一种基于复数脉冲神经的深度学习辐射源个体识别方法

本发明属于辐射源个体识别领域，尤其涉及一种基于复数脉冲神经网络的个体识别方法。

背景技术：

1、辐射源个体识别(specific emitter identification,sei)，也称为辐射源“指纹识别”，是一种从捕获的电磁信号中提取独特的特征，并利用现有的知识来准确识别发射这些信号的特定辐射源的技术。射频指纹是硬件制造过程中不可避免的变异所产生的独特标识，因此它们本质上是不可避免且难以复制的。

2、射频指纹的提取和分类是构成辐射源个体识别核心技术的关键部分。sei主要分为两种方法：

3、1)需要人工干预的手动辐射源识别技术。手动识别方法进一步细分为：a)基于瞬态特征的方法；b)依赖稳态特征的方法。射频指纹技术的发展可以追溯到toonstra等人在1995年提出的瞬态信号特征提取技术。信道噪声和设备硬件的变异等因素显著增加了从开/关瞬态中提取可辨别特征的难度。基于稳态特征的识别方法则需要专家知识来进行手动特征提取。采用领域变换技术，如小波域特征、包络特征和瞬时相位分析，在sei中已经展现出良好的性能。随着物联网技术的快速发展，设备的多样性和数量不断增加，这使得传统方法越来越难以满足广泛的数据处理和实时性能的需求。

4、2)基于深度神经网络的自动辐射源识别方法。随着人工智能技术的不断进步，辐射源个体识别技术正从传统方法向深度学习方法转变。研究人员正在积极探索卷积神经网络、生成对抗网络和循环神经网络等模型，用于射频指纹的提取和特定辐射源的识别，并且已经取得了令人满意的成果。然而，深度神经网络仍然面临一些挑战，主要包括推理时间长、功耗高和计算稀疏性低。

技术实现思路

1、本发明提出了一种基于复数脉冲神经的深度学习辐射源个体识别方法，其目的是：解决现有基于深度学习的辐射源个体识别方法所存在的推理时间长、功耗高和计算稀疏性低的问题。

2、本发明技术方案如下：

3、一种基于复数脉冲神经的深度学习辐射源个体识别方法，通过基于复数脉冲神经的识别网络进行识别，所述基于复数脉冲神经的识别网络包括若干依次首尾连接的卷积模块，卷积模块中包括复数卷积层和脉冲神经层。

4、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进，脉冲神经层的处理方式为：将脉冲神经层的输入中的每个通道分别作为膜电势输入序列输入到神经元模型中，当神经元模型中的膜电势的累计电位超过阈值时，点火函数发射一个尖峰，从而产生与该通道对应的稀疏序列，然后将所有通道产生的稀疏序列合并为脉冲神经层所输出的特征。

5、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进，脉冲神经层中的神经元模型为：

6、

7、其中，τm代表膜电位衰减因子，u(t)代表膜电势，urest代表膜复位电压，u(t)代表膜电势，rm代表膜电阻，i(t)代表输入电流。

8、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进：脉冲神经层中，将膜电势输入序列作为膜电势的初始值输入至上述神经元模型中，每输入一个序列元素值后得到与之对应的膜电势u(t)，同时将膜电势u(t)累加到累计电位中；设膜电势输入序列输入n+1个点后得到的累计电位为u(n+1),pre，如果该值大于预设的触发阈值uth，则该第n+1个点在稀疏序列uo中对应的点uo(n+1)值为1、且将累计电位重置为urest，否则该第n+1个点在输出的稀疏序列uo中对应的点uo(n+1)值为0。

9、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进：触发阈值设置为0.5，衰减因子设置为0.75。

10、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进：采用梯度下降法、结合梯度变换的方式对所述基于复数脉冲神经的识别网络进行训练。

11、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进：训练时，使用链式求导法则计算损失函数对模型参数的梯度；

12、每次迭代时，对于每一层卷积模块的脉冲神经层，分别按链式求导法则计算权重参数的梯度：

13、

14、其中，l代表损失函数，w为当前脉冲神经层的权重，c(n)为链式求导法则的过渡参数，t为脉冲神经层的输入的采样长度；

15、同时，使用三角梯度作为点火函数部分的梯度：

16、

17、更新权重时，采用以下公式计算脉冲神经层新的权重w和复数卷积层新的权重w′：

18、

19、式中，wi+1和w′i+1分别为第i+1次迭代后脉冲神经层的权重和复数卷积层的权重，wi和w′i分别为第i次迭代后脉冲神经层的权重和复数卷积层的权重，lr为学习率，为计算出的梯度。

20、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进：所述卷积模块还包括归一化层和最大池化层，复数卷积层、归一化层、脉冲神经层和最大池化层依次连接。

21、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进：所述基于复数脉冲神经的识别网络还包括数据处理模块和一个分类头；

22、数据处理模块对输入的信号数据进行处理；若干所述卷积模块依次首尾连接，数据处理模块输出的复数信号向量为第一层卷积模块的输入，前一层卷积模块的输出为下一层卷积模块的输入；最后一层卷积模块的输出进入所述分类头，得到分类识别结果。

23、作为所述基于复数脉冲神经的深度学习辐射源个体识别方法的进一步改进：数据处理模块中先对接收到的辐射源信号数据进行下采样，然后进行归一化处理；

24、分类头包括依次连接的自适应池化层、线性层、prelu激活层、dropout层和全连接层。

25、相对于现有技术，本发明具有以下积极效果：

26、1、本发明采取复数卷积层提取辐射源信号i、q两路通道特征，用脉冲神经层对特征进行编码，将信号特征映射为稀疏序列，大大提高了辐射源信号的表达能力、计算稀疏性和计算效率，进而提高了辐射源个体识别的准确率。

27、2、本发明采用三角梯度来规避训练过程中点火函数的零梯度问题，解决了脉冲神经层无法进行反向传播更新参数的问题。

技术特征：

1.一种基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：通过基于复数脉冲神经的识别网络进行识别，所述基于复数脉冲神经的识别网络包括若干依次首尾连接的卷积模块，卷积模块中包括复数卷积层和脉冲神经层。

2.如权利要求1所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于，脉冲神经层的处理方式为：将脉冲神经层的输入中的每个通道分别作为膜电势输入序列输入到神经元模型中，当神经元模型中的膜电势的累计电位超过阈值时，点火函数发射一个尖峰，从而产生与该通道对应的稀疏序列，然后将所有通道产生的稀疏序列合并为脉冲神经层所输出的特征。

3.如权利要求2所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于，脉冲神经层中的神经元模型为：

4.如权利要求3所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：脉冲神经层中，将膜电势输入序列作为膜电势的初始值输入至上述神经元模型中，每输入一个序列元素值后得到与之对应的膜电势，同时将膜电势累加到累计电位中；设膜电势输入序列输入个点后得到的累计电位为，如果该值大于预设的触发阈值，则该第个点在稀疏序列中对应的点值为1、且将累计电位重置为，否则该第个点在输出的稀疏序列中对应的点值为0。

5.如权利要求4所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：触发阈值设置为0.5，衰减因子设置为0.75。

6.如权利要求4所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：采用梯度下降法、结合梯度变换的方式对所述基于复数脉冲神经的识别网络进行训练。

7.如权利要求6所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：训练时，使用链式求导法则计算损失函数对模型参数的梯度；

8.如权利要求1所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：所述卷积模块还包括归一化层和最大池化层，复数卷积层、归一化层、脉冲神经层和最大池化层依次连接。

9.如权利要求1至8任一所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：所述基于复数脉冲神经的识别网络还包括数据处理模块和一个分类头；

10.如权利要求9所述的基于复数脉冲神经的深度学习辐射源个体识别方法，其特征在于：数据处理模块中先对接收到的辐射源信号数据进行下采样，然后进行归一化处理；

技术总结本发明公开了一种基于复数脉冲神经的深度学习辐射源个体识别方法，该方法通过基于复数脉冲神经的识别网络进行识别，所述基于复数脉冲神经的识别网络包括若干依次首尾连接的卷积模块，卷积模块中包括复数卷积层和脉冲神经层。本发明采取复数卷积层提取辐射源信号I、Q两路通道特征，用脉冲神经层对特征进行编码，将信号特征映射为稀疏序列，大大提高了辐射源信号的表达能力、计算稀疏性和计算效率，进而提高了辐射源个体识别的准确率；同时还采用三角梯度来规避训练过程中点火函数的零梯度问题，解决了脉冲神经层无法进行反向传播更新参数的问题。技术研发人员：徐从安,林云,张乃煜,张哲瑞,查浩然,高龙,吴俊峰,周伟,蔡卓燃受保护的技术使用者：北京理工大学前沿技术研究院技术研发日：技术公布日：2024/10/10