辐射源个体智能识别方法、装置、设备及介质与流程

本发明属于目标识别，尤其涉及辐射源个体智能识别方法、装置、设备及介质。

背景技术：

1、通信信号个体细微特征是由于信号传输环境或者发射机设备元器件特性的不同，表现在信号上的细微差异特征，这些细小的差异会以相噪杂散、频率稳定度、寄生调制、暂态工作特性等形式表现在辐射源信号上。通信辐射源个体识别通过对辐射源信号各类特征的获取和高精度测量，提取每个通信辐射源所独有的特征，达到对通信辐射源进行精确识别和跟踪的目的。具有革命性意义的是辐射源个体识别不仅能够识别通信辐射源的型号、工作模式和威胁等级，还能够识别由同一生产线制造的同型电子辐射源的不同个体，进而在雷达、敌我识别、光电等其它识别手段的配合下，实现对博弈方作战平台的个体识别。这种技术手段的最终目的是“对敌方而言，唯一可以躲避这种识别的办法就是对发射机进行大规模改造，甚至将其完全替换。一般的修改或者维护都不能够充分地改变自己的个体特征从而对识别系统进行欺骗”。

2、自辐射源个体识别(sei)技术提出以来，国内外多家科研机构开展了针对通信、雷达等信号的个体识别探索与研究工作，主要针对辐射源信号生成演化过程因辐射源系统个体差异性而携带的指纹信息开展研究，常用方法包括利用接收信号的暂态或稳态部分，针对所提取信号的时域、频域或其他变换域上某一局部的细微差别进行分析，寻找能够体现同一个辐射源所发出信号的相似性、不同辐射源差异性的信号特征，从而实现辐射源个体识别。然而随着现代电子元器件制作工艺的改进，电子装备装配水平的提升，技术更先进的辐射源个体之间的差异性正在逐渐缩小，一些传统的指纹特征提取方法已经逐渐不能适应个体识别的要求。

3、得益于深度学习技术的快速发展及其在图像、语音等领域的成功应用，目前信号分析领域科研人员开始探索利用人工智能技术解决非协作信号分析的技术途径。现有的利用深度学习进行辐射源个体识别的方案中，多数采用“端到端”式识别方法，即直接将信号时域或频域数据输入至深度学习网络模型，依赖模型进行深度特征提取，进而实现个体分类。然而无线通信信号传输过程中易受到各种干扰，单纯依赖网络模型提取分类特征的方法需要依靠大量数据才可能实现较好的分类性能，并且当识别分类性能上达到一定的瓶颈值时难以通过调制网络模型结构提升性能。

4、综上所述，现有的辐射源个体识别主要通过传统手段或“端到端”式深度学习方法进行个体分类识别，在复杂电磁环境下较难达到理想的分类识别性能。

技术实现思路

1、本发明的目的在于，为克服现有技术缺陷，提供了辐射源个体智能识别方法、装置、设备及介质,通过一体化完成目标信号检测与一致性固有个体特征提取，并结合深度学习网络模型完成辐射源个体识别。

2、本发明目的通过下述技术方案来实现：

3、一种辐射源个体智能识别方法，所述方法包括：

4、获取样本信号，进行目标信号格式特征分析与一致性个体特征表征提取，生成训练样本；

5、基于信号格式与分类任务开展模型设计与迭代训练，生成个体分类模型；

6、对实采信号进行传统特征提取与模型推理，再结合知识库得到辐射源个体类型。

7、进一步的，所述进行目标信号格式特征分析与一致性个体特征表征提取，生成训练样本具体包括：

8、对已验证的参考信号和所述样本信号分别进行预处理，从连续的样本信号中完成目标信号检测，并筛选出每一个目标信号的受传输信息变化影响最小的信号片段，根据已知类型进行存储并积累形成训练样本。

9、进一步的，所述参考信号的选取方式包括：

10、基于先验知识进行信号格式分析，并基于典型实采样本信号进行信号格式验证，另外选取能够体现辐射源专属指纹特征且受传输信息影响小于预设阈值的信号片段作为参考信号。

11、进一步的，所述基于信号格式与分类任务开展模型设计与迭代训练，生成个体分类模型具体包括：

12、根据信号样本特点及任务需求，设计分类网络模型的损失函数与梯度训练优化方法，利用训练样本数据和深度学习网络模型挖掘信号深层次特征，通过迭代训练生成个体分类模型。

13、进一步的，所述对实采信号进行传统特征提取与模型推理，再结合知识库得到辐射源个体具体包括：

14、提取出包含在实采信号中的多个目标信号片段，基于目标信号片段调用个体分类模型，得到属于每个目标信号的类型编号，通过对比知识库获取目标信号的辐射源类型。

15、进一步的，所述方法还包括：

16、在基于典型实采样本信号进行信号格式验证前，对信号进行多脉冲均值归一化处理。

17、进一步的，所述损失函数为交叉熵损失函数。

18、另一方面，本发明还提供了一种辐射源个体智能识别装置，所述装置包括：

19、样本生成模块，所述样本生成模块获取样本信号，进行目标信号格式特征分析与一致性个体特征表征提取，生成训练样本；

20、分类模型生成模块，所述分类模型生成模块基于信号格式与分类任务开展模型设计与迭代训练，生成个体分类模型；

21、识别模块，所述识别模块对实采信号进行传统特征提取与模型推理，再结合知识库得到辐射源个体类型。

22、另一方面，本发明还提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现上述的任意一种辐射源个体智能识别方法。

23、另一方面，本发明还提供了一种计算机可读存储介质，存储介质中存储有计算机程序，计算机程序由处理器加载并执行以实现上述的任意一种辐射源个体智能识别方法。

24、本发明的有益效果在于：

25、(1)本发明提出的基于传统手段处理与深度学习相结合的个体识别方法可显著提高信号个体识别效率，主要表现在：利用传统手段或现有智能手段进行个体识别时需积累多个信号进行特征统计计算，而本发明所用方法仅需一个信号即可实现个体识别，可显著提升目标信号个体识别效率。

26、(2)传统处理流程中，需要先开展目标信号检测，之后再进行信号特征变换或信号截取处理，用于个体特征分析。本发明提出的目标个体一致性固有特征表征方法，可在完成个体特征提取任务的同时兼顾信号检测任务，可有效简化信号处理流程、缩短目标信号个体识别处理用时，在面向实时输入信号分析时优势更明显。

27、(3)利用传统手段进行辐射源个体识别时，常用方法是通过计算信号的瞬时频率、瞬时相位等特征进行统计比对分析，但信号受噪声影响较大时，其统计特征形态也会有所失真，从而导致后续的统计比对分析结果出现错误。本发明所用方法一方面结合传统分析方法提取信号固有特征，另一方面结合深度学习方法学习隐藏在信号中的辐射源指纹特征，可有效弥补传统分析中统计特征受噪声影响大的不足。

28、(4)现有辐射源个体智能识别方法主要是输入接收信号时域、频域或其他变换域，依赖深度学习模型进行个体分类，但实践表明上述方法所学习分类特征的稳健性与泛化性较差，而且若在信号中加入欺骗信息，分类模型极易被错误诱导。本发明所提方法基于目标信号格式特征进行分析，提取的信号片段属于能够体现辐射源专属指纹特征而又受传输信息影响较小的部分，可有效提高深度学习分类结果的稳健性与可靠性。