论文部分内容阅读
通信辐射源个体识别是指对接收的信号进行特征测量并确定辐射源个体的过程,其对提升无线通信系统的安全性和提高军事通信侦察对抗能力具有重要意义。深度神经网络具备强大的分层特征表达和自适应特征提取能力,具有应用于辐射源个体信号特征提取与识别的潜力。研究基于深度学习的辐射源特征提取与个体识别方法,设计深度学习模型提取辐射源的多维多层次个体特征,并辨别不同的辐射源个体是一项十分具有挑战性的课题。本文对通信辐射源畸变机理进行分析与建模,从通信信号稳态特征出发,结合通信信号的高阶谱估计,时频分析等技术,建立深度神经网络模型,对非协作条件下辐射源个体识别展开研究,并通过仿真实验和实测数据验证了算法的有效性。本文的主要研究工作如下:(1)通信辐射源畸变机理分析与建模。本文分析通信辐射源信号从调制到发射过程中的主要器件的畸变机理并建立数学模型,并通过改变模型畸变参数得到蕴含不同射频指纹的仿真通信辐射源信号。(2)基于深度神经网络的通信辐射源调制识别。针对常见的数字调制与模拟调制信号,分别建立卷积神经网络与循环神经网络利用通信信号的IQ与幅相时间序列数据对其识别。仿真实验表明,本文提出的算法性能较为优异。(3)基于卷积神经网络与压缩双谱的通信辐射源个体识别。在估计通信辐射源稳态信号双谱的基础上,利用小样本学习有监督降低原始双谱的维度,并削弱交叉项的影响,而后构造并优化卷积神经网络识别压缩双谱。相比传统基于双谱的辐射源个体识别的方法,如局部双谱积分、选择双谱等,使用卷积神经网络显著提高识别性能。(4)基于卷积神经网络与HHT时频谱的通信辐射源个体识别。首先利用EMD分解与Hilbert谱变换得到通信辐射源信号的Hilbert-Huang Transform(HHT)时频谱,再经过池化与小样本学习有监督降维后,构建卷积神经网络对降维后的HHT时频谱进行识别。与传统基于HHT时频变换域的特征提取方法相比,基于卷积神经网络的方法更加有效的分辨不同的通信辐射源个体。