一种辐射源个体识别方法与流程

1.本发明涉及目标识别领域，具体涉及一种基于自适应降噪和轻量化复数残差网络的辐射源个体识别方法。


背景技术：

2.本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。
3.在复杂电磁环境的射频信号识别任务中，大多数深度神经网络是基于实数数据进行运算和描述，其仅利用实部或者虚部信息，忽略了实部与虚部间的相位信息，同时复数数据具有更容易优化、更好地泛华特征和更好地表征能力等优点；而现有辐射源个体识别算法研究大都是在实数数据上进行的，不仅舍弃了虚部数据的信息量，还舍弃了复数信号的相位信息，使数据特征的完整性和有效性遭到损坏，导致分类性能并不理想。
4.针对复数神经网络辐射源个体识别技术，目前主要采用基于残差的复数网络和基于复数残差网络和注意力机制等辐射源个体识别技术；其中，基于残差的复数网络个体识别技术优点是可以对复数信号进行直接处理，但是没有对网络进行轻量化，整个网络参数和计算量较大；而基于复数残差网络和注意力机制个体识别技术可以使残差网络关注更加有用的细微特征，但是没有对信号提供统一的信号去噪模块，去噪模块需要手工设置，在相同信噪比或者降低的情况下，未采用复数去噪模块的残差网络分类概率与采用了复数去噪模块的残差网络相对比，分类概率会降低。


技术实现要素：

5.本发明的目的在于：针对现有的特征提取方法不能很好地提取射频信号(i/q两路，复信号)的细微特征，且复数神经网络轻量化技术研究不多，未有比较简单且实用的轻量化技术，同时针对复数卷积网络并没有自动去噪模块，会对不同的数据人工筛选合适的去噪算法，设置复杂且侦收数据变化后手动设置去噪算法可能失效，泛化性差的问题，提供了一种基于自适应降噪和轻量化复数残差网络的辐射源个体识别方法，其采用轻量化技术和自适应去噪技术的复数残差网络即能降低参数量和计算量，又能提高辐射个体识别率，从而解决了上述问题。
6.本发明的技术方案如下：
7.一种辐射源个体识别方法，包括：
8.步骤s1：侦收空中电磁信号；
9.步骤s2：通过分数阶傅里叶变换提取电磁信号中的时频特征向量；
10.步骤s3：将时频率特征向量送入训练好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络中进行识别。
11.进一步地，所述分数阶傅里叶变换的阶数p取值范围为-2～2，对应的旋转角度α取值范围为-π～π，通过多个不同的阶数p，可产生多路时频特征向量。
12.进一步地，所述具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源
复数个体识别网络，包括：
13.六个自适应降噪和轻量化复数残差模块以及拼接，全局平均池化，多维转一维，全连接层。
14.进一步地，所述自适应降噪和轻量化复数残差模块由两个复数轻量化卷积模块和一个复数自适应降噪模块构成，所述复数自适应降噪模块对复数轻量化卷积模块的输出进行降噪处理。
15.进一步地，所述复数轻量化卷积模块，包括：
16.复数批归一化、复数激活函数和复数深度可分离卷积；
17.所述复数深度可分离卷积由一个卷积核为3*3，分组数为输入通道个数的复数卷积和1个卷积核为1*1的复数卷积构成。
18.进一步地，所述复数自适应降噪模块基于软阈值化和通道注意力机制构成，具体包括：
19.复值全局平均池化、两个复值全连接网络、复值crelu、复值sigmoid。
20.进一步地，所述步骤s3中的训练，包括：
21.步骤a：侦收空中电磁信号；
22.步骤b：通过分数阶傅里叶变换提取电磁信号中的时频特征向量，并按比例划分为训练集、验证集和测试集；
23.步骤c：采用训练集和验证集对具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络进行训练，利用超参数生成多个识别网络；
24.步骤d：通过测试集输入识别网络后的分类准确率指标选择最优的识别网络，作为最终确定的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络。
25.与现有的技术相比本发明的有益效果是：
26.1、一种辐射源个体识别方法，能够通过分数阶傅里叶变换提取复数信号更多的细微特征，通过轻量化复数残差网络能够降低算法计算量和存储空间，且个体识别率几乎不降低，然后加入自适应降噪模块，有效消除信号噪声，提升辐射源个体识别率，同时消除手工设置复数去噪算法的繁琐，最后通过上述方法实现的复数残差辐射源个体识别算法能够提升分类概率，在18db的情况下，针对100类ads-b侦收信号，个体识别率相对于只用复数参数网络算法能够提升2％以上，同时，在降至15db的情况下，个体识别率与18db相对比，分类准确率几乎没有损失。因此，该复数残差算法与传统复数残差网络相对比，在低信噪比下具有更好地分类准确率。
27.2、一种辐射源个体识别方法，在侦收到射频信号(具有i/q两路)为复数信号时，能够更好地提取信号细微特征，轻量化复数残差网络能够在降低存储空间和计算量的同时，几乎不损失精度，自适应降噪模块能够自动去除信号噪声，保留有效特征，因此算法具有很好的泛化能力、分类精度高和时效性号等特点。
附图说明
28.图1为一种辐射源个体识别方法的流程图；
29.图2为自适应降噪和轻量化复数残差模块示意图；
30.图3为具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络示意图；
31.图4为不同阶数下分数阶傅里叶变换波形图；
32.图5a为复数深度卷积示意图；
33.图5b为复数1x1卷积示意图。
具体实施方式
34.需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
35.下面结合实施例对本发明的特征和性能作进一步的详细描述。
36.实施例一
37.请参阅图1，一种辐射源个体识别方法，具体包括如下步骤：
38.步骤s1：侦收空中电磁信号；优选地，本实施例以民用ads-b信号(i/q两路)为例进行说明，即步骤s1侦收ads-b信号；
39.步骤s2：通过分数阶傅里叶变换提取电磁信号中的时频特征向量；即提取ads-b信号的前4个同步头，并通过特征提取方法将ads-b时域信号转变为时频特征向量；优选地，将形成的多个时频特征向量，按照7:1.5:1.5的比例划分为训练集、验证集和测试集；其中，训练集和验证集是用于训练具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络，测试集用于验证具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络的识别准确率，从而选出最好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络；所述分数阶傅里叶变换(frft)作为一种新型广义时频分析方法，可理解为信号在时频域坐标轴上以原点为基准逆时针旋转任意角度后所得到的分数阶域表示，其不但继承了fourier变换的优良特性，而且还兼具自身特有的优点，因此在某些应用场合下可以取得更好的分析效果；
40.步骤s3：将时频率特征向量送入训练好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络中进行识别；即将待测的ads-b样本送入上述选择的最好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络，即判断该待测目标的类别；需要说明的是，所述待测的ads-b样本是指：空中侦收的ads-b信号经过分数阶傅里叶变换生成的6路时频特征向量。
41.在本实施例中，具体的，所述分数阶傅里叶变换的阶数p取值范围为-2～2，对应的旋转角度α取值范围为-π～π，通过多个不同的阶数p，可产生多路时频特征向量；当p＝1时，frft将等效为傅里叶变换；当p＝0时，frft的结果与时域结果相同；
42.需要说明的是，所述ads-b信号(i/q两路的复信号)四个同步头原始信号经过分数阶傅里叶变换阶数p取值为0，0.25，0.75，1，1.25，1.75时，获得6路不同的时频特征向量，每
路时频特征向量长度为1024维(复数向量)；即所述的训练集、验证集和测试集主要指经过分数阶傅里叶变换的时频特征样本集，样本集总数600个，训练集420个样本，验证集90个样本，测试集90个样本，每个样本包含6路时频特征向量，如图4，所示。
43.在本实施例中，具体的，如图3所示，所述具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络，包括：
44.六个自适应降噪和轻量化复数残差模块以及拼接，全局平均池化，多维转一维，全连接层。
45.在本实施例中，具体的，所述自适应降噪和轻量化复数残差模块由两个复数轻量化卷积模块和一个复数自适应降噪模块构成，所述复数自适应降噪模块对复数轻量化卷积模块的输出进行降噪处理。
46.在本实施例中，具体的，所述复数轻量化卷积模块，包括：
47.复数批归一化、复数激活函数和复数深度可分离卷积；
48.所述复数深度可分离卷积由一个卷积核为3*3，分组数为输入通道个数的复数卷积和1个卷积核为1*1的复数卷积构成；
49.在本实施例中，具体的，所述复数自适应降噪模块基于软阈值化和通道注意力机制构成，具体包括：
50.复值全局平均池化、两个复值全连接网络、复值crelu、复值sigmoid；优选地，所有卷积通道数设置为64。
51.需要说明的是，其中的轻量化复数残差模块即为复数轻量化卷积神经网络，同时复数轻量化卷积神经网络也是指复数深度可分离卷积网络，自适应降噪模块是指将软阈值化技术应用于复数残差网络进行自动去噪的一种技术。
52.复数深度可分离卷积网络的思想是把一个复数卷积操作分为复数深度卷积和复数1x1卷积两步。复数深度卷积是指逐个通道分开卷积，输入特征图个数和输出特征图个数相同；复数1x1卷积主要用于通道的升维和降维以及对复数深度卷积特征进行通道融合；复数深度可分离卷积示意图如图5a和图5b所示。
53.需要说明的是，以二维复数卷积为列，复数卷积层的复数输入特征图表示成v＝vr+ivi，其中vr和vi分别表示复数输入特征图的实部和虚部；复数卷积核表示成w＝wr+iwi，其中wr和wi分别代表其实部和虚部。输出的复数特征图表示为u＝ur+ui，复数卷积表示如下所示：
[0054][0055]
其中，*表示实值卷积滤波器，卷积假设输入为w
in
×hin
×cin
，输出为w
out
×hout
×cout
，卷积核大小为k
×k×
2，复数卷积参数量为2
×cin
×k×k×cout
。复数卷积计算量为4个实数卷积的计算量，那么复数深度可分离卷积计算量为4
×cin
×k×k×cout
×wout
×hout
。
[0056]
由图5a和图5b可知，复数深度可分离卷积的参数计算量为2
×
(c
in
×k×k×
1+c
out
×cin
×1×
1)，复数深度可分离卷积的计算量为4
×
(c
in
×k×k×
1+c
out
×cin
×1×
1)
×wout
×hout
，因此，复数深度可分离卷积参数量为复数卷积的计算量为因为网络结构中c
out
》》k2，卷积核空间的尺寸k一般取3，即复数深度可分离卷积计算复杂度可显
著降低复数卷积计算复杂度的1/8～1/9；同理，复数深度可分离卷积模块的参数量可显著减少复数卷积层参数量的1/8～1/9。
[0057]
需要说明的是，复数自适应降噪模块主要由软阈值化和通道注意力机制等技术组成。软阈值化是信号降噪算法最常用的一种技术，它将原始信号转换至特征域，其中信号的噪声和冗余部分会成为近零值，最后设定一个阈值将近零特征转换为零。其转化公式为：
[0058][0059]
其中x是输入特征，y是输出特征，τ是取值为正的阈值；
[0060]
传统软阈值化技术需要人工设计阈值大小，麻烦且工作量大，而在本实施例中，结合复数残差网络和通道注意力机制，设计一种自动设计阈值的复数神经网络；复数自适应降噪模块如图2所示。
[0061]
该模块中，首先将残差单元最后一层网络输出的特征图实部和虚部分别进行取绝对值和全局平均池化(global average pooling，gap)，得到与上一层卷积核数量相同的一维向量。具体操作如下：
[0062]
cgap＝gap(|ur|)+igap(|ui|)
[0063]
将一维向量输入到两层复值全连接网络中，复值全连接计算参考公式(1)复值卷积运算，其中crelu(u)＝crelu(ur)+icrelu(ui)，在两层复值fc网络的末端应用一个复值sigmoid函数，将缩放参数按照下式进行归一化：
[0064][0065]
其中，di是收缩模块最后一层全连接网络第i个神经元的输出值，real(di)和imag(di)分别表示di的实部和虚部，αi是将di进行归一化的结果，阈值计算如下：
[0066]
τi＝real(αi)
·
real(average{g
m,n,i
}
m,n
)+iimag(αi)
·
imag(average{g
m,n,i
}
m,n
)
ꢀꢀ
(4)
[0067]
其中，τi表示特征图第i个通道的阈值，m，n代表特征图的宽度和高度，将缩放参数α乘以{g}的平均值得到复值阈值，这是为了限制阈值保持在一个合理的范围内。如果阈值大于特征映射的最大绝对值，则软阈值的输出将为0。
[0068]
如图2所示，复数阈值门限等于分别对实部特征向量和虚部特征向量进行降噪，在拼接成复数形式。
[0069]
在本实施例中，具体的，所述步骤s3中的训练，包括：
[0070]
步骤a：侦收空中电磁信号；
[0071]
步骤b：通过分数阶傅里叶变换提取电磁信号中的时频特征向量，并按比例划分为训练集、验证集和测试集；
[0072]
步骤c：采用训练集和验证集对具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络进行训练，利用超参数生成多个识别网络；
[0073]
步骤d：通过测试集输入识别网络后的分类准确率指标选择最优的识别网络，作为最终确定的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络。
[0074]
以上所述实施例仅表达了本技术的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。
[0075]
提供本背景技术部分是为了大体上呈现本发明的上下文，当前所署名的发明人的工作、在本背景技术部分中所描述的程度上的工作以及本部分描述在申请时尚不构成现有技术的方面，既非明示地也非暗示地被承认是本发明的现有技术。

技术特征：
1.一种辐射源个体识别方法，其特征在于，包括：步骤s1：侦收空中电磁信号；步骤s2：通过分数阶傅里叶变换提取电磁信号中的时频特征向量；步骤s3：将时频率特征向量送入训练好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络中进行识别。2.根据权利要求1所述的一种辐射源个体识别方法，其特征在于，所述分数阶傅里叶变换的阶数p取值范围为-2～2，对应的旋转角度α取值范围为-π～π，通过多个不同的阶数p，可产生多路时频特征向量。3.根据权利要求1所述的一种辐射源个体识别方法，其特征在于，所述具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络，包括：六个自适应降噪和轻量化复数残差模块以及拼接，全局平均池化，多维转一维，全连接层。4.根据权利要求3所述的一种辐射源个体识别方法，其特征在于，所述自适应降噪和轻量化复数残差模块由两个复数轻量化卷积模块和一个复数自适应降噪模块构成，所述复数自适应降噪模块对复数轻量化卷积模块的输出进行降噪处理。5.根据权利要求4所述的一种辐射源个体识别方法，其特征在于，所述复数轻量化卷积模块，包括：复数批归一化、复数激活函数和复数深度可分离卷积；所述复数深度可分离卷积由一个卷积核为3*3，分组数为输入通道个数的复数卷积和1个卷积核为1*1的复数卷积构成。6.根据权利要求4所述的一种辐射源个体识别方法，其特征在于，所述复数自适应降噪模块基于软阈值化和通道注意力机制构成，具体包括：复值全局平均池化、两个复值全连接网络、复值crelu、复值sigmoid。7.根据权利要求1所述的一种辐射源个体识别方法，其特征在于，所述步骤s3中的训练，包括：步骤a：侦收空中电磁信号；步骤b：通过分数阶傅里叶变换提取电磁信号中的时频特征向量，并按比例划分为训练集和验证集；步骤c：采用训练集对具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络进行训练，利用超参数生成多个识别网络；步骤d：通过验证集输入识别网络后的分类准确率指标选择最优的识别网络，作为最终确定的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络。

技术总结
本发明公开了一种辐射源个体识别方法，涉及目标识别领域，包括：首先侦收空中电磁信号；然后通过分数阶傅里叶变换提取电磁信号中的时频特征向量；最后将时频率特征向量送入训练好的具有复数轻量化卷积神经网络和自适应降噪模块复数残差辐射源复数个体识别网络中进行识别；本发明，能够通过分数阶傅里叶变换提取复数信号更多的细微特征，通过轻量化复数残差网络能够降低算法计算量和存储空间，且个体识别率几乎不降低，然后加入自适应降噪模块，有效消除信号噪声，提升辐射源个体识别率，同时消除手工设置复数去噪算法的繁琐。时消除手工设置复数去噪算法的繁琐。时消除手工设置复数去噪算法的繁琐。


技术研发人员：赵火军 包庆红 唐培人 李捷 高晓利 杨晓丽 王维 宋程程
受保护的技术使用者：四川九洲电器集团有限责任公司
技术研发日：2023.04.11
技术公布日：2023/7/25