CN111310700B - 一种用于辐射源指纹特征识别的中频采样序列处理方法 - Google Patents
一种用于辐射源指纹特征识别的中频采样序列处理方法 Download PDFInfo
- Publication number
- CN111310700B CN111310700B CN202010122392.4A CN202010122392A CN111310700B CN 111310700 B CN111310700 B CN 111310700B CN 202010122392 A CN202010122392 A CN 202010122392A CN 111310700 B CN111310700 B CN 111310700B
- Authority
- CN
- China
- Prior art keywords
- data
- intermediate frequency
- layer
- convolution
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 53
- 230000005855 radiation Effects 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/13—Sensors therefor
- G06V40/1306—Sensors therefor non-optical, e.g. ultrasonic or capacitive sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于辐射源指纹特征识别的中频采样序列处理方法,通过对中频采样数据进行预处理,得到训练集和测试集;建立7层的神经网络,并采用训练集对7层的神经网络进行训练,并采用测试集对其进行测试,得到训练好的神经网络;将获取数据输入训练好的神经网络,得到指纹特征;本发明解决了现有手动提取信号特征存在的效率不高和可迁移性不强,以及端到端深度学习存在的数据处理量大、不容易准确提取指纹特征的问题。
Description
技术领域
本发明属于通信领域,具体涉及一种用于辐射源指纹特征识别的中频采样序列处理方法。
背景技术
非协作通信辐射源信号识别是指在没有先验信息的情况下,通过分析采集到的辐射源电磁信号特征,进而对通信辐射源的型号、载体进行识别。该研究在民用和军事方面均有广泛的应用。在民用领域,对设备故障的检测和通信网络安全性排查一般使用人力结合专用设备的方式进行,需要快速高效的自动化判别手段。而在军事领域,辐射源识别的需求则更为迫切,比如快速准确地拦截敌方战术情报、识别敌方活动规律等电子战需求。“粗粒度”特征识别如调制模式识别、载频频率识别等,并不能完全满足当前的需求,在此基础上针对信号细微特征(即“指纹”特征)的识别是当前研究的热点和难点。
电磁信号指纹特征是指某一特定通信发射设备在稳定工作状态下表现出的有一定规律的电磁现象,是由于设备硬件中的晶体振荡器、混频器、射频放大器等器件由于个体特性的不同,导致某一设备具有和其他设备不同的时域、频域或者空域特征。
当前的信号指纹识别方法主要分为传统特征提取方法和基于机器学习的识别方法两类。传统特征提取方法主要是使用高阶谱方法对信号进行分析,并通过一系列盲信号处理的方法提高稳定性。而基于机器学习的方法主要又分为监督学习和无监督学习两种:监督学习主要使用深度神经网络对已知的部分数据进行训练,得到的网络对未知数据进行分析判别;非监督学习主要使用如自动编码器等方式进行,自动编码器分为编码和解码两部分,目的是使通过编解码重构的信号尽可能与原始信号相同。通过实际应用来看,监督学习的效果往往是要好于非监督学习,但是未经过数据预处理的端到端监督学习并不能实现最佳性能。
发明内容
针对现有技术中的上述不足,本发明提供的一种用于辐射源指纹特征识别的中频采样序列处理方法解决了现有手动提取信号特征存在的效率不高和可迁移性不强,以及端到端深度学习存在的数据处理量大、不容易准确提取指纹特征的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种用于辐射源指纹特征识别的中频采样序列处理方法,包括以下步骤:
S1、对数据文件中的原始中频采样数据进行预处理,得到N个维的矩阵,M为读入的向量长度;
S2、将N个维的矩阵划分为训练集、验证集和测试集;
S3、建立7层神经网络;
S4、采用训练集和验证集对7层神经网络进行训练和验证,得到训练完成的7层神经网络;
S5、采用训练完成的7层神经网络对测试集进行处理,得到辐射源指纹特征。
进一步地:步骤S1中数据文件中的原始中频采样数据的来源为:通过辐射源以跳频或定频的方式发射射频信号,截获射频信号,按照其当前载波进行解调,得到中频信号,对中频信号进行模数转化后,得到采样序列,将采样序列存入数据文件中,即为数据文件中的原始中频采样数据。
进一步地:步骤S1包括以下步骤:
S11、对数据文件中的原始中频采样数据进行读取,获取原始中频采样数据;
S12、对原始中频采样数据进行下采样,得到降采样中频采样数据;
S13、将降采样中频采样数据划分为N份后,进行频谱变换,得到N组数据频谱信息;
S14、对N组数据频谱信息取绝对值和截取频域序列的前半序列,得到N组中频数据,所述N组中频数据的数据量为降采样中频采样数据的一半;
S15、对N组中频数据中每一组数据去掉极大值后进行存储,得到N个二进制文本;
S16、将N个二进制文本进行数据重构,得到N个维的矩阵。
进一步地:步骤S3中7层神经网络依次包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六层全连接层和第七层全连接层。
根据权利要求4所述的用于辐射源指纹特征识别的中频采样序列处理方法,其特征在于,所述第一卷积层、第二卷积层、第三卷积层和第四卷积层每层均由:卷积、最大池化和Relu激活函数构成,卷积核的大小均为3*3。
进一步地:步骤S4中采用维的矩阵对7层神经网络进行训练的步骤包括:
A1、将维的矩阵输入第一卷积层中,通过第一卷积层随机初始化的3*3卷积核,将/>维的矩阵转换为128个通道长宽维度分别为/>的特征数组;
A2、通过第二卷积层随机初始化的3*3卷积核,将的特征数组转换为128个通道长宽维度分别为/>的特征数组;
A3、通过第三卷积层随机初始化的3*3卷积核,将的特征数组转换为128个通道长宽维度分别为/>的特征数组;
A4、通过第四卷积层随机初始化的3*3卷积核,将的特征数组转换为64个通道长宽维度分别为/>的特征数组;
A5、将64个通道长宽维度分别为的特征数组通过第五全连接层转换为/>维的向量;
A6、将维的向量通过第六全连接层降维到维的向量;
A7、将维的向量通过第七全连接层降维到(Q+1)*1维的向量,Q为已知辐射源信号的个数;
A8、将(Q+1)*1维的向量进行分类,得到Q+1类分类结果。
本发明的有益效果为:
(1)本发明将所提数据预处理方法后,提取的指纹特征更加清晰,且处理方法对所有通信电台中频采样信号均可以适用,提取的特征不受信号传输码率变化的影响。
(2)本发明提取的特征向量分辨率高,对处理硬件平台的适配性更强,使用嵌入式FPGA平台或GPU服务器都可以进行处理。
(3)本发明自动化处理水平高、处理速度快。整个流程完全由机器自动提取特征并进行学习,且神经网络结构简单,模型训练和预测的速度快。
(4)本发明可扩展性强,本发明加入了对未知辐射源的识别,每次学习均可以根据神经网络softmax函数输出结果识别一类未知辐射源。
附图说明
图1为一种用于辐射源指纹特征识别的中频采样序列处理方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种用于辐射源指纹特征识别的中频采样序列处理方法,包括以下步骤:
S1、对数据文件中的原始中频采样数据进行预处理,得到N个维的矩阵,M为读入的向量长度;
步骤S1中数据文件中的原始中频采样数据的来源为:通过辐射源以跳频或定频的方式发射射频信号,截获射频信号,按照其当前载波进行解调,得到中频信号,对中频信号进行模数转化后,得到采样序列,将采样序列存入数据文件中,即为数据文件中的原始中频采样数据。
步骤S1包括以下步骤:
S11、对数据文件中的原始中频采样数据进行读取,获取原始中频采样数据;
在本实施例中,采用Matlab中的fread()函数进行读取后缀名为.dat的数据文件,读取到内存中,根据数据精度可以设置不同的读取精度参数。如bit16为一次读取两个字节共计16位的数据,数据的范围为:-32768到32767。
S12、对原始中频采样数据进行下采样,得到降采样中频采样数据;
在本实施例中,在Matlab中使用downsample()函数对原始中频采样数据进行下采样处理,采样参数可以设置为偶数E,数据量减小为原始数据的1/E,并使得中频采样数据的I和Q两路信号分开(中频采样数据包括:I和Q两路)。
S13、将降采样中频采样数据划分为N份后,进行频谱变换,得到N组数据频谱信息;
S14、对N组数据频谱信息取绝对值和截取频域序列的前半序列,得到N组中频数据,所述N组中频数据的数据量为降采样中频采样数据的一半;
在本实施例中,将划分后的每一份数据当作一组向量,对其进行快速傅里叶变换,得到数据的频谱信息并取绝对值,即使用abs()和fft()函数得到离散信号在一段极短时间内的频谱分布。由于快速傅里叶变换后的频谱是对称的,因此取频谱图的前一半,数据量减小为原来的1/2。
S15、对N组中频数据中每一组数据去掉极大值后进行存储,得到N个二进制文本;
在本实施例中,由于信号在某一些频率会存在少量极大值,而这种极大值会降低对数据集中频段的分析敏感度,因此需要去掉这些极大值。设定阈值P,阈值P的计算公式如下:
其中,dmax为快速傅里叶变换后的最大值,dmin为快速傅里叶变换后的最小值,如果数据向量大于P值的数据有Di个,则总的数据量减少
将得到的每个向量存为一个.mat格式文件,一个.dat文件可以得到N个.mat格式文件。
S16、将N个二进制文本进行数据重构,得到N个维的矩阵。
在本实施例中,将一个.mat格式文件读入,读入的向量长度为M,使用reshape()函数将向量变成维的矩阵,将该矩阵看作一幅图片,可以根据需求进一步下采样,调整为合适神经网络输入的数据大小。参考的M值在[64,512]区间。
S2、将N个维的矩阵划分为训练集、验证集和测试集;
S3、建立7层神经网络;
步骤S3中7层神经网络依次包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六层全连接层和第七层全连接层。
第一卷积层、第二卷积层、第三卷积层和第四卷积层每层均由:卷积、最大池化和Relu激活函数构成,卷积核的大小均为3*3。
S4、采用训练集和验证集对7层神经网络进行训练和验证,得到训练完成的7层神经网络;
将测试集输入7层神经网络中,得到分类结果,并计算分类的准确率,在分类的准确率达到要求的情况下,得到训练完成的7层神经网络。
步骤S4中采用维的矩阵对7层神经网络进行训练的步骤包括:
A1、将维的矩阵输入第一卷积层中,通过第一卷积层随机初始化的3*3卷积核,将/>维的矩阵转换为128个通道长宽维度分别为/>的特征数组;
A2、通过第二卷积层随机初始化的3*3卷积核,将的特征数组转换为128个通道长宽维度分别为/>的特征数组;
A3、通过第三卷积层随机初始化的3*3卷积核,将的特征数组转换为128个通道长宽维度分别为/>的特征数组;
A4、通过第四卷积层随机初始化的3*3卷积核,将的特征数组转换为64个通道长宽维度分别为/>的特征数组;
A5、将64个通道长宽维度分别为的特征数组通过第五全连接层转换为/>维的向量;
A6、将维的向量通过第六全连接层降维到维的向量;
A7、将维的向量通过第七全连接层降维到(Q+1)*1维的向量,Q为已知辐射源信号的个数;
A8、将(Q+1)*1维的向量进行分类,得到Q+1类分类结果。
在本实施例中,有8个已知的辐射源,以输入一组128*128维数据(图像)为例,第一层卷积层随机初始化一个3*3的卷积核,将输入数据转换为128个通道长宽维度分别为64*64的特征数组;第二层卷积层将上一层的特征数组转换为128通道32*32维的特征数组;第三层卷积层将上一层的特征数组转换为128通道16*16维的特征数组;第四层卷积层将上一层的特征数组转换为64通道8*8维的特征数组;第五层全连接层将上一层的特征数组转换为4096*1维的向量;第六层全连接层将上一层的特征向量降维到1024*1维;第七层全连接层将上一层的特征向量继续降维到(Q+1)*1维,其中Q为已知辐射源信号的个数,并将所有未知辐射源信号归为一类,总共是Q+1类;最后使用Softmax函数进行分类。
S5、采用训练完成的7层神经网络对测试集进行处理,得到辐射源指纹特征。
经测试,训练好的7层神经网络每预测一个.mat文件的测试数据,只需要0.125秒。
按照上述步骤,可以对输入中频采样数据进行快速识别分类,且由于输入数据维度最低可以到64*64,神经网络的层数只有7层,对硬件性能要求较低,因此上述方法也可以移植到嵌入式FPGA平台中。
本发明的有益效果为:
(1)本发明将所提数据预处理方法后,提取的指纹特征更加清晰,且处理方法对所有通信电台中频采样信号均可以适用,提取的特征不受信号传输码率变化的影响。
(2)本发明提取的特征向量分辨率高,对处理硬件平台的适配性更强,使用嵌入式FPGA平台或GPU服务器都可以进行处理。
(3)本发明自动化处理水平高、处理速度快。整个流程完全由机器自动提取特征并进行学习,且神经网络结构简单,模型训练和预测的速度快。
(4)本发明可扩展性强,本发明加入了对未知辐射源的识别,每次学习均可以根据神经网络softmax函数输出结果识别一类未知辐射源。
Claims (1)
1.一种用于辐射源指纹特征识别的中频采样序列处理方法,其特征在于,包括以下步骤:
S1、对数据文件中的原始通信电台中频采样数据进行预处理,得到N个维的矩阵,M为读入的向量长度;
步骤S1中数据文件中的原始中频采样数据的来源为:通过辐射源以跳频或定频的方式发射射频信号,截获射频信号,按照其当前载波进行解调,得到中频信号,对中频信号进行模数转化后,得到采样序列,将采样序列存入数据文件中,即为数据文件中的原始中频采样数据;
所述步骤S1包括以下步骤:
S11、对数据文件中的原始中频采样数据进行读取,获取原始中频采样数据;
S12、对原始中频采样数据进行下采样,得到降采样中频采样数据;
S13、将降采样中频采样数据划分为N份后,进行频谱变换,得到N组数据频谱信息;
S14、对N组数据频谱信息取绝对值和截取频域序列的前半序列,得到N组中频数据,所述N组中频数据的数据量为降采样中频采样数据的一半;
S15、对N组中频数据中每一组数据去掉极大值后进行存储,得到N个二进制文本;
S16、将N个二进制文本进行数据重构,得到N个维的矩阵;
S2、将N个维的矩阵划分为训练集、验证集和测试集;
S3、建立7层神经网络;
步骤S3中7层神经网络依次包括:第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六层全连接层和第七层全连接层;
所述第一卷积层、第二卷积层、第三卷积层和第四卷积层每层均由:卷积、最大池化和Relu激活函数构成,卷积核的大小均为3*3;
S4、采用训练集和验证集对7层神经网络进行训练和验证,得到训练完成的7层神经网络;
所述步骤S4中采用维的矩阵对7层神经网络进行训练的步骤包括:
A1、将维的矩阵输入第一卷积层中,通过第一卷积层随机初始化的3*3卷积核,将/>维的矩阵转换为128个通道长宽维度分别为/>的特征数组;
A2、通过第二卷积层随机初始化的3*3卷积核,将的特征数组转换为128个通道长宽维度分别为/>的特征数组;
A3、通过第三卷积层随机初始化的3*3卷积核,将的特征数组转换为128个通道长宽维度分别为/>的特征数组;
A4、通过第四卷积层随机初始化的3*3卷积核,将的特征数组转换为64个通道长宽维度分别为/>的特征数组;
A5、将64个通道长宽维度分别为的特征数组通过第五全连接层转换为维的向量;
A6、将维的向量通过第六全连接层降维到/>维的向量;
A7、将维的向量通过第七全连接层降维到(Q+1)*1维的向量,Q为已知辐射源信号的个数;
A8、将(Q+1)*1维的向量进行分类,得到Q+1类分类结果;
S5、采用训练完成的7层神经网络对测试集进行处理,得到辐射源指纹特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122392.4A CN111310700B (zh) | 2020-02-27 | 2020-02-27 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122392.4A CN111310700B (zh) | 2020-02-27 | 2020-02-27 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310700A CN111310700A (zh) | 2020-06-19 |
CN111310700B true CN111310700B (zh) | 2024-02-13 |
Family
ID=71147776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010122392.4A Active CN111310700B (zh) | 2020-02-27 | 2020-02-27 | 一种用于辐射源指纹特征识别的中频采样序列处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310700B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183279B (zh) * | 2020-09-21 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于iq图特征的通信辐射源个体识别方法 |
CN113343868A (zh) * | 2021-06-15 | 2021-09-03 | 四川九洲电器集团有限责任公司 | 一种辐射源个体识别方法及装置、终端、存储介质 |
CN113542171B (zh) * | 2021-07-12 | 2022-06-21 | 湖南大学 | 一种基于cnn和组合高阶谱图像的调制样式识别方法和*** |
CN114707549B (zh) * | 2022-04-02 | 2023-04-07 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
CN114997299B (zh) * | 2022-05-27 | 2024-04-16 | 电子科技大学 | 一种资源受限环境下的射频指纹识别方法 |
CN115099289B (zh) * | 2022-08-24 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 基于微弱指纹特征的无线电辐射源身份判别***及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103051458A (zh) * | 2012-12-27 | 2013-04-17 | 南通大学 | 一种从bpsk信号中获取稳健射频指纹的方法 |
CN103690194A (zh) * | 2013-12-17 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 基于宽带信号的血流流速估计方法和*** |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN107850997A (zh) * | 2015-07-15 | 2018-03-27 | 华为技术有限公司 | Cs本振序列生成方法、装置、发射机及接收机 |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及*** |
CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
CN110097011A (zh) * | 2019-05-06 | 2019-08-06 | 北京邮电大学 | 一种信号识别方法及装置 |
CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
CN110647951A (zh) * | 2019-11-27 | 2020-01-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及*** |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别*** |
CN110827354A (zh) * | 2019-11-01 | 2020-02-21 | 北京交通大学 | 基于轨旁电网线杆计数的列车定位方法 |
-
2020
- 2020-02-27 CN CN202010122392.4A patent/CN111310700B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103051458A (zh) * | 2012-12-27 | 2013-04-17 | 南通大学 | 一种从bpsk信号中获取稳健射频指纹的方法 |
CN103690194A (zh) * | 2013-12-17 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 基于宽带信号的血流流速估计方法和*** |
CN107850997A (zh) * | 2015-07-15 | 2018-03-27 | 华为技术有限公司 | Cs本振序列生成方法、装置、发射机及接收机 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN109389058A (zh) * | 2018-09-25 | 2019-02-26 | 中国人民解放军海军航空大学 | 海杂波与噪声信号分类方法及*** |
CN109633588A (zh) * | 2018-12-29 | 2019-04-16 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达辐射源识别方法 |
CN110097011A (zh) * | 2019-05-06 | 2019-08-06 | 北京邮电大学 | 一种信号识别方法及装置 |
CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
CN110691050A (zh) * | 2019-09-10 | 2020-01-14 | 中国人民解放军战略支援部队信息工程大学 | 基于c-e特征的辐射源指纹提取方法、装置及个体识别*** |
CN110827354A (zh) * | 2019-11-01 | 2020-02-21 | 北京交通大学 | 基于轨旁电网线杆计数的列车定位方法 |
CN110647951A (zh) * | 2019-11-27 | 2020-01-03 | 南京邮电大学 | 基于机器学习算法的无线射频设备身份识别方法及*** |
Non-Patent Citations (6)
Title |
---|
"Convolution Radio Modulation Recogniton Networks";Timothy J,at el.;《arXiv》;20160610;第1-15页 * |
"Spectrum Analysis and Convolutional Neural Network for Automatic Modulation Recognition";Yuan Zeng,at el.;《IEEE Wireless Communication Letters》;20091231;第1-4页 * |
单家元等."射频信号特性分析及建模".《半实物仿真》.国防工业出版社,2008,第117页. * |
张向荣等."卷积神经网络".《模式识别》.西安电子科技大学出版社,2009,第161-163页. * |
张威."MATLAB基础与编程入门".《MATLAB基础与推理入门》.西安电子科技大学出版社,2004,第46页. * |
邓中亮等."接收机***结构".《室内外无限定位与导航》.北京邮电大学出版社,2013,第151-153页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111310700A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310700B (zh) | 一种用于辐射源指纹特征识别的中频采样序列处理方法 | |
CN109495214B (zh) | 基于一维Inception结构的信道编码类型识别方法 | |
CN109307862A (zh) | 一种目标辐射源个体识别方法 | |
CN110133599B (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
CN109359523B (zh) | 一种基于svm多分类算法的卫星导航干扰类型识别方法 | |
CN111222442A (zh) | 一种电磁信号分类方法和装置 | |
Li et al. | A deep convolutional network for multitype signal detection and classification in spectrogram | |
CN108549078A (zh) | 一种雷达脉冲信号跨信道合并及检测方法 | |
CN116047427B (zh) | 一种小样本雷达有源干扰识别方法 | |
CN110764152B (zh) | 一种无人机快速检测与识别的装置及方法 | |
CN114024808A (zh) | 基于深度学习的调制信号识别方法及*** | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN115294615A (zh) | 一种基于机器学习的射频指纹识别方法 | |
Orduyilmaz et al. | Machine learning-based radar waveform classification for cognitive EW | |
CN114241491B (zh) | 一种基于轻量级深度学习网络的手写字母识别方法 | |
West et al. | A wideband signal recognition dataset | |
CN111310680B (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN114598577B (zh) | 一种5g通信***多频段信号融合过滤方法 | |
CN115267713B (zh) | 一种基于语义分割的间歇采样干扰识别和抑制方法 | |
CN115100733A (zh) | Rfid手势识别方法、计算机装置、产品及存储介质 | |
CN114580476A (zh) | 一种无人机信号的识别模型构建方法及相应识别方法和*** | |
CN112213698A (zh) | 一种基于稀疏表示分类的欺骗干扰识别方法 | |
Wang et al. | Novel radio-frequency fingerprint recognition scheme using multiwavelets-based cyclic-spectrum graph analysis | |
Li et al. | Composite radar modulation identification by transfer learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |