【CN109978028A】一种基于集成深度学习的特定辐射源识别方法【专利】

(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。

一种辐射源个体识别方法、装置及设备
.本申请涉及通信技术领域，特别是指一种辐射源个体识别方法、装置及设备。

背景技术.随着无线通信的高速发展，无线通信业务飞速增长。

为了保障无线通信的高效安全，需要进行无线电监测。

所以，辐射源识别技术作为处于信号接收和解调的中间步骤，是一种通过分析接收信号的隐含的非理想硬件指纹的统计特征，从而快速、自动地识别不同辐射源的技术。

.目前已有的辐射源识别技术分为两大类：基于似然的调制方式识别技术和基于特征的辐射源识别技术。

前者可以得到最优结果但计算时间复杂度较高，故不常用在实际场景中；而后者虽然结果次...
注意：该技术已申请专利，请尊重研发人员的辛勤研发付出，在未取得专利权人授权前，仅供技术研究参考不得用于商业用途。

该专利适合技术人员进行技术研发参考，增加技术思路，做技术知识储备，不适合论文引用。

专利名称：基于深度学习模型与特征联合的雷达辐射源个体识别方法
专利类型：发明专利
发明人：李建清,刘佳旭,李留章,王宏
申请号：CN202010778765.3
申请日：20200805
公开号：CN111913156B
公开日：
20220624
专利内容由知识产权出版社提供
摘要：一种基于深度学习模型与特征联合的雷达辐射源个体识别方法，其步骤为：1)采集不同雷达发射的中频AD信号数据，截取脉内信号数据生成雷达辐射源个体识别样本集；2)对雷达辐射源个体识别样本进行归一化处理并划分成训练样本集、验证样本集与测试样本集；3)构建基于深度学习模型与特征联合的雷达辐射源个体识别模型；4)训练基于深度学习模型与特征联合的雷达辐射源个体识别模型；5)用测试样本集获得雷达辐射源个体识别模型结果与特征判定结果；6)用雷达辐射源个体识别模型结果与特征判定结果联合计算最终识别结果并统计识别准确率。

本发明具有普适性强，不需要人工特征提取和大量先验知识，具有复杂度低，分类结果准确稳定的优点。

申请人：电子科技大学
地址：610000 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：北京卓恒知识产权代理事务所(特殊普通合伙)
代理人：孔鹏
更多信息请下载全文后查看。

一种辐射源快速识别新方法刘志鹏;赵立新;张国毅【摘要】针对现有辐射源识别方法不能识别参数交叠的雷达信号以及BP神经网络迭代速度慢、识别效率低的缺点,设计出一种采用改进概率神经网络的实时快速识别方法.该方法构造的特征兼具单个脉冲参数统计特性和雷达参数变化整体特性两个层面的信息,进而可以对参数交叠的雷达信号进行有效识别.同时,该方法还对概率神经网络进行了改进,使之具备识别出未知雷达信号的能力.仿真实验表明,此方法在显著提高了识别率的同时,还具有良好的抗噪性和鲁棒性.【期刊名称】《航天电子对抗》【年(卷),期】2015(031)002【总页数】5页(P48-51,55)【关键词】雷达;辐射源识别;概率神经网络;特征提取;识别率【作者】刘志鹏;赵立新;张国毅【作者单位】空军航空大学,吉林长春130022;空军航空大学,吉林长春130022;空军航空大学,吉林长春130022【正文语种】中文【中图分类】TN971雷达辐射源识别是指雷达侦察设备完成脉冲串分选后，利用批信号的参数(载频、重频、脉宽等)判断出雷达的型号、工作状态，进而得到雷达的平台属性、体制、用途等信息，为己方掌握敌方的动态、目的提供重要依据。

随着雷达技术的进步，现代雷达侦察环境日趋复杂，主要表现为辐射源信号和雷达体制多种多样，信号参数在空间域和频率域的分布范围和交叠程度大大增加，这对电子情报侦察(ELINT)系统的信号分选和辐射源识别能力提出更高的要求。

针对现有辐射源识别方法已不能适应日益复杂的侦察环境，本文提出一种新的雷达辐射源识别方法,即采用改进概率神经网络的快速识别方法，在显著提高了识别率和识别速度的同时，还具有良好的抗噪性和鲁棒性。

目前常见的辐射源识别方法主要有特征参数匹配法、脉冲样本图识别法以及人工智能识别方法[1]。

特征参数匹配法将接收到的批信号参数与数据库中的数据进行查询比较，计算二者匹配程度，选择相似度最大的模板作为识别结果[2-3]。

专利名称：基于深度学习的复杂环境下雷达辐射源特征参数提取方法
专利类型：发明专利
发明人：梁菁,赵晨凯,王田田,任杰,唐琴,李岚钧,杨成浩,兰宇奇
申请号：CN201910462165.3
申请日：20190530
公开号：CN110187321A
公开日：
20190830
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深度学习的复杂环境下雷达辐射源特征参数提取方法，属于电子侦察领域。

包括：初始特征提取、分类神经网络构建、稀疏自编码器构建以及特征矩阵拼接；本发明将分类神经网络识别与稀疏自编码器神经网络识别想结合的方法，深入分析和研究辐射源信号的本质，探索新的特征参数，构建更有助于信号识别的特征向量，提升了复杂环境下雷达辐射源信号的识别能力。

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
国籍：CN
代理机构：成都弘毅天承知识产权代理有限公司
代理人：梁伟东
更多信息请下载全文后查看。

(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 202011134197.X(22)申请日 2020.10.21(71)申请人 安徽农业大学地址 230000 安徽省合肥市蜀山区长江西路130号(72)发明人 方梦卿　张友华　彭征承　朱俊霖　许雨璐　夏猛　李科　(74)专利代理机构 北京中誉威圣知识产权代理有限公司 11279代理人 张静轩(51)Int.Cl.G06K 9/00(2006.01)G06K 9/46(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)H04B 17/00(2015.01)(54)发明名称一种基于深度学习的通信辐射源射频指纹识别方法(57)摘要一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：使用通信信号接收装置，接收通信辐射源信号，并对信号进行处理，获得I/Q两路数字零中频信号；同时提取I/Q两路数字零中频信号的三种指纹信息，分别为：矩形积分双谱特征、分形盒维数特征、小波特征；将三种指纹信息数据集划分为训练集和测试集；构建多通道深度学习模型，并利用训练集和测试集训练模型直至模型精度达到98％；本发明在现有的通信辐射源射频指纹识别的传统方法上进行创新，利用信号多特征融合的方法，采用多通道深度卷积神经网络模型，进行二次特征提取，提高通信辐射源射频指纹的识别精度，从而更好地达到实际环境对通信辐射源射频指纹的识别要求。

权利要求书2页 说明书5页 附图2页CN 112464713 A 2021.03.09C N 112464713A1.一种基于深度学习的通信辐射源射频指纹识别方法，其特征在于：包括以下步骤：A、使用通信信号接收装置，接收通信辐射源信号，并进行预选放大、混频、中频滤波、A/ D转换、数字正交解调，获得I/Q两路数字零中频信号；B、针对每种信号，提取其三种指纹信息，分别为：提取I/Q两路数字零中频信号的矩形积分双谱特征、提取I/Q两路数字零中频信号的分形盒维数特征、提取I/Q两路数字零中频信号的小波特征；C、将提取到的所有通信辐射源信号的矩形积分双谱特征、分形盒维数特征和小波特征，划分为训练样本集和测试样本集；D、构建多通道深度学习模型，即多通道深度卷积神经网络模型；E、利用已组建的训练样本集和测试样本集，训练多通道深度学习模型，确定模型参数；F、将几类待识别的通信辐射源信号的特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。

专利名称：一种基于深度学习的鲁棒性通信辐射源智能识别方法
专利类型：发明专利
发明人：费泽松,王新尧,李维彪,尹睿锐,曾鸣
申请号：CN202011592239.4
申请日：20201229
公开号：CN112613443A
公开日：
20210406
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深度学习的鲁棒性通信辐射源智能识别方法，包括：信号样本数据的预处理步骤；对信号样本数据进行数据增强的步骤；利用CNN模块+LSTM模型提取信号样本数据特征的步骤，使用Softmax逻辑回归模型对各信号样本数据的特征进行分类的步骤，根据各信号样本数据的置信度识别异常信号样本数据的步骤，和对异常信号样本数据的特征进行K‑Means聚类的步骤。

本发明设计方案简单易实现，可针对不同载频、信噪比、相位失真程度的接收信号，对不同通信环境下截获信号的适应性强，既可以对于有标签的历史辐射源进行识别，也可以对无标签的异常辐射源进行盲源分类。

申请人：北京理工大学重庆创新中心
地址：401120 重庆市渝北区龙兴镇曙光路9号9幢
国籍：CN
代理机构：成都九鼎天元知识产权代理有限公司
代理人：封浪
更多信息请下载全文后查看。

2020年7月基于深度学习的电磁辐射源识别技术杜盈,何瑞珠（中国电子科技集团公司第七研究所，广东广州510310）【摘要】传统人工设计指纹特征很难分析出同类辐射源信号之间个体的细微区别,若是能直接从信号中提取辐射源指纹,则可以大大加强指纹特征的表征能力。

深度学习不仅包含了神经网络的输入层、隐层、输出层等结构,而且完美地将特征和分类器结合到一个框架中,省去了人工设计特征的烦琐和不易,还能从样本中学习数据的本质特征,实现复杂函数的逼近。

为提取有效的信号指纹,本文利用CNN和CLDNN两种网络结构,并结合centerloss损失函数来进一步提升网络分类性能。

【关键词】深度神经网络;辐射源指纹;个体识别【中图分类号】TN957.51【文献标识码】A【文章编号】1006-4222（2020）07-0075-021概述辐射源指纹是同一通信设备发送的信号在无限区域上的一维波形重复出现的变化规律信息。

辐射源指纹识别技术主要根据各通信设备硬件差异在发射信号上所表现出来的区别于其他个体的特征，对信号承载的隐含信息进行分析，深入挖掘通信设备的工作参数和特征参数等精细结构（个体细微特征），标识信号来自哪部通信设备，实现设备追踪，掌握其工作状态及活动规律，进而有针对性地对其进行监视、电子干扰或者打击。

近年来，国内外对辐射源指纹特征的研究越发深入，例如在针对信号调制参数的信号指纹提取方面，提取同型号两台短波电台的2FSK信号的载频和码元过渡时间构造信号指纹，显示出不同短波电台信号指纹之间的差异性。

但是传统方法也有一些弊端，比如采用双谱特征融合的方法，可以快速准确地完成辐射源指纹特征提取及分类识别，但需要大量的训练样本。

在针对信号杂散特性的信号指纹提取方面，将基于复小波变换提取包络的统计值作为信号指纹，在实际环境中信号极易受到噪声或电子干扰，其微弱的杂散特征成分的差异可能无法准确表征通信辐射源个体。

传统的辐射源分类识别都是提取辐射源的专家特征，然后利用支持向量机（SVM）等分类模型进行分类，将提取射频指纹和分类割裂开来。