基于堆栈式LSTM网络的通信辐射源个体识别

针对现有通信辐射源个体识别方法预处理过程复杂及特征提取较难的问题,提出了一种基于堆栈式长短期记忆(long short-term memory, LSTM)网络的辐射源个体识别算法。该算法直接使用IQ时间序列信号训练LSTM网络,即可实现对通信辐射源个体的高效识别,避免了复杂的信号预处理过程。为使LSTM网络能更好地适用于通信辐射源个体识别,利用3层LSTM网络提取辐射源深层特征,并通过实验优化了网络参数。然后对该算法的实际应用泛化性进行了实验探究,结果表明该算法在其他辐射源数据集上也取得了较好的效果。最后,通过实验对算法进行了验证,结果表明相比于传统算法,在样本数较多时,该算法的识别准确率可以达到98%,而且简单快速智能,便于工程化与实用化。     

小样本条件下的通信辐射源半监督特征提取

在通信辐射源信号有标签样本数量较小的情况下,同类通信辐射源个体信号特征提取困难且识别精度较低。对此,提出了一种小样本条件下的通信辐射源半监督特征提取方法。该方法对少量有标签通信辐射源信号样本以及大量无标签通信辐射源信号样本进行变分模态分解提取高维稳态信息熵,利用指数半监督判别分析法映射信息熵形成个体特征,并通过XGBoost进行通信辐射源个体识别来验证识别效果。实验表明,所提方法识别准确率达到85.33%,相比无监督特征提取方法运算时间降低了76.17%,证明其在同类通信辐射源不同个体识别中具有较好的性能。     

小样本条件下的通信辐射源半监督特征提取

在通信辐射源信号有标签样本数量较小的情况下,同类通信辐射源个体信号特征提取困难且识别精度较低。对此,提出了一种小样本条件下的通信辐射源半监督特征提取方法。该方法对少量有标签通信辐射源信号样本以及大量无标签通信辐射源信号样本进行变分模态分解提取高维稳态信息熵,利用指数半监督判别分析法映射信息熵形成个体特征,并通过XGBoost进行通信辐射源个体识别来验证识别效果。实验表明,所提方法识别准确率达到85.33%,相比无监督特征提取方法运算时间降低了76.17%,证明其在同类通信辐射源不同个体识别中具有较好的性能。     

基于残差原型网络的辐射源个体识别

利用深度学习进行通信辐射源识别分类时，现有算法在较低信噪比下的识别能力还不足，且均着重关注各类辐射源个体的类间距离，忽视了类内紧密性。针对此问题，结合残差网络和原型学习基本思想，提出残差原型网络，对输入信号的差分星座轨迹图进行识别。此外，在基于距离的交叉熵损失函数基础上加入原型损失，通过提高类内紧密度的方式进一步扩增了类间距离。通过对5种ZigBee设备的实验，结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能，在信噪比高于8 dB时，可达到99%以上的准确率。     

基于Hilbert-Huang变换与对抗训练的特定辐射源识别

为有效解决特定辐射源的个体识别问题, 提出一种基于Hilbert-Huang变换与对抗训练相结合的方法。首先根据辐射源硬件差异, 建立辐射源信号的数学模型; 其次, 对信号进行Hilbert-Huang变换得到Hilbert谱; 然后, 在预处理过程中, 从信号所有的Hilbert谱时频点对应的能量值中, 确定最具区分度的一组能量值, 并记录其对应的时频点; 最后, 对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值, 将其送入卷积神经网络进行训练与测试, 并通过对抗训练的方式提升网络的抗噪性能。识别准确率实验表明, 对比不进行对抗训练的方法以及不进行预处理与对抗训练的方法, 所提算法的识别率分别平均提升3.1%与5.45%。识别鲁棒性实验表明, 所提算法训练样本为100时即可达到较好识别效果, 同时随着辐射源个数增多优势更加明显。复杂度分析表明, 所提算法能有效降低神经网络在大量训练与识别过程产生的运算量。     

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题, 提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network, MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征, 将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元, 在此基础上构造MLJ-RN, 对时频图像相邻卷积层的细微特征进行学习和识别, 并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化, 强化对信号的深层特征提取能力。仿真结果表明, 信噪比为－5 dB时, 该方法对12类雷达辐射源信号的整体识别概率达到95.1%, 从而验证了该方法在低信噪比下识别雷达信号的有效性。     

基于双谱分析的雷达辐射源个体特征提取

针对复杂电磁环境中雷达辐射源特征参数的分选和识别问题,提出将辐射源信号的双谱作为雷达辐射源个体特征,并进一步提出将Walsh变换作为双谱特征优化算法。利用双谱中包含的信号细微信息和双谱受高斯噪声和杂波影响较小等特性,提高雷达辐射源个体特征参数的有效性;针对信号双谱中包含了很多与个体特征无关的冗余信息,不利于机器进行识别处理的缺点,利用Walsh变换对信号的双谱特征进行优化,剔除其中无效、冗余的信息,将变换后的结果作为雷达辐射源个体特征信息。仿真实验结果验证了算法的可行性。     

基于深度残差适配网络的通信辐射源个体识别

为解决通信辐射源识别中传统的人工特征提取方法鲁棒性不足和深度学习方法需要大量带标签目标域数据的问题,提出一种基于深度残差适配网络的通信辐射源个体识别方法.应用深度学习技术实现从源域到目标域上的迁移识别,只需要将带标签的源域数据和无标签的目标域数据进行训练.原始通信辐射源信号经过预处理后输入网络训练,将源域和目标域的分布...     

嵌入注意力机制的通信辐射源个体识别方法

复杂电磁环境中, 针对低信噪比条件下现有神经网络识别算法对于通信电台识别准确率不高的问题, 提出一种结合双层注意力机制和残差网络的通信辐射源个体识别方法。首先, 以空间注意模块和通道注意模块构成注意力机制。其次, 在一维残差网络中嵌入双层注意力机制, 提高对关键特征的学习能力。最后, 在实际数据集上验证算法的有效性。实验证明, 相比于残差神经网络算法, 所提方法既能保持模型较好的稳定性又在数据集上有明显的提升效果。     

小波-神经网络在辐射源识别中的应用研究

针对目标所采用的辐射源识别方法对复杂体制雷达信号识别效率低或无法识别的现象 ,提出了一种新的辐射源识别方法。首先 ,利用小波包可对信号进行多维多分辨率分析的特点 ,对辐射源信号进行信号特征的提取 ,然后将各辐射源的信号特征作为ART2神经网络的训练样本 ,对其进行辐射源类型的识别。通过计算机仿真 ,对上述方法进行了验证。试验结果表明 ,这种基于小波 神经网络的辐射源识别方法在识别复杂体制雷达信号的应用中不仅克服了目前识别方法识别效率低的弊端 ,而且还有效地解决了对未知雷达信号无法识别的问题     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾.针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural netw...     

基于注意力机制和改进CLDNN的雷达辐射源识别

传统的辐射源识别通过比对、匹配辐射源信号与雷达数据库来识别,这种方法很难满足战时高效、快速和准确的识别要求.随着机器学习方法的提出,诸如支持向量机等算法在辐射源识别领域的运用,可以满足战时高效、快速的识别要求,但这种方法在低信噪比环境下,辐射源识别准确率低.针对上述问题,采用深度学习,引入注意力机制和特征融合方法,提出...     

非合作USB测控信号调制指数估计算法

测控信号的调制指数可作为非合作卫星辐射源识别的一个稳定特征参数,针对非合作统一S频段测控信号,提出一种基于频域谱分析的调制指数估计算法.根据该信号的频谱特性构造调制指数估计算法,并对该算法的估计误差进行理论分析.通过蒙特卡罗仿真给出估计误差随信噪比变化的情况,并利用实测信号从频域和时域两个方面对该算法的性能进行验证.结...     

基于TCNN-BiLSTM网络的调制识别算法

针对传统调制识别算法在低信噪比下识别率不高的情况,提出双路卷积神经网络级联双向长短时记忆(two-way convolutional neural network cascaded bidirectional long short-term memory, TCNN-BiLSTM)网络的调制识别算法。首先,该算法并联不同尺度卷积核的卷积层,提取调制信号不同维度的特征。然后,级联BiLSTM层,对多维特征构建LSTM时间模型。最后,使用softmax分类器完成识别。仿真实验表明,所提算法结构在加性高斯白噪声和特定信道参数的瑞利衰落信道下,性能要优于基于传统特征和其他网络结构的识别算法。在特定信道参数的瑞利衰落信道下信噪比低至6 dB时,该算法对6种数字调制信号的识别率仍可达到92%以上。