一种通信辐射源的识别方法、装置、存储介质及设备与流程

1.本技术涉及通信技术领域，尤其涉及一种通信辐射源的识别方法、装置、存储介质及计算设备。


背景技术：

2.通信辐射源是指能够能发射电离辐射的设备或装置，包括但不限于电报发射机、飞机、潜艇等。通信辐射源的识别是通信侦察和电子对抗领域的关键技术之一，也是国内外电子战领域的前沿方向。在民用领域，通信辐射源的识别在频谱管理和通信信号识别领域也发挥着重要作用。
3.通信辐射源的识别，具体是从侦收到的信号中提取蕴含发射设备个体信息的细微特征来对不同的通信辐射源进行识别的过程。具体地，通信辐射源的识别通常可以包括信号采集、信号预处理、特征提取、个体分类等不同阶段。其中，特征提取是实现通信辐射源的识别的关键步骤。
4.目前，业界通常采用人工方式提取特征，进行通信辐射源的识别。人工提取的特征在许多任务上虽然都取得比较杰出的效果，但是人工提取的特征不能保证是在通信辐射源个体识别任务上是最优的特征，从而导致通信辐射源的识别准确度无法得到保障，难以满足业务的需求。


技术实现要素：

5.本技术的主要目的在于提供一种通信辐射源的识别方法、装置、存储介质及计算设备，能够提升通信辐射源识别的准确度。
6.第一方面，本技术提供了一种通信辐射源的识别方法，包括：
7.采集来自于通信辐射源的第一原始波形信号；
8.利用特征提取网络从所述第一原始波形信号提取所述通信辐射源的特征，所述特征提取网络包括深度神经网络，所述深度神经网络包括过滤层，所述过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器；
9.将所述通信辐射源的特征输入分类器，获得所述通信辐射源的识别结果。
10.在一些可能的实现方式中，所述特征提取网络还包括时延神经网络，所述利用特征提取网络从所述第一原始波形信号提取所述通信辐射源的特征，包括：
11.利用所述深度神经网络，从所述第一原始波形信号中提取第一特征；
12.利用所述时延神经网络，从所述第一特征中提取第二特征。
13.在一些可能的实现方式中，所述深度神经网络和所述时延神经网络通过至少一个卷积层连接；所述方法还包括：
14.通过所述至少一个卷积层对所述第一特征进行处理；
15.所述利用所述时延神经网络，从所述第一特征提取第二特征，包括：
16.利用所述时延神经网络，从处理后的所述第一特征中提取第二特征。
17.在一些可能的实现方式中，所述深度神经网络包括sincnet，所述sincnet的第一层为所述过滤层。
18.在一些可能的实现方式中，所述方法还包括：
19.获取训练集，所述训练集包括标注有通信辐射源个体信息的第二原始波形信号；
20.利用辐射源识别网络，对所述第二原始波形信号进行识别，所述辐射源识别网络包括所述特征提取网络和所述分类器；
21.根据通信辐射源个体信息和所述辐射源识别网络的识别结果，更新所述特征提取网络和所述分类器的参数。
22.在一些可能的实现方式中，所述方法还包括：
23.对所述第二原始波形信号进行混合样本数据增强，获得增强后的所述第二原始波形信号；
24.所述利用辐射源识别网络，对所述第二原始波形信号进行识别，包括：
25.利用辐射源识别网络，对增强后的所述第二原始波形信号进行识别。
26.在一些可能的实现方式中，所述第一原始波形信号为同相正交iq信号，所述利用特征提取网络从所述第一原始波形信号提取所述通信辐射源的特征，包括：
27.利用特征提取网络从所述iq信号中的i信号提取所述通信辐射源的特征；和/或者，
28.利用特征提取网络从所述iq信号中的q信号提取所述通信辐射源的特征。
29.第二方面，本技术提供了一种通信辐射源的识别装置，包括：
30.采集模块，用于采集来自于通信辐射源的第一原始波形信号；
31.特征提取模块，用于利用特征提取网络从所述第一原始波形信号提取所述通信辐射源的特征，所述特征提取网络包括深度神经网络，所述深度神经网络包括过滤层，所述过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器；
32.分类模块，用于将所述通信辐射源的特征输入分类器，获得所述通信辐射源的识别结果。
33.在一些可能的实现方式中，所述特征提取网络还包括时延神经网络，所述特征提取模块，具体用于：
34.利用所述深度神经网络，从所述第一原始波形信号中提取第一特征；
35.利用所述时延神经网络，从所述第一特征中提取第二特征。
36.在一些可能的实现方式中，所述深度神经网络和所述时延神经网络通过至少一个卷积层连接，所述装置还包括：
37.特征处理模块，用于通过所述至少一个卷积层对所述第一特征进行处理；
38.所述特征提取模块，具体用于：
39.利用所述时延神经网络，从处理后的所述第一特征中提取第二特征。
40.在一些可能的实现方式中，所述深度神经网络包括sincnet，所述sincnet的第一层为所述过滤层。
41.在一些可能的实现方式中，所述装置还包括：
42.模型训练模块，用于获取训练集，所述训练集包括标注有通信辐射源个体信息的第二原始波形信号；利用辐射源识别网络，对所述第二原始波形信号进行识别，所述辐射源
识别网络包括所述特征提取网络和所述分类器；根据通信辐射源个体信息和所述辐射源识别网络的识别结果，更新所述特征提取网络和所述分类器的参数。
43.在一些可能的实现方式中，所述装置还包括：
44.数据增强模块，用于对所述第二原始波形信号进行混合样本数据增强，获得增强后的所述第二原始波形信号；
45.所述模型训练模块，具体用于：
46.利用辐射源识别网络，对增强后的所述第二原始波形信号进行识别。
47.在一些可能的实现方式中，所述第一原始波形信号为同相正交iq信号，所述特征提取模块，具体用于：
48.利用特征提取网络从所述iq信号中的i信号提取所述通信辐射源的特征；和/或者，
49.利用特征提取网络从所述iq信号中的q信号提取所述通信辐射源的特征。
50.第三方面，本技术提供了一种计算设备，包括：处理器、存储器、系统总线；
51.所述处理器以及所述存储器通过所述系统总线相连；
52.所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述通信辐射源的识别方法中的任意一种实现方式。
53.第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算设备上运行时，使得所述计算设备执行上述通信辐射源的识别方法中的任意一种实现方式。
54.第五方面，本技术还提供了一种计算机程序产品，所述计算机程序产品在计算设备上运行时，使得所述计算设备执行上述通信辐射源的识别方法中的任意一种实现方式。
55.由上述技术方案可知，本技术至少具有以下有益效果：
56.本技术提供了一种通信辐射源的识别方法。具体地，首先采集来自于通信辐射源的第一原始波形信号，接着利用特征提取网络从第一原始波形信号提取通信辐射源的特征。其中，特征提取网络包括深度神经网络，该深度神经网络包括过滤层，该过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器，然后将通信辐射源的特征输入分类器，获得通信辐射源的识别结果。
57.上述方法从原始波形信号中直接提取通信辐射源的特征，提升了通信辐射源特征提取的泛化能力和鲁棒性，从而使得提取的通信辐射源的特征能够适用于不同的场景和任务。进一步地，上述方法利用包括过滤层的深度神经网络进行特征提取，增加了深度神经网络提取的特征的可解释性，从而提升通信辐射源识别的准确度。
附图说明
58.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
59.图1为本技术实施例提供的一种辐射源识别网络的训练方法的流程图；
60.图2为本技术实施例提供的一种信号标注界面的示意图；
61.图3为本技术实施例提供的一种辐射源识别网络的结构示意图；
62.图4为本技术实施例提供的一种通信辐射源的识别方法的流程图；
63.图5为本技术实施例提供的一种通信辐射源的识别装置的结构示意图。
具体实施方式
64.本技术实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。
65.首先对本技术实施例中所涉及到的一些技术术语进行介绍。
66.通信辐射源是指能够发射电离辐射的设备或装置。例如，通信辐射源可以包括电报发射机、飞机、潜艇等。
67.通信辐射源个体识别，也可以称为通信指纹识别或特定辐射源识别(specific emitter identification，sei)，是指根据捕获到的电磁信号进行特征测量，从而根据已有的先验信息识别发射信号的辐射源个体的过程。
68.由于在生产过程中，不同的通信辐射源的内部元器件在满足生产标准的基础上，仍然会存在细微差异，从而导致不同的通信辐射源发射的信号之间也存在着细微差异，这种能够区分不同的通信辐射源的细微特征称为射频指纹。射频指纹被认为是通信辐射源的固有属性，这种固有属性是无法消除和伪造的，具有唯一性，因此，射频指纹可以作为通信辐射源的识别依据。
69.通信辐射源的识别通常可以包括信号采集、信号预处理、特征提取(例如是射频指纹提取)、个体识别等多个步骤。其中，特征提取是从采集到的信号中提取蕴含发射设备个体信息的细微特征(即射频指纹)的过程，也是实现通信辐射源的识别的关键步骤。
70.目前，业界通常采用人工提取特征或采用深度学习提取特征，再将提取的特征送入分类器，以对通信辐射源进行识别。然而，人工提取特征的方式需要特征提取人员具有较强的理论知识，同时，虽然人工提取的特征在一些任务(例如提取音频信号的特征)上能够取得比较杰出的效果，但无法保证提取的特征在通信辐射源的识别任务上是最优的特征，从而无法保障通信辐射源的识别准确度，难以满足不同任务的需求。采用深度学习提取特征的方式是基于信号的频谱图，利用深度神经网络提取深度特征，然而，深度神经网络是一个黑盒模型(black box)，即深度神经网络不揭示其内部机制，从而导致采用深度神经网络提取的特征缺乏可解释性。其中，特征的可解释性越高，特征提取人员就越容易理解和预测深度神经网络提取的特征，而对于缺乏可解释性的特征，特征提取人员则难以对提取的深度特征进行合理的解释。
71.有鉴于此，本技术实施例提供了一种通信辐射源的识别方法。该方法可以由计算设备执行。其中，计算设备可以是终端，包括但不限于台式机、笔记本电脑或智能手机。在一些可能的实现方式中，计算设备也可以是服务器。该服务器可以是云环境中的云服务器，或者是边缘环境中的边缘服务器，或者是本地计算中心的服务器。为了便于描述，下文以计算设备为服务器示例说明。
72.具体地，服务器采集来自于通信辐射源的第一原始波形信号，接着利用特征提取
网络从第一原始波形信号提取通信辐射源的特征。其中，特征提取网络包括深度神经网络，该深度神经网络包括过滤层，该过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器。然后服务器将通信辐射源的特征输入分类器，获得通信辐射源的识别结果。
73.该方法通过从原始波形信号中直接提取通信辐射源的特征，提升了通信辐射源特征提取的泛化能力和鲁棒性，从而使得提取的通信辐射源的特征能够适用于不同的场景和任务。进一步地，上述方法利用包括过滤层的深度神经网络进行特征提取，增加了深度神经网络提取的特征的可解释性，从而提升通信辐射源识别的准确度。
74.本技术实施例提供的通信辐射源的识别方法，可以应用于多种场景。例如，在通信场景中，利用该方法可以从多个无线电台中确定发射信号的电台，从而实现电台跟踪和确认，提升通信过程的安全性。再例如，在物联网设备管理场景中，利用该方法可以对多个接入网络的物联网设备进行识别与确认，以便管理物联网设备，从而保障物联网的安全。
75.需要说明的是，本技术实施例提供的通信辐射源的识别方法不仅仅应用于上述两种场景，本领域技术人员可以根据实际需要，选择其他应用场景。
76.为了使得本技术的技术方案更加清楚、易于理解，下面结合附图对本技术实施例进行介绍。
77.首先，结合图1提供的一种辐射源识别网络的训练方法的流程图，对本技术实施例中辐射源识别网络的训练过程进行介绍。
78.s101：服务器获取训练集。
79.训练集包括标注有通信辐射源个体信息的第二原始波形信号。其中，区别于第一原始波形信号，第二原始波形信号可以为在历史时间段采集的多个原始波形信号。
80.具体地，第二原始波形信号可以为同相正交(in-phase quadrature，iq)信号。同相正交iq信号是由两路相位相差90
°
的信号(i信号和q信号)组成的信号，其中，i信号表示同相(in-phase)分量信号，q信号表示正交(quadrature)分量信号。进一步地，i信号和q信号中包含的信息相同，仅在相位上存在90
°
的差异，因此，服务器可以将iq信号中的i信号作为训练集对辐射源识别网络进行训练，也可以将iq信号中的q信号作为训练集对辐射源识别网络进行训练。
81.在本技术实施例中，服务器可以从信号接收器获取第二原始波形信号，其中，第二原始波形信号可以是由多个不同的通信辐射源个体发射的信号。例如，多个不同的通信辐射源个体可以为多个无线电台，其中，多个无线电台可以记为无线电台1、无线电台2、
……
、无线电台n。
82.为了获取辐射源识别网络的训练集，训练人员可以依次开启多个无线电台，并利用信号接收器依次采集多个无线电台发射的第二原始波形信号。接着，服务器从信号接收器获取第二原始波形信号，对第二原始波形信号进行标注，从而获取训练集。
83.在一些可能的实现方式中，训练人员可以采用与服务器交互的方式对第二原始波形信号进行标注。下面，将结合图2所示的一种信号标注界面的示意图，对本技术实施例中对第二原始波形信号进行标注的过程进行说明。
84.如图2所示，信号标注界面200可以包括波形信号显示区域201、信号名称标注框202、通信辐射源信息标注框203和完成标注控件204。
85.当服务器从信号接收器获取第二原始波形信号时，服务器可以在波形信号显示区
域201中显示该第二原始波形信号，以便训练人员直观获取第二原始波形信号的波形信息。接着，训练人员可以在信号名称标注框202中输入该第二原始波形信号的信号名称，从而对该第二原始波形信号进行标识，例如，信号名称可以为信号1。进一步地，训练人员可以在通信辐射源信息标注框203中输入发射该第二原始波形信号的通信辐射源个体信息，例如，通信辐射源个体信息可以为无线电台1。从而，结合信号名称标注框202中的信号名称和通信辐射源信息标注框203中的通信辐射源个体信息，可以得知信号1由无线电台1发射。在完成信号名称标注和通信辐射源信息标注后，训练人员可以点击完成标注控件204，从而将标注完成的信号名称和对应的通信辐射源信息存储在服务器中。
86.类似地，训练人员可以对多个不同的通信辐射源个体发射的信号依次进行标注，获得多个标注有通信辐射源个体信息的第二原始波形信号，从而获得训练集。例如，训练集可以包括信号1由无线电台1发射、信号2由无线电台2发射、
……
、信号n由无线电台n发射。
87.根据上述描述可知，为了获取训练集，首先需要由多个不同的通信辐射源发射信号，再由训练人员对多个不同的通信辐射源个体发射的信号进行手工标注。然而，在实际的操作环境下，由于通信辐射源的种类和数量有限，服务器难以获取数量较多的第二原始波形信号，这可能导致训练集中包括的训练样本数量较少，从而可能使得辐射源识别网络的训练效果不佳，通信辐射源的识别准确率较低。
88.为了提升辐射源识别网络的训练效果，在本技术实施例中，服务器可以对第二原始波形信号进行混合样本数据增强，获得增强后的第二原始波形信号，从而增加训练集的训练样本数量，提升辐射源识别网络的泛化能力。
89.数据增强也可以称为数据扩增，指在不实质性增加样本数据的情况下，让有限的样本数据产生等价于更多数据的价值，从而获得更多的样本数据，丰富训练样本。数据增强可以分为有监督的数据增强和无监督的数据增强，其中，有监督的数据增强是指利用预设的数据变换规则，在已有样本数据的基础上进行数据的扩增，有监督的数据增强可以包括单样本数据增强和混合样本数据增强。
90.具体地，单样本数据增强是指利用一个样本数据进行数据增强，例如，当样本数据为图像数据时，单样本数据增强可以包括对图像数据进行几何变换(例如翻转、旋转)、颜色变换(例如模糊、噪声)。混合样本数据增强是指利用多个样本数据进行数据增强，例如，混合样本数据增强可以包括人工少数类过采样法(synthetic minority over-sampling technique，smote)、samplepairing方法、mixup方法。
91.在本技术实施例中，服务器可以基于mixup方法对第二原始波形信号进行混合样本数据增强。其中，mixup方法是一种基于邻域风险最小化原则的数据增强方法，主要应用于计算机视觉领域。由于mixup方法是一种数据无关的数据增强方法，因此，也可以将mixup方法应用在电磁信号的数据增强上。具体地，mixup方法通过对原始数据进行线性变换实现数据增强，例如，在本技术实施例中，训练集中的第二原始波形信号为x1和x2，基于mixup方法，服务器可以获得一个新的波形信号x3＝λx1+(1-λ)x2，其中，λ为线性变换参数，λ的取值范围介于0到1之间。服务器利用mixup方法，可以利用现有的第二原始波形信号生成新的样本数据，从而获得增强后的第二原始波形信号，此时，训练集中的第二原始波形信号为x1、x2和x3。
92.s102：服务器利用辐射源识别网络，对第二原始波形信号进行识别。
93.在一些可能的实现方式中，当服务器对第二原始波形信号进行混合样本数据增强后，服务器可以利用辐射源识别网络，对增强后的第二原始波形信号进行识别，从而获得识别结果。
94.在本技术实施例中，辐射源识别网络可以包括特征提取网络和分类器。其中，特征提取网络用于从第二原始波形信号中提取特征，分类器用于根据提取的特征进行分类识别，从而获取识别结果。
95.下面，将结合图3对本技术实施例中的辐射源识别网络的结构进行详细介绍。
96.如图3所示，辐射源识别网络300可以包括特征提取网络301和分类器302。其中，特征提取网络301可以包括深度神经网络(deep neural networks，dnn)、至少一个卷积层和时延神经网络(time delay neural network，tdnn)。在本技术实施例中，以一个卷积层作为示例进行说明。
97.服务器可以将增强后的第二原始波形信号输入深度神经网络，利用深度神经网络，从增强后的第二原始波形信号中提取特征。
98.其中，深度神经网络，也可以称为深度前馈网络、多层感知机，是指有多层隐含层的神经网络。深度神经网络利用前向传播算法进行各层之间的计算，即利用上一层的输出计算下一层的输出，直到运算到输出层，获得输出结果。与感知机模型相比，深度神经网络可以有多个输出，使得深度神经网络可以灵活地应用于分类、回归、聚类等任务。
99.在本技术实施例中，深度神经网络可以包括过滤层，该过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器。
100.在一些可能的实现方式中，过滤层可以为可解释的卷积滤波器结构sincnet的第一层。在sincnet中，包括一组带通滤波器，其中，带通滤波器可以由理想滤波器和汉明窗确定，用于获取增强后的第二原始波形信号的低截止频率f1和高截止频率f2。具体地，sincnet可以通过如下公式实现：
101.g[n,f1,f2]＝2f2sinc(2πf2n)-2f1sinc(2πf1n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0102][0103][0104]gw
[n,f1,f2]＝g[n,f1,f2]
·
w[n]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0105]
y[n]＝x[n]*gw[n,f1,f2]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0106]
其中，g[n,f1,f2]表示理想带通滤波器，n表示增强后的第二原始波形信号的采样编号。w[n]表示窗函数，例如，窗函数可以为汉明窗，用于平滑理想带通滤波器的截断特性。需要说明的是，汉宁窗、blackman窗、凯泽窗均可以实现类似的效果，本技术实施例不对窗函数的类型作出限定。gw[n,f1,f2]表示sincnet中的带通滤波器，由理想带通滤波器与上述窗函数相乘得到，x[n]表示输入sincnet的增强后的第二原始波形信号，y[n]表示sincnet的输出，为位于低截止频率f1与高截止频率f2范围内的增强后的第二原始波形信号，由sincnet中的带通滤波器与输入sincnet的增强后的第二原始波形信号进行卷积得到。
[0107]
进一步地，sincnet中可以包括多个带通滤波器，每个带通滤波器都可以获取不同频率范围内的增强后的第二原始波形信号，从而从多个不同频率范围内的增强后的第二原
始波形信号中提取特征。
[0108]
在利用传统深度神经网络(即不包括本技术实施例中的过滤层的深度神经网络)进行模型训练、且训练样本数量较小的情况下，由于深度神经网络(尤其是深度神经网络的第一层)需要处理高维度的输入样本数据，输出的结果极易呈现出有干扰且不协调的多个频带形状。针对这样的输出结果，训练人员难以理解深度神经网络的输出结果，也难以对输出结果进行解释，从而难以进行模型优化。
[0109]
在本技术实施例中，深度神经网络中包括过滤层，该过滤层可以获取设定频率范围的电磁信号，使得经过深度神经网络中的过滤层提取的特征具有明确的物理意义，即设定频率范围的电磁信号，使得训练人员能够理解深度神经网络的输出结果，从而增加提取的特征的可解释性。
[0110]
可以理解的是，对于f个长度l的滤波器，传统深度神经网络的参数量为f*l，而包括sincnet的深度神经网络的参数量仅为2f(仅需要学习低截止频率和高截止频率)。因此，使用sincnet的第一层作为过滤层，能够极大地减少深度神经网络的参数量。同时，sincnet中包括的一组带通滤波器，能够加快深度神经网络的收敛速度，从而提升辐射源识别网络的训练效果。
[0111]
进一步地，服务器可以利用卷积层对基于深度神经网络提取的特征进行处理。
[0112]
具体地，卷积层可以由若干卷积单元组成。其中，每个卷积单元的参数都可以通过反向传播算法最佳化得到。服务器可以将基于深度神经网络提取的特征输入卷积层，通过若干卷积单元进行卷积操作，从而从基于深度神经网络提取的特征中提取出更加复杂与精确的特征。
[0113]
进一步地，特征提取网络301还可以包括时延神经网络。其中，时延神经网络与深度神经网络通过卷积层连接。服务器可以利用时延神经网络，从经过卷积层处理的特征中进一步提取特征。
[0114]
时延神经网络是一种能够动态适应时域特征变化的人工神经网络结构。在传统的神经网络中，输入层与隐含层一一连接，而时延神经网络中的输入层与隐含层为非全连接，从而能够降低神经网络结构的复杂性。同时，在时延神经网络中，可以利用隐含层进行时域扩展，即每个隐含层接收到的输入不仅是前一层在当前时刻的输出，还有前一层在当前时刻之前、当前时刻之后的某些时刻的输出，使其能够更好地处理时间序列信息。此外，时延神经网络在时间轴和频率轴均进行卷积运算，从而能够表达提取的特征在时域上的关系。
[0115]
在本技术实施例中，由于输入特征提取网络的增强后的第二原始波形信号是一个时间序列，因此，在特征提取网络中增加时延神经网络，可以实现更好地建模时间序列。经过时延神经网络提取的特征能够表达出通信辐射源的特征在时域上的关系，从而在精简网络模型的基础上，提升特征提取网络的识别效果。
[0116]
进一步地，服务器可以将基于特征提取网络提取的特征输入分类器302，获得增强后的第二原始波形信号的识别结果。
[0117]
分类是指将具有相似特征的对象聚集的过程。在本技术实施例中，可以使用线性分类器(linear classifier)对特征进行分类，从而获得识别结果。
[0118]
具体地，线性分类器是指利用特征的线性组合做出分类决定的分类器。服务器可以将基于特征提取网络提取的特征输入线性分类器，利用线性分类器，将基于特征提取网
络提取的特征映射为识别结果。
[0119]
在一些可能的实现方式中，线性分类器可以采用f(x,w)＝wx+b的形式进行表示，其中，x表示输入的通信辐射源的特征，f表示通信辐射源的识别结果，w表示权重矩阵，b表示偏置向量。
[0120]
s103：服务器根据通信辐射源个体信息和辐射源识别网络的识别结果，更新特征提取网络和分类器的参数。
[0121]
在本技术实施例中，服务器可以根据通信辐射源个体信息和辐射源识别网络的识别结果，基于设定的损失函数，确定辐射源识别网络的识别结果对应的损失值。
[0122]
例如，损失函数可以为交叉熵损失函数(crossentropy loss)。具体地，交叉熵损失函数loss可以表示为：其中，n表示训练集中的第二原始波形样本的数量，yi表示第i个第二原始波形样本对应的通信辐射源个体信息，y
′i表示第i个第二原始波形样本对应的识别结果。
[0123]
基于交叉熵损失函数，服务器可以确定辐射源识别网络的识别结果对应的损失值，该损失值可以用于表示识别结果与真实结果之间的差异。可以理解的是，辐射源识别网络的识别结果对应的损失值越小，表明辐射源识别网络的识别准确度越高。
[0124]
进一步地，服务器可以更新特征提取网络和分类器的参数。例如，服务器可以利用随机梯度下降法(stochastic gradient descent，sgd)更新特征提取网络和分类器的参数。其中，梯度的方向是函数在给定点上升最快的方向，梯度的反方向则是函数在给定点下降最快的方向。
[0125]
sgd算法是从训练集中随机抽取一组样本数据，沿着梯度的反方向进行优化，更新特征提取网络和分类器的参数。由于sgd算法在每次迭代更新的过程中使用的样本数据是随机打乱后抽取的，因此，sgd算法可以有效减小样本数据间的更新抵消问题。同时，sgd算法沿着梯度的反方向进行优化，可以有效地找到全局最优解，降低辐射源识别网络的识别结果对应的损失值，提升辐射源识别网络的识别准确度。
[0126]
接下来，基于上述对辐射源识别网络的训练过程的介绍，结合图4提供的一种通信辐射源的识别方法的流程图，对本技术实施例中通信辐射源的识别方法进行介绍。
[0127]
s401：服务器采集来自于通信辐射源的第一原始波形信号。
[0128]
其中，第一原始波形信号为待识别的信号。在本技术实施例中，服务器可以从信号接收器获取通信辐射源的第一原始波形信号。通信辐射源可以包括无线电台、电报发射机、卫星通信装置、雷达、无线电遥控装置中的一种或多种，本技术实施例不对通信辐射源的类型作具体限制。
[0129]
在一些可能的实现方式中，信号接收器可以对通信辐射源发出的信号进行iq调制，以获得iq信号，接着由服务器从信号接收器获取iq信号，并将iq信号作为第一原始波形信号进行识别。其中，调制是指将原始信号加入载波信号的过程。由于实际要传输的信号(基带信号)所占据的频带通常是低频开始的，而实际通信信道往往都是带通的，因此，需要对包含信息的信号进行调制，实现基带信号频谱的搬移，以适合实际信道的传输。
[0130]
具体地，iq调制是将通信辐射源发出的信号分为两路，分别对两路信号进行载波调制，使得两路信号相互正交，从而获得频率相同、仅相位相差90
°
的i信号和q信号，再将i信号和q信号合为一路信号，从而得到iq信号。由于i信号和q信号在相位上正交，因此，可以
有效地提高频谱利用率。
[0131]
s402：服务器利用特征提取网络从第一原始波形信号提取通信辐射源的特征。
[0132]
具体地，当第一原始波形信号为iq信号时，服务器可以从iq信号中取出i信号或q信号，再利用特征提取网络从iq信号中的i信号提取通信辐射源的特征，或者利用特征提取网络从iq信号中的q信号提取通信辐射源的特征。由于i信号和q信号中包含的信息相同，仅存在相位上的差异，因此，服务器从i信号提取通信辐射源的特征，或从q信号提取通信辐射源的特征所能达到的效果相同。
[0133]
在本技术实施例中，服务器可以从通信辐射源的原始波形信号中直接提取通信辐射源的特征，从而实现通信辐射源的识别。由于服务器无需对获取的原始波形信号进行预处理，使得原始波形信号中所包含的信息都得以保留，从而可以提升通信辐射源的识别准确度，使得提取的特征能够适用于不同的场景和任务。
[0134]
在本技术实施例中，服务器可以利用图3所示的特征提取网络301从第一原始波形信号提取通信辐射源的特征。
[0135]
具体地，服务器可以首先利用深度神经网络，从第一原始波形信号中提取第一特征。其中，深度神经网络可以包括过滤层，该过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器。具体的特征提取过程与s102中的描述类似，在此不再赘述。
[0136]
进一步地，服务器可以利用与上述深度神经网络连接的至少一个卷积层，对第一特征进行处理，获得处理后的第一特征。具体的特征处理过程与s102中的描述类似，在此不再赘述。
[0137]
进一步地，服务器可以利用与上述至少一个卷积层连接的时延神经网络，从处理后的第一特征中提取第二特征。具体的特征提取过程与s102中的描述类似，在此不再赘述。
[0138]
在本技术实施例中，服务器利用深度神经网络从第一原始波形信号中提取第一特征，在通过至少一个卷积层对第一特征进行处理，从而由相对简单、低级的第一特征中提取出更加复杂的特征，再将处理后的第一特征输入时延神经网络，提取具有时间信息的第二特征，从而提高提取的通信辐射源的特征精确程度。
[0139]
s403：服务器将通信辐射源的特征输入分类器，获得通信辐射源的识别结果。
[0140]
通信辐射源的识别结果可以用于表示发射第一原始波形信号的通信辐射源的个体信息。服务器可以利用图3所示的分类器302对通信辐射源的特征进行识别。具体的识别过程与s102中的描述类似，在此不再赘述。
[0141]
在一些可能的实现方式中，服务器可以通过显示器展示通信辐射源的识别结果，例如，可以在显示器上展示“经过识别，该信号来自于电台1”。
[0142]
在本技术实施例中，服务器首先采集来自于通信辐射源的第一原始波形信号，接着，服务器利用特征提取网络从第一原始波形信号提取通信辐射源的特征。其中，特征提取网络包括深度神经网络，该深度神经网络包括过滤层，该过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器。然后，服务器将通信辐射源的特征输入分类器，获得通信辐射源的识别结果。
[0143]
上述方法从原始波形信号中直接提取通信辐射源的特征，提升了通信辐射源特征提取的泛化能力和鲁棒性，从而使得提取的通信辐射源的特征能够适用于不同的场景和任务。进一步地，上述方法利用包括过滤层的深度神经网络进行特征提取，增加了深度神经网
络提取的特征的可解释性，从而提升通信辐射源识别的准确度。
[0144]
基于本技术实施例提供的上述方法，本技术实施例还提供了与上述方法对应的通信辐射源的识别装置。描述于本技术实施例中所涉及到的单元/模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元/模块的名称在某种情况下并不构成对该单元/模块本身的限定。
[0145]
参见图5，为本技术实施例提供的一种通信辐射源的识别装置的结构示意图，该通信辐射源的识别装置500包括：
[0146]
采集模块501，用于采集来自于通信辐射源的第一原始波形信号；
[0147]
特征提取模块502，用于利用特征提取网络从第一原始波形信号提取通信辐射源的特征，其中，特征提取网络包括深度神经网络，该深度神经网络包括过滤层，该过滤层包括用于获取设定频率范围的电磁信号的一组带通滤波器；
[0148]
分类模块503，用于将通信辐射源的特征输入分类器，获得通信辐射源的识别结果。
[0149]
在一些可能的实现方式中，特征提取网络还包括时延神经网络，特征提取模块502，具体用于：
[0150]
利用深度神经网络，从第一原始波形信号中提取第一特征；
[0151]
利用时延神经网络，从第一特征中提取第二特征。
[0152]
在一些可能的实现方式中，深度神经网络和时延神经网络通过至少一个卷积层连接，该装置还包括：
[0153]
特征处理模块，用于通过至少一个卷积层对第一特征进行处理；
[0154]
特征提取模块502，具体用于：
[0155]
利用时延神经网络，从处理后的第一特征中提取第二特征。
[0156]
在一些可能的实现方式中，深度神经网络包括sincnet，该sincnet的第一层为过滤层。
[0157]
在一些可能的实现方式中，该装置还包括：
[0158]
模型训练模块，用于获取训练集，该训练集包括标注有通信辐射源个体信息的第二原始波形信号；利用辐射源识别网络，对第二原始波形信号进行识别，辐射源识别网络包括特征提取网络和分类器；根据通信辐射源个体信息和辐射源识别网络的识别结果，更新特征提取网络和分类器的参数。
[0159]
在一些可能的实现方式中，该装置还包括：
[0160]
数据增强模块，用于对第二原始波形信号进行混合样本数据增强，获得增强后的第二原始波形信号；
[0161]
模型训练模块，具体用于：
[0162]
利用辐射源识别网络，对增强后的第二原始波形信号进行识别。
[0163]
在一些可能的实现方式中，第一原始波形信号为同相正交iq信号，特征提取模块502，具体用于：
[0164]
利用特征提取网络从iq信号中的i信号提取通信辐射源的特征；和/或者，
[0165]
利用特征提取网络从iq信号中的q信号提取通信辐射源的特征。
[0166]
本技术实施例还提供了一种计算设备，包括：处理器、存储器、系统总线；
[0167]
处理器以及存储器通过系统总线相连；
[0168]
存储器用于存储一个或多个程序，其中，一个或多个程序包括指令，该指令当被处理器执行时使处理器执行上述通信辐射源的识别方法的任一种实现方法。
[0169]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当该指令在计算设备上运行时，使得计算设备执行上述通信辐射源的识别方法的任一种实现方法。
[0170]
本技术实施例还提供了一种计算机程序产品，计算机程序产品在计算设备上运行时，使得计算设备执行上述通信辐射源的识别方法的任一种实现方法。
[0171]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本技术各个实施例或者实施例的某些部分所述的方法。
[0172]
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0173]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0174]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。