基于DAE+CNN辐射源信号识别算法

基于VMD联合RCMDE的特定辐射源识别方法
宋子豪;程伟;李敬文;李晓柏
【期刊名称】《无线电工程》
【年(卷),期】2022(52)8
【摘要】针对常用于特定辐射源识别(Specific Emitter Identification,SEI)的典型一维特征常常引发识别性能下滑问题,高维度特征维度较大、与一般分类器结合使用时计算效率较低的问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和精细复合多尺度散布熵(Refined Composite Multi-scale Dispersion Entropy,RCMDE)的SEI方法,利用VMD和RCMDE获取原始辐射源信号不同频率分量的多尺度时间复杂度特征,选择支持向量机(Support Vector Machine,SVM)完成分类识别。

仿真结果表明,莱斯信道下,在-5~15 dB的信噪比(Signal-to-Noise,SNR)范围内,所提方法对3个不同辐射源个体的识别准确率达到了99.2367%,相比于其他方法有显著的性能提升。

【总页数】9页(P1386-1394)
【作者】宋子豪;程伟;李敬文;李晓柏
【作者单位】空军预警学院预警情报系;空军预警学院雷达士官学校教研保障中心【正文语种】中文
【中图分类】TN914
【相关文献】
1.特定辐射源识别方法的研究
2.基于ITD与纹理分析的特定辐射源识别方法
3.基于矢量图的特定辐射源识别方法
4.基于VMD的通信辐射源个体识别方法
5.基于1D-CNN-LSTM的特定辐射源识别方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于深度学习的通信辐射源识别综述
王育欣;马宏斌;马宏;焦义文;李雪健;侯顺虎
【期刊名称】《无线电工程》
【年(卷),期】2024(54)6
【摘要】非合作条件下的信号检测、调制方式识别及辐射源个体识别(Specific Emitter Identification,SEI)等任务,是开展战场通信侦察的重要环节。

随着无线通信技术的飞速发展,辐射源种类愈加多样,信号体制愈加复杂,加之恶劣的电磁环境,给SEI工作带来了极大的挑战。

近年来,随着深度学习的飞速发展,及其在自然语言处理和计算机视觉等领域的有效应用,学者们逐渐将其应用到SEI任务中,并取得了丰富的研究成果。

鉴于现有文献缺乏开源数据集,汇编了可用的开源数据集,从知识驱动和数据驱动2个维度对SEI方法进行详尽梳理,包括专家系统方法和深度学习技术。

通过对比分析揭示了深度学习在SEI任务中的优势,并针对当前深度学习在SEI 领域面临的问题,总结了未来SEI的发展方向。

【总页数】9页(P1337-1345)
【作者】王育欣;马宏斌;马宏;焦义文;李雪健;侯顺虎
【作者单位】航天工程大学智能化航天测运控教育部重点实验室
【正文语种】中文
【中图分类】TP18;TN92
【相关文献】
1.基于深度学习的通信辐射源调制样式识别方法
2.基于深度学习的通信辐射源识别研究综述
3.基于深度学习的辐射源个体识别方法综述
4.小样本雷达辐射源识别的深度学习方法综述
因版权原因，仅展示原文概要，查看原文内容请购买。

基于辐射源特征信息的目标识别技术I. 引言- 研究背景和意义- 文章内容和结构概述II. 辐射源特征信息概述- 辐射源分类- 辐射源特征信息的获取和分析III. 目标识别技术- 基于模式识别的目标识别方法- 基于机器学习的目标识别方法- 基于深度学习的目标识别方法IV. 基于辐射源特征信息的目标识别技术研究- 目标识别技术的应用场景- 基于辐射源特征信息的目标识别技术研究现状- 基于辐射源特征信息的目标识别技术的实验结果分析V. 结论和展望- 总结- 展望未来研究方向和发展趋势VI. 致谢- 参与本文研究的人员致谢- 研究资金和设备支持单位致谢I. 引言随着人类科技水平的发展和应用范围的拓展，辐射源技术在军事、医学、环境、能源等领域得到了广泛应用。

辐射源分类、定位和目标识别是辐射源技术应用中的重要问题。

其中，目标识别问题是通过分析辐射源的特征信息识别出不同类型的目标。

目标识别技术需要进行模式识别、机器学习、深度学习等领域的交叉研究。

本文将讨论基于辐射源特征信息的目标识别技术。

II. 辐射源特征信息概述辐射源是指放射性物质、高能粒子和辐射性场等会产生辐射的物质或现象。

辐射源的类型和辐射特征均不同，但是辐射源的特征信息是识别不同类型目标的基础。

辐射源特征信息主要包括以下方面：1.辐射类型：包括γ射线、x射线、中子、质子等不同类型的辐射。

2.能量范围：辐射源辐射出的粒子能量范围不同，如高能、低能等。

3.辐射强度：辐射源辐射场内的辐射粒子数量或能量密度。

4.发射方向：辐射源向不同方向辐射的特征。

5.发射位置：辐射源在空间中的位置和分布情况。

6.辐射时间：辐射源放射辐射的时间和持续时间。

7.辐射成分：辐射源放射的不同成分，如α、β、γ线的混合源等。

III. 目标识别技术目标识别技术是利用计算机或其他数字化设备，通过对目标特征信息的提取，对目标进行自动或半自动的分类和识别。

根据目标识别技术的不同范式，可以分为基于模式识别、机器学习和深度学习的方法。

·技术前沿·航天电子对抗2021年第1期基于深度学习的雷达辐射源识别算法殷雪凤，武斌（西安电子科技大学电子工程学院，陕西西安710126）摘要：为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题，提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法，构建了一个CNN‑LSTM网络，能实现对不同脉内调制方式雷达辐射源的端到端识别。

该网络首先利用卷积层学习信号局部特征，然后将卷积层输出的结果输入长短期记忆网络，学习信号的全局特征，最终构造逻辑回归分类完成分类识别任务。

仿真结果表明，该算法较单一卷积神经网络模型具有更好的识别效果，抗噪声效果更强，在-6dB信噪比的条件下，识别的准确率仍能够达到90%以上。

关键词：卷积神经网络；长短期记忆网络；雷达辐射源识别；深度学习中图分类号:TN971+.5；TN974文献标志码:ARadar emitter identification algorithm based on deep learningYin Xuefeng，Wu Bin(School of Electronic Engineering，Xidian University，Xi’an710126，Shanxi，China)Abstract：In order to solve problems of feature extraction and low recognition efficiency under low signal-to-noise ratio in radar emitter identification，a deep learning intelligent recognition algorithm is proposed based onone-dimensional convolutional neural network and long short-term memory（CNN-LSTM）network.A CNN-LSTM network is constructed，which can realize end-to-end identification of different pulse modulation radarsources.The convolutional layers are used to learn the local characteristics of the signal by this network，and thelong short-term memory layer is used to learn the global characteristics.Finally a logistic regression classificationis constructed to complete the recognition task.Simulation results show that the algorithm has better recognitioneffect and stronger anti-noise effect compared with the single convolutional neural network model.Under the con‑dition of-6dB signal-to-noise ratio，the recognition accuracy can still reach more than90%.Key words：convolutional neural network；long short-term memory network；radar emitter identification；deep learning0引言雷达辐射源识别（REI/RER）技术是电子战中至关重要的一部分，是电子支援措施（ESM）的核心和雷达对抗系统中的关键技术[1]。

基于深度学习的通信辐射源调制样式识别方法随着通信技术的迅猛发展，对通信辐射源的调制样式进行准确识别的需求也越来越大。

通信辐射源调制样式的准确识别可以用于频谱管理、通信系统的安全性评估等领域。

传统方法中，常使用人工特征提取和机器学习算法来解决这个问题，但随着深度学习方法的兴起，基于深度学习的通信辐射源调制样式识别方法在近年来得到了广泛的研究和应用。

首先，数据预处理是保证模型准确识别的重要步骤。

通信辐射源常使用数字信号传输，因此需要将信号进行解调和采样。

然后，对信号进行滤波和归一化处理，这些预处理步骤能够去除噪声和干扰，使得深度学习模型能更好地提取特征。

其次，构建和训练深度学习模型是通信辐射源调制样式识别的核心步骤。

常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等。

这些模型能够自动提取信号的特征，并通过多层次的神经网络结构进行分类。

在构建模型时，需要注意选择适当的网络结构和超参数，以提高模型的准确性和泛化能力。

训练模型时，可以使用梯度下降等优化算法对模型的权重进行更新，使得模型能更好地拟合训练集。

最后，通过在测试集上评估模型的性能，可以对模型的准确性进行评估。

常用的评价指标包括准确率、精确率、召回率等。

通过对评价指标的分析，可以评估模型的准确性和稳定性，并对模型进行调优和改进。

总之，基于深度学习的通信辐射源调制样式识别方法在解决通信辐射源调制样式识别问题上具有很大的优势。

它能够自动提取信号的特征，减少了人工特征工程的工作量，并能够更好地处理复杂的调制样式。

然而，深度学习模型的构建和训练也需要大量的数据和计算资源，因此在实际应用中需要进行合理的权衡和选择。

随着深度学习技术的不断发展和完善，基于深度学习的通信辐射源调制样式识别方法将在通信领域得到更广泛的应用。

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。

基于深度学习的辐射源个体识别研究基于深度学习的辐射源个体识别研究随着现代社会科学技术的不断发展，辐射源在核能、医学、工业等领域中的应用越来越广泛。

然而，辐射源的个体识别对于辐射安全控制和应急响应至关重要。

由于传统的个体识别方法存在着很大的缺陷，近年来，基于深度学习的辐射源个体识别逐渐受到研究者们的关注。

深度学习是一种模拟人脑神经网络的机器学习方法，通过构建多个神经网络层次结构来实现对复杂数据的建模和学习。

与传统方法相比，深度学习可自动从原始数据中提取高层次的特征表示，能够更好地捕捉复杂数据中的潜在规律和关联信息。

因此，基于深度学习的辐射源个体识别具有很大的潜力和优势。

在基于深度学习的辐射源个体识别研究中，主要涉及到两个关键问题：数据预处理和深度学习模型设计。

数据预处理是深度学习中至关重要的一步，它可以对原始数据进行重采样、降噪、标准化等处理，有效提高后续数据的可处理性和模型的训练效果。

对于辐射源个体识别任务，数据预处理的目标是降低噪声数据和非辐射源数据对模型准确性的影响，提高模型对于辐射源数据的识别率。

而深度学习模型的设计则需要考虑到数据维度、样本数量、网络结构等因素，并通过合适的激活函数、损失函数和优化算法进行模型的训练和优化。

针对数据预处理问题，研究者可以结合不同的降噪算法，如小波降噪、自适应降噪等方法，对原始数据进行处理。

在特征提取方面，可以利用卷积神经网络（CNN）来提取辐射源的各种特征。

由于CNN具有卷积层和池化层的结构，在多个层次上对数据进行处理，使得模型可以自动从不同尺度和位置的特征中学习。

此外，为了进一步提高模型的识别准确性，可以引入循环神经网络（RNN）等结构。

在深度学习模型设计方面，可以根据数据的特点和任务的要求，采用不同的网络结构。

例如，对于低维数据，可以选择较浅的网络结构，如全连接网络；而对于高维数据，则可以选择深层网络结构，如堆叠自编码器、深度信念网络等。

此外，还可以通过引入注意力机制等方法来提高模型对于重要特征的关注和学习能力。

面向无人机辐射源个体识别的域适应模型设计查浩然;刘畅;王巨震;林云【期刊名称】《信号处理》【年(卷),期】2024(40)4【摘要】近年来,无人机在军用领域和民用领域得到了广泛的应用,给人们带来极大便利的同时也带来了重大的安全挑战,精准识别无人机的需求日益迫切,其中无人机辐射源个体识别方法得到广泛关注和深入研究。

基于深度学习的方法因其卓越性能而受到广泛关注,然而这些方法大多依赖于大量独立同分布的训练数据,而在实际应用中,无人机射频数据的采集和标注充满挑战,训练数据和测试数据之间往往存在较大的分布差异。

针对无人机射频数据采集和标注困难、训练数据和测试数据分布差异大等现实应用需求,提出了一种面向无人机辐射源个体识别的域适应模型设计方法。

采用自助抽样法对无人机数据集进行重采样,增加数据集中的样本多样性。

将Transformer编码器与域对抗神经网络结合,使特征在高斯分布下进行优化。

引入最大均值差异作为度量方法来减少训练过程中源域和目标域之间的分布差异。

基于权重的加权投票法增强模型的泛化性,提高模型适应新环境的能力。

实验结果表明,基于3种典型环境,构建6种域适应场景,本文所提的方法识别率高于现有方法约5%。

此外,还研究了源域样本数量和目标域样本数量对域适应效果的影响,在目标域含有少量样本时依然可以达到较高的性能,较好地平衡了无人机辐射源个体识别精确度与泛化性、可靠性的需求。

【总页数】11页(P650-660)【作者】查浩然;刘畅;王巨震;林云【作者单位】哈尔滨工程大学信息与通信工程学院;武汉大学电子信息学院【正文语种】中文【中图分类】TN911.7【相关文献】1.基于多域特征融合学习的辐射源个体识别算法2.基于复数域上元度量学习的小样本辐射源个体识别方法3.基于多域特征融合的通信辐射源个体识别方法4.面向ADS-B信号辐射源个体识别的轻量化模型设计5.基于类特征对齐的多源域适应辐射源个体识别方法因版权原因，仅展示原文概要，查看原文内容请购买。

(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 202011160727.8(22)申请日 2020.10.27(66)本国优先权数据202011031867.5 2020.09.27 CN(71)申请人 西安电子科技大学地址 710071 陕西省西安市太白南路2号(72)发明人 武斌　殷雪凤　李鹏　张葵　王钊　荆泽寰　袁士博　(74)专利代理机构 陕西电子工业专利中心61205代理人 田文英　王品华(51)Int.Cl.G06K 9/00(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称基于一维CNN和LSTM的雷达辐射源识别方法(57)摘要本发明公开了一种一维CNN和LSTM的雷达辐射源识别方法，其步骤为：(1)构建CNN局部特征提取模块；(2)构建LSTM全局特征提取模块；(3)将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络；(4)生成训练集；(5)训练雷达辐射源识别网络；(6)对雷达辐射源识别样本进行识别。

本发明构建的雷达辐射源识别网络，可直接对雷达辐射源时域信号进行特征提取，不需要维度变换，实时性好。

同时本发明采用CNN和LSTM模块提取信号局部特征和全局特征，特征提取更充分，提高了识别率，使得本发明具有更好的实时性和抗噪声性能。

权利要求书2页 说明书6页 附图1页CN 112115924 A 2020.12.22C N 112115924A1.基于一维CNN和LSTM的雷达辐射源识别方法，其特征在于，利用雷达辐射源数据集对构建的CNN和LSTM的神经网络进行训练，将待识别的雷达辐射源信号输入训练好的神经网络进行识别，该方法的步骤如下：(1)构建CNN局部特征提取模块：(1a)搭建一个6层的CNN局部特征提取模块，其结构依次为：第一卷积层→第一池化层→第二卷积层→第二池化层→第三卷积层→第三池化层；(1b)将第一至第三卷积层中卷积核的个数分别设置为32，32，64，卷积核的大小分别设置为4×1，3×1，3×1，步长均设置为1，激活函数为eLU函数，第一至三池化层均采用最大池化方式，池化区域核的大小分别设置为5×1，4×1，4×1，步长均设置为4；(2)构建LSTM全局特征提取模块：(2a)搭建一个3层的LSTM全局特征提取模块，其结构依次为：LSTM层→第一全连接层→第二全连接层；(2b)将LSTM层、第一全连接层、第二全连接层的神经元个数分别设置为64，64，6；(3)将局部特征提取模块和全局特征提取模块连接成雷达辐射源识别网络；(4)生成训练集：(4a)生成一个包括常规脉冲信号、线性调频信号、非线性余弦调频信号、二相编码信号、二频编码信号和四频率编码信号6种不同调制类型信号的数据集，每种信号在-8dB到14dB范围内随机选择加入不同的信噪比，每个信噪比下每种调制类型信号至少生成500个样本，每个样本的采样点数为4097；(4b)利用z-score归一化算法，对数据集中的每个样本进行归一化预处理，将预处理后的所有样本组成训练集；(5)训练雷达辐射源识别网络：将训练集的样本输入到雷达辐射源识别网络中，利用Adam算法迭代更新网络的权值15次，得到训练好的雷达辐射源识别网络；(6)对雷达辐射源样本进行识别：(6a)利用z-score归一化算法，对电子侦察接收机采集的待识别的每个雷达辐射源样本进行归一化预处理；(6b)将预处理后的待识别雷达辐射源样本依次输入到训练好的雷达辐射源识别网络中，得到每个样本的识别结果。