基于增强积分双谱的轨道交通辐射源识别方法

[目的]城市轨道交通无线通信系统中存在大量外部干扰信号,对行车安全构成重大隐患。针对辐射源射频特征易受噪声与干扰影响,导致识别准确率低的问题,须提出一种基于增强对角积分双谱的通信辐射源个体识别方法,为轨道交通无线通信系统安全保障提供有效新途径。[方法]分析了对角相关局部积分双谱(DCLIB)的数据处理过程及原理,阐述了双谱变换的计算、增强对角积分双谱的计算、自适应双谱积分区间的划分,以及基于残差网络的辐射源识别方法。基于实际Wi-Fi(无线保真)设备进行仿真试验,对DCLIB方法和其他辐射源识别方法的识别效果进行分析对比。[结果及结论]DCLIB方法先估计通信辐射源信号的双谱,并利用次对角线各平行线的自相关特性形成新的谱信息以增强信号的细微特征;然后依据谱信号强度自适应选取合理的谱信号积分区间,在降低噪声影响的同时降低算法的计算复杂度,从而获得增强的对角积分双谱;进而将所提DCLIB信号作为辐射源的射频指纹特征,采用深度残差网络实现辐射源个体识别。基于实际Wi-Fi设备的仿真识别试验结果表明,DCLIB方法的识别准确率最优,并具有良好的抗噪声性能。

基于高维重频特征的雷达辐射源识别方法

通过提取和利用雷达脉冲间隔高维特征,提出了一种基于决策树的雷达辐射源识别方法。将相邻脉冲间隔所构成的向量作为脉冲的高维特征,以增强不同雷达信号之间的可分性,再利用聚类方法提取脉冲列中的这种特征;然后将该特征构成特征向量,以表现特征的整体性;随后基于该特征向量构建决策树分类模型;最后将学习到的模型用于未知雷达脉冲列的识别。仿真实验验证了新方法在不同数据量和数据噪声场景下相对于传统方法的显著优势。

基于压缩残差网络的雷达辐射源识别方法研究

针对低信噪比条件下,现有的雷达辐射源信号识别方法存在识别正确率低、时效性差的问题,提出了一种基于压缩残差网络的雷达辐射源信号识别方法。首先,利用Choi-Williams分布的时频分析方法将时域信号转换为二维时频图像;然后,根据应用场景特点,选择卷积神经网络(Convolutional Neural Networks,CNN)“压缩”范围;最后,构建压缩残差网络来自动提取图像特征并完成分类。仿真实验结果表明,在同等体量的设计下,与当前较为常用的标准CNN以及ResNet模型相比,所提模型能够降低信号识别运行时间约88%,在信噪比为-14 dB条件下对14种雷达辐射源信号的平均识别率高约5%。提供了一种高效的雷达辐射源信号智能识别方法,具有潜在的工程应用前景。

基于深度学习的通信辐射源识别综述

非合作条件下的信号检测、调制方式识别及辐射源个体识别(Specific Emitter Identification,SEI)等任务,是开展战场通信侦察的重要环节。随着无线通信技术的飞速发展,辐射源种类愈加多样,信号体制愈加复杂,加之恶劣的电磁环境,给SEI工作带来了极大的挑战。近年来,随着深度学习的飞速发展,及其在自然语言处理和计算机视觉等领域的有效应用,学者们逐渐将其应用到SEI任务中,并取得了丰富的研究成果。鉴于现有文献缺乏开源数据集,汇编了可用的开源数据集,从知识驱动和数据驱动2个维度对SEI方法进行详尽梳理,包括专家系统方法和深度学习技术。通过对比分析揭示了深度学习在SEI任务中的优势,并针对当前深度学习在SEI领域面临的问题,总结了未来SEI的发展方向。

面向特定辐射源识别的小样本学习方法综述

随着第五代移动通信、物联网等技术的普及,辐射源数量与类型都呈现井喷式增长,这导致基于统计特征与机器学习的传统特定辐射源识别技术的识别性能难以达到实际应用水平。近年来,深度学习在计算机视觉、自然语言处理等领域表现出的高超性能启发了大量研究者将深度学习用于特定辐射源识别问题,并且取得了丰硕的研究成果,验证了基于深度学习的特定辐射源识别方法的有效性。数据是深度学习的三大支柱之一,这意味着基于深度学习的特定辐射源识别方法在训练阶段通常也需要海量、高质量电磁信号样本,但是在复杂多变的电磁环境中获取海量、高质量的电磁信号样本,并对其进行标注是十分困难并且成本高昂的。为此,部分研究者将目光聚焦在小样本特定辐射源识别问题上。为了揭示面向特定辐射源识别的小样本学习方法现有水平,推动小样本场景下的特定辐射源识别方法的研究与发展,文章系统地调研并综述了近年来国内外面向特定辐射源识别的小样本学习方法。首先,将已有的小样本特定辐射源识别方法根据有无辅助电磁信号样本对其进行分类,并进行问题描述;然后,分别综述已有的研究工作;最后,进行相关实验仿真并分析了存在的问题与未来的方向。

基于信号特征知识图谱与宽度学习架构的特定辐射源识别

特定辐射源识别是一种有效的工业物联网数据流保护技术,现有的SEI方法可以通过机器学习来实现,而主流的SVM算法针对大规模训练样本会消耗大量的机器内存和运算时间。为了解决上述问题,提出了一种信号特征知识图谱与宽度学习架构的SEI方法KG-BLS算法,该方法创新性地建立了信号特征数据库,且利用KG对信号特征实现可视化表征。此外,该方法依靠特征映射节点和增强节点的非线性变换,通过单层前向传播网络来求解复杂的分类问题。仿真结果表明,所提出的KG-BLS算法在识别性能和计算开销方面具有巨大的优势。

基于信号特征知识图谱和特征融合的特定辐射源识别技术

SEI可以用于识别各种类型的无线电发射源,包括无线电通信设备、雷达系统、无线电干扰源等。现有的SEI方法往往通过深度学习来实现,通常SEI要求分类模型具有很高的准确性和鲁棒性。针对现今辐射源信号可视化管理不足和信号识别准确率低的问题,提出了一种信号特征KG和特征融合的SEI方法。第一,该方法创新性地建立了信号特征数据库,且利用KG对信号特征实现可视化表征;第二,基于构建的信号特征KG进行特征融合,有效提升了特定辐射源分类识别的准确率。仿真结果表明,所提出的基于KG和特征融合的SEI方法可以更好地对辐射源信号进行可视化管理,且提升了辐射源识别性能。

基于持续学习和联合特征提取的特定辐射源识别

针对特定辐射源识别(SEI)识别准确率较低和单次样本学习花销较大的问题,该文提出一种基于增量式学习的SEI方法,设计多个连续增量深度极限学习机(CIDELM)。从截获信号中分别提取变分模态分解(VMD)后的Hilbert谱投影和高阶谱,降维后作为射频指纹(RFF)用于分类;在极限学习机(ELM)中采用稀疏自编码结构对多个隐含层进行无监督训练,并利用参数搜索策略确定最佳隐含层数和隐节点个数,实现对多批次标记样本的连续在线匹配。实验结果表明,该方法对不同调制方式、载波频率和收发距离均能表现出良好兼容性,能够实现对于多个辐射源个体的有效识别。

基于VMD分解和多域联合分布的雷达辐射源识别

针对现有雷达辐射源个体识别存在的识别准确率低、难以区分同型号雷达、缺乏实采信号验证等问题,提出了一种基于变分模态分解(variational modal decomposition,VMD)和时频能多域特征联合的雷达辐射源个体识别方法。首先对雷达信号进行VMD,然后对得到的模态分量分别在时域、频域和时频域提取13种特征参数,最后结合k近邻分类器实现雷达个体识别。采用实际采集的船用导航雷达信号对所提方法和现有的其他两种方法进行了对比验证,实验结果表明所提方法在识别准确率、算法鲁棒性方面优于现有两种方法,具有一定的工程应用价值。

MCL-YOLO:一种细粒度特定辐射源识别方法

特定辐射源识别(Specific Emitter Identification, SEI)广泛应用于电子对抗、频谱管控、无线网络安全等军民领域。针对传统SEI方法依赖先验知识、普适性差、细粒度任务难以精细识别的问题,首先,利用接收机组建采集系统,采集Wi-Fi辐射源信号的数字频谱余晖图数据,建立国内首个特定辐射源识别数据集;其次,提出关注目标局部细微特征的Mutual Channel Loss-YOLO(MCL-YOLO)网络模型,充分挖掘数字频谱余晖图三维信息,高度聚焦子类间微小差异,实现细粒度特定辐射源识别;最后,在Wi-Fi辐射源个体数据集(WFED)上进行对比实验验证。实验结果表明,MCL-YOLO在WFED上精确率(Precision, P)、召回率(Recall, R)、F1测度(F1-Score, F1)和均值平均精度(mean Average Precision, mAP)比YOLOv5s分别提高2.9%、2.5%、2.7%、1.1%。充分证明其能聚焦相似特征间的细微差异,提高模型在细粒度SEI任务中的有效性。

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题,提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法,基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集,提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务,以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明,该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力,在目标域每个类别100个样本限制下,识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory,LSTM)的方法相比均有较大提升。

多特征参数聚类分析的特定辐射源识别方法研究

为实现复杂环境中的电磁信号识别,提出多特征参数聚类分析的特定辐射源识别方法。通过分析与辐射源相关的10种特征参数,建立特定辐射源特征数组,构建聚类表达式,利用辐射源电磁信号参数的类间分离性和类内聚集性,实现对特定辐射源的归类识别。理论分析和实验表明:专家打分法的多参数计算结果更离散,有利于识别特定辐射源。研究成果为推动电磁信号探测分辨领域发展提供了有力支撑,具有技术借鉴价值。

雷达辐射源识别算法综述

结合雷达辐射源识别的军事需求和近几年取得的研究进展,以雷达辐射源识别中最核心的3个方面为研究对象,综述相关算法的研究现状与发展。针对低信噪比环境、分类器能力不足和单传感器识别的缺陷,从辐射源特征提取、分类识别和多源融合识别等方面详述了目前算法的研究思路和性能,引入当前热点模式识别算法并分析其可借鉴性。最后,指出了在辐射源识别研究领域中仍存在的问题,并展望了下一步的研究方向。

特定辐射源识别的频域鲁棒ε-混合模型方法

特定辐射源识别(specific emitter identification,SEI)是电子战领域的热点问题,而利用辐射源中频波形分类是SEI的一种自然选择。针对多径环境下的SEI波形检验遇到的难题,采用鲁棒的假设检验方法进行已知辐射源信号的检验。该算法利用多径信号与直达波信号间的频域局部相关性,在频域建立ε混合模型,并且将局部频带内的多径干扰表示成与信号频谱幅度有关的噪声,得到一种鲁棒的频域相关-限幅检验器。通过仿真验证了该检验器性能,并说明了该方法通过频域选择获得性能改善的机理。

一种深度学习的雷达辐射源识别算法

针对传统依靠于人工经验提取雷达辐射源特征方法的不足,提出了一种新颖的基于联合深度时频特征的辐射源识别算法.首先将时域信号变换到二维时频域,并利用随机投影和主成分分析方法分别从维持子空间和能量角度对时频图像降维;接着在预训练阶段,利用无标签的样本信号层级训练深度模型,再根据类别信息精调网络参数;最后,构造了逻辑回归分类来完成识别任务.仿真实验中利用6种辐射源信号验证了提出算法的有效性,结果表明,联合深度特征更加有助于提高识别准确度,算法运行更加高效.

基于云模型和矢量神经网络的辐射源识别方法

矢量神经网络在训练阶段既不能处理语义信息,也没有考虑训练样本本身的可靠性,因而造成辐射源不能正确识别的问题,为此提出了一种基于云模型和矢量神经网络的识别算法.该算法利用云模型来实现定性概念到定量区间值的转换,并利用改进后的矢量神经网络实现区间类型的矢量输入到区间类型型号输出的非线性映射.仿真实验表明,本文方法不仅能处理语义类型的输入矢量,而且能够处理数字类型的输入矢量,并且在测量误差环境中具有较高的识别率.

基于ESM与ELINT信息融合的机载辐射源识别

本文深入研究了E SM和EL INT多传感器系统的机载辐射源识别方法.首先针对E SM系统提供的辐射源多特征信息,提出了基于模糊综合评估获取基本可信度赋值函数(BPAF)的方法;针对EL INT系统量测数据的特点,提出了基于灰关联分析的BPAF获取方法.在此基础上,研究了应用D-S证据理论进行多传感器信息融合,从而识别机载辐射源的原理.识别实例和对比实验表明,本文提出的BPAF获取方法是实用有效的,基于信息融合的识别正确率高.

基于Choi-Williams时频图像特征的雷达辐射源识别

针对复杂体制雷达辐射源识别,提出一种基于Choi-Williams时频图像的雷达辐射源信号特征提取和识别方法,将信号识别转化为图像识别问题。首先对雷达辐射源信号进行Choi-Williams时频变换,将得到的时频图转化为灰度图像;然后采用一系列图像处理方法对时频图像进行增强和去噪,之后将灰度图像转化为二值图像,并剪切掉不含信号的图像区域;最后分别提取二值图像的中心矩和伪Zernike矩作为识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对8种常见雷达信号识别进行了仿真实验,结果表明在较大的信噪比范围内,该方法能获得较为满意的识别率,其中当信噪比为-3dB时,采用伪Zernike矩特征平均识别率仍能达到92%,验证了所提出方法的有效性。

一种基于云模型的辐射源识别方法

该文针对测量参数的不确定所造成的辐射源不能正确识别问题,提出了一种基于云模型的识别方法。该方法首先利用云模型对雷达模板库中区间类型的参数变量进行正态云建模从而得到测量参数的隶属度,然后利用云模型的定性定量转换特性来描述离散型参数变量的调制匹配程度,同时给出了一种确定辐射源识别权值的新方法,能够动态调整各特征参数的权值。仿真结果表明,这种基于云模型的识别方法是适用有效的。

基于ITD与纹理分析的特定辐射源识别方法

为解决基于希尔伯特黄变换(HHT,Hilbert-Huang transform)的特定辐射源识别方法在时频分析方面存在缺陷,所提特征可分性差的问题,该文基于固有时间尺度分解(ITD,intrinsic time-scale decomposition)提出一种新的辐射源个体识别方法。首先,通过固有时间尺度分解的方法将信号分解,进而得到其时频能量分布;之后,将信号时频能量谱转化为灰度图像,通过直方图统计和灰度共生矩阵提取图像纹理特征对不同信号进行识别。分别采用实测舰船通信信号以及仿真辐射源信号对所提算法进行性能测试,实验结果表明,其性能优于2种基于希尔伯特黄变换的方法。