一种基于多域迁移学习的跨时间辐射源个体识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115081487A(43)申请公布日2022.09.20(21)申请号202210797240.3(22)申请日2022.07.08(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人李建清刘佳旭王宏黄浩王姣(74)专利代理机构成都虹盛汇泉专利代理有限公司51268专利代理师王伟(51)Int.Cl.G06K9/00(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于多域迁移学习的跨时间辐射源个体识别方法(57)摘要本发明公开了一种基于多域迁移学习的跨时间辐射源个体识别方法，包括如下步骤：S1、采集不同时间下多个电台发射的中频AD信号数据，生成辐射源个体识别样本集；S2、继续采集不同时间下多个电台发射的中频AD信号数据，得到无标签样本集；S3、得到训练样本集与验证样本集；S4、构建基于多域迁移学习的跨时间辐射源个体识别模型；S5、训练识别模型；S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。本发明克服了现有技术的传统方法中难以提取辐射源指纹特征、需要长时间测量信号稳态特性才能完成对辐射源个体的识别的缺点；在更大程度上保留了信号的原始指纹信息，能够自动提取到更多更丰富的特征，有助于提高识别的准确率。CN115081487ACN115081487A权利要求书1/2页1.一种基于多域迁移学习的跨时间辐射源个体识别方法，其特征在于，包括如下步骤：S1、采集不同时间下多个电台发射的中频AD信号数据，生成辐射源个体识别样本集，并将辐射源个体识别样本集分为原始训练样本集和原始验证样本集；S2、得到辐射源个体识别样本集之后，继续采集不同时间下多个电台发射的中频AD信号数据，得到无标签样本集，并将无标签样本集分为无标签训练样本集和无标签验证样本集；S3、将辐射源个体识别样本集和无标签样本集中同一电台不同时间采集的信号均视为不同数据域，分别将将原始训练样本集和原始验证样本集中不同数据域中的同一辐射源的信号组成两两一对，分别将无标签训练样本集和无标签验证样本集中不同数据域中的信号组成两两一对，得到训练样本集与验证样本集；S4、构建基于多域迁移学习的跨时间辐射源个体识别模型；S5、利用训练样本集和验证样本集训练跨时间辐射源个体识别模型；S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。2.根据权利要求1所述的一种基于多域迁移学习的跨时间辐射源个体识别方法，其特征在于，所述步骤S4具体实现方法为：S41、构建基于多域迁移学习的跨时间辐射源个体识别模型，其结构如下：第一层为网络输入层，输入大小设置为(8192,1)；第二层为第一一维卷积层，卷积核个数为8，卷积核的大小为39，卷积步长为2，采用打补丁的方式进行扩展，激活函数为线性整流函数Relu；第三层为第一批规范化层；第四层为第二一维卷积层，卷积核个数为16，卷积核的大小为9，卷积步长为2，采用打补丁的方式进行扩展，激活函数为线性整流函数Relu；第五层为第二批规范化层；第六层为第三一维卷积层，卷积核个数为32，卷积核的大小为39，卷积步长为2，采用打补丁的方式进行扩展，激活函数为线性整流函数Relu；第七层为第四一维卷积层，卷积核个数为32，卷积核的大小为13，卷积步长为1，采用打补丁的方式进行扩展，激活函数为线性整流函数Relu；第八层为第五一维卷积层，卷积核个数为64，卷积核的大小为9，卷积步长为1，采用打补丁的方式进行扩展，激活函数为线性整流函数Relu；第九层为第六一维卷积层，卷积核个数为32，卷积核的大小为7，卷积步长为1，采用打补丁的方式进行扩展，激活函数为线性整流函数Relu；第十层为加法层，将第九层输出与第六层输出相加；第十一层为第一全局平均池化层，该层输出为特征点位置；第十二层为第一全连接层，神经元个数设置为8*M＝128，激活函数为线性整流函数Relu，dropout＝0.2，M为辐射源数目；第十三层为第二全连接层，神经元个数设置为M＝16，激活函数为Softmax函数，该层输出为模型分类结果；S42、设置基于多域迁移学习的跨时间辐射源个体识别模型的超参数以及优化算法，超参数包括学习率和迭代次数，优化算法采用误差反向传播算法；2CN115081487A权利要求书2/2页S43、选择损失函数L：损失函数L为交叉熵损失函数与最大均值差异函数的综合函数；其中交叉熵损失函数表示如下：M为辐射源个体识别信号类别总数，c表示具体某一类别；yc为指示变量，如果该类别c和样本的类别相同，则yc为1，否则为0；pc表示对于样本属于类别c的预