一种多域特征融合的辐射源个体识别方法

本发明属于信号识别，具体涉及一种辐射源个体识别方法。

背景技术：

1、通信辐射源个体识别技术是通过识别辐射源发送信号独有细微特征识别具体目标的一种技术。这些细微特征是在辐射源处于非理想状态时，无意中调制在信号上的，其主要表现为信号时域、频域和其他方面的特殊失真。这些特征具备独特性、稳定性和可测性，可以被视为辐射源的独特“指纹”，用于识别和区分不同的辐射源个体。

2、辐射源的指纹特征可以分为暂态特征和稳态特征。暂态过程中的脉冲信号虽然包含丰富的个体特征，但其持续时间极短，和噪声相似，且需要确定暂态过程的起点，因此难以利用。现阶段的主要研究方向是依据稳态特征，大量的稳态信号可以提取有效的识别特征，避开暂态特征的局限性，在实际应用中具有更好的适用性。现有基于稳态特征的研究主要从稳态信号的时域、频域、和时频域几方面进行。使用时域i/q信号作为网络输入的方法实现简单，具有较强的实用性，但是在噪声较强的情况下识别率不高，而且过于依赖神经网络的设计。频域分析主要用于揭示信号的频率特性，而高阶谱分析则侧重于描述信号的高阶统计特性，适用于处理复杂信号和非理想信号的分析，曹家昆等人提出了一种基于局部双谱和longformer网络的通信辐射源正交调制细微特征提取和识别方法，“一种通信辐射源正交调制细微特征提取和识别方法”电波科学学报1-7，具体使用积分双谱提取信号的高级统计特征，区分不同发射机的特征信号，通过分析发射信号的非线性特性和相位耦合关系，提高发射机识别的准确性和鲁棒性，但该方法高度依赖于训练数据的质量和数量，且缺少时域特征会影响识别结果的准确性和鲁棒性。目前基于变换域特征的方法较为流行，通过进行时频分析，可以获取信号在时频联合域中的信息，从而揭露出不同信号之间更为细微的差异,但这对于非线性信号的分析效果一般。

3、在复杂的通信环境中，特别是在非合作通信的情况下，电磁环境十分复杂，信号条件多种多样。仅仅依靠单一域信号的特征往往无法全面准确地表征辐射源个体之间的微小差异，从而限制了个体识别的准确率。此外，为了强行提高识别准确率，研究中往往会采用更为复杂的神经网络模型，对信号样本数量有了较大需求，但在实际通信环境中，难以获取足够的信号样本。

技术实现思路

1、为了克服现有技术存在的问题，本发明提出一种多域特征融合的辐射源个体识别方法，其基本思想是：采用时域信号的高次幂与频域频谱数据fd-sp(frequency domainspectrum data)的组合作为模型输入信号，通过时域特征和频域特征表征不同信号的差异性，可以为辐射源识别提供更加全面的信号特征，将辐射源识别的问题转换到高维特征空间中的判决区域划分，以提高识别的准确性和鲁棒性。

2、信号的i/q数据作为辐射源的时域特征，是信号采集和存储的主流方式，包含信号时域的全部信息。但是i/q数据难以突显细微的特征差异，不易提取指纹特征。

3、i/q数据的平方s-i/q(the square of i/q data)可有效地刻画信号的幅度特征，突显原本被模糊或混淆的信号谱线。在低信噪比环境中，相对温和地放大信号和噪声，适合信号特征较为明显但需要适度增强的情况。而且s-i/q所引入的非线性失真较小，计算复杂度低，特别适合实时处理场景。

4、i/q数据的四次方f-i/q(the fourth power of i/q data)能够有效突显复杂辐射源信号与背景信号的差异。由于复杂辐射源信号通常由多个简单信号组合而成，且幅度变化剧烈，四次方处理可以更加显著地放大这些信号的各自特征，从而将其与背景信号区分开来，然而，这种处理方式也会引入更高的非线性效应和计算复杂度，因此适合于需要强特征提取的场合。

5、对信号进行高次幂处理，可增强信号的非线性特性，有助于提高信号对于多路径衰落和其他非线性失真的抗干扰能力，更可靠地区分不同的信号状态。通过对信号进行预分类，可以有效地选择合适的信号处理方法，如平方或四次方处理，以提高识别的准确性和效率。

6、为达到上述目的，本发明提供如下技术方案：

7、一种多域特征融合的辐射源个体识别方法，包括：

8、步骤s1：信号采集。从多个通信辐射源中使用信号采集设备采集时域信号。通信辐射源个体为同类型辐射源设备，同类型辐射源设备之间存在辐射源指纹差异。通过信号采集设备，将通信辐射源发射出的信号进行采集，并将其信号以时域数据的形式进行存储。

9、步骤s2：信号预处理。对采集到的信号进行预处理，以提高信号的质量和一致性。预处理包括信号分割、归一化和标准化。

10、步骤s2-1：信号分割。将连续采集到的长时间信号分割成多个短时间的信号片段，便于后续处理和分析。采用滑动窗口技术，每次移动固定的步长，将信号分割成信号片段，以提高时间分辨率。

11、步骤s2-2：归一化处理。使用最小最大归一化方法，将信号的幅度值线性变换到[0,1]范围内，消除不同信号之间的幅度差异，使得信号在相同的尺度下进行比较和分析。

12、

13、其中，x是信号片段的幅度值,xmin和xmax分别是信号的最小值和最大值，xnorm是归一化后的信号幅度值。

14、步骤s2-3：标准化处理。对信号进行均值和方差标准化处理，使信号数据的均值为0、方差为1，以提高后续特征提取和分类识别的稳定性。

15、

16、其中，xnorm是归一化后的信号幅度值，μ是信号的均值，σ是信号的标准差，xns是标准化后的信号幅度值。

17、步骤s3：信号预分类。从信号的调制类别出发，选择合适的高次幂处理方式。

18、步骤s3-1：调制方式识别。采用基于深度残差收缩网络(deep residualshrinkage network,dsrn)的调制方式识别方法，将完成预处理的信号作为深度残差收缩网络模型的输入，识别出调制方式。

19、步骤s3-1-1：浅层特征提取。使信号xns经过深度残差收缩网络中的首个卷积层，进而得到调制方式浅层特征y0。

20、y0＝relu(w0*xsn+b0)

21、其中，*表示卷积操作，w0是卷积核权重，b0是偏置，relu是激活函数。

22、步骤s3-1-2：将调制方式浅层特征y0经过第i个残差收缩块(residual shrikagebuilding unit,rsbu)提取深层特征yi。

23、首先通过rsbu单元中前两层卷积层提取特征hi：

24、hi＝relu(wi*y0+bi)

25、其中，wi是卷积核权重，bi是偏置，relu是激活函数。

26、对提取的特征hi进行全局平均池化以获得特征均值ai：

27、ai＝gap(|hi|)

28、使用rsbu单元中注意力机制模块生成特征hi中每个通道的缩放参数αi：

29、αi＝σ(watt·ai+batt)

30、其中，σ(·)是sigmoid激活函数，watt是注意力机制的权重，batt是注意力机制的偏置。通过注意力机制计算自适应的阈值τi：

31、τi＝αi×ai

32、应用软阈值化对特征hi进行收缩，得到收缩特征hi′：

33、hi′＝sign(hi)·max(|hi|-τi,0)

34、其中，sign()是符号函数，max()取大值。

35、将收缩特征hi′与输入特征yi-1进行残差连接，得到深层特征yi：

36、yi＝hi′+yi-1

37、如上，深层特征yi经13个rsbu单元堆叠提取，得到最终特征y13。

38、步骤s3-1-3：分类器输出。将最终特征通过深度残差收缩网络的全连接层和softmax激活函数得到分类输出，判断出调制方式z：

39、z＝softmax(wout·y13+bout)

40、其中，wout全连接层的权重，bout是全连接层的偏置，z是每种调制类型的预测概率向量。

41、步骤s3-2：高次幂处理选择。对于低阶调制方式，即阶数小于等于4，每个符号所承载的信息量少于等于2比特，如am、fm、pm、2-fsk、4-fsk、4-pam、bpsk、qpsk和4-qam，时域信号采用二次方处理。对于高阶调制方式，即阶数大于4，每个符号所承载的信息量大于2比特，如8-fsk、16-fsk、8-pam、16-pam、8psk、16psk、8qam和16qam等，时域信号采用四次方处理。

42、步骤s4：提取特征。对预处理信号做高次幂处理和快速傅里叶变换处理，得到时域特征和频域特征。

43、步骤s4-1：时域高次幂处理，即平方处理或四次方处理。对预处理完的信号片段中的每个值进行平方运算，得到s-i/q，刻画信号的幅度特征，突显原本被模糊或混淆的信号谱线。

44、

45、对信号片段中的每个值进行四次方运算，得到f-i/q，突显复杂辐射源信号与其他背景信号的差异。

46、

47、步骤s4-2：快速傅里叶变换。对信号片段进行快速傅里叶变换，得到信号的频谱信息xk，包括频率分量的幅度和相位，即fd-sp。

48、

49、其中，xj表示时间域信号在第j个采样点的值，n是信号的总长度，即采样点的数量，k是频率索引，i是虚数单位，xk为信号在频率k处的频域表示，是一个复数。

50、步骤s5：模型预训练。预训练多域特征融合识别模型，多域特征融合识别模型包含两个特征提取网络和一个特征融合识别网络，训练过程中采用基于梯度下降方法的反向传播，损失函数采用加权交叉熵损失函数。

51、步骤s5-1：特征向量提取。将信号组合s-i/q+fd-sp或者f-i/q+fd-sp作为多域特征融合识别模型的输入，经两个特征提取网络分别进行特征提取，特征提取网络即卷积神经网络，得到包含时域的特征向量ft和包含频域的特征向量fs，将两个特征向量在尺寸上线性拼接为一个多域特征向量fm。

52、步骤s5-2：特征向量融合。将多域特征向量fm作为特征融合识别网络的输入，特征融合识别网络中的全连接层和relu激活层通过对多域特征向量fm进行加权和非线性变换，进一步提炼和融合特征，增强特征的表达能力，多个全连接层和relu激活函数的使用可以逐步提取更加复杂和高级的特征。多域特征向量fm经多个全连接层和激活层的公式如下：

53、f1output＝relu(w1·fm+b1)]

54、f2output＝relu(w2·f1output+b2)

55、f3output＝relu(w3·f2output+b3)

56、其中w1、w2、w3为全连接层的权重矩阵，b1、b2、b3为偏置向量，relu激活函数为f(z)＝max(0,z)，z为来自上一层神经网络的输入向量。

57、步骤s5-3：计算类别概率。将步骤s5-2中成功融合时域特征和频域特征的向量f3output送入softmax函数分类器，当共有d个类别时，输出一个d维向量，为该样本所属各个类别的概率：

58、

59、其中表示样本属于第i类的概率，zi是输入向量z中的第i个元素，zd是输入向量z中的第d维元素。

60、步骤s5-4：计算分类损失。采用交叉熵损失函数l，衡量预测概率分布与真实分布之间的差异：

61、

62、其中y＝[y1,y2,...,yd]为真实标签向量，其中yi表示样本是否属于第i类，如果样本属于第i类，则yi＝1，否则yi＝0。

63、步骤s5-5：反向传播。根据adam优化算法调整优化模型超参数，直至达到交叉熵损失函数收敛。adam优化算法结合了动量和rmsprop(root mean square propagation)的优点，自适应调整学习率，使得训练过程更加稳定和高效。

64、初始化adam算法的超参数学习率η、一阶矩估计的指数衰减率β1、二阶矩估计的指数衰减率β2和偏差修正项ε，赋予典型值η＝0.001，β1＝0.9，β2＝0.999，ε＝10-8，接着初始化一阶矩向量mt和二阶矩向量vt为零向量。

65、在每次迭代中，计算损失函数相对于模型参数θt的梯度gt：

66、

67、更新一阶矩估计mt和二阶矩估计vt：

68、mt＝β1mt-1+(1-β1)gt

69、vt＝β2vt-1+(1-β2)gt2

70、对mt和vt进行偏差修正得和

71、

72、利用修正后的矩估计更新模型参数θt：

73、

74、其中，η是学习率，是β1的t次方,表示在第t次迭代中，一阶矩估计的偏差修正因子。是β2的t次方，表示在第t次迭代中，二阶矩估计的偏差修正因子。gt是梯度，l(·)交叉熵是损失函数，θt-1是上一次迭代的模型参数，mt-1和vt-1分别表示上一次迭代的一阶矩估计和二阶矩估计。

75、步骤s6：辐射源个体识别。对新接收的信号进行分割、归一化和标准化处理，按照上述步骤提取多域特征，将提取的特征进行融合形成特征向量，输入已训练好的分类模型，得到每个辐射源的识别概率。

76、本发明还提供一种多域特征融合的辐射源个体识别装置，包括：

77、信号采集模块，用于采集时域信号，将通信辐射源发射出的信号进行采集，并将其信号以时域数据的形式进行存；

78、信号预处理模块，用于对采集到的信号进行预处理，包括信号分割、归一化和标准化等操作，以提高信号的质量和一致性；

79、信号预分类模块，从信号的调制类别出发，选择合适的高次幂处理方式；

80、信号处理模块，对信号做高次幂处理和快速傅里叶变换处理，得到时域特征和频域特征；

81、模型预训练模块，用于预训练多域特征融合识别模型；

82、辐射源个体识别模块，用于对新接收的信号进行分割、归一化和标准化处理，按照上述步骤提取多域特征，将提取的特征进行融合形成特征向量，输入已训练好的分类模型，得到每个辐射源的识别概率；

83、信号采集模块中信号接收机为usrp-2954r通用软件无线电设备，中心频率为375mhz，采样率设为100mhz对发射信号进行i/q正交双通道采样，采集4个模拟辐射源个体发送的通信信号，样本总数为20000，样本顺序打乱并分为训练集，测试集以及验证集，比例分别为0.6，0.2，0.2；信号预处理模块、信号处理模块在cpu中实现；信号预分类模块、模型预训练模块、辐射源个体识别模块在gpu和cpu中实现，cpu选用13th gen intel(r)core(tm)i5-13400f，gpu选用nvidia geforce rtx 4060ti。

84、与现有技术相比，本发明的有益效果是：融合的多域特征更能良好反映辐射源的细微差异，识别效果有明显的提升；通过分别提取每个域的特征，可以有效减少数据的维度，从而降低计算和存储的复杂度；同时允许对不同域的特征进行有针对性的处理和融合，提高分类的精度；可以对不同域的特征进行选择和加权，增强重要特征的影响力，使模型更加灵活和精准；使用普通计算机硬件配置，实用性强、经济性好。