基于等势星球图的辐射源个体识别方法

1.本发明涉及一种基于等势星球图的辐射源个体识别方法，属于辐射源信号识别技术领域。


背景技术：

2.特定辐射源识别(specific emitter identification，sei)，是指对接收的电磁信号进行特征测量，根据已有的先验信息确定产生信号的辐射源个体的技术。在复杂多变的电磁环境中对侦察到的辐射源进行正确识别具有极其重要的军事意义。同时，随着5g和物联网时代的到来，无线网络的安全也迎来了巨大的挑战。辐射源个体识别技术可以应用于无线接入认证、电磁环境监管等项目中，可以有效地提高无线网络的安全。在民用领域中，辐射源个体识别技术是认知无线电、无线电定位、通信设备故障检测与识别等领域的关键技术之一，具有非常重要的作用。
3.随着科学技术的发展，信号所处的电磁信号环境日益复杂，辐射源密度成倍增加，电磁信号样式复杂多变，这些都给辐射源识别带来前所未有的挑战。一般的辐射源识别方法难以实现复杂电磁环境下准确、稳定、可靠的辐射源识别。因此，急需研究开发新的辐射源识别方法和识别装置。


技术实现要素：

4.本发明所要解决的技术问题在于针对现有技术的不足，提供一种基于等势星球图的辐射源个体识别方法，通过将iq两路信号数据从信号域转变到基于等势星球图的图域，再通过卷积神经网络自动有效地提取由信号携带的辐射源个体的深层次的特征，将每一个等势星球图与信号数据对应，信号数据与辐射源个体对应，从而更加有效的将辐射源个体识别分类。
5.本发明所要解决的技术问题是通过如下技术方案实现的：
6.本发明提供一种基于等势星球图的辐射源个体识别方法，包括以下步骤：
7.s1：采集型号相同的多个辐射源个体的信号数据；
8.s2：对所述信号数据进行数据预处理，得到信号星座图；
9.s3：对所述信号星座图中的数据点进行点密度计算，并根据点密度计算结果对所述信号星座图进行上色处理，得到等势星球图；
10.s4：使用卷积神经网络对所述等势星球图进行特征提取和分类；
11.s5：输出识别结果。
12.优选地，所述信号数据包括i路信号数据和q路信号数据。
13.优选地，所述对所述信号数据进行数据预处理，得到信号星座图具体为：
14.将多个辐射源个体的每个采样点的所述信号数据中的i路信号数据作为信号星座图的横坐标，并将每个采样点的所述信号数据中的q路信号数据作为信号星座图的纵坐标，从而将多个辐射源个体的信号数据映射为所述信号星座图。
15.优选地，采用窗函数来进行所述点密度计算。
16.优选地，所述窗函数为密度窗函数，所述采样点处的归一化点密度ρ为：
[0017][0018]
其中，ρ(i)表示第i个采样点的归一化点密度，h(i)表示获取第i个采样点在所述信号星座图的横坐标，v(i)表示获取第i个采样点在所述信号星座图的纵坐标，r代表计算归一化点密度正方形区域的边长的一半，n代表所述信号星座图中采样点的总数，f(x)满足如下的表达式：
[0019][0020]
优选地，所述r＝sqrt((range(x)/30)^2+(range(y)/30)^2)，
[0021]
其中x表示i路信号数据，y表示q路信号数据，range函数表示求解向量中最大值与最小值之差，sqrt表示平方根函数。
[0022]
优选地，所述根据点密度计算结果对所述信号星座图进行上色处理具体为：
[0023]
选择不同的颜色，对所述信号星座图中具有不同归一化点密度值或者不同归一化点密度范围的数据点处进行上色。
[0024]
优选地，使用黄色至绿色至蓝色的渐变颜色色条中的颜色依次表示由高至低的归一化点密度。
[0025]
优选地，所述卷积神经网络为alexnet。
[0026]
综上所述，本发明通过将iq两路信号数据从信号域转变到基于等势星球图的图域，再通过卷积神经网络自动有效地提取由信号携带的辐射源个体的深层次的特征，将每一个等势星球图与信号数据对应，信号数据与辐射源个体对应，从而更加有效的将辐射源个体识别分类。
[0027]
下面结合附图和具体实施例，对本发明的技术方案进行详细地说明。
附图说明
[0028]
图1为本发明基于等势星球图的辐射源个体识别方法的框图；
[0029]
图2为本发明基于等势星球图的辐射源个体识别方法与传统的特征提取方法的对比图。
具体实施方式
[0030]
图1为本发明基于等势星球图的辐射源个体识别方法的框图。如图1所示，本发明提供一种基于等势星球图的辐射源个体识别方法，所述基于等势星球图的辐射源个体识别方法包括以下步骤：
[0031]
s1：采集型号相同的多个辐射源个体的信号数据；
[0032]
s2：对所述信号数据进行数据预处理，得到信号星座图；
[0033]
s3：对所述信号星座图中的数据点进行点密度计算，并根据点密度计算结果对所述信号星座图进行上色处理，得到等势星球图；
[0034]
s4：使用卷积神经网络对所述等势星球图进行特征提取和分类；
[0035]
s5：输出识别结果。
[0036]
在所述s1中，所述信号数据包括i路信号数据和q路信号数据。
[0037]
在所述s2中，所述对所述信号数据进行数据预处理，得到信号星座图具体为将多个辐射源个体的每个采样点的所述信号数据中的i路信号数据作为信号星座图的横坐标，并将每个采样点的所述信号数据中的q路信号数据作为信号星座图的纵坐标，从而将多个辐射源个体的信号数据映射为所述信号星座图。需要补充的是，上述示例仅是示意性的，本发明并不限制通过数据预处理得到信号星座图的具体方式，本领域技术人员可以根据实际情况选择合适的现有方法将信号数据处理为信号星座图。
[0038]
在所述信号星座图中，不同的区域具有不同的采样点密度。在本发明中，示例性的采用窗函数来进行s3中所述的点密度计算。
[0039]
具体来说，在本发明中，所述窗函数优选为密度窗函数，当所述密度窗函数在所述信号星座图上滑动时，所述密度窗口函数将统计不同区域窗中点数，并用所述点数除以整个信号星座图的采样点个数，得到采样点处的归一化点密度ρ，即
[0040][0041]
式中，ρ(i)表示第i个采样点的归一化点密度，h(i)表示获取第i个采样点在所述信号星座图的横坐标，v(i)表示获取第i个采样点在所述信号星座图的纵坐标，r代表计算归一化点密度正方形区域的边长的一半，n代表所述信号星座图中采样点的总数，f(x)满足如下的表达式：
[0042][0043]
优选地，所述r＝sqrt((range(x)/30)^2+(range(y)/30)^2)，其中x表示i路信号数据，y表示q路信号数据，range函数表示求解向量中最大值与最小值之差，sqrt表示平方根函数。
[0044]
通过上述方法，可以得出所述信号星座图中的各个数据点处的点密度，当然，本发明并不限制点密度的计算方式，本领域技术人员可以选用其他公知的点密度计算方式。
[0045]
在所述s3中，所述根据点密度计算结果对所述信号星座图进行上色处理具体为：选择不同的颜色，对所述信号星座图中具有不同归一化点密度值或者不同归一化点密度范围的数据点处进行上色。本发明并不限制上色的具体规则，例如，通过预设的包含点密度与颜色的对应关系的色条对所述信号星座图进行上色。优选地，使用黄色至绿色至蓝色的渐变颜色色条中的颜色依次表示由高至低的归一化点密度。
[0046]
通过s3中的上色处理，可形成具有rgb信息的图像，即能够得到等势星球图。传统的信号星座图用于提取信号特征时具有缺陷，例如在实际数据采集过程中，器件内部噪声会严重污染射频信号，使得采集的不同射频信号的星座图具有相同的图形，而本发明中的等势星球图与传统的信号星座图相比，加了上色的步骤，可以展现个体更深层次的特征，相当于增加了一个维度，更多的展示了个体之间的差异，因此本发明在进行个体识别时，会更加精确。
[0047]
在所述s4中，本发明并不限制所述卷积神经网络的类型，只要其能够实现图片识别分类便可。优选地，在本发明中使用卷积神经网络alexnet对等势星球图进行自动提取特征及分类。由于所述alexnet是一种公开的网络，因此，所述s4中的具体过程在此不再赘述。
[0048]
图2为本发明基于等势星球图的辐射源个体识别方法与传统的特征提取方法的对比图。在图2中，使用卷积神经网络alexnet与等势星球图结合的方法与传统的welch法、yule-walker法和burg法对信号数据进行提取功率谱特征进行对比。本次对比实验使用的数据集介绍如下：利用基带信号接收机采集八个相同型号相同批次的功率放大器输出数据作为研究对象，该放大器模块工作的中心频率为433mhz，每一个个体使用100个样本进行研究，每个样本20000个样本点。在进行功率谱特征提取时，fft点数使用2048，得到功率谱之后使用pca进行降维，最终使用k近邻分类器进行分类识别。
[0049]
从图2可以看出，本发明使用卷积神经网络以及等势星球图的辐射源个体识别方法的识别精度优于传统的方法。
[0050]
综上所述，本发明通过将iq两路信号数据从信号域转变到基于等势星球图的图域，再通过卷积神经网络自动有效地提取由信号携带的辐射源个体的深层次的特征，将每一个等势星球图与信号数据对应，信号数据与辐射源个体对应，从而更加有效的将辐射源个体识别分类。