辐射源个体识别中的模板分段寻优算法_陈沛铂

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011309448.3(22)申请日 2020.11.20(71)申请人 中国电子科技集团公司第二十九研究所地址 610036 四川省成都市金牛区营康西路496号(72)发明人 侯思尧　李伟　项川　李永光　李华　陈思静　黄黔川　(74)专利代理机构 成都九鼎天元知识产权代理有限公司 51214代理人 陈法君(51)Int.Cl.G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)G06N 20/20(2019.01)(54)发明名称一种结合深度学习和集成学习的辐射源个体识别方法(57)摘要本发明公开了一种结合深度学习和集成学习的辐射源个体识别方法，所述辐射源个体识别方法包括：S1：生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习模型构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。

本发明的方法能够提升辐射源个体识别准确率。

权利要求书1页 说明书4页 附图1页CN 112418307 A 2021.02.26C N 112418307A1.一种结合深度学习和集成学习的辐射源个体识别方法，其特征在于，所述辐射源个体识别方法包括：S1：将各辐射源信号进行预处理并建立标签，生成数据集，随机抽取数据集中预设比例样本作为训练集，剩余的作为测试集；S2：依次提取训练集中各辐射源信号的指纹特征，生成辐射源特征矩阵；S3：选择深度学习方法构建深度学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S4：选择集成学习方法构建集成学习模型，并将步骤S2获得的辐射源特征矩阵作为输入进行训练，生成个体识别模型；S5：确定深度学习与集成学习的权重值，并根据权重值形成针对不同辐射源个体的综合识别模型；S6：利用测试集对综合识别模型进行验证。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010174283.7(22)申请日 2020.03.13(71)申请人 电子科技大学地址 611731 四川省成都市高新区（西区）西源大道2006号申请人 鹏城实验室(72)发明人 苟嫣　邵怀宗　王沙飞　林静然　利强　潘晔　胡全　(74)专利代理机构 成都正华专利代理事务所(普通合伙) 51229代理人 李蕊(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种辐射源快速识别方法(57)摘要本发明公开了一种辐射源快速识别方法，其包括以下步骤：S1、读取带有标签的辐射源信号；S2、对带有标签的辐射源信号进行短时傅里叶变换，将一维信号转换为两通道的二维时频图像；S3、构建深度卷积神经网络模型；S4、将两通道二维时频图像输入深度卷积神经网络模型，并采用自适应学习率算法进行训练，获取训练后的模型；S5、采用训练后的模型对待识别目标进行识别，完成辐射源的快速识别。

本方法结合损失函数，实现学习率能够自适应变化，与现有学习率相比，极大的提升了神经网络模型的收敛速度和识别精度，优化了辐射源的识别性能，同时不需要人为调参。

权利要求书2页 说明书5页 附图1页CN 111401226 A 2020.07.10C N 111401226A1.一种辐射源快速识别方法，其特征在于，包括以下步骤：S1、读取带有标签的辐射源信号；S2、对带有标签的辐射源信号进行短时傅里叶变换，将一维信号转换为两通道的二维时频图像；S3、构建深度卷积神经网络模型；S4、将两通道二维时频图像输入深度卷积神经网络模型，并采用自适应学习率算法进行训练，获取训练后的模型；其中自适应学习率算法为：lr(t)＝p tβ0sigmoid(L(t)L(t-1)-d)；t为深度卷积神经网络的训练迭代次数；lr(t)为第t次迭代时的学习率；p为衰减因子，β0为初始幅值，L(·)为损失函数，sigmoid(·)为sigmoid函数，d为sigmoid函数向右平移的单位数；S5、采用训练后的模型对待识别目标进行识别，完成辐射源的快速识别。

空间谱估计无线电测向系统陈旭彬;任培明;戴慧玲【摘要】The direction finding technology based on spatial spectrum estimation is widely used due to its' ultra-high resolution,high sensitivity,high accuracy and plays a leading role in radio management.Based on the theoretical study of spatial spectrum estimation,the algorithm was put forward and the algorithm was simulated.Finally,the practicability and superiority of the spatial spectrum estimation system were demonstrated.%空间谱估计测向方法以其超分辨力、高灵敏度和高准确度的测向性能被广泛应用,并在无线电管理领域扮演主要角色.在对空间谱估计测向理论研究的基础上,给出了具体算法,并对算法进行了仿真,最后通过对比测试论证了空间谱估计测向系统的实用性和优越性.【期刊名称】《电信科学》【年(卷),期】2017(033)007【总页数】6页(P183-188)【关键词】空间谱估计;MUSIC算法;无线电测向【作者】陈旭彬;任培明;戴慧玲【作者单位】国家无线电监测中心,北京100037;国家无线电监测中心,北京100037;国家无线电监测中心,北京100037【正文语种】中文【中图分类】TN911空间谱估计测向技术是一门在最近50年内发展起来的新兴测向处理技术，这种测向技术具有传统测向体制无可比拟的技术优势，正在展现出良好的应用前景，并已经成为国际无线电测向领域的研究热点。

第 21 卷 第 6 期2023 年 6 月太赫兹科学与电子信息学报Journal of Terahertz Science and Electronic Information TechnologyVol.21，No.6Jun.，2023辐射源个体识别的一种可解释性测试架构刘文斌a，范平志a，李雨锴b，王钰浩b，孟华*b(西南交通大学 a.信息科学与技术学院；b.数学学院，四川成都611756)摘要：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。

关键词：辐射源个体识别；可解释性；生成对抗网络；无线信号欺骗中图分类号：TN92 文献标志码：A doi：10.11805/TKYDA2022243An interpretable testing architecture for specificemitter identificationLIU Wenbin a，FAN Pingzhi a，LI Yukai b，WANG Yuhao b，MENG Hua*b(a.School of Information Science & Technology; b.School of Mathematics, Southwest Jiaotong University, Chengdu Sichuan 611756, China)AbstractAbstract：：Due to the diversity of RF signals, the complexity of the electromagnetic environment, and the difficulty of feature extraction, the robustness and applicability of the existing artificial features-based RF-specific emitter identification methods cannot meet the application requirements. Althoughthe data-driven deep learning methods can provide a more flexible mode of specific emitteridentification, they are less interpretable and lack a general test mode to evaluate their advantages anddisadvantages. An evaluation method is explored for the deep learning model on the target individualdataset of the Electromagnetic Big Data Super Contest, and a general testing system architecture isproposed for the specific emitter identification model based on deep neural networks. The frameworkconstructs the simulation test samples through signal feature masking, Generative Adversarial Network(GAN), deception signal collection, channel simulation and other methods, and imports the test samplesand original data into the deep model to compare the recognition results. The test results are employed tojudge the location of the signal key features extracted by the deep model, to analyze the robustness of themodel, and to reveal the impact of the channel environment on the recognition performance, thus theperformance of the deep learning model can be interpretable.KeywordsKeywords：：specific emitter identification；interpretability；Generative Adversarial Network(GAN)；wireless signal spoofing信号识别包括信号检测、信号类型识别、辐射源个体识别(Specific Emitter Identification，SEI)3个层次[1]。

基于小样本的特定辐射源个体识别方法发布时间：2022-11-25T06:10:39.769Z 来源：《中国科技信息》2022年8月15期作者：潘博阳[导读] 特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，潘博阳（武警指挥学院，天津 300250）摘要：特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，因此研究小样本条件下特定辐射源个体识别成为任务部队在电磁环境中遂行作战任务亟需解决的问题。

以此为背景，本文提出了一种基于一维卷积神经网络的方法来进行辐射源个体识别。

首先通过加权融合和裁剪混合扩充数据多样性，而后使用一维卷积神经网络提取特征从而对辐射源个体进行识别。

实验结果显示，本文提出的方法在验证集上能够达到50.5%的准确率，表明该方法的识别效果优于K近邻算法。

关键词：特定辐射源个体识别; 数据增强; 机器学习1 引言特定辐射源个体识别（Specific Emitter identification, SEI）通常是指对雷达等辐射源发送的电磁信号进行建模，通过其所体现出的微小特征区分辐射源类别的技术[1]。

目前特定辐射源个体识别主要分为基于人工设计特征和基于数据驱动特征两种方法。

基于人工设计特征主要依赖于先验假设，具备一定的解释性。

基于数据驱动特征识别的方法主要利用卷积神经网络自主学习特征。

无论采用传统机器学习或者深度学习的方法都依赖于大量的标注数据，当实际环境中无法获取大量辐射源信号时，上述算法模型的精度均会产生不同程度的降低，因此如何在小样本条件下高效地实现辐射源信号个体识别成为当前研究的主要方向，同时也具有一定的工程应用价值。

本文针对小样本条件下特定辐射源个体识别进行以下创新，主要包括三个方面：首先针对数据样本匮乏的情况，本文设计了两种数据增强方法有效扩充样本的多样性。

一种新的通信辐射源个体识别方法赵国庆;彭华;王彬;滕波【摘要】Under the condition of low signal-noise-ratio, the individual features of communication transmitter in steady-state signal are covered very easily, and hard to be extracted and identified. In regard to this problem, considering the fact that oscillators used in different communication transmitters have unequal frequency stability, a new method based on fractal dimension and Support Vector Machine (SVM) was proposed. After oversampling IF ( Intermediate Frequency) signal, information dimension was extracted as features, and then SVM classifier was designed to realize the automatic identification of unknown samples. To some extent, the feature was robust under AWGN (Additive White Gaussian Noise). The computer simulation shows that the method has good performance on classifying five PSK signals with the same order and the frequency stability difference of 0.01 ppm under 3 Db, its accuracy being 95%.%在低信噪比条件下,稳态信号中的通信辐射源个体特征极易被掩盖,从而难以提取和识别.针对该问题,依据不同通信辐射源中振荡器个体的频率稳定度不相等这一事实,提出一种适用于多进制数字相位调制(MPSK)信号的基于分形维数的特征提取与分类方法.首先对中频信号进行过采样,然后提取信号瞬时相位的信息维数作为分类特征,最后利用支持向量杌(SVM)分类器实现样本属性的自动判别.该方法特征维数低、分类简单,对加性高斯白噪声具有一定的鲁棒性.计算机仿真实验结果表明,当信噪比为3dB时,对载波频率稳定度差异为0.01 ppm的5种同阶MPSK 信号的平均分类准确率达到95％.【期刊名称】《计算机应用》【年(卷),期】2012(032)005【总页数】4页(P1460-1462,1466)【关键词】个体识别;频率稳定度;瞬时相位;信息维数;抗加性高斯白噪声【作者】赵国庆;彭华;王彬;滕波【作者单位】信息工程大学信息工程学院,郑州450000;信息工程大学信息工程学院,郑州450000;信息工程大学信息工程学院,郑州450000;72406部队,山东威海264200【正文语种】中文【中图分类】TN975;TP911.70 引言通信辐射源个体识别是指从接收信号中提取辐射源的细微特征(指纹特征)，进而区分不同的辐射源个体。

雷达辐射源个体识别的方法研究雷达辐射源个体识别的方法研究摘要：雷达辐射源个体识别在军事、安全和通信等领域具有重要的应用价值。

本文结合雷达信号特点，从特征提取、分类和识别三个方面，综述了雷达辐射源个体识别的研究方法，并对未来的研究方向进行了展望。

1. 引言雷达技术作为一种主要的电磁探测和目标识别手段，在许多领域有广泛的应用，其中辐射源个体识别是非常重要的一环。

辐射源个体识别主要涉及到信号处理和模式识别等多个学科。

本文旨在综述雷达辐射源个体识别的方法研究，为相关领域的科研工作者提供一定的参考。

2. 雷达辐射源个体特征提取方法辐射源个体的特征提取是雷达辐射源个体识别的关键步骤。

常用的特征参数有频率、幅度、相位等。

频率特征是通过分析辐射源的信号频率组成来确定辐射源的类型。

幅度特征可以通过信号的功率或幅度值来表征辐射源的特征。

相位特征是通过信号的相位差异来区分不同的辐射源。

3. 雷达辐射源个体分类方法辐射源个体的分类是指根据不同的特征将辐射源分为不同的类别。

常用的分类方法有聚类分析和支持向量机等。

聚类分析是将辐射源个体按照相似性进行分组，将同一类辐射源归为一组。

支持向量机是一种常见的机器学习方法，可通过学习一些已知类别的辐射源，从而对新的辐射源进行分类。

4. 雷达辐射源个体识别方法辐射源个体的识别是指根据一定的特征和分类方法，将辐射源个体进行辨认。

常见的方法有模式识别和神经网络等。

模式识别是指通过已知的模式来辨认新的样本，可以通过比较特征参数、计算相似度等进行识别。

神经网络是一种模仿人脑神经元活动的计算模型，通过训练网络来实现对新的辐射源进行识别。

5. 未来研究方向展望雷达辐射源个体识别技术仍然存在一些问题和挑战，如在复杂环境下的有效辨别、新型辐射源的准确识别等。

未来的研究方向可以是结合深度学习方法，研究复杂辐射源的识别；利用多传感器信息，提高辐射源个体特征提取的精度和准确性。

结论雷达辐射源个体识别的方法研究对于军事、安全和通信等领域具有重要的应用价值。

专利名称：基于IQ图特征的通信辐射源个体识别方法专利类型：发明专利
发明人：雷迎科,陈悦,潘必胜,李星,陈翔,张孟伯,滕飞申请号：CN202010996665.8
申请日：20200921
公开号：CN112183279B
公开日：
20220610
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于IQ图特征的通信辐射源个体识别方法。

该方法为：将所有类别的辐射源数据归一化，得到幅度最大值为a的I、Q路数据；对归一化的I、Q路数据，取每b个点为一个数据样本，每一类辐射源截取c个样本，得到训练集；分别对所有类别的I、Q路数据进行维度变化，将一维I、Q路数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到二维IQ图矩阵，再将I 路矩阵以及对应的Q路矩阵进行拼接得到二维矩阵图，将其作为神经网络的输入，用每个类别辐射源的训练样本对神经网络进行学习，保存学习好的神经网络模型，用来对测试集进行测试，完成通信辐射源个体识别。

本发明能够对不同辐射源信号进行分类，并且识别正确率高。

申请人：中国人民解放军国防科技大学
地址：230000 安徽省合肥市蜀山区黄山合肥市路460号
国籍：CN
代理机构：南京理工大学专利中心
代理人：薛云燕
更多信息请下载全文后查看。