论文部分内容阅读
通信辐射源由于硬件设备的特异性导致发射的信号具备可区分的细微特征,传统通信辐射源识别方法首先提取专家特征然后运用分类器识别,这种方法存在复杂度高、先验信息完备以及适用范围有限等弊端。本文针对上述挑战,运用深度学习方法高效且准确地对相同型号、相同工作模式的不同通信辐射源个体进行识别。论文的主要工作内容包括以下三方面:1.提出了对通信辐射源有效识别的深度学习模型。分析了典型深度学习模型提取通信辐射源细微特征的可行性,并结合射频指纹建模表征设计深度学习模型;探究增加卷积网络层对于模型性能提升的作用;通过结合LSTM并且融合不同卷积层提取的特征优化深度学习模型;分析卷积核如何提取信号特征从而对模型内部机理定性解释。2.为解决实际情况下有标签信号样本较少导致模型识别率较低的问题,提出通过为大量无标签信号设置伪标签的方法优化模型。根据算法Entropy Regularization提出的降低模型对于无标签信号识别概率的熵可进一步提升识别率的思想构建深度学习模型。实验证明在多个少量有标签信号样本场景下,伪标签方法可提升模型识别率;探究设置伪标签的信号样本数量和识别率的关系;运用可视化方法说明通过伪标签方法优化后的深度学习模型可减少分类边界上的信号密度。3.为解决待识别信号经历动态信道噪声干扰,与训练信号分布产生差异,从而导致识别率低的问题,提出结合迁移学习思想设计深度学习模型提高识别率。分析基于高信噪比信号训练的深度学习模型识别低信噪比信号时效果不佳的原因。在研究深度学习模型如何提取通信辐射源特征并识别的基础上,选择合适的网络层和分布距离度量函数对特征学习方法进行不同噪声条件下迁移。实验证明了模型可以在噪声干扰强度差异较大时提升识别准确率;探究了重要参数对于识别率的影响并运用可视化方法解释了模型的思想。