大数量物联设备场景都具有良好的识别准确率。     

空地协同场景下通信干扰智能识别方法

针对现有通信干扰智能识别方法在小样本条件下识别精度低、网络模型欠拟合的问题,并形成通信干扰识别的空中与地面布设能力,该文提出一种空地协同场景下基于孪生网络的通信干扰智能识别方法。首先在空中无人机与地面设备之间构建空地协同的通信干扰认知架构,并通过提取所接收的通信干扰信号的时频图、分数阶傅里叶变换和星座图,对通信干扰信号进行智能表征,以作为网络的输入。然后搭建基于密集连接网络的网络结构,并设计双输入权值共享的孪生网络。最后,利用随机样本对孪生网络进行训练,并通过孪生单边网络构建基准通信干扰类型特征库进而实现通信干扰的智能识别。该方法通过度量两个样本之间的特征距离来判断样本的相似性,并通过相似度度量扩大了训练样本数量并训练了孪生网络模型。仿真结果表明,所提方法不但在较小数据集的条件下可有效地实现通信干扰的智能识别,而且相比现有的智能识别方法,所提方法的识别性能显著提升。     

基于多端特征融合模型的MIMO-OFDM系统盲调制识别

自动调制分类(Automatic Modulation Classification,AMC)在认知无线电中起着提高频谱利用率的重要作用,然而,现有的大多数工作都集中在单输入单输出系统中的单载波通信。针对当前非协作通信中多输入多输出正交频分多路复用(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing,MIMO-OFDM)系统子载波的盲调制识别问题,本文提出了一种基于多端特征融合模型的盲调制识别方法。首先,利用特征矩阵的联合近似对角化算法(Joint Approximate Diagonalization of Eigenvalue Matrix,JADE)从接收端的混合信号中恢复发送信号。然后,提取恢复信号的循环谱剖面和同向正交分量作为浅层特征。最后,搭建多端特征融合模型,利用一维卷积网络(One-Dimensional Convolutional Neural Network,1D-CNN)与通道注意力模块(Channel Attention Module,CAM)的串联模型完成对浅层特征...     

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.