识别不同电台个体种类的智能识别方法与流程

本发明是关于通信
技术领域：
的电台个体分类识别技术，更进一步涉及一种识别不同电台个体种类的智能识别方法。
背景技术：
：由于不同的电台所含有的个体微特征不同,为了实现电台与电台之间的区分,需要研究电台个体特征,这也是整个电台个体识别系统的一个重中之重的环节。作为区别各个电台个体的依据，通信个体的特征属于该个体的固有特征，不同的电台个体是不同的，不因时间推移或者环境条件的变化而发生显著的变化。通信电台识别的最终目的是实现通信电台的个体识别，也就是利用通信电台发射的无线电信号来区别通信电台。这不仅要求能识别出电台信号的不同类型，还必须能够在同一型号的多部电台中识别出每一个电台个体。实际上，在截获的通信信号中包含了能够反映出电台个体特点的技术特征。从原理上来说，由于每部电台发射机生产工艺、元器件离散性及调试等方面的随机性，电台发射的信号都会由于这些硬件方面的差异，带有区别于其他电台的个体特征，即每部电台都会有唯一的能够反映其个体属性的“指纹”特征。通信电台个别识别技术是通过某种方法来获取并检测出表征通信电台的个体指纹特征，从而实现个体的识别。通过信号处理技术对所截获的通信电台信号进行处理分析，提取所获取信号个体的属性特征，快速地将每个信号对应到相应的电台。该技术可以准确获得电台个体的属性信息，对于民用领域的民用无线电频谱管理可以用到通信电台个体识别技术,可以对频段进行安全性感知,从而实现非恶意干扰、频率冲突和其他非法干扰的识别。通信电台识别主要分为特征提取和分类识别两部分。传统处理方式通常是处理电台个体信号的暂态特征和稳态特征。任何通信电台在开机时，都要从欠稳定工作状态逐步过渡到稳定工作状态，在刚开启机器的这一段时间里，电台的各个部分都处于不稳定状态下工作，包括电路的上电、频率源的初始化、变频和放大模块的初始化等。这一阶段主要表现为非线性的非平稳特征，此时所表现出的电台个体特征我们称之为暂态特征。暂态特征来自电台各模块的各个方面，即使来自同一型号的电台，在元器件特性和工艺方面也无法达到性能的完全相同，而在开机欠稳定状态下，这一差异显得尤为明显，同时，不同模块从欠稳定到稳定状态的过渡时间，也很大程度影响着总体的暂态特征。电台从暂态到稳态的过程经历的时间较短，即使这一时期电台个体特征相对明显，但在如此短的时间内截获信号样本成为了限制该领域发展的主要瓶颈。电台识别的过程需要信息的获知和机器的学习，而面对日益纷繁复杂的机器特性，当前的技术下，无法在海量的信号中实时区分开机信息和脉冲噪声等干扰，所以很难捕获电台的开机信息，同时，电台暂态特征与电台运行的环境以及人为的操作也有很大的关系，具有一定的随机性，因此，暂态特性的提取方法通常实用性存在一定缺陷。当电台处于稳定的工作状态后，可以按照预期设计实现信号的稳定调制发射，大量的信号发送将在这一时期内执行，拥有充足的时间获取电台发射的信号并进行分析，这一时期内获取的电台个体特征称之为稳态特征。稳态特征主要表现为信号调制样式的差异、系统噪声叠加、信号频率稳定度差异和杂散特征叠加等。现有技术暂态特征利用双谱特性分析正交逼近表达式来区分电台个体，通过在发射信号中嵌入个体信息来识别各个发射源，然而该类方法对于处理时间和样本长度有着要求较高，并且设备开机信息捕捉的可行性制约着该方法的实现。对于稳态特征方面，分形理论、混沌特征处理、希尔伯特黄变换以及积分双谱等理论被逐渐运用到电台个体识别，并出现了多种特征提取的改进。然而这些算法并不能单一的去衡量电台的某一特征，而是对电台特征整体的特征反映进行提取和分类，因此，对于特征提取的针对性不是很明确，算法效果很难量化衡量。同时传统的研究方法往往都需要较强的领域知识，需要进行大量的特征工程工作，操作过程复杂，同时存在着抗噪声能力差，对截获信号质量要求高，难以用单一模型描述,特征提取难度大的缺点。为此现有技术提出了用于表征通信电台个体在发射信号时所携带的有规律的且反应该电台个体特点信息的电台指纹概念，通过对该特征信息的捕捉来实现电台的识别，就像指纹所携带的信息可以对应寻找特定的个体一样，然而到底哪些特点可以归纳为一个代表电台指纹的集合现有技术运用射频指纹对发射机信号进行处理，提取幅度、相位以及小波系数，并运用rbf神经网络进行分类识别，该方法利用产生的仿真数据集训练cnn；输出分类结果。虽然获得了较高的识别精确度，但是仍需要人工提取双谱特征矩阵并转为二维特征图像，降低了电台个体识别的效率，同时对于特征提取识别cnn网络的最优设计需要经过大量实验进行优化，费时费力，同时单一的特征提取识别网络面临着过拟合的风险，鲁棒性较差。在深度学习中，特征提取与识别网络的设计是一项重要的任务，可以将特征提取的网络结构称为基础网络模型，一个性能优秀的基础网络模型很大程度上决定着电台个体识别系统的识别性能。然而对于基础网络模型的设计与优化往往需要大量的时间，一次优化结果的评价非常耗时。同时对于单一的基础网络模型很容易在较小的数据集上出现过拟合，泛化能力不足的现象，而在测试集结果较差，因此采用现有深度学习模型对电台个体进行分类存在着模型设计耗时耗力，容易过拟合、鲁棒性适应性差的问题。由于电台特征提取是识别中的重要内容,需要很强的领域专业知识，过度依赖专家知识，涉及到的特征提取方法复杂繁琐。直接影响到分类器的设计和识别效果,如何在低信噪比环境下实现对信号的特征提取成为电台识别的难题。技术实现要素：本发明的目的在于针对上述现有技术的不足，提供一种能够有效降低电台特征提取难度，个体识别效率高，并能提高单一深度网络在电台个体识别方面的泛化能力与鲁棒性的识别不同电台个体种类的智能识别方法。基于时序深度网络的智能个体识别方法通过直接将时序电台个体信号输入深度网络，有效降低特征提取的难度；并通过设计一维时序多子网络深度集成网络模型，提升单一深度网络模型的特征表达能力，进而提高单一的深度网络模型对电台个体的泛化能力。为实现上述目的，本发明的一种识别不同电台个体种类的智能识别方法，其特征在于包括如下步骤：基于时序深度网络，将反映不同电台个体种类的电台个体时序信号输入深度网络，在深度网络中设置数据的固定长度值，对电台个体原始数据进行预处理，补零处理得到时序数据及其相应类别标签；划分训练样本集和测试样本集，获取所有电台个体数据的信号样本，对原始电台个体数据进行补零处理，并组成电台个体样本集，按比例划分，生成训练样本集和测试样本集；根据训练样本集和测试样本集构建一维时序多子网络深度集成模型，搭建一个卷积子网络及一维时序多子网络深度集成模型；设置卷积子网络的损失函数为交叉熵损失函数，按设置的损失函数计算训练集中电台个体数据的预测类别得分与真实的类别置信度得分之间的误差损失；训练一维时序多子网络深度集成模型，直到达到所设置的训练迭代次数，得到迭代过程中最优的网络参数权重，完成多子网络深度集成模型的训练过程；将测试样本集输入到训练后的一维时序多子网络深度集成模型中，对测试数据进行预测，评估分类效果，对预测向量对应元素值进行平均，得到预测的结果向量，将获得网络对电台时序数据预测的电台个体类别的结果向量中的最大值在向量中的位置作为所预测的电台个体类别。本发明与现有技术相比具有以下优点：本发明基于时序深度网络，直接对电台个体原始的时序数据采用一维卷积网络进行特征提取，简化了对电台个体数据进行特征提取操作的步骤，提取特征的过程被大大简化，使得本发明降低了数据处理的难度，提高了电台个体识别系统的性能与效率。因而不需要进行如时频转换的数据预处理操作，同时避免了高领域知识基础下复杂的专家人工特征提取工作。本发明按设置的损失函数计算训练集中电台个体数据的预测类别得分与真实的类别置信度得分之间的误差损失；训练一维时序多子网络深度集成模型，直到达到所设置的训练迭代次数，得到迭代过程中最优的网络参数权重，完成多子网络深度集成模型的训练过程；提高了电台个体识别系统的泛化能力与鲁棒性。由于本发明构建了一维时序多子网络深度集成模型，减轻了单一的特征提取识别网络所面临的过拟合风险。本发明将测试样本集输入到训练后的一维时序多子网络深度集成模型中，对预测向量对应元素值进行平均，得到预测的结果向量，将获得网络对电台时序数据预测的电台个体类别的结果向量中的最大值在向量中的位置作为所预测的电台个体类别。处理后的特征都具有良好的分类性能，使得通信电台的分类更具实用性。避免了对载频估计的依赖,并解决了现有谱对称性衡量中的等效性问题。本发明不仅提高了电台个体识别网络的效率，又提高了单一的深度网络在电台个体识别方面的泛化能力与鲁棒性，可用在电台个体分类识别
技术领域：
中。本发明可用于复杂的电磁环境下识别不同的电台个体种类。附图说明图1是本发明识别不同电台个体种类的智能识别的流程图；图2是10种电台个体信号的时序波形示意图；图3是本发明的仿真实验结果图，其中，图3(a)表示第一个子网络在测试数据集上的混淆矩阵；图3(b)表示第二个子网络在测试数据集上的混淆矩阵；图3(c)表示第三个子网络在测试数据集上的混淆矩阵；图3(d)表示集成网络在测试数据集上的混淆矩阵。下面结合附图对发明的实施例和效果做进一步描述。具体实施方式参照图1。根据本发明，基于时序深度网络，将反映不同电台个体种类的电台个体时序信号输入深度网络，在深度网络中设置数据的固定长度值，对电台个体原始数据进行预处理，补零处理得到时序数据及其相应类别标签；划分训练样本集和测试样本集，获取所有电台个体数据的信号样本，对原始电台个体数据进行补零处理，并组成电台个体样本集，按比例划分，生成训练样本集和测试样本集；根据训练样本集和测试样本集构建一维时序多子网络深度集成模型，搭建一个卷积子网络及一维时序多子网络深度集成模型；设置卷积子网络的损失函数为交叉熵损失函数，按设置的损失函数计算训练集中电台个体数据的预测类别得分与真实的类别置信度得分之间的误差损失；训练一维时序多子网络深度集成模型，直到达到所设置的训练迭代次数，得到迭代过程中最优的网络参数权重，完成多子网络深度集成模型的训练过程；将测试样本集输入到训练后的一维时序多子网络深度集成模型中，对测试数据进行预测，评估分类效果，对预测向量对应元素值进行平均，得到预测的结果向量，将获得网络对电台时序数据预测的电台个体类别的结果向量中的最大值在向量中的位置作为所预测的电台个体类别。在划分训练样本集和测试样本集中，将时序数据和对应的类别标签组成一个信号样本对，获取所有的电台个体数据的信号样本对并组成电台个体样本集，在按比例划分训练样本、验证样本集和测试样本集；搭建一个由三个卷积子网络组成的深度集成模型，在三个卷积子网络组成的深度集成模型中设置三个子网络的卷积层、池化层和全连接层网络参数；并设置三个子网络的损失函数的交叉熵损失函数和优化算法以及相关参数；构建一维时序多子网络深度集成模型，将训练样本集中的样本顺序随机打乱，按设置的训练步长分批次输入到一维时序多子网络深度集成模型中进行网络迭代训练；按设置的损失函数，计算训练集中电台个体数据的预测类别得分与真实的类别置信度得分之间的误差损失；每迭代一次训练数据集，将验证样本集中的样本顺序随机打乱，按(3d)中设置的训练步长分批次输入到一维时序多子网络深度集成模型中进行网络验证，得到迭代过程中最优的网络参数权重；将测试样本集输入到训练后的一维时序多子网络深度集成模型中，通过对三个子模型的预测向量对应元素值进行平均得到预测的结果向量，将该结果向量中的最大值在向量中的位置作为所预测的电台个体类别。对本发明的实现步骤如下：步骤1，对电台个体数据进行预处理，输入电台个体数据，电台个体数据进行预处理并在对电台个体的原始数据进行补零处理时，将即设置数据固定长度设置为1024，将把电台个体原始数据中400-550点长度的短脉冲和9000-1100点长度的长脉冲长度不足的部分补0，得到长度为1024的时序数据。步骤2，划分训练样本集和测试样本集。2.1)对于每一个电台个体数据，将时序数据和对应的类别标签组成一个信号样本对，获取所有的电台个体数据的信号样本对并组成电台个体样本集；2.2)随机选取电台个体样本集中80％的样本数据组成训练样本集，将剩下的20％的样本数据按照1：1的比例随机抽取信号样本分别构成验证样本集和测试样本集。步骤3，构建一维时序多子网络深度集成模型。3.1)搭建一个由三个子网络组成的一维时序多子网络深度集成模型：第一个子网络包括输入层、十层卷积层、四层池化层、两层全连接层、两层批归一化层、分类器层和输出层，其结构关系依次为：输入层→第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第三池化层→第七卷积层→第八卷积层→第四池化层→第九卷积层→第十卷积层→第一全连接层→第一批归一化层→第二全连接层→第二批归一化层→分类器层→输出层；第二个子网络其包括：输入层、八层卷积层、三层池化层、两层全连接层、两层批归一化层、分类器层和输出层，其结构关系依次为：输入层→第1卷积层→第2卷积层→第1池化层→第3卷积层→第4卷积层→第2池化层→第5卷积层→第6卷积层→第3池化层→第7卷积层→第8卷积层→第1全连接层→第1批归一化层→第2全连接层→第2批归一化层→分类器层→输出层；第三个子网络包括：输入层、六层卷积层、两层池化层、两层全连接层、两层批归一化层、分类器层和输出层，其结构关系依次为：输入层→第ⅰ卷积层→第ii卷积层→第ⅰ池化层→第ⅲ卷积层→第iv卷积层→第ii池化层→第v卷积层→第ⅵ卷积层→第ⅰ全连接层→第ⅰ批归一化层→第ii全连接层→第ii批归一化层→分类器层→输出层，然后三个子网络的输出层并行连接构成包含三个子网络的一维时序多子网络深度集成网络。3.2)设置三个子网络的网络参数：第一个子网络中各层参数设置如下：输入层的神经单元个数为1024；第一、第二、第三、第四卷积层的卷积核个数设为≥16，第五、第六卷积层的卷积核个数设为≥32，第七、第八、第九、第十卷积层的卷积核个数设为≥64，并且卷积核大小均设为1×3；激活函数均使用线性整流函数relu；第一、第二、第三、第四池化层均使用最大池化，池化大小为≥2；第一层全连接层设置为≥40个全连接神经元，第二层全连接层神经元设置为≥10个全连接神经元；分类器层使用多分类函数softmax；第二个子网络中各层参数设置如下：输入层的神经单元个数为1024；第1、第2卷积层的卷积核个数设为≥16，第3、第4卷积层的卷积核个数设为32，卷积核大小均设为1×3；第5、第6卷积层的卷积核个数设为≥64，卷积核大小设为1×5；第7、第8卷积层的卷积核个数设为128，卷积核大小设为1×7；激活函数均使用线性整流函数relu；第1、第2、第3池化层均使用最大池化，池化大小为≥2；第一层全连接层设置为≥40个全连接神经元，第二层全连接层神经元设置为≥10个全连接神经元；分类器层使用多分类函数softmax；第三个子网络中各层参数设置如下：输入层的神经单元个数为1024；第ⅰ、第ii卷积层的卷积核个数设为≥16，第ⅲ、第iv卷积层的卷积核个数设为32，卷积核大小均设为1×5；第v、第ⅵ卷积层的卷积核个数设为≥64，卷积核大小设为1×5；激活函数均使用线性整流函数relu；第ⅰ、第ii池化层均使用最大池化，池化大小为≥2；第一层全连接层设置为≥40个全连接神经元，第二层全连接层神经元设置为≥10个全连接神经元；分类器层使用多分类函数softmax。3.3)设置三个子网络的损失函数以及优化算法：三个子网络的损失函数均使用交叉熵损失函数其中，m表示电台个体类别数目，yc∈{0,1}表示电台个体数据真实类别标签，pc∈{0,1}表示网络对训练样本的预测类别向量。三个子网络的优化算法均使用基于自适应矩阵估计的优化算法adam(自适应矩估计)。3.4)在设置三个子网络的训练步长与迭代次数中：网络的训练步长是指将训练样本集每批次送入三个子网络进行训练的样本数量，设置batch_size(批处理大小)为512；迭代次数是指将训练样本集重复送入三个子网络进行训练的次数，设置epoch(迭代次数)为50。步骤4，在训练一维时序多子网络深度集成模型中，将训练样本集中的样本顺序随机打乱，将打乱顺序后的训练样本集按训练步长分批次输入到一维时序多子网络深度集成模型中进行网络迭代训练，得到训练样本预测的结果向量pc，pc＝1/3(p1+p2+p3)，将得到的预测结果向量和样本实际对应的标签代入损失函数中，计算训练集中电台个体数据的预测类别与真实的类别之间的误差损失；反向传播误差损失并使用优化函数进行梯度优化，进而调整网络参数；每迭代一次训练数据集就得到一个候选网络，此时，将验证样本集中的样本顺序随机打乱，将打乱顺序后的验证样本集按训练步长分批次输入到一维时序多子网络深度集成模型中进行网络验证，得到该候选网络在验证集上的误差损失，将该误差损失与之前迭代过程中记录的最小误差损失进行比较，若该误差损失小于记录的最小误差损失，则将此次迭代的网络权重作为迭代过程中最优的网络权重参数，同时更新记录中的最小误差损失值为该误差损失；若该误差损失不小于记录的最小误差损失，不进行任何操作；重复训练一维时序多子网络深度集成模型直到达到训练迭代次数50，完成多子网络深度集成模型的训练过程，得到最优的网络权重参数。在对测试数据进行预测中，将测试样本集输入到训练好的一维时序多子网络深度集成模型中，对三个子模型的预测向量对应元素值进行平均得到预测的结果向量元素值，并将该结果向量中的最大值在向量中的位置作为所预测的电台个体类别，得到表示三个子网络预测结果向量进行平均后的预测结果向量pc，pc＝1/3(p1+p2+p3)其中，p1表示一个测试样本数据输入到第一个子网络中得到的预测结果向量；p2表示一个测试样本数据输入到第二个子网络中得到的预测结果向量；p3表示一个测试样本数据输入到第三个子网络中得到的预测结果向量。步骤5，将平均的预测结果向量pc中最大值在向量中的位置作为该测试样本所预测的电台个体类别，完成基于时序深度网络的智能电台个体识别。下面结合仿真实验对本发明的效果做进一步的描述。仿真实验条件：本发明的仿真实验的硬件平台为惠普服务器z840，cpu型号为intel至强处理器，显卡为双卡10808g显存，本发明的仿真实验的软件平台为ubuntu16.04lts，tensorflow1.6.0，keras2.2.0，cuda9.0+cudnn7，python3.6。本发明的仿真实验中10种电台个体的类别和样本个数如下表所示：表1电台个体类别与数量电台类别(id号)标签样本个数4342464电台19357864436电台29607864953电台332337865962电台413627866074电台525367866276电台659197866417电台76727866627电台84237867187电台913417867828电台102204其中，10种电台个体：类别4342464、类别7864436、类别7864953、类别7865962、类别7866074、类别7866276、类别7866417、类别7866627、类别7867187、类别7867828的时序信号波形示意图如图2(1)至图2(10)。2.仿真内容与结果：本发明的仿真实验按照本发明的步骤开展，将时序电台个体数据中80％的电台个体数据作为训练样本，10％的电台个体数据作为验证样本送入到设计的一维时序多子网络深度集成模型中进行训练和验证，训练和验证完成后，加载最优网络参数权重，将剩下时序电台个体数据中10％的电台个体数据作为测试样本送入一维时序多子网络深度集成模型进行预测，得到测试样本的电台个体类别。为了验证本发明的效果，利用三个评价指标：整体分类精度oa、平均分类精度aa和kappa系数对本发明方法所涉及的各个子网络与深度集成模型的分类结果分别进行评估，得到的计算结果见表2。表2本发明方法分类结果评估由表2可知，集成网络相较三个子网络来说，在三个评估指标下的数值均有提高，证明了一维时序多子网络深度集成模型在进行电台个体识别时具有识别准确率高，泛化能力强的优点。为了更加直观地展示本发明的整体正确率指标oa，采用混淆矩阵的方式展示三个子网络以及集成网络在测试数据上的预测结果，如图3所示，混淆矩阵也称为误差矩阵，是表示精度评价的一种标准格式，其中，混淆矩阵的横轴代表预测的电台个体类别，纵轴代表真实的电台个体类别，矩阵的每一个单元格的数值代表纵轴类别预测为横轴类别的概率。混淆矩阵对角线上单元格的数值表示每个类别的分类正确率，对角线上单元格的数值越大，说明网络性能越好。对比图3(d)对角线单元格的数值和图3(a)对角线单元格的数值，图3(d)对角线单元格的数值均不小于图3(a)对角线单元格的数值，说明图3(d)对应的集成网络性能优于图3(a)对应的第一个子网络性能；对比图3(d)对角线单元格的数值和图3(b)对角线单元格的数值，图3(d)对角线单元格的数值均不小于图3(b)对角线单元格的数值，说明图3(d)对应的集成网络性能优于图3(b)对应的第二个子网络性能；对比图3(d)对角线单元格的数值和图3(c)对角线单元格的数值，图3(d)对角线单元格的数值均不小于图3(c)对角线单元格的数值，说明图3(d)对应的集成网络性能优于图3(c)对应的第三个子网络性能；由以上的仿真实验结果可以说明，本发明通过一维卷积的时序深度网络直接对电台个体原始数据进行特征的提取与识别，不仅免去了大量基于专家知识的特征提取工作，还具有较高的识别准确率；同时本发明构建的一维时序多子网络深度集成模型，可减轻单一特征提取识别网络带来的过拟合问题，提高了电台个体识别系统的泛化能力与鲁棒性。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。当前第1页12