一種基于CNN-CBAM-BDA的跨接收機輻射源識別方法和系統技術方案

本發明專利技術提出了一種基于CNN

【技術實現步驟摘要】
一種基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法和系統


[0001]本專利技術屬于信號處理的
，具體涉及一種基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法和系統。

技術介紹

[0002]輻射源個體識別技術通過提取輻射源設備的細微特征完成對某一特定發射設備的識別，但在實際應用中，更換接收機后的輻射源個體識別問題亟待解決。由于采集的信號實際上受到輻射源畸變和接收機畸變的雙重影響，即當接收設備發生改變時，所提取的特征會發生很大的偏移，不同接收機獲得的信號樣本無法在同一個識別系統中通用，傳統的輻射源識別方法的應用就會受到限制。
[0003]對于特定輻射源識別，先前很多研究都是基于專家經驗的特征提取，如利用高階譜、分形特征等統計特征量和離散小波變換、希爾伯特
?
黃變換等域變換，利用支持向量機、決策樹，最近鄰分類器進行分類識別。近些年出現了利用卷積神經網絡和深度殘差網絡等深度學習方法來進行特征提取和識別。但兩種技術路線均無法回避接收機畸變對特征產生的影響。
[0004]有鑒于此，提出一種基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法和系統是非常具有意義的。

技術實現思路

[0005]為了解決現有技術的不足，本專利技術提供一種基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法和系統，以解決現有技術在信號輻射源識別中因更換接收機而導致識別率下降的技術缺陷問題。
[0006]第一方面，本專利技術提出了一種基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法，該方法包括如下步驟：
[0007]S1、采集若干不同接收機接收到的信號生成跨接收機輻射源個體識別樣本集；
[0008]S2、對所述樣本集進行歸一化處理，劃分為源域樣本和目標域樣本，對所述源域的全部樣本和所述目標域中部分樣本進行標記，并將所述目標域剩余的樣本作為待測樣本集；
[0009]S3、進一步構建CNN特征提取模塊，并利用所述源域樣本數據訓練CNN網絡，引入CBAM注意力機制進一步提取深層特征；
[0010]S4、將所述源域數據和目標域數據輸入步驟S3訓練后的所述CNN網絡，分別提取卷積層最后一層輸出的特征向量；
[0011]S5、構建BDA模塊，將步驟S4提取的源域特征和目標域特征輸入得到訓練集和測試集；
[0012]S6、構建KNN分類器，對所述待測目標域樣本集進行判決。
[0013]優選的，在S1中具體包括：利用兩臺不同接收機接收同一臺發射機發送的輻射源
信號，生成跨接收機輻射源個體識別樣本集。
[0014]優選的，在S2中具體包括：
[0015]S21、將所述樣本集中的每一個信號樣本進行歸一化預處理；
[0016]S22、將其中一臺所述接收機接收到的信號樣本作為所述源域樣本，另一臺所述接收機接收到的信號樣本作為所述目標域樣本。
[0017]優選的，在S3中還包括：
[0018]將所述CNN網絡中的第一層至第三卷積層中卷積核大小分別設置為10、5和3，步長為設置1，卷積核的個數設為32、64和128；第一至第三層池化層均采用最大池化方式，池化區域大小分別為2、2和2，步長為設置2；
[0019]其中，激活函數為ReLu函數，隨機失活層的Dropout值設為0.5。
[0020]進一步優選的，在S3中還包括：卷積塊注意力機制的結構設置為：給定映射CBAM直接生成一個一維通道注意力機制和一個二維空間注意力機制整個CBAM的計算過程可概括為：
[0021][0022][0023]其中，默認使用pytorch張量運算廣播機制，F
″
為CBAM最后的輸出。
[0024]進一步優選的，在S3中還包括：
[0025]記最后一層卷積層輸出的特征塊為F，在其后接一個全局均勻池化層和全局最大池化層，輸出分別記為和之后接一個共享的單隱藏層的多層感知機MLP來進一步提取信息，隱藏層大小為使用Sigmoid函數作為輸出層的激活函數，記通道注意力模塊的最終輸出為其表達式為：
[0026][0027]優選的，在S5中具體包括：
[0028]S51、利用z
?
score歸一化算法，對S4提取的源域特征和目標域特征進行歸一化；
[0029]S52、構建BDA模塊，將步驟S4提取的源域特征和目標域特征輸入到所述BDA模塊得到新的源域和目標域樣本特征，分別作為KNN分類器的訓練集和測試集。
[0030]第二方面，本專利技術還提出一種基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別系統，包括：
[0031]樣本采集模塊：用于采集若干不同接收機接收到的信號生成跨接收機輻射源個體識別樣本集；
[0032]樣本處理模塊：用于對所述樣本集進行歸一化處理，劃分為源域樣本和目標域樣本，對所述源域的全部樣本和所述目標域中部分樣本進行標記，并將所述目標域剩余的樣本作為待測樣本集；
[0033]訓練模塊：用于進一步構建CNN特征提取模塊，并利用所述源域樣本數據訓練CNN網絡，引入CBAM注意力機制進一步提取深層特征；
[0034]提取模塊：用于將所述源域數據和目標域數據輸入訓練模塊訓練后的所述CNN網絡，分別提取卷積層最后一層輸出的特征向量；
[0035]BDA構建模塊：用于構建BDA模塊，并將提取模塊提取的源域特征和目標域特征輸入得到訓練集和測試集；
[0036]KNN分類器模塊：用于對所述待測目標域樣本集進行判決。
[0037]第三方面，本專利技術實施例提供了一種電子設備，包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序，當一個或多個程序被一個或多個處理器執行，使得一個或多個處理器實現如第一方面中任一實現方式描述的方法。
[0038]第四方面，本專利技術實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如第一方面中任一實現方式描述的方法。
[0039]與現有技術相比，本專利技術的有益成果在于：
[0040](1)本專利技術使用了基于卷積神經網絡的輻射源個體識別模型，加入了卷積塊注意力機制，克服了現有傳統技術效率低、普適應弱、精度低的等問題，使得本專利技術可以自動提取輻射源的深度特征，提高了網絡的識別速度和精度。
[0041](2)本專利技術使用了基于遷移學習的輻射源個體識別模型，對不同接收機的特征分布進行匹配，利用平衡分布自適應的方法將兩個域的數據映射到一個希爾伯特核空間，使得兩個域的距離最小化，同時還最大程度地保留了它們各自的內部屬性，減小了跨接收機因素對識別性能的影響，具有一定的工程應用價值。
附圖說明
[0042]本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法，其特征在于，該方法包括如下步驟：S1、采集若干不同接收機接收到的信號生成跨接收機輻射源個體識別樣本集；S2、對所述樣本集進行歸一化處理，劃分為源域樣本和目標域樣本，對所述源域的全部樣本和所述目標域中部分樣本進行標記，并將所述目標域剩余的樣本作為待測樣本集；S3、進一步構建CNN特征提取模塊，并利用所述源域樣本數據訓練CNN網絡，引入CBAM注意力機制進一步提取深層特征；S4、將所述源域數據和目標域數據輸入步驟S3訓練后的所述CNN網絡，分別提取卷積層最后一層輸出的特征向量；S5、構建BDA模塊，將步驟S4提取的源域特征和目標域特征輸入得到訓練集和測試集；S6、構建KNN分類器，對所述待測目標域樣本集進行判決。2.根據權利要求1所述的基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法，其特征在于，在S1中具體包括：利用兩臺不同接收機接收同一臺發射機發送的輻射源信號，生成跨接收機輻射源個體識別樣本集。3.根據權利要求1所述的基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法，其特征在于，在S2中具體包括：S21、將所述樣本集中的每一個信號樣本進行歸一化預處理；S22、將其中一臺所述接收機接收到的信號樣本作為所述源域樣本，另一臺所述接收機接收到的信號樣本作為所述目標域樣本。4.根據權利要求1所述的基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法，其特征在于，在S3中還包括：將所述CNN網絡中的第一層至第三卷積層中卷積核大小分別設置為10、5和3，步長為設置1，卷積核的個數設為32、64和128；第一至第三層池化層均采用最大池化方式，池化區域大小分別為2、2和2，步長為設置2；其中，激活函數為ReLu函數，隨機失活層的Dropout值設為0.5。5.根據權利要求4所述的基于CNN
?
CBAM
?
BDA的跨接收機輻射源識別方法，其特征在于，在S3中還包括：卷積塊注意力機制的結構設置為：給定映射CBAM直接生成一個一維通道注意力機制和一個二維空間注意力機制整個CBAM的計算過程可概括為：算過...

【專利技術屬性】
技術研發人員：洪少華，鄭亞男，孫海信，齊潔，王琳，
申請(專利權)人：廈門大學，
類型：發明
國別省市：