一种辐射源个体识别方法与流程

本发明涉及目标识别领域，具体涉及一种基于自适应降噪和轻量化复数残差网络的辐射源个体识别方法。

背景技术：

1、本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

2、在复杂电磁环境的射频信号识别任务中，大多数深度神经网络是基于实数数据进行运算和描述，其仅利用实部或者虚部信息，忽略了实部与虚部间的相位信息，同时复数数据具有更容易优化、更好地泛华特征和更好地表征能力等优点；而现有辐射源个体识别算法研究大都是在实数数据上进行的，不仅舍弃了虚部数据的信息量，还舍弃了复数信号的相位信息，使数据特征的完整性和有效性遭到损坏，导致分类性能并不理想。

3、针对复数神经网络辐射源个体识别技术，目前主要采用基于残差的复数网络和基于复数残差网络和注意力机制等辐射源个体识别技术；其中，基于残差的复数网络个体识别技术优点是可以对复数信号进行直接处理，但是没有对网络进行轻量化，整个网络参数和计算量较大；而基于复数残差网络和注意力机制个体识别技术可以使残差网络关注更加有用的细微特征，但是没有对信号提供统一的信号去噪模块，去噪模块需要手工设置，在相同信噪比或者降低的情况下，未采用复数去噪模块的残差网络分类概率与采用了复数去噪模块的残差网络相对比，分类概率会降低。

技术实现思路

1、本发明的目的在于：针对现有的特征提取方法不能很好地提取射频信号(i/q两路，复信号)的细微特征，且复数神经网络轻量化技术研究不多，未有比较简单且实用的轻量化技术，同时针对复数卷积网络并没有自动去噪模块，会对不同的数据人工筛选合适的去噪算法，设置复杂且侦收数据变化后手动设置去噪算法可能失效，泛化性差的问题，提供了一种基于自适应降噪和轻量化复数残差网络的辐射源个体识别方法，其采用轻量化技术和自适应去噪技术的复数残差网络即能降低参数量和计算量，又能提高辐射个体识别率，从而解决了上述问题。

2、本发明的技术方案如下：

3、一种辐射源个体识别方法，包括：

4、步骤s1：侦收空中电磁信号；

5、步骤s2：通过分数阶傅里叶变换提取电磁信号中的时频特征向量；

6、步骤s3：将时频率特征向量送入训练好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络中进行识别。

7、进一步地，所述分数阶傅里叶变换的阶数p取值范围为-2～2，对应的旋转角度α取值范围为-π～π，通过多个不同的阶数p，可产生多路时频特征向量。

8、进一步地，所述具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络，包括：

9、六个自适应降噪和轻量化复数残差模块以及拼接，全局平均池化，多维转一维，全连接层。

10、进一步地，所述自适应降噪和轻量化复数残差模块由两个复数轻量化卷积模块和一个复数自适应降噪模块构成，所述复数自适应降噪模块对复数轻量化卷积模块的输出进行降噪处理。

11、进一步地，所述复数轻量化卷积模块，包括：

12、复数批归一化、复数激活函数和复数深度可分离卷积；

13、所述复数深度可分离卷积由一个卷积核为3*3，分组数为输入通道个数的复数卷积和1个卷积核为1*1的复数卷积构成。

14、进一步地，所述复数自适应降噪模块基于软阈值化和通道注意力机制构成，具体包括：

15、复值全局平均池化、两个复值全连接网络、复值crelu、复值sigmoid。

16、进一步地，所述步骤s3中的训练，包括：

17、步骤a：侦收空中电磁信号；

18、步骤b：通过分数阶傅里叶变换提取电磁信号中的时频特征向量，并按比例划分为训练集、验证集和测试集；

19、步骤c：采用训练集和验证集对具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络进行训练，利用超参数生成多个识别网络；

20、步骤d：通过测试集输入识别网络后的分类准确率指标选择最优的识别网络，作为最终确定的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络。

21、与现有的技术相比本发明的有益效果是：

22、1、一种辐射源个体识别方法，能够通过分数阶傅里叶变换提取复数信号更多的细微特征，通过轻量化复数残差网络能够降低算法计算量和存储空间，且个体识别率几乎不降低，然后加入自适应降噪模块，有效消除信号噪声，提升辐射源个体识别率，同时消除手工设置复数去噪算法的繁琐，最后通过上述方法实现的复数残差辐射源个体识别算法能够提升分类概率，在18db的情况下，针对100类ads-b侦收信号，个体识别率相对于只用复数参数网络算法能够提升2％以上，同时，在降至15db的情况下，个体识别率与18db相对比，分类准确率几乎没有损失。因此，该复数残差算法与传统复数残差网络相对比，在低信噪比下具有更好地分类准确率。

23、2、一种辐射源个体识别方法，在侦收到射频信号(具有i/q两路)为复数信号时，能够更好地提取信号细微特征，轻量化复数残差网络能够在降低存储空间和计算量的同时，几乎不损失精度，自适应降噪模块能够自动去除信号噪声，保留有效特征，因此算法具有很好的泛化能力、分类精度高和时效性号等特点。

技术特征：

1.一种辐射源个体识别方法，其特征在于，包括：

2.根据权利要求1所述的一种辐射源个体识别方法，其特征在于，所述分数阶傅里叶变换的阶数p取值范围为-2～2，对应的旋转角度α取值范围为-π～π，通过多个不同的阶数p，可产生多路时频特征向量。

3.根据权利要求1所述的一种辐射源个体识别方法，其特征在于，所述具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络，包括：

4.根据权利要求3所述的一种辐射源个体识别方法，其特征在于，所述自适应降噪和轻量化复数残差模块由两个复数轻量化卷积模块和一个复数自适应降噪模块构成，所述复数自适应降噪模块对复数轻量化卷积模块的输出进行降噪处理。

5.根据权利要求4所述的一种辐射源个体识别方法，其特征在于，所述复数轻量化卷积模块，包括：

6.根据权利要求4所述的一种辐射源个体识别方法，其特征在于，所述复数自适应降噪模块基于软阈值化和通道注意力机制构成，具体包括：

7.根据权利要求1所述的一种辐射源个体识别方法，其特征在于，所述步骤s3中的训练，包括：

技术总结
本发明公开了一种辐射源个体识别方法，涉及目标识别领域，包括：首先侦收空中电磁信号；然后通过分数阶傅里叶变换提取电磁信号中的时频特征向量；最后将时频率特征向量送入训练好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络中进行识别；本发明，能够通过分数阶傅里叶变换提取复数信号更多的细微特征，通过轻量化复数残差网络能够降低算法计算量和存储空间，且个体识别率几乎不降低，然后加入自适应降噪模块，有效消除信号噪声，提升辐射源个体识别率，同时消除手工设置复数去噪算法的繁琐。

技术研发人员：赵火军,包庆红,唐培人,李捷,高晓利,杨晓丽,王维,宋程程
受保护的技术使用者：四川九洲电器集团有限责任公司
技术研发日：
技术公布日：2024/1/13