[发明专利]一种基于持续学习和联合特征提取的特定辐射源识别方法

权利要求书

1.一种基于持续学习和联合特征提取的特定辐射源识别方法，其特征在于，包括以下步骤：

获取多个辐射源的信号并对所述多个辐射源的信号进行信号处理；

将信号处理后的所述多个辐射源的信号输入训练好的多个连续增量深度极限学习机，并将所述训练好的多个连续增量深度极限学习机作为分类器以输出决策；

使用投票算法对单个连续增量深度极限学习机的输出决策进行融合，选取置信度最高的一类作为分类结果以识别特定辐射源。

2.根据权利要求1所述的方法，其特征在于，所述将所述连续特征数据流和所述对角矩阵输入训练好的多个连续增量深度极限学习机之前，还包括：基于多个样本辐射源的信号，训练所述多个连续增量深度极限学习机。

3.根据权利要求2所述的方法，其特征在于，所述基于多个样本辐射源的信号，训练所述多个连续增量深度极限学习机，包括：

利用通用软件无线电外设平台USRP截获多个样本辐射源的信号，预处理所述多个样本辐射源的信号并提取射频指纹特征；

利用VMD对所述射频指纹特征进行处理得到的Hilbert时频能量谱进行投影降维，并转化为灰度向量以得到连续特征数据流；以及，利用高阶谱向量分析所述射频指纹特征获得对角矩阵；其中，所述多个样本辐射源的信号的连续特征数据流包括训练集和测试集；

将所述连续特征数据流和所述对角矩阵输入多个连续增量深度极限学习机进行训练，以得到所述训练好的多个连续增量深度极限学习机。

4.根据权利要求1所述的方法，其特征在于，对所述辐射源的信号进行建模，包括：

其中，s(t)为发射信号，h(t)为等效信道脉冲响应，n(t)为信道加性噪声，经过USRP采样后输出的同相和正交分量表示为：

5.根据权利要求1所述的方法，其特征在于，对所述辐射源的信号进行变分模态分解，包括：

将所述辐射源的信号分解为多个AM-FM信号：

其中u_k(t)为第k个模态分量，A_k(t)为瞬时振幅，为信号相位，将所述辐射源的信号分解为多个固有模态函数，约束变分表达式为：

其中，{u_k(t)}＝{u₁(t),u₂(t),...,u_K(t)}为模态分量集合，{Φ_k(t)}＝{f₁(t),f₂(t),...,f_k(t)}为模态中心频率集合，其中δ(t)为脉冲响应函数，S(t)为待分解信号；引入二次惩罚因子α和Lagrange乘子λ(t)来获得最优解，增广Lagrange表达式为：

采用交替方向乘子算法通过更新迭代和λⁿ⁺¹求解式(6)中的鞍点，获得频域内的最优解集合{u_k(ω)}，{f_k(ω)}和{λ_k(ω)}，正频率条件下的更新公式为：

其中，τ为Lagrange算子的更新系数，为傅里叶变换，重复更新式(6)-(8)直到其满足收敛条件：

ε为判别精度，当满足收敛条件时停止迭代，离散信号序列S(m)用k个模态表示为：

对得到的k个模态进行Hilbert变换，构造解析信号z(m)并计算瞬时频率f_i(m)和瞬时振幅A_i(m)：

式中VMD-Hilbert谱表示为：

式中，表示实部，将经过投影的VMD-Hilbert光谱图转化为灰度图像，则光谱图内的第(i,j)个时频点的能量值Η(i,j)转化为相应的灰度值G(i,j)：

其中，l表示灰度图的位数，表示向下取整。