CN112749633B - 分离与重构的个体辐射源识别方法 - Google Patents
分离与重构的个体辐射源识别方法 Download PDFInfo
- Publication number
- CN112749633B CN112749633B CN202011563263.5A CN202011563263A CN112749633B CN 112749633 B CN112749633 B CN 112749633B CN 202011563263 A CN202011563263 A CN 202011563263A CN 112749633 B CN112749633 B CN 112749633B
- Authority
- CN
- China
- Prior art keywords
- extraction module
- individual
- feature extraction
- module
- signal
- 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
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种分离与重构的个体辐射源识别方法,能够有效提升辐射源个体识别准确率。本发明通过下述技术方案实现,收集个体辐射源信号建立SepNet深度学习模型;对辐射源信号训练集进行监督训练,分离辐射源信号中的个体特征,将原始信号输入公共特征提取模块提取共有特征,提取训练数据的高维特征向量;采用信号重构模块将来自个体特征提取模块及内容特征提取模块的特征数据进行重构,重构出输入信号的特征图,计算与原始信号的均方差损失。分类模块对信号准确分类,根据所得到的类别概率值判断信号所属辐射源个体;最后使用联合优化网络模型更新卷积核权值,利用输入映射为0‑1之间的实数,衡量SepNet深度学习模型的识别能力。
Description
技术领域
本发明属于信号识别技术领域,特别是涉及一种基于特征分离与重构的辐射源的个体辐射源识别(specificemitteridentification,SEI)方法。
背景技术
随着空中辐射源设备的大幅增加,需要对空中目标辐射源是否工作正常和异常空中目标的属性进行判断,而这些判断均需要以空中辐射源的个体识别为前提。辐射源个体识别SEI又称辐射源指纹识别或者特定辐射源识别,辐射源个体识别是指通过提取接收信号表现出的某个或者多个调制特征对目标个体进行识别,因为这些特征具备普遍性、可测性、稳定性、唯一性等特点,所以从信号提取的这些特征可以反应出辐射源设备的差异,从而识别出发射信号的辐射源个体。是使用已知类信号的个体特征提取技术,提取出反映其目标身份的信息(辐射源指纹),从而确定发射信号的辐射源个体的技术,其中所有辐射源属同一类型。其基本思路是:从时域、频域、调制域、变换域等不同的“视角”来观察指纹,根据指纹在不同“视角”表现出的不同特点,再运用一些有效的数学工具来提取指纹。辐射源个体识别特征具备普遍性、可测性、稳定性、唯一性等特点,从信号提取的这些特征可以反应出辐射源设备的差异,从而识别出发射信号的辐射源个体。辐射源指纹是发射设备硬件固有特征,具有不可伪造,难以改变,不可避免等特点,以无意调制的形式附加在发射信号上。由于存在信号样本的获取较为困难、指纹特征受信道环境影响大。
SEI技术自诞生之日起,就因具备识别特定发端个体的独特作用,在频谱管理、网络安全、认知无线电等领域引起了广泛地关注。开集辐射源个体识别技术是在实际通信条件下实现通信辐射源个体识别的关键技术。同型号的辐射源个体细微特征的提取是其中的一项关键技术,也是有待解决的一个难点。
辐射源特征提取方法种类众多,不同辐射源***之间的个体非线性差异,是信号指纹特征产生的根源,提取细微的辐射源个体差异特征非常困难。不同频率源输出的频率跟标准频率都是有一定程度的差距,或者高或者低,不尽相同。此外由于不同辐射源信号的脉冲幅值不同,即使相同的辐射源信号其幅值也会产生不同程度的失真。在低信噪比条件下,稳态信号中的通信辐射源个体特征极易被掩盖,从而难以提取和识别。信号稳态中的无意调制特征是各种因素综合作用的结果,从中提取反映辐射源个体的特征矢量比较困难,信号稳态的随机调制,进一步加大了个体特征矢量的提取难度使,使得特征的提取过程会造成信息损失。因此这些方法的个体识别准确率依赖于精确的物理建模和经验参数。
传统的特征提取方法,为解决非协作通信条件下对通信辐射源的个体识别问题,提出了一种基于小波变换特征提取的个体识别方法,该方法对非协同通信的接收信号进行小波变换,并根据特征分布选取特定小波基下的小波系数复杂度作为信噪比参考值辅助个体识别。而基于快速傅里叶变换的方法,在很大程度上是利用现有的专家经验,利用人工提取的信号特征对不同的个体辐射源进行识别。人工提取到的特征其质量不仅受人为主观因素影响较大,并且这种方法明显的场景限定性,在大多数情况下不能很好地推广。因此这种识别方法不能应用于其他环境非常不同的场景并且准确率较低。除此之外,为特定使用场景的个体识别任务提取一组新特征通常费时费力,因此该方法不具有未来的发展潜力。
目前在特征提取方面,一般从辐射源暂态过程出发提取特征,但暂态信号持续时间过短,与噪声相似度高,给非协作条件下的信号获取和识别带来很大难度。而稳态信号持续时间长,信号截获和监控较为容易,因此从稳态信号中提取所需特征具有更加实际和广泛的应用价值。但是从稳态信号中,尤其是调制信号中提取发射机硬件的指纹特征并非易事。未知的调制信息往往会掩盖指纹信息,外界环境(如信道的恶劣噪声、多径衰落等)则可能使指纹信息产生畸变,这进一步增大了个体特征提取的难度。传统的辐射源识别技术已无法准确地对辐射源进行分类和识别。
近年来,深度学***的复杂特征进行发射器识别。其次,相同种类的发射器之间的个体特征差别较为细微,而目前的模型没有加入任何专有结构来提取这种细微特征。现有深度学习方法的解决方案使用的架构过于简单,在其他研究领域如计算机视觉和自然语言处理中被证明效率低下。
发明内容
针对在传统方法下辐射源个体识别准确率较低的问题,本发明提供一种可以实现辐射源个体识别,训练时间短,准确率更高,分类简单,易于训练、收敛速度较快,能够有效提升辐射源个体识别准确率,具有较强稳健性,基于特征分离与重构的个体辐射源识别方法。
为达到上述目的,本发明采用的技术方案是:一种分离与重构的个体辐射源识别方法,其特征在于,包括如下步骤:
根据深度残差网络DRN设置跳跃连接的残差块,由残差块及最大池化层分别组成公共特征提取模块、个体特征提取模块、内容特征提取模块,由全卷积网络结构的全连接层、BN层组成分类模块,使用若干反卷积层组成信号重构模块;基于深度卷积神经网络和跳跃连接的残差块收集个体辐射源信号对辐射源信号所属类别做标注,基于采集和存储的数据和个体辐射源识别任务,建立卷积层的特征图和与之相应成镜像关系的反卷积层特征图进行跳跃连接,对应像素直接相加后经过非线性激活层然后传入下一层的SepNet深度学习模型;SepNet深度学习模型对辐射源信号训练集进行监督训练,利用公共特征提取模块、内容特征提取模块、个体特征提取模块准确分离辐射源信号中的个体特征,将原始信号输入公共特征提取模块提取其共有特征,并将所得结果分别送入个体特征提取模块与内容特征提取模块,提取训练数据的高维特征向量;与个体特征提取模块及内容特征提取模块中间层相连接的信号重构模块,将来自个体特征提取模块及内容特征提取模块的特征数据进行重构,重构出输入信号的特征图,计算与原始信号的均方差损失,利用交叉熵损失函数计算其与真实标签的损失,将个体特征提取模块输出特征图输入分类模块对信号准确分类,判断信号的类别,提取信号瞬时相位的信息维数作为分类特征,将辐射源信号训练集数据输入优化后的网络模型,验证模型对辐射源信号的分类效果,根据所得到的类别概率值判断信号所属辐射源个体;最后使用均方差损失函数、交叉熵损失函数联合优化网络模型,在每一个小批量梯度下降训练时,运用反向传播,更新卷积核权值,反卷积解码器利用SoftMax函数将输入映射为0-1之间的实数,并保证和为1,以此衡量SepNet深度学习模型的识别能力。
本发明相比于现有技术具有如下有益效果:
训练时间短。本发明针对个体辐射源识别任务建立SepNet深度学习模型;根据辐射源信号训练集对SepNet深度学习模型监督训练,建立所述建立SepNet深度学习模型,设置跳跃连接的残差块,由残差块及最大池化层分别组成公共特征提取模块、个体特征提取模块、内容特征提取模块,由全连接层、BN层组成分类模块,使用若干反卷积层组成信号重构模块;可以实现辐射源的个体识别,融合了深层网络极强的特征编码能力以及重构能力,充分利用各个模块各层的特征图的交互信息,并非一味的加深、拓宽网络。加上具有残差的跳跃连接结构,使得整体网络不仅结构设计思路符合辐射源开集个体识别的基本原理,仿真结果表明,该方法对相位噪声、频率漂移以及谐波失真等细微特征的识别性能明显优于传统方法,并具有良好的抗噪性。既能提高识别率,又能减少额外的时间开销。通过计算机仿真实验和实测数据计算结果证明了该方法的有效性。
准确率更高。本发明采用深层SepNet深度学习模型利用公共特征提取模块、内容特征提取模块、个体特征提取模块准确分离辐射源信号中的个体特征,将原始信号输入公共特征提取模块提取其共有特征,并将所得结果分别送入个体特征提取模块与内容特征提取模块提取训练数据的高维特征向量,将个体特征提取模块及内容特征提取模块的中间层连接到信号重构模块,信号重构模块将来自个体特征提取模块及内容特征提取模块的特征数据重构,将不同维度的特征图重构出输入信号,基于特征分离与重构的个体辐射源进行识别,计算与原始信号均方差损失;能够有效提升辐射源个体识别准确率,具有较强稳健性。通过使用长短跳跃连接,图像分类准确性得到提高,不仅能准确重构原始输入信号,还利用Softmax加交叉熵损失监督模型训练。相比以往的深度学习模型,准确率更高。
分类简单,本发明将个体特征提取模块输出特征图输入分类模块对信号准确分类,判决未知信号的类别,提取信号瞬时相位的信息维数作为分类特征,基于深度卷积神经网络和跳跃连接的残差块可以解决网络层数较深的情况下梯度消失的问题,同时有助于梯度的反向传播,加快训练过程。通过传递卷积层的特征图到反卷积层,有助于解码器拥有更多图像细节信息,恢复出更好的干净图像。同时使用长和短连接可以获得最小的损耗或最高的精度。相比于传统方法和其它基于深度学习的个体辐射源识别方法而言,能够大幅提高模型准确率,使算法、模型具备在真实环境中的应用能力。
易于训练、收敛速度较快。本发明在全卷积的情况下,噪声一步步地被消除。经过每一个卷积层后,噪声等级减小,图像内容的细节也可能会随之丢失。卷积层保留了主要的图像内容,而反卷积层则用来补偿细节信息,可以达到良好去噪效果的同时较好地保留图像内容。另一方面,卷积层逐渐减小特征图的大小,反卷积层再逐渐增大特征图的大小,最终确保输入输出大小一致,也可以保证在移动端计算能力有限情况下的测试效率。利用Softmax函数将输入映射为0-1之间的实数,并且归一化保证和为1,利用交叉熵损失函数计算其与真实标签的损失;使用均方差损失函数、交叉熵损失函数联合优化网络模型,将辐射源信号测试集数据输入优化后的网络模型,根据所得到的类别概率值判断信号所属辐射源个体,在每一个小批量梯度下降训练时,运用反向传播,易于训练。更新卷积核权值,以此衡量SepNet深度学习模型的识别能力。在保证准确率的前提下有效减少用于深度学习模型的参数,收敛速度较快,训练时间大大缩短。为个体辐射源识别技术落地提供新的解决方案。
附图说明
图1为本发明分离重构辐射源个体特征识别的流程示意图。
图2是SepNet深度学习模型结构示意图。
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
具体实施方式
参阅图1。根据本发明,根据深度残差网络设置跳跃连接的残差块,由残差块及最大池化层分别组成公共特征提取模块、个体特征提取模块、内容特征提取模块,由全卷积网络结构的全连接层、BN层组成分类模块,使用若干反卷积层组成信号重构模块;基于深度卷积神经网络和跳跃连接的残差块收集个体辐射源信号对辐射源信号所属类别做标注,基于采集和存储的数据和个体辐射源识别任务,建立卷积层的特征图和与之相应成镜像关系的反卷积层特征图进行跳跃连接,对应像素直接相加后经过非线性激活层然后传入下一层的SepNet深度学习模型;SepNet深度学习模型对辐射源信号训练集进行监督训练,利用公共特征提取模块、内容特征提取模块、个体特征提取模块准确分离辐射源信号中的个体特征,将原始信号输入公共特征提取模块提取其共有特征,并将所得结果分别送入个体特征提取模块与内容特征提取模块,提取训练数据的高维特征向量;与个体特征提取模块及内容特征提取模块中间层相连接的信号重构模块,将来自个体特征提取模块及内容特征提取模块的特征数据进行重构,重构出输入信号的特征图,计算与原始信号的均方差损失,利用交叉熵损失函数计算其与真实标签的损失,将个体特征提取模块输出特征图输入分类模块对信号准确分类,判断信号的类别,提取信号瞬时相位的信息维数作为分类特征,将辐射源信号训练集数据输入优化后的网络模型,验证模型对辐射源信号的分类效果,根据所得到的类别概率值判断信号所属辐射源个体;最后使用均方差损失函数、交叉熵损失函数联合优化网络模型,在每一个小批量梯度下降训练时,运用反向传播,更新卷积核权值,反卷积解码器利用SoftMax函数将输入映射为0-1之间的实数,并保证和为1,以此衡量SepNet深度学习模型的识别能力。
所述残差块包括四个卷积层,每个卷积层的输出特征图通过跳跃连接到该残差块的最终输出第lth层的输出数据xl;
xl=H([xl-1,xl-2,...,x0]) (1)
则使得每一个浅层都与深层直接关联
其中,xl为第lth层的输出,H为映射函数,则使得每一个浅层都与深层直接关联。
进一步的是,信号重构模块采用如下公式计算均方差损失:
其中,yi是第i个信号样本的真实值,yi’是模型对第i个信号的预测值,n是该批次的信号个数。
进一步的是,分类模块在分类过程中,采用归一化指数函数Softmax来实现多分类,归一化指数函数Softmax采用如下公式计算所有元素指数和的比值Si,把一些输出的神经元映射到(0-1)之间的实数,并且归一化保证和为1,从而使得多分类的概率之和也刚好为1:
其中,Si表示的是当前元素的指数与所有元素指数和的比值,Vi是分类器前级输出单元的输出,i表示类别索引,总的类别个数为C。
归一化指数函数Softmax将多分类的输出数值转化为相对概率。
进一步的是,交叉熵损失函数信息论中的重要概念,主要用于度量两个概率分布间的差异性,由相对熵(KL)散度推导而来,如果对于同一个随机变量X有两个单独的概率分布P(x)和Q(x),则可以使用KL散度衡量两个概率分布之间的差异,信号重构模块根据有两个单独概率分布P(x)和Q(x)的同一个随机变量X,采用如下散度计算公式度量两个概率分布间的差异性,使用相对熵KL散度衡量两个概率分布之间的差异:
其中,P(x)表示样本的真实分布,Q(x)表示模型所预测的分布。
进一步,信号重构模块将KL散度公式拆解为如下形式:
前者H(p(x))表示信息熵,后者即为交叉熵,交叉熵公式表示为:
进一步的是,公共特征提取模块采用每个残差块包含2个卷积层及1个跳跃连接的最大池化层的3个残差块,使用带有长短跳跃连接全卷积神经网络的卷积层、最大池化层、卷积层对输入数据进行3次2倍下采样,从输入信号中提取公共特征,将处理后的数据分别送入内容特征提取模块以及个体特征提取模块中。
进一步的是,内容特征提取模块负责提取输入信号中的内容特征,由3个带最大池化层的残差块组成。每个残差块中首先使用2个加入跳跃连接的高维卷积层,再使用最大池化层进行下采样,其中第一个残差块的最大池化层下采样倍数为4,其余2个下采样倍数为2。由于SepNet结构设计的核心是将内容特征与个体特征从输入信号中分离出来,所以必须保证两个特征不包含彼此的特征信息。因此,将内容特征提取模块中3个最大池化层的输出数据同时送入信号重构模块中,与个体特征提取模块的输出结果联合重构,以此引导内容特征提取模块能够分离出期望的内容特征。
参阅图2。SepNet深度学习模型包括:连接在第一特征分离模块与第二特征分离模块的信号重构模块,其中,第一特征分离模块和第二特征分离模块包含了公共特征提取模块输出端相连的个体特征提取模块和内容特征提取模块,以及与个体特征提取模块相连的全连接模块,信号重构模块x1将计算均方差损失送入公共特征提取模块,通过体特征提取模块将选取锚点Anchor1同类样本取样Sample1送入全连接模块计算交叉熵损失。其中,锚点Anchor是在图像上预设好的不同大小,不同长宽比的参照框,非常类似于滑窗法所设置的窗口大小。一般的目标检测网络可能有成千上万个Anchor,。在实际中,Anchor非常密集,多个Anchor都是对应同一个物体的正样本。池化的区域的面积以及比例,就是一个个的Anchor。针对于目标检测,训练数据集的每个样本都是有标签的,就已知这些框的大小,即长和宽。可以把这些框box(框)进行分类,使用滑动窗口的操作方式,当前滑窗的中心在原像素空间的映射点就称为锚Anchor。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种分离与重构的个体辐射源识别方法,其特征在于,包括如下步骤:
根据深度残差网络DRN设置跳跃连接的残差块,由残差块及最大池化层分别组成公共特征提取模块、个体特征提取模块、内容特征提取模块,由全卷积网络结构的全连接层、BN层组成分类模块,使用若干反卷积层组成信号重构模块,基于深度卷积神经网络和跳跃连 接的残差块 收集个体辐射源信号对辐射源信号所属类别做标注,基于采集和存储的数据和个体辐射源识别任务,建立卷积层的特征图和与之相应成镜像关系的反卷积层特征图进行跳跃连接,对应像素直接相加后经过非线性激活层然后传入下一层的SepNet深度学习模型;SepNet深度学习模型对辐射源信号训练集进行监督训练,利用公共特征提取模块、内容特征提取模块、个体特征提取模块准确分离辐射源信号中的个体特征,将原始信号输入公共特征提取模块提取其共有特征,并将所得结果分别送入个体特征提取模块与内容特征提取模块,提取训练数据的高维特征向量;与个体特征提取模块及内容特征提取模块中间层相连接的信号重构模块,将来自个体特征提取模块及内容特征提取模块的特征数据进行重构,重构出输入信号的特征图,计算与原始信号的均方差损失,利用交叉熵损失函数计算其与真实标签的损失,将个体特征提取模块输出特征图输入分类模块对信号准确分类,判断信号的类别,提取信号瞬时相位的信息维数作为分类特征,将辐射源信号训练集数据输入优化后的网络模型,验证模型对辐射源信号的分类效果,根据所得到的类别概率值判断信号所属辐射源个体;最后使用均方差损失函数、交叉熵损失函数联合优化网络模型,在每一个小批量梯度下降训练时,运用反向传播,更新卷积核权值,反卷积解码器利用SoftMax函数将输入映射为0-1之间的实数,并保证和为1,以此衡量SepNet深度学习模型的识别能力。
2.如权利要求1所述的分离与重构的个体辐射源识别方法,其特征在于:残差块包括四个卷积层,每个卷积层的输出特征图通过跳跃连接到该残差块的最终输出第lth层的输出数据xl,
xl=H([xl-1,xl-2,...,x0]) (1)
则使得每一个浅层都与深层直接关联
其中,H为映射函数。
7.如权利要求1所述的分离与重构的个体辐射源识别方法,其特征在于:公共特征提取模块采用每个残差块包含2个卷积层及1个跳跃连接的最大池化层的3个残差块,使用卷积层、最大池化层、卷积层对输入数据进行3次2倍下采样,从输入信号中提取公共特征,将处理后的数据分别送入内容特征提取模块以及个体特征提取模块中。
8.如权利要求1所述的分离与重构的个体辐射源识别方法,其特征在于:内容特征提取模块提取输入信号中的内容特征,通过由3个带最大池化层组成的残差块使用2个加入跳跃连接的高维卷积层,再使用最大池化层进行下采样,其中第一个残差块的最大池化层下采样倍数为4,其余2个下采样倍数为2,通过SepNet结构将内容特征与个体特征从输入信号中分离出来,并将内容特征提取模块中3个最大池化层的输出数据同时送入信号重构模块中,与个体特征提取模块的输出结果联合重构,以此引导内容特征提取模块分离出期望的内容特征。
9.如权利要求1所述的分离与重构的个体辐射源识别方法,其特征在于:SepNet深度学习模型包括:连接在第一特征分离模块与第二特征分离模块的信号重构模块,其中,第一特征分离模块和第二特征分离模块包含了公共特征提取模块输出端相连的个体特征提取模块和内容特征提取模块,以及与个体特征提取模块相连的全连接模块,信号重构模块x1将计算均方差损失送入公共特征提取模块,通过体特征提取模块基于Anchor的目标检测网络将选取Anchor1同类样本Sample1送入全连接模块计算交叉熵损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563263.5A CN112749633B (zh) | 2020-12-25 | 2020-12-25 | 分离与重构的个体辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011563263.5A CN112749633B (zh) | 2020-12-25 | 2020-12-25 | 分离与重构的个体辐射源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749633A CN112749633A (zh) | 2021-05-04 |
CN112749633B true CN112749633B (zh) | 2022-05-17 |
Family
ID=75646025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011563263.5A Active CN112749633B (zh) | 2020-12-25 | 2020-12-25 | 分离与重构的个体辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749633B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113780521B (zh) * | 2021-08-24 | 2022-03-04 | 中国人民解放军93114部队 | 一种基于深度学习的辐射源个体识别方法 |
CN113705446B (zh) * | 2021-08-27 | 2023-04-07 | 电子科技大学 | 一种面向辐射源个体的开集识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006130486A2 (en) * | 2005-05-27 | 2006-12-07 | The Regents Of The University Of Michigan | Integrative and real-time radiation measurement methods and systems |
WO2018020115A1 (fr) * | 2016-07-28 | 2018-02-01 | Microwave Characterization Center | Systeme d'imagerie radiometrique hyperfrequence et procede d'imagerie associe |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
CN110838089A (zh) * | 2019-09-18 | 2020-02-25 | 浙江工业大学 | 一种基于OctBlock密集块的快速图像去噪方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
-
2020
- 2020-12-25 CN CN202011563263.5A patent/CN112749633B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006130486A2 (en) * | 2005-05-27 | 2006-12-07 | The Regents Of The University Of Michigan | Integrative and real-time radiation measurement methods and systems |
WO2018020115A1 (fr) * | 2016-07-28 | 2018-02-01 | Microwave Characterization Center | Systeme d'imagerie radiometrique hyperfrequence et procede d'imagerie associe |
CN109307862A (zh) * | 2018-07-05 | 2019-02-05 | 西安电子科技大学 | 一种目标辐射源个体识别方法 |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
CN110838089A (zh) * | 2019-09-18 | 2020-02-25 | 浙江工业大学 | 一种基于OctBlock密集块的快速图像去噪方法 |
CN111913156A (zh) * | 2020-08-05 | 2020-11-10 | 电子科技大学 | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 |
CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
Non-Patent Citations (5)
Title |
---|
Analytical Low-Dose CBCT Reconstruction Using Non-local Total Variation Regularization for Image Guided Radiation Therapy;James J. Sohn 等;《Frontiers in Oncology》;20200227;1-7 * |
Atom Probe Reconstruction With a Locally Varying Emitter Shape;Beinke, D. 等;《Microscopy and Microanalysis》;20181121;第25卷(第2期);280-287 * |
Dose Reconstruction from PET Images in Carbon Ion Therapy: A Deconvolution Approach Using an Evolutionary Algorithm;T Hofmann 等;《2017 IEEE Nuclear Science Symposium and Medical Imaging Conference》;20181115;1-3 * |
基于信号特征深度重构的雷达辐射源识别方法;幸涛 等;《现代信息科技》;20200925;第4卷(第18期);80-83 * |
改进加速鲁棒特征的平面旋转人脸检测算法;马丹 等;《计算机工程与设计》;20180930;第39卷(第9期);2817-2821 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749633A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
Wang et al. | Radar emitter recognition based on the short time Fourier transform and convolutional neural networks | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN114692665B (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN113259288B (zh) | 基于特征融合与轻量化混合模型的水声调制方式识别方法 | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
CN114567528B (zh) | 基于深度学习的通信信号调制方式开集识别方法及*** | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN114881093B (zh) | 一种信号分类识别方法 | |
Huang et al. | Radar waveform recognition based on multiple autocorrelation images | |
CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别***与方法 | |
Liu et al. | Jamming recognition based on feature fusion and convolutional neural network | |
Wang et al. | Specific emitter identification based on deep adversarial domain adaptation | |
CN116482618A (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
CN116340846A (zh) | 一种弱监督下多示例多标签学习的混叠调制信号识别方法 | |
CN115661539A (zh) | 一种嵌入不确定性信息的少样本图像识别方法 | |
CN110610152B (zh) | 基于判别特征学习无监督网络的多光谱云检测方法 | |
Guo-Xi | Research on a Convolutional Neural Network Method for Modulation Waveform Classification. | |
CN114785649B (zh) | 一种基于多端神经网络的卫星通信信号识别方法 | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和*** | |
CN114187528B (zh) | 基于多示例空谱信息联合提取的高光谱目标检测方法 |
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 |