本发明属于辐射源个体识别和人工智能的交叉,具体涉及一种基于复数神经网络的辐射源个体识别方法。
背景技术:
1、随着电子信息技术迅猛发展,无线信号调制方式越来越多,辐射源种类和数量不断增加,电磁环境愈发复杂,对辐射源个体信息的获取越来越困难,进而给电子对抗带来极大挑战。辐射源个体识别技术可区分辐射源种类、确定辐射源身份,在军事领域具有广阔的应用前景。由于发射机硬件在设计、生产和使用过程中存在不同程度的差异,从而使发射信号带有区别于其他发射机的无意调制特征,因此可以通过特定流程进行提取和分析,实现对辐射源个体的识别。但是无意调制特征不确定且差别细微,特征分辨过程复杂,且识别准确率较低。深度学习方法可自动抽象地提取特征,弥补传统方法的短板,基于神经网络的个体识别方法被广泛应用,专利202210231892.0中提出了《一种基于孪生网络的小样本辐射源个体识别方法》,该方法采用resnet神经网络作为分类基本网络模型,设计孪生网络进行进行网络训练与个体识别,解决了传统神经网络个体识别方法在小样本条件下容易过拟合,分类效果差的问题,提高了小样本条件下辐射源个体识别的准确率。该方法中,网络训练中采用的信号数据为辐射源时域数据,而辐射源信号的信息还包含在频域和时频域中,该方法未有效利用辐射源信号的iq复数特性。
技术实现思路
1、本发明提出了一种基于复数神经网络的辐射源个体识别方法,基于传统神经网络的辐射源个体识别技术的基础上,引入深度复数网络,并设计复数交叉熵损失函数,完成基于辐射源iq复数信号的个体识别。
2、实现本发明的技术解决方案为:一种基于复数神经网络的辐射源个体识别方法,包括以下步骤:
3、s1:采集不同雷达发射的携带相同信息的中频ad信号数据,并截取信号中各脉冲数据分别包含上升沿和下降沿的采样点数据,构成脉冲前后沿复数序列集合,生成雷达辐射源个体识别样本集。
4、s2:对雷达辐射源个体识别样本集进行归一化处理,并按照4:1的比例划分为训练样本集和测试样本集。
5、s3:构建复数神经网络,复数神经网络包括依次连接的复数卷积层、复数bn层、复数crelu层、复数池化层、全连接层和softmax分类器。
6、s4:采用训练样本集训练复数神经网络模型,利用改进的交叉熵损失函数计算分类损失,再经过反向传播更新复数神经网络模型的权值,当训练轮次达到预设次数或分类损失值低于预设值,训练完成,得到雷达辐射源个体识别模型。
7、s5:将测试样本集输入雷达辐射源个体识别模型,输出样本个体识别标签和识别概率,将识别概率最大的标签作为该样本个体识别结果。
8、本发明与现有技术相比,其显著优点在于:基于复数神经网络实现对包含时域和频域内丰富个体特征信息的复数iq数据辐射源信号的深度学习识别,有效提高辐射源个体识别准确率。
1.一种基于复数神经网络的辐射源个体识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于复数神经网络的辐射源个体识别方法,其特征在于,s2中对雷达辐射源个体识别样本集进行归一化处理,并按照4:1的比例划分为训练样本集和测试样本集,具体如下:
3.根据权利要求1所述的基于复数神经网络的辐射源个体识别方法,其特征在于,s3中构建复数神经网络,复数神经网络包括依次连接的复数卷积层、复数bn层、复数crelu层、复数池化层、全连接层和softmax分类器,具体包括以下步骤:
4.根据权利要求1所述的基于复数神经网络的辐射源个体识别方法,其特征在于,s4中,改进的交叉熵损失函数计算分类损失,具体如下: