本發(fā)明涉及輻射源個體識別方法，屬于輻射源個體識別領(lǐng)域。

背景技術(shù)：

1、隨著無線設(shè)備的激增，保護(hù)物理層內(nèi)的強(qiáng)大安全性仍然是一項(xiàng)重大挑戰(zhàn)。sei的主要目的是通過分析信號中脈沖無意調(diào)制(umop)的獨(dú)特特性來識別發(fā)射器。與基于軟件的安全憑證相比，umop本質(zhì)上保持穩(wěn)定，并且特別耐更改，從而sei已成為各種無線通信環(huán)境中的基本元素。在深度學(xué)習(xí)(dl)出現(xiàn)之前，傳統(tǒng)的sei方法主要依靠統(tǒng)計(jì)方法來設(shè)計(jì)特征，包括高階譜、累積量、非線性動態(tài)特征以及源自短時傅立葉變換等變換的各種時頻(tf)特征。然而，這些傳統(tǒng)方法受到顯著的限制，包括性能欠佳、對不同環(huán)境的適應(yīng)性有限，以及無法應(yīng)對不斷升級的復(fù)雜性和眾多發(fā)射機(jī)。近年來，深度學(xué)習(xí)已成為一種有前景的數(shù)據(jù)分析工具，并在無線通信技術(shù)中獲得了廣泛的關(guān)注，特別是在sei領(lǐng)域?；谏疃葘W(xué)習(xí)的sei方法利用卷積神經(jīng)網(wǎng)絡(luò)(cnn)、循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)、變壓器模型和生成對抗網(wǎng)絡(luò)(gan)等神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)統(tǒng)一特征提取和分類。這些基于深度學(xué)習(xí)的sei方法根據(jù)樣本表示分為三個主要部分：時域信號、頻譜圖和星座圖?；谏疃葘W(xué)習(xí)的sei技術(shù)利用大量歷史樣本存儲庫，提取更具彈性和更有效的umop特征，與依賴人工設(shè)計(jì)特征的方法相比具有優(yōu)越性。然而，這些方法面臨著新類別訓(xùn)練信號樣本的可用性的限制以及在線部署期間再訓(xùn)練機(jī)會的限制。

2、放大器非線性失真是sei的主要因素。然而，在通信和雷達(dá)系統(tǒng)中，這種失真不僅會縮小線性范圍，還會降低整體效率。隨著這些系統(tǒng)對更寬帶寬的需求不斷增長，線性化放大器和提高效率的方法，如負(fù)反饋、包絡(luò)跟蹤和數(shù)字預(yù)失真(dpd)也應(yīng)運(yùn)而生。dpd技術(shù)因其靈活的數(shù)字算法、補(bǔ)償能力、適應(yīng)性和較低的功耗而在各種線性化技術(shù)中脫穎而出。與其他線性化方法相比，它可以實(shí)現(xiàn)更簡單的電路配置以實(shí)現(xiàn)更寬的帶寬，使其越來越受到pa線性化補(bǔ)償?shù)那嗖A。目前，已經(jīng)提出了多種dpd方法，包括分段線性法、離散牛頓法、最小均方(lms)算法、旋轉(zhuǎn)和縮放(rascal)以及遞歸最小二乘(rls)算法。然而，值得注意的是，雖然dpd技術(shù)減輕了發(fā)射極中的放大器非線性，但它卻無意中可能會削弱了sei的性能。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決實(shí)際部署時dpd技術(shù)的應(yīng)用以及在線sei部署時數(shù)據(jù)不足等導(dǎo)致輻射源個體識別準(zhǔn)確率低的問題，提出了數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法。

2、數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法具體過程為：

3、步驟一、對采集到的信號進(jìn)行預(yù)處理，得到hht圖、itd-hilbert圖、cwt圖、cwd圖和gt圖；

4、所述hht為希爾伯特-黃變換；

5、所述itd-hilbert為希爾伯特變換；

6、所述cwt為連續(xù)小波變換；

7、所述cwd為choi-williams分布；

8、所述gt為gabor變換；

9、步驟二、分別對hht圖、itd-hilbert圖、cwt圖、cwd圖和gt圖進(jìn)行預(yù)處理，構(gòu)建數(shù)據(jù)集；

10、步驟三、構(gòu)建fs-sei網(wǎng)絡(luò)模型；

11、fs-sei網(wǎng)絡(luò)模型包括cnn網(wǎng)絡(luò)模型和關(guān)系網(wǎng)絡(luò)模型；

12、cnn網(wǎng)絡(luò)模型依次包括特征提取器和分類器；

13、步驟四、對fs-sei網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的fs-sei網(wǎng)絡(luò)模型；

14、步驟五、將測試集輸入訓(xùn)練好的fs-sei網(wǎng)絡(luò)模型，訓(xùn)練好的fs-sei網(wǎng)絡(luò)模型輸出測試集的類別。

15、本發(fā)明的有益效果為：

16、本發(fā)明一種用于少樣本輻射源個體識別(fs-sei)模型，集成了卷積神經(jīng)網(wǎng)絡(luò)(cnn)嵌入和度量學(xué)習(xí)，針對樣本可用性有限的場景。

17、本發(fā)明通過希爾伯特-黃變換(hht)、itd后希爾伯特變換(itd-hilbert)、連續(xù)小波變換(cwt)和choi-williams分布(cwd)、gabor變換(gt)來表征信號。這些方法有助于將各種形式的發(fā)射器信號表示為時頻圖像，從而顯示信號的不同特征。

18、本發(fā)明提出了一種dpd下的fs-sei模型。該模型集成了用于深度特征向量提取的cnn和旨在自主學(xué)習(xí)非線性距離度量的關(guān)系網(wǎng)絡(luò)(rn)。我們的研究結(jié)果表明，雖然dpd技術(shù)往往會掩蓋發(fā)射器的獨(dú)特特征，但fs-sei模型成功應(yīng)對了這一挑戰(zhàn)，在sei任務(wù)中表現(xiàn)出比傳統(tǒng)cnn和其他方法顯著的性能改進(jìn)。這種增強(qiáng)在信噪比低且樣本可用性有限的環(huán)境中尤其顯著。隨著dpd技術(shù)不斷發(fā)展并更加融入現(xiàn)代通信系統(tǒng)，針對這些條件改進(jìn)sei方法的研究很有意義。

技術(shù)特征：

1.數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法，其特征在于：所述方法具體過程為：

2.根據(jù)權(quán)利要求1所述的數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法，其特征在于：所述步驟一中對采集到的信號進(jìn)行預(yù)處理，得到hht圖、itd-hilbert圖、cwt圖、cwd圖和gt圖；具體過程為：

3.根據(jù)權(quán)利要求2所述的數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法，其特征在于：所述步驟二中分別對hht時頻圖、itd-hilbert時頻圖、cwt時頻圖、cwd時頻圖和gt時頻圖進(jìn)行預(yù)處理，構(gòu)建數(shù)據(jù)集；具體過程為：

4.根據(jù)權(quán)利要求3所述的數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法，其特征在于：所述步驟三中構(gòu)建fs-sei網(wǎng)絡(luò)模型；

5.根據(jù)權(quán)利要求4所述的數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法，其特征在于：所述步驟四中對fs-sei網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的fs-sei網(wǎng)絡(luò)模型；具體過程為：

技術(shù)總結(jié)
數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法，本發(fā)明涉及輻射源個體識別方法，屬于輻射源個體識別領(lǐng)域。本發(fā)明的目的是為了解決實(shí)際部署時DPD技術(shù)的應(yīng)用以及在線SEI部署時數(shù)據(jù)不足等導(dǎo)致輻射源個體識別準(zhǔn)確率低的問題。數(shù)字預(yù)失真下有限樣本場景中輻射源個體識別方法具體過程為：對采集到的信號進(jìn)行預(yù)處理，得到HHT、ITD?Hilbert、CWT、CWD和GT；分別對HHT圖、ITD?Hilbert圖、CWT圖、CWD圖和GT圖進(jìn)行預(yù)處理，構(gòu)建數(shù)據(jù)集；構(gòu)建FS?SEI網(wǎng)絡(luò)模型；FS?SEI網(wǎng)絡(luò)模型包括CNN網(wǎng)絡(luò)模型和關(guān)系網(wǎng)絡(luò)模型；CNN網(wǎng)絡(luò)模型依次包括特征提取器和分類器；對CNN?FS?SEI網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練好的FS?SEI網(wǎng)絡(luò)模型；將測試集輸入訓(xùn)練好的FS?SEI網(wǎng)絡(luò)模型，訓(xùn)練好的FS?SEI網(wǎng)絡(luò)模型輸出測試集的類別。

技術(shù)研發(fā)人員：趙雅琴,謝丹,吳龍文,楊柱天,卞俊杰,張真源
受保護(hù)的技術(shù)使用者：哈爾濱工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2