本技术介绍了一种利用逆残差平均池化技术进行辐射源个体识别的方法。该方法首先提取辐射源的参数特征,形成脉冲描述字PDW参数数据集。随后,构建并初始化逆残差平均池化模型,以实现辐射源个体的高效识别。
背景技术
随着辐射源种类和数量的不断增加,空间电磁环境的复杂度也在提升,导致辐射源个体识别的难度逐步加大。这已成为信号处理领域的一个研究热点。
现有的辐射源识别方法基于人工识别,通过提取信号的幅度、频率和相位参数的均值、偏差和方差等统计特征,或者使用原始信号的时域、频域和相位谱信息,来获取辐射源个体特有的无意调制信息,从而实现识别。但随着物联网技术的迅速发展,设备种类和数量急剧增加,导致现有方法的复杂度增加、泛化性较差和识别率降低,难以满足大规模数据和高实时性的要求。因此,学者提出了基于神经网络的辐射源识别算法来解决这些问题。
在基于神经网络的辐射源个体识别研究中,主要使用了卷积神经网络(CNN)、循环神经网络(RNN,特别是LSTM)及其他网络架构或其组合形式。文献“徐雄.采用改进型AlexNet的辐射源目标个体识别方法.Telecommunication Engineering,2018,58(6)”直接使用信号的原始时域波形图像作为输入,结合多维度特征,采用类似AlexNet的深度卷积网络进行识别,对13个ADS-B辐射源个体的识别准确率达到98.3%。文献“PENG L N,ZHANG JQ,LIU M,et al.Deep Learning Based RF Fingerprint Identification UsingDifferential Constellation Trace Figure.IEEE Transactions on VehicularTechnology,2020,69(1):1091-1095”通过差分星座轨迹图提取ZigBee设备的射频指纹特征,并利用均值聚类方法进行分类识别,在信噪比为30dB和15dB的情况下,对54个ZigBee设备的识别准确率分别达到99.1%和93.8%。
然而,上述研究中使用的时频域图像特征或I/Q信号特征在处理高采样率的原始信号时,往往需要进行复杂的数据预处理。这些预处理步骤不仅耗时,而且会生成大量的特征数据,从而大幅增加计算复杂度。此外,这些网络模型在低信噪比条件下,模型的识别能力显著下降,其模型鲁棒性较差。
实现思路