[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

说明书

本发明公开了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，其中，该方法包括：获取多个辐射源的信号并对多个辐射源的信号进行信号处理；将信号处理后的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。本发明在少量样本下的识别精度依然较高，能够实现对采集样本的连续有监督识别，有效满足数据库动态更新的需求，对不同调制方式、载波频率和收发距离均能表现出良好兼容性，能够对多个发射极进行有效识别。

技术领域

本发明涉及通信技术领域，尤其涉及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和装置。

背景技术

特定辐射源识别(Specific emitter identification,SEI)是指利用硬件设备物理层的固有缺陷对单个发射极进行识别的技术，广泛应用于频谱管控、认知无线电和自组织网络等领域当中。在真实信道中，ji截获信号附加的非线性失真往往不可复制，因此采用射频指纹(Radio Frequency Fingerprint,RFF)特性确定设备标签的方案是可行的。基于RFF提取的有监督SEI往往分为两个阶段：第一阶段为基于暂态信号或稳态信号的特征提取，第二阶段为构建分类器对前段特征进行训练和判别。暂态信号主要在设备状态突变的瞬间产生，特征区分明显。提出贝叶斯瞬态检测器(Bayesian Transient Detector,BTD)，对接收信号的功率增加点进行估计，实现对多个Wi-Fi信号源的匹配；利用分形维数(Fractal Dimension,FD)、熵和峰度等特征组合对瞬态信号进行描述。但暂态信号持续时间较短，截获难度大，因此瞬态检测在实际应用中面临各种挑战。

而基于稳态信号的SEI技术已经在各种无线通信场景中得到验证。Hilbert变换已经被证明是一类有效的非线性、非平稳信号分析方法：提取Hilbert-Huang变换后的时频能量分布，采用支持向量机(Support Vector Machines,SVM)完成分类；提出基于能量熵(Energy Entropy,EE)和Hilbert矩分析的SEI算法，并利用相关系数和Fisher判别系数对类Hilbert谱进行分离，在单跳和中继场景下进行了验证；将Hilbert二维光谱作为信号表征，送入深度残差网络(Deep Residual Network,DRN)提取潜在视觉特征，在利用泰勒级数描述功放失真的仿真数据集上取得良好的效果；对接收信号进行变分模态分解(Variational Mode Decomposition,VMD)得到不同的光谱特征，有效解决模态混叠问题；在文献当中，VMD被用于将蓝牙信号分解为带限模态，并将模态分量进行重构，利用线性SVM对高阶统计量进行分类。此外，提出将功率谱密度(Power Spectral Density,PSD)和相邻功率比(Adjacent Channel Power Ratio,ACPR)作为RFF并利用主成分分析(PrincipalComponent Analysis,PCA)对其进行降维；从前导信号中提取基于多维近似熵(Multi-Dimension Approximate Entropy,MAE)的非线性动态特征，降低调制信息对于分类精度的影响；从观测信号中提取无意调相特征(Unintentional Phase Modulation On Pulse,UPMOP)，利用贝塞尔曲线拟合后送入长短期神经网络进行识别；提出了一种包含统计特征、载波频率和小波包变换的指纹特征提取方法，设计基于网格搜索的SVM用于分类；韩洁利用分形理论提取差分盒维数和多重分形维数，构建基于3D-Hibert能量谱的特征向量，并采用SVM进行分类；提出了一种提出了一种基于多层次稀疏表示(Multi-Level SparseRepresentation,MLSR)的SEI方法，从信号中提取深层和浅层特征用于分类，实现了对于船舶自动识别系统(Automatic Identification System,AIS)的鉴别；使用短时傅里叶变换(Short Time Fourier Transform,STFT)对信号进行特征预处理，利用稀疏自动编码器对特征进行无监督聚类，但其时频分辨率的矛盾始终存在，且交叉项难以抑制。