基于领域知识与深度网络融合的辐射源个体识别方法

本发明属于无线安全、电磁信息安全和辐射源识别领域，尤其设计一种基于领域知识与深度网络融合的辐射源个体识别方法。

背景技术：

1、随着无线通信技术的发展和广泛应用，各式各样的辐射源设备出现在各领域场景中。随之而来的是无线设备安全问题，在保证通信网络正常运作的同时，防止恶意设备接入网络进行信息窃取或破坏十分重要。对接入网络的无线设备进行身份识别认证是维护无线通信安全的重要手段。

2、随着物联网规模扩大和网络中设备个体增加，激发了以射频指纹（rff）识别为核心的基于设备层和物理层的设备身份认证技术研究。射频指纹同人的指纹一样，是辐射源设备由于硬件差异形成的物理层固有属性。射频指纹具有唯一性、稳定性、无法伪造性。辐射源个体识别（sei）就是通过测量采集无线设备发射信号，并分析提取接收信号中隐藏的个体差异性特征，即射频指纹，实现不同发射设备个体识别的技术。

3、目前已有的辐射源个体识别方法分为特征工程方法和深度学习方法。传统的特征工程方法基于信号分析的角度，分析个体差异表现，并以各种统计特征、熵特征、谱特征以及时频分析特征等来实现辐射源特征提取及识别。以上特征方法在识别有限数量的辐射源设备个体时被证明是有效的。但在识别大量设备时，辐射源个体差异更加细微，虽然基于领域知识分析提取的特征具有指向性和理论基础，但其泛化能力较差，且在识别大量个体更加精细的特征差异时往往识别性能下降。

4、深度学习方法虽然具有很强的数据特征自动表征能力，但其网络提取过程是一个黑盒过程。目前使用的sei深度学习模型大多直接借鉴于计算机视觉领域成熟网络，很少有针对辐射源识别领域设计的网络模型。个体识别所使用的电磁信号比图像语音等信号更加抽象，其不同种类间差异也更加细微、不易察觉。虽然目前已有的基于深度学习的sei方法通过实验结果证明有效，但由于没有深入融合辐射源个体识别和射频指纹等领域知识，没有充分结合领域知识（机理）和深度网络，在辐射源个体识别数量大量提升时，仍存在识别性能恶化问题。

5、因此，不能仅直接利用深度网络强大的挖掘与分类能力，基于领域专家知识的特征提取研究不能被代替。融合辐射源识别领域知识与深度学习方法十分重要，是重要的发展方向。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于领域知识与深度网络融合的辐射源个体识别方法，提出基于精细复合多尺度离散熵（rcmde）的信号分解优化方法以及针对辐射源梯度方向直方图（hog）纹理特征的多尺度一维卷积神经网络，更加全面地对辐射源个体差异进行表征与刻画，实现更加精细的个体差异识别，具有准确的识别结果和鲁棒性，可大大提高同时识别的辐射源个体数量。

2、为达到上述目的，本发明采用如下的技术方案：

3、步骤1、实时采集辐射源设备的时域iq信号，通过频谱分析分离同频段不同类型的信号，得到目标辐射源设备信号数据；

4、步骤2、对目标辐射源设备信号数据进行暂态起始点检测，截取iq信号稳态数据；

5、步骤3、 基于精细复合多尺度离散熵的分解算法将iq信号稳态数据分解为个时间模态分量，结合类内类间距离测度获得最优时间模态分解层数；

6、步骤4、对分解后的每个时间模态分量进行希尔伯特变换，得到希尔伯特时频谱图，并从希尔伯特时频谱图截取能量集中区域作为希尔伯特子谱图；

7、步骤5、对每个希尔伯特子谱图提取梯度方向直方图纹理特征，将每个希尔伯特子谱图的梯度方向直方图纹理特征组合后作为领域知识特征向量；

8、步骤6、将得到的领域知识特征向量作为输入，经由多尺度一维卷积神经网络输出多尺度、深层次的特征。

9、本发明的有益效果在于：

10、（1）提出基于精细复合多尺度离散熵（rcmde）的信号分解优化方法，使得分解后各模态分量中隐含的个体差异更加突出。

11、利用rcmde优异的非线性差异刻画能力来评估信号分解结果是否是最利于个体差异特征提取的。采用变分模态分解vmd算法作为信号分解方法，利用类内类间测度评估分解信号，使得其内含信息具有类间距离最大、类内距离最小的特点。在信号分解阶段融合rcmde可刻画非线性个体差异这一领域知识，有利于后续领域知识特征提取及深层次特征提取。

12、（2）由分解信号计算希尔伯特时频谱图，将个体差异信息通过图像的形式表现出来，并从时频谱图像中进一步提取领域知识特征。

13、从希尔伯特时频谱图像中截取子谱图，并从中进一步提取领域知识特征，引入梯度方向直方图（histogram of oriented gradient, hog），从希尔伯特时频谱图像中提取hog纹理信息特征，希尔伯特时频谱图中各分量走势和变化特征包含着个体差异信息，hog纹理特征可对其进一步精细刻画。

14、（3）提出针对辐射源hog纹理信息特征的多尺度一维卷积神经网络，利用提出网络进一步从领域知识特征中提取多尺度的、更深层次的特征，更加全面地对辐射源个体差异进行表征与刻画，实现更加精细的个体差异识别，具有准确的识别结果和鲁棒性，可大大提高同时识别的辐射源个体数量。

技术特征：

1.一种基于领域知识与深度网络融合的辐射源个体识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于领域知识与深度网络融合的辐射源个体识别方法，其特征在于，所述步骤3包括，

3.根据权利要求2所述的一种基于领域知识与深度网络融合的辐射源个体识别方法，其特征在于，所述步骤4包括，将k个时间模态分量的合信号按照瞬时幅度和瞬时频率的形式表示如下：

4.根据权利要求3所述的一种基于领域知识与深度网络融合的辐射源个体识别方法，其特征在于，所述步骤5包括：

5.根据权利要求4所述的一种基于领域知识与深度网络融合的辐射源个体识别方法，其特征在于，所述步骤6包括：所述多尺度一维卷积神经网络包括若干个并行的卷积层支路和两个全连接层，

技术总结本发明提供了一种基于领域知识与深度网络融合的辐射源个体识别方法，属于电磁信息安全领域。所述方法利用RCMDE优异的非线性差异刻画能力来评估信号分解结果是否是最利于个体差异特征提取，其中，采用VMD算法作为信号分解方法，利用类内类间测度评估分解信号；由分解信号计算希尔伯特时频谱图，将个体差异信息通过图像的形式表现出来，并从时频谱图像中进一步提取领域知识特征；提出针对辐射源HOG纹理特征的多尺度一维卷积神经网络，利用提出网络进一步从领域知识特征中提取多尺度的、更深层次的特征。所述方法实现了更加精细的个体差异识别，具有准确的识别结果和鲁棒性，可大大提高同时识别的辐射源个体数量。技术研发人员：郭少颖,李亮,朱家佳,李晓辉受保护的技术使用者：中国科学院空天信息创新研究院技术研发日：技术公布日：2024/9/2