基于双谱与特征选择的通信辐射源识别算法

针对基于双谱提取信号细微特征进行通信辐射源识别存在的问题,提出一种新的基于双谱的辐射源个体识别算法。分析并利用双谱的对称性,在有效区域内,沿主、副对角线方向进行积分,提升积分运算效率;利用特征选择的方法,选出对分类识别贡献大的积分值,组成特征向量。分别利用实测辐射源信号以及记忆多项式模型产生的仿真信号进行识别实验,选用巴氏距离选择双谱以及改进矩形积分双谱两种方法,从抗噪声性能、算法稳定性以及复杂度方面与文章方法进行对比。实验结果证明了方法的有效性。

矩形积分双谱和半监督鉴别分析下的通信辐射源识别

针对传统同类通信辐射源识别方法中存在的指纹特征难以提取,以及在先验标签信息较少时识别精度不高的问题,以指纹特征差异微小的同厂、同批、同型号的通信辐射源为对象,提出了一种基于矩形积分双谱和半监督鉴别分析的通信辐射源识别方法.该方法采用矩形积分双谱算法提取通信辐射源双谱特征,并将其作为指纹特征,以表征所属通信辐射源;同时,采用半监督鉴别分析算法,根据双谱特征数据的部分标签信息和非线性流形信息,将高维双谱特征数据映射到低维子空间后进行分类识别,来提升通信辐射源识别性能.为验证该方法的有效性,采用同厂、同批、同型号的FM电台作为同类通信辐射源的代表进行电台识别实验.实验结果表明,在FM电台训练样本中有先验标签信息的样本较少时,该方法对电台测试样本的识别率最高达87.6%,证明该方法在同类通信辐射源识别中指纹特征提取和识别精度方面具有优势.

基于多域特征融合的通信辐射源个体识别方法

为解决利用单一特征进行通信辐射源个体识别识别率不高的问题,提出一种基于多域特征融合的通信辐射源个体识别方法。提取通信辐射源发射信号的多个变换域特征,并组合这些特征为多域特征。构建多通道卷积神经网络,利用多通道卷积操作对多域特征进行深层次提取。通过神经网络的分类器,完成对通信辐射源个体的分类。在低信噪比和瑞利信道条件下,使用所提方法对20个CC2530设备进行识别。研究结果表明:与基于单一特征的辐射源个体识别方法相比,该方法充分利用了通信辐射源发射信号的多个变换域特征,结合神经网络的强大细微特征挖掘能力,实现了对通信辐射源个体的有效识别;该方法能够显著提升在低信噪比的识别准确率和时效性,在0 dB条件下的识别效果仍可达到91.01%。

基于特征降维的卫星通信辐射源个体识别方法

针对卫星通信系统安全检测问题,提出了一种基于重构降维分析的卫星辐射源个体识别方法。该方法通过提取所有卫星终端设备训练数据的高维特征向量,然后以监督方式寻找使得降维特征向量离同类最近、离异类边缘点最远的子空间,并利用降维特征向量训练分类器,最后利用分类器判决未知信号的类别。提出的卫星辐射源个体识别方法所提取的辐射源特征基于高维特征向量的线性组合,保留了不同发射机的差异信息,具备很强的分类辨别能力。实际采集的数据测试结果表明,该方法可有效识别不同辐射源个体。

结合ITD与非线性分析的通信辐射源个体识别方法

信号细微特征提取是通信辐射源个体识别技术的关键。考虑到实测辐射源信号具有非线性、非平稳的特点,通过对信号时间序列复杂度的分析,提取一些非线性动力学参数作为指纹特征,进行辐射源个体识别。首先利用固有时间尺度分解(ITD)算法,对原始信号进行分解,利用相关系数选出若干合适的信号分量;之后提取每层信号分量的排列熵,近似熵以及样本熵组成特征向量,并通过实验优化相关参数的选择,最后采用支持向量机(SVM)对信号进行分类识别。利用实测舰船信号进行细微特征提取及分类实验,与一些细微特征提取方法对比,在信号种类增加时,本方法识别性能更优,证明了多尺度分析提取非线性参数的有效性。

基于最大相关熵的通信辐射源个体识别方法

采用相关熵度量辐射源细微特征之间的相似性,提出一种基于最大相关熵的通信辐射源个体识别方法。首先提取矩形积分双谱特征来表征辐射源个体差异,并基于最大相关熵准则构造优化函数;其次利用半二次优化技术,将非线性的优化问题转化为加权线性最小二乘问题;最后利用有效集算法得到稀疏系数构造分类器,实现通信辐射源的个体识别。在实际采集的同厂家同型号的FM电台数据集上,验证了方法的可行性与有效性。

利用小波变换特征提取的通信辐射源个体识别方法

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,通过计算类间分离度筛选最优小波基提取特征向量,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。仿真结果表明,在信噪比变化的环境中及通信辐射源个体差异较小的情况下有较好的识别效果,从而验证了该方法的有效性。

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法。构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类。该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类。实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法。

基于稳态循环谱特征的通信辐射源识别方法

为实现低信噪比环境下多种通信辐射源的高精度识别,提出了一种基于稳态循环谱特征的通信辐射源识别方法,利用循环谱频域截面谱对高斯噪声的强鲁棒性,提取不同辐射源成形滤波器间的本征差异进行识别.首先对接收到的稳态信号提取循环谱频域截面谱并利用主成分分析方法降维,之后分别采用皮尔逊相关系数法、概率神经网络、弗雷歇距离法等判决方法进行辐射源类别判决.仿真实验显示,该特征使用概率神经网络判决和皮尔逊相关系数法判决,显著优于传统循环频率域的切片特征,证明有一定应用价值.

通信辐射源个体识别中基于l_2正则化的最大相关熵算法

为了衡量通信辐射源细微特征间的相似性,提出基于l_2正则化的最大相关熵通信辐射源个体识别算法.首先提取通信辐射源信号矩形积分双谱特征表征辐射源个体差异,并构造基于l_2正则化的最大相关熵准则的优化模型.然后利用半二次优化方法,将非线性的优化问题转化为加权线性最小二乘问题.最后利用有效集算法得到稀疏系数,并利用系数的判别信息构造分类器,实现通信辐射源的个体识别.在实际采集的同厂家同型号的FM电台数据集上验证文中算法的可行性与有效性.

一种稳健的通信辐射源个体识别方法

通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。测试实验表明,识别方法稳健有效,可在信噪比5 d B情况下实现93.7%的正确识别概率。

基于排列熵分形维数特征提取的通信辐射源个体识别

为解决通信辐射源个体差异小、识别困难的问题,对功率放大器非线性特征进行建模,提出了一种改进的基于排列熵分形维数特征提取的通信辐射源个体识别方法.该方法对接收信号进行相空间重构得到能够反映信号细微变化规律的相对排列熵值,通过盒维数、信息维数对排列熵进行进一步特征提取用于通信辐射源个体识别.仿真结果表明,在低信噪比环境及通信辐射源个体差异较小的情况下仍有较好的识别效果,从而验证了该方法的有效性.

基于频谱再生特性的通信辐射源个体识别方法

为解决通信辐射源个体差异小、识别困难的问题,利用功率放大器非线性特征建模,提出了一种改进的基于谱再生特征提取的个体识别方法.该方法使用功率谱分段拟合进行功率放大器相应Taylor级数的提取,通过采用多维参数提取提升了识别效果,并运用低方差滤波降维提升识别效率.仿真结果表明,在通信辐射源个体差异较小的情况下仍有较好的识别效果,从而验证了该方法的有效性.

迁移学习及其在通信辐射源个体识别中的应用

通信辐射源个体识别作为通信侦察的一种技术手段,在现代战场上发挥着至关重要的作用。迁移学习不要求源域与目标域数据同分布,大大减轻了传统模型对数据量和数据分布的敏感性,可以一定程度上解决通信辐射源数据集不全面、不充足等问题。概括了迁移学习的基本理论,分析了基于迁移学习的通信辐射源识别的可行性,阐述了近年来迁移学习以及基于迁移学习的通信辐射源识别方法的研究现状,探讨了迁移学习方法的算法性能和优缺点,总结了基于迁移学习的通信辐射源识别技术的优势和存在的问题,为相关研究提供了参考。

基于VMD的通信辐射源个体识别方法

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法。该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别。在公开数据集和自建数据集上的实验结果均表明,所提方法可显著提高辐射源个体识别的性能,且在小样本条件下的优势更加显著。

基于协作表示的通信辐射源个体识别方法

为了充分利用样本之间的相关性结构,提出了一种基于协作表示的通信辐射源个体识别方法。首先,为表征通信辐射源个体差异,提取矩形积分双谱特征作为细微特征;其次利用协作表示理论挖掘特征样本之间的相关性结构,克服识别过程中的"小样本"问题;最后利用系数包含的判别性信息构造分类器,实现通信辐射源的个体识别。在实际采集的同厂家同型号FM电台数据集上的实验结果验证了该方法的可行性与有效性。

基于类特征对齐的多源域适应辐射源个体识别方法

无监督域适应方法在通信辐射源个体识别任务中得到了深入研究和广泛应用。无监督域适应方法通过学习已标记的源域样本的域不变特征,实现对未标记的目标域的识别。然而,在复杂的电磁环境下,源域信号可能会受到多重因素的影响,导致多个源域的特征分布与目标域存在显著差异,甚至彼此之间也有所不同。鉴于这种情况,从分布差异的角度出发,提出了一种基于类特征联合对齐的多源域适应方法,并构建了一种称为类别特征对齐网络(Category Feature Alignment Network,CFAN)的深度神经网络模型,能够提取发射器的指纹特征。大量的实验结果验证了这种方法能够有效提高识别准确率。

基于堆栈式LSTM网络的通信辐射源个体识别

针对现有通信辐射源个体识别方法预处理过程复杂及特征提取较难的问题,提出了一种基于堆栈式长短期记忆(long short-term memory,LSTM)网络的辐射源个体识别算法。该算法直接使用IQ时间序列信号训练LSTM网络,即可实现对通信辐射源个体的高效识别,避免了复杂的信号预处理过程。为使LSTM网络能更好地适用于通信辐射源个体识别,利用3层LSTM网络提取辐射源深层特征,并通过实验优化了网络参数。然后对该算法的实际应用泛化性进行了实验探究,结果表明该算法在其他辐射源数据集上也取得了较好的效果。最后,通过实验对算法进行了验证,结果表明相比于传统算法,在样本数较多时,该算法的识别准确率可以达到98%,而且简单快速智能,便于工程化与实用化。

通信辐射源个体识别的自编码器构造方法

自编码器算法具有不依赖有标签样本进行有效特征学习的特点,适合应用于电子对抗中通信辐射源个体识别任务,但其主要局限在于其性能取决于结构参数的设计。为提高通信辐射源个体识别任务中自编码器性能,提出了一种通信辐射源个体识别的自编码器构造方法。提取通信辐射源信号的高阶积累量,根据调制信息估计自编码器结构参数,最后由验证实验筛选性能满足阈值的结构参数,存入参数信息库。验证实验中,在实际采集的调频通信电台数据集上最高达86.8%的准确率,证明了所构造自编码器的有效性。

小样本条件下的通信辐射源半监督特征提取

在通信辐射源信号有标签样本数量较小的情况下,同类通信辐射源个体信号特征提取困难且识别精度较低。对此,提出了一种小样本条件下的通信辐射源半监督特征提取方法。该方法对少量有标签通信辐射源信号样本以及大量无标签通信辐射源信号样本进行变分模态分解提取高维稳态信息熵,利用指数半监督判别分析法映射信息熵形成个体特征,并通过XGBoost进行通信辐射源个体识别来验证识别效果。实验表明,所提方法识别准确率达到85.33%,相比无监督特征提取方法运算时间降低了76.17%,证明其在同类通信辐射源不同个体识别中具有较好的性能。