基于卷积神经网络的半监督未知通信辐射源个体识别

传统的通信辐射源个体识别首先要通过特征提取方法提取出辐射源信号的指纹特征,再通过如决策树、贝叶斯、支持向量机等分类算法进行分类个体识别。但随着电磁环境逐渐复杂化,通过传统手工提取特征再进行分类识别得到的结果较差,不能满足各方的应用需求。将神经网络用于通信辐射源个体识别,不仅可以解决传统方法所带来的不足,还节省了一定的人力。对辐射源个体进行分类识别首先需要分析通信发射机信号处理过程中的畸变并对信号进行建模,了解指纹特征产生机理。在对辐射源个体进行识别时搭建了一种使用卷积神经网络和注意力机制相结合的网络模型,每一层卷积层都使用了最大池化,并使用了Relu函数防止梯度消失,最后使用softmax函数完成分类。通过训练通信辐射源个体识别模型完成识别,该模型的验证集平均准确率达到94.7%。但是在实际的通信辐射源个体识别环境中,通常会遇到新的个体。使用之前训练的模型对新的辐射源个体进行识别结果会变得不理想。为解决这一问题,提出了一种通过前面的识别模型构造特征提取网络,然后通过合适的聚类算法对包含未知通信辐射源个体的样本进行识别。