CN114048774A - 一种基于se-block的resnet通信辐射源识别方法与*** - Google Patents
一种基于se-block的resnet通信辐射源识别方法与*** Download PDFInfo
- Publication number
- CN114048774A CN114048774A CN202111327199.5A CN202111327199A CN114048774A CN 114048774 A CN114048774 A CN 114048774A CN 202111327199 A CN202111327199 A CN 202111327199A CN 114048774 A CN114048774 A CN 114048774A
- Authority
- CN
- China
- Prior art keywords
- signal
- radiation source
- steady
- block
- communication radiation
- 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.)
- Granted
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 78
- 238000004891 communication Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001052 transient effect Effects 0.000 claims abstract description 38
- 230000004913 activation Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 14
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- 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
- G06F2218/04—Denoising
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明给出了一种基于se‑block的resnet通信辐射源识别方法与***,包括对通信辐射源信号的训练样本进行预处理后,将前导码进行调制再与通信辐射源进行互相关,找到前导码位置,截取出暂态和稳态信号,将两个辐射源重要特征进行拼接,放入se‑block中,得到通道的权重矩阵与输入乘积再进行放入残差网络中继续提取特征,最后经过激活函数以及全连接层将通信辐射源实现分类。以上方法便于提取出有效的辐射源特征,利用分类性极强的se‑block和残差模块结合,实现了特征提取,获得了很好的分类效果。
Description
技术领域
本发明涉及通信辐射源个体识别技术领域,尤其是一种基于se-block的resnet通信辐射源识别方法与***。
背景技术
随着无线通信的飞快发展,辐射源的类别繁多且复杂,信号呈现出多样性,传统的辐射源识别方法可能已经无法满足社会的需求。为了得到通信实体的相关信息,研究人员们提出了不同的识别方法,效果也不尽相同。通信辐射源识别最关键的工作是提取有效特征。如果采用人工提取特征,由于信号数据量大,在提取过程中会遇到耗时、难度大、复杂度高等问题。如果能提取具有强区别力的信号本质特征,那么对后续分类器设计和识别性能的提升具有重要意义。
在通信辐射源个体识别领域,传统的处理方式已经远远背离了时代,传统的高阶谱,典型代表双谱变换,以及经典的短时傅里叶变换、黄希尔伯特变换、小波变换,以及进一步的波形熵、双谱熵,经过传统的分类器例如:支持向量机(SVM)进行识别分类。计算量远远超过信号本身,准确率较低,不具有普适性。
发明内容
本发明提出了一种基于se-block的resnet通信辐射源识别方法与***,以解决上文提到的现有技术的缺陷。
在一个方面,本发明提出了一种基于se-block的resnet通信辐射源识别方法,该方法包括以下步骤:
S1:已知通信辐射源信号的前导码为某个固定序列,找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,提取出所述前导码位置之前的长度为L1的信号作为暂态信号,提取出所述前导码位置之后的长度为L2的信号作为稳态信号;
S2:将所述暂态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的暂态信号;
S3:对所述稳态信号进行下采样,从而保留所述稳态信号的特征,再将下采样后的所述稳态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的稳态信号;
S4:将所述预处理后的暂态信号和所述预处理后的稳态信号首尾拼接,从而合并成一条信号并将该信号作为有效特征输入se-block中;
S5:基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,通过乘法将所述通道权重矩阵加权到所述有效特征上,再将所述加权的结果输入到残差网络中,最后将所述残差网络的输出结果依次通过激活层和全连接层对所述通信辐射源信号进行分类。
以上方法采用了se-block的优势,在se-block的子网络中包含se-block的模块,通过通道注意力机制按照优先级分配给通道数相应的参数,更好的抽取出有效的特征,最后再加入残差网络,每个网络包含两个残差网络,经过池化,激活函数,最后实现全连接分类。本发明创新式的采用se-block残差块,后再跟resnet网络相结合的方法,很有效的对通信辐射源进行分类。
在具体的实施例中,所述找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,具体步骤包括:
将所述固定序列调制成与所述通信辐射源信号的形式一致;
再对经过所述调制后的所述固定序列和所述通信辐射源信号进行互相关算法;
找出所述互相关算法所得结果中的峰值最高点的位置作为所述通信辐射源信号中的前导码的开始位置,从而确定所述前导码位置。
在具体的实施例中,所述L1大于等于100。
在具体的实施例中,所述L2大于等于4000。
在具体的实施例中,所述对所述稳态信号进行下采样具体包括:对所述稳态信号进行每间隔若干个点取一个点的降采样,其中所述若干个点的选取包括保证所述稳态信号通过所述降采样后生成的信号的长度与所述暂态信号的长度一致。
在具体的实施例中,所述se-block的结构包括压缩阶段和激励阶段:
所述压缩阶段包括:
其中,Xc表示C个特征图的数值分布情况,即全局信息,H,W为输入的长宽,uc表示u中第C个特征图,C代表通道,Fsq表示为压缩操作;
在所述压缩阶段对每个特征的Embedding向量进行数据压缩与信息汇总,如下:
其中,k表示为输入特征的维度,vi表示为输入特征,zi表示为压缩后的输入特征,i表示为特征的序号;
所述激励阶段包括:
s=Fex(z,W)=σ(g(z,W))=σ)W2δ(W1z))
其中,δ代表激活函数(Relu),σ代表激活函数(Sigmoid),W1与W2表示为全连接层,z为输入的压缩后的特征,Fex表示为激励操作;
在所述激励阶段,通过构建一种运算方式,来动态强化所述有效特征中的重要的特征,弱化所述有效特征中的不重要的特征,其中所述不重要的特征包括噪声特征,所述运算方式如以下公式所示:
S=Fex(z,W)=δ(W2δ(W1z))
其中,δ代表激活函数(Relu),Fex表示为激励操作,W1与W2表示为全连接层,z表示输入的压缩后的特征。
在具体的实施例中,所述基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,具体步骤包括:
将所述有效特征的维度增加到二维获得二维有效特征;
对所述二维有效特征中的每个特征的Embedding向量进行压缩与信息汇总,再通过两个全连接层进行激励;
对所述激励得到的结果进行缩放从而减少通道的个数,得到所述通道权重矩阵。利用se-block模块,引入子网络(se-block),通过通道注意力机制对通道权重进行更新迭代,得到一组阈值后,第一层后的数据进行跨层恒等路径后,对残差路径进行收缩,这个过程是个很好的进行删除冗余信息的过程。
在具体的实施例中,所述残差网络包括6个具有恒等映射的残差块。叠加具有恒等映射的残差网络的子模块,加深网络,避免了梯度消失。
根据本发明的第二方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面,提出一种基于se-block的resnet通信辐射源识别***,该***包括:
信号检测与提取模块:配置用于已知通信辐射源信号的前导码为某个固定序列,找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,提取出所述前导码位置之前的长度为L1的信号作为暂态信号,提取出所述前导码位置之后的长度为L2的信号作为稳态信号;
暂态信号预处理模块:配置用于将所述暂态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的暂态信号;
稳态信号预处理模块:配置用于对所述稳态信号进行下采样,从而保留所述稳态信号的特征,再将下采样后的所述稳态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的稳态信号;
特征提取模块:配置用于将所述预处理后的暂态信号和所述预处理后的稳态信号首尾拼接,从而合并成一条信号并将该信号作为有效特征输入se-block中;
通信辐射源识别分类模块:配置用于基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,通过乘法将所述通道权重矩阵加权到所述有效特征上,再将所述加权的结果输入到残差网络中,最后将所述残差网络的输出结果依次通过激活层和全连接层对所述通信辐射源信号进行分类。
本发明采用了se-block模块的优势,,通过通道注意力机制按照优先级分配给通道数相应的参数,更好的抽取出有效的特征,最后再加入残差网络,每个网络包含2个残差模块,经过池化,激活函数,最后实现全连接分类。本发明创新式的采用se-block模块,后再跟残差块相结合的方法,很有效的对通信辐射源信号进行分类。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明的一个实施例的一种基于se-block的resnet通信辐射源识别方法的流程图;
图2是本发明的一个具体的实施例的数据查找前导码的峰值图;
图3是本发明的一个具体的实施例的暂态信号截取的波形图;
图4是本发明的一个具体的实施例的稳态信号截取波形图;
图5是本发明的一个具体的实施例的通信辐射源信息帧格式图;
图6是本发明的一个具体的实施例的se-block的流程图;
图7是本发明的一个具体的实施例的特征提取的神经网络的结构图;
图8是本发明的一个具体的实施例的本发明方案、不包含se-block的resnet和lstm_fcn以及inception的准确率对比图;
图9是本发明的一个实施例的一种基于se-block的resnet的通信辐射源识别***的框架图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的一种基于se-block的resnet通信辐射源识别方法,图1示出了根据本发明的实施例的一种基于se-block的resnet通信辐射源识别方法的流程图。如图1所示,该方法包括以下步骤:
S1:已知通信辐射源信号的前导码为某个固定序列,找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,提取出所述前导码位置之前的长度为L1的信号作为暂态信号,提取出所述前导码位置之后的长度为L2的信号作为稳态信号;
S2:将所述暂态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的暂态信号;
S3:对所述稳态信号进行下采样,从而保留所述稳态信号的特征,再将下采样后的所述稳态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的稳态信号;
S4:将所述预处理后的暂态信号和所述预处理后的稳态信号首尾拼接,从而合并成一条信号并将该信号作为有效特征输入se-block中;
S5:基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,通过乘法将所述通道权重矩阵加权到所述有效特征上,再将所述加权的结果输入到残差网络中,最后将所述残差网络的输出结果依次通过激活层和全连接层对所述通信辐射源信号进行分类。
下面用具体的实施例来说明图1所示方案的详细流程:
步骤1:对调制速率120KBaud/s、采样率2.4Mps、调制方式为BPSK的通信辐射源的预处理后,截取所述训练样本中包括暂态信号和稳态信号拼接起来作为特征网络的有效特征输入进去。
在具体的实施例中,该通信辐射源要满足IEEE 802.11的标准。IEEE802.11是现今无线局域网通用的标准,它是由电气和电子工程师协会(IEEE)所定义的无线网络通信的标准。
图2示出了寻找前导码的过程,利用互相关的算法进行寻找与前导码相似度最高的点,便为前导码的初始点。在本实施例中,首先读入辐射源信号,然后进行将若干个长度12000的辐射源信号与前导码为固定值码值进行互相关。
图3示本发明的一个具体的实施例的暂态信号截取的波形图,图4示本发明的一个具体的实施例的采样前的稳态信号截取的波形图,图5是本发明的一个具体的实施例的通信辐射源信息帧格式图,该通信信号包含前导码200位,以int16形式,基带IQ信号,交错储存。
在12000的序列中寻找到前导码0101……0011的位置处,依次往前截取200个点作为起振信号,往后截取4000个点作为稳态信号。
步骤二:利用se-block对有效特征的通道的权重进行更新,将通过该通道的结果输入下一层的resnet网络中,实现进一步的特征提取,残差块中的1×1卷积层再一步对特征提取,经过6个残差块后经过激活函数和全连接层进行通信辐射源信号的分类;
下面将通过图6和图7分别阐述本发明提出的se-block模块的流程图和所使用的神经网络的结构。
图6示出了se-block的流程图,其中包括压缩阶段和激励阶段:
所述压缩阶段包括:
其中,Zc表示C个特征图的数值分布情况,即全局信息,H,W为输入的长宽,uc表示u中第C个特征图,C代表通道,Fsq表示为压缩操作;
在所述压缩阶段对每个特征的Embedding向量进行数据压缩与信息汇总,如下:
其中,k表示为输入特征的维度,vi表示为输入特征,zi表示为压缩后的输入特征,i表示为特征的序号;
所述激励阶段包括:
s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))
其中,δ代表激活函数(Relu),σ代表激活函数(Sigmoid),W1与W2表示为全连接层,z为输入的压缩后的特征,Fex表示为激励操作;
在所述激励阶段,通过构建一种运算方式,来动态强化所述有效特征中的重要的特征,弱化所述有效特征中的不重要的特征,其中所述不重要的特征包括噪声特征,所述运算方式如以下公式所示:
S=Fex(z,W)=δ(W2δ(W1z))
其中,δ代表激活函数(Relu),Fex表示为激励操作,W1与W2表示为全连接层,z表示输入的压缩后的特征。
将通道注意力机制得到的通道权重ai,再乘回到特征对应的Embedding里,实现了对特征的加权操作。其中,通道权重ai代表有效特征经过se-block模块判断得到的第i个通道的重要程度。
如图6所示,各个特征通道按重要程度进行加权的方式建立的深度神经网络,具体包括对输入信号X依次进行以下操作:利用残差块进行特征提取;使用全局平均池化使其被压缩为1×1×C,C为通道数,再经过全连接层FC变成维度为1×1×C×SERadio,SERadio为收缩参数,经历激活函数后紧接着又一个全连接层FC还原成1×1×C,再经过一个sigmod激活函数输出1×1×C,最后通过图中Scale块所示,完成通道间的汇合。
在具体的实施例中,所述残差块包括三个卷积核长度为3,步进为1,填充为1的卷积核。
在具体的实施例中,所述残差块中包含个并行的1×1的卷积层,便于更好的提取信号的原始特征。
图7示出了本发明的一个具体的实施例的特征提取网络的架构图,其中包括暂态信号和稳态信号的提取,具体方法为经过一个se-block,其中包含了通道注意力机制,之后再紧接着三个残差网络,每个里面包含着两个残差块,后经过全局池化,激活函数,最后全连接层分类。
在具体的实施例中,所述6个残差块,每个残差块采用两个卷积核,卷积核长度为3,步进为1,填充为1,经过这样的卷积出来输入通道数、长、宽依旧为1×1×400,保证了与输入长度一致。
这里多增加了一层1×1卷积层,后接着两个批量归一化层,解决深度模型训练的挑战。在模型训练时,批量归一化利用小批量上的均值和标准差,不断调整神经网络中间输出,使上一层的输出再做标准化,从而使整个神经网络在各层的中间输出的数值更稳定。最后经过残差块输出的结果与直接进行1×1卷积层的结果累加,这样可以很好的提取出辐射源特征的各个局部特征。
在具体的实施例中,不仅抓住暂态信号的特异性,硬件的指纹特殊性,加上稳态特性,将辐射源特征都集结在一起,再通过分类能力极强的神经网络进行深度特征的提取,最后进行分类,准确率比传统方法大大的提升。
在本实施例中,数据集来自盲信号处理重点实验室。特征提取网络的训练环境和训练过程中的参数设置如下:
1.训练环境
编程环境:Python
后端:Pytorch 1.8.0 cuda11.1以及TensorFlow 1.18.0
GPU型号:NVIDIA GeForce RTX 2060 Ti
2.参数设置
批大小:32
损失函数:categorical_crossentropy
优化器:Adam优化器
本实施例利用将每类训练样本数为300个,训练类为15类,将结果经过不同神经网络进行比较性能。
图8示出了本发明的一个具体的实施例的通信辐射源识别准确率对比图,使用了lstm_fcn和Inception三种方法与本发明公开的基于se-block的resnet残差网进行对比。可知所有基于神经网络的方法的识别准确率都要高于传统的识别方法例如SVM、MLP,神经网络可以提取出较为显著的通信辐射源特征。本文所阐述的方法,拥有最高的准确率,并且在15个样本类别的情况写依旧有很高的准确率,能够达到95%以上。
图9示出了本发明的一个实施例的一种基于se-block的resnet通信辐射源识别***的框架图。该***包括信号检测与提取模块901、暂态信号预处理模块902、稳态信号预处理模块903、特征提取模块904和通信辐射源识别分类模块905。
在具体的实施例中,信号检测与提取模块901被配置用于已知通信辐射源信号的前导码为某个固定序列,找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,提取出所述前导码位置之前的长度为L1的信号作为暂态信号,提取出所述前导码位置之后的长度为L2的信号作为稳态信号;
暂态信号预处理模块902被配置用于将所述暂态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的暂态信号;
稳态信号预处理模块903被配置用于对所述稳态信号进行下采样,从而保留所述稳态信号的特征,再将下采样后的所述稳态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的稳态信号;
特征提取模块904被配置用于将所述预处理后的暂态信号和所述预处理后的稳态信号首尾拼接,从而合并成一条信号并将该信号作为有效特征输入se-block中;
通信辐射源识别分类模块905被配置用于基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,通过乘法将所述通道权重矩阵加权到所述有效特征上,再将所述加权的结果输入到残差网络中,最后将所述残差网络的输出结果依次通过激活层和全连接层对所述通信辐射源信号进行分类。
本***给出了一种se-block的resnet通信辐射源识别方法及***,包括对通信辐射源信号的训练样本进行预处理后,将前导码进行BPSK调制,与通信辐射源进行互相关,找到前导码位置,截取出暂态和稳态信号,将两个辐射源重要特征进行拼接,放入se-block中,得到通道的权重矩阵与输入乘积再进行放入残差网络中继续提取特征,最后经过激活函数以及全连接层将通信辐射源实现分类。以上方法便于提取出有效的辐射源特征,利用分类性极强的se-block和残差模块结合,实现了特征提取,获得了很好的分类效果。
本发明的实施例还涉及一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
本发明给出了一种se-block的resnet通信辐射源识别方法及***,包括对通信辐射源信号的训练样本进行预处理后,将前导码进行BPSK调制,与通信辐射源进行互相关,找到前导码位置,截取出暂态和稳态信号,将两个辐射源重要特征进行拼接,放入se-block里,得到通道的权重矩阵与输入乘积再进行放入残差网络中继续提取特征,最后经过激活函数以及全连接层将通信辐射源实现分类。以上方法便于提取出有效的辐射源特征,利用分类性极强的se-block和残差模块结合,实现了特征提取,获得了很好的分类效果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于se-block的resnet通信辐射源识别方法,其特征在于,包括以下步骤:
S1:已知通信辐射源信号的前导码为某个固定序列,找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,提取出所述前导码位置之前的长度为L1的信号作为暂态信号,提取出所述前导码位置之后的长度为L2的信号作为稳态信号;
S2:将所述暂态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的暂态信号;
S3:对所述稳态信号进行下采样,从而保留所述稳态信号的特征,再将下采样后的所述稳态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的稳态信号;
S4:将所述预处理后的暂态信号和所述预处理后的稳态信号首尾拼接,从而合并成一条信号并将该信号作为有效特征输入se-block中;
S5:基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,通过乘法将所述通道权重矩阵加权到所述有效特征上,再将所述加权的结果输入到残差网络中,最后将所述残差网络的输出结果依次通过激活层和全连接层对所述通信辐射源信号进行分类。
2.根据权利要求1所述的方法,其特征在于,所述找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,具体步骤包括:
将所述固定序列调制成与所述通信辐射源信号的形式一致;
再对经过所述调制后的所述固定序列和所述通信辐射源信号进行互相关算法;
找出所述互相关算法所得结果中的峰值最高点的位置作为所述通信辐射源信号中的前导码的开始位置,从而确定所述前导码位置。
3.根据权利要求1所述的方法,其特征在于,所述L1大于等于100。
4.根据权利要求1所述的方法,其特征在于,所述L2大于等于4000。
5.根据权利要求1所述的方法,其特征在于,所述对所述稳态信号进行下采样具体包括:对所述稳态信号进行每间隔若干个点取一个点的降采样,其中所述若干个点的选取包括保证所述稳态信号通过所述降采样后生成的信号的长度与所述暂态信号的长度一致。
6.根据权利要求1所述的方法,其特征在于,所述se-block的结构包括压缩阶段和激励阶段:
所述压缩阶段包括:
其中,Zc表示C个特征图的数值分布情况,即全局信息,H,W为输入的长宽,uc表示u中第C个特征图,C代表通道,Fsq表示为压缩操作;
在所述压缩阶段对每个特征的Embedding向量进行数据压缩与信息汇总,如下:
其中,k表示为输入特征的维度,vi表示为输入特征,zi表示为压缩后的输入特征,i表示为特征的序号;
所述激励阶段包括:
s=Fex(z,W)=σ(g(z,W))=σ(W2δ(W1z))
其中,δ代表激活函数(Relu),σ代表激活函数(Sigmoid),W1与W2表示为全连接层,z为输入的压缩后的特征,Fex表示为激励操作;
在所述激励阶段,通过构建一种运算方式,来动态强化所述有效特征中的重要的特征,弱化所述有效特征中的不重要的特征,其中所述不重要的特征包括噪声特征,所述运算方式如以下公式所示:
S=Fex(z,W)=δ(W2δ(W1z))
其中,δ代表激活函数(Relu),Fex表示为激励操作,W1与W2表示为全连接层,z表示输入的压缩后的特征。
7.根据权利要求1所述的方法,其特征在于,所述基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,具体步骤包括:
将所述有效特征的维度增加到二维获得二维有效特征;
对所述二维有效特征中的每个特征的Embedding向量进行压缩与信息汇总,再通过两个全连接层进行激励;
对所述激励得到的结果进行缩放从而减少通道的个数,得到所述通道权重矩阵。
8.根据权利要求1所述的方法,其特征在于,所述残差网络包括6个具有恒等映射的残差块。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被计算机处理器执行时实施权利要求1至8中任一项所述的方法。
10.一种基于se-block的resnet通信辐射源识别***,其特征在于,包括:
信号检测与提取模块:配置用于已知通信辐射源信号的前导码为某个固定序列,找出所述通信辐射源信号中与所述固定序列最相似的序列的位置作为前导码位置,提取出所述前导码位置之前的长度为L1的信号作为暂态信号,提取出所述前导码位置之后的长度为L2的信号作为稳态信号;
暂态信号预处理模块:配置用于将所述暂态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的暂态信号;
稳态信号预处理模块:配置用于对所述稳态信号进行下采样,从而保留所述稳态信号的特征,再将下采样后的所述稳态信号的实部和虚部依次提取出来并对其进行归一化,从而消除噪声和个别异常点的误差引起的幅度差异,最后得到预处理后的稳态信号;
特征提取模块:配置用于将所述预处理后的暂态信号和所述预处理后的稳态信号首尾拼接,从而合并成一条信号并将该信号作为有效特征输入se-block中;
通信辐射源识别分类模块:配置用于基于所述se-block,同时根据通道的重要程度,对所述有效特征的通道权重进行基于通道注意力机制的更新和迭代,得到通道权重矩阵,通过乘法将所述通道权重矩阵加权到所述有效特征上,再将所述加权的结果输入到残差网络中,最后将所述残差网络的输出结果依次通过激活层和全连接层对所述通信辐射源信号进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111327199.5A CN114048774B (zh) | 2021-11-10 | 一种基于se-block的resnet通信辐射源识别方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111327199.5A CN114048774B (zh) | 2021-11-10 | 一种基于se-block的resnet通信辐射源识别方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048774A true CN114048774A (zh) | 2022-02-15 |
CN114048774B CN114048774B (zh) | 2024-08-02 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618271A (zh) * | 2022-05-05 | 2023-01-17 | 腾讯科技(深圳)有限公司 | 对象类别识别方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019170093A1 (zh) * | 2018-03-07 | 2019-09-12 | 西安电子科技大学 | 一种生成频谱态势的方法、装置及计算机存储介质 |
CN112183300A (zh) * | 2020-09-23 | 2021-01-05 | 厦门大学 | 一种基于多层次稀疏表示的ais辐射源识别方法及*** |
CN113156376A (zh) * | 2021-04-15 | 2021-07-23 | 中国人民解放军空军航空大学 | 基于sacnn的雷达辐射源信号识别方法 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019170093A1 (zh) * | 2018-03-07 | 2019-09-12 | 西安电子科技大学 | 一种生成频谱态势的方法、装置及计算机存储介质 |
CN112183300A (zh) * | 2020-09-23 | 2021-01-05 | 厦门大学 | 一种基于多层次稀疏表示的ais辐射源识别方法及*** |
CN113156376A (zh) * | 2021-04-15 | 2021-07-23 | 中国人民解放军空军航空大学 | 基于sacnn的雷达辐射源信号识别方法 |
Non-Patent Citations (1)
Title |
---|
高欣宇;张文博;姬红兵;欧阳成;: "新型雷达辐射源识别", 中国图象图形学报, no. 06, 16 June 2020 (2020-06-16), pages 107 - 115 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618271A (zh) * | 2022-05-05 | 2023-01-17 | 腾讯科技(深圳)有限公司 | 对象类别识别方法、装置、设备及存储介质 |
CN115618271B (zh) * | 2022-05-05 | 2023-11-17 | 腾讯科技(深圳)有限公司 | 对象类别识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
Burges et al. | Extracting noise-robust features from audio data | |
CN100547944C (zh) | 量子神经网络用于多用户检测的方法 | |
CN111723874B (zh) | 一种基于宽度和深度神经网络的声场景分类方法 | |
Gao et al. | Small sample classification of hyperspectral image using model-agnostic meta-learning algorithm and convolutional neural network | |
CN111507047B (zh) | 一种基于SP-CUnet的逆散射成像方法 | |
CN114694039B (zh) | 一种遥感高光谱与激光雷达图像融合分类方法及装置 | |
CN115249332A (zh) | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 | |
Jdid et al. | Robust automatic modulation recognition through joint contribution of hand-crafted and contextual features | |
CN101763514A (zh) | 基于特征重要度排序谱聚类的图像分割方法 | |
CN113642445B (zh) | 一种基于全卷积神经网络的高光谱影像分类方法 | |
CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及*** | |
CN114998958A (zh) | 一种基于轻量化卷积神经网络的人脸识别方法 | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别***及方法 | |
CN114218984A (zh) | 一种基于样本多视图学习的射频指纹识别方法 | |
CN116756633A (zh) | 一种基于监督对比学习的功放指纹特征识别方法 | |
CN116843975A (zh) | 结合空间金字塔注意力机制的高光谱图像分类方法 | |
CN117576402B (zh) | 一种基于深度学习的多尺度聚合Transformer遥感图像语义分割方法 | |
CN114048774A (zh) | 一种基于se-block的resnet通信辐射源识别方法与*** | |
CN114048774B (zh) | 一种基于se-block的resnet通信辐射源识别方法与*** | |
Baris et al. | Modulation classification of MFSK modulated signals using spectral centroid | |
US20140343945A1 (en) | Method of visual voice recognition by following-up the local deformations of a set of points of interest of the speaker's mouth | |
US20140343944A1 (en) | Method of visual voice recognition with selection of groups of most relevant points of interest | |
CN115859131A (zh) | 团伙发现方法及装置 |
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 |