[发明专利]联合迁移学习和监督学习的电磁谱辐射源智能识别方法

权利要求书

1.联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，包括如下步骤：

步骤一，构建电磁谱辐射源智能识别模型；

使用图像分类预训练CNN模型作为特征提取网络，使用具有线性拟合特性的监督机器学习模型作为分类网络，用于将CNN模型提取出的特征对辐射源信号进行分类，最后将二者依次级联组成电磁谱辐射源智能识别模型；

步骤二，数据集的获取与预处理；

采集空间电磁谱辐射源信号数据，并对辐射源信号进行时频分析，获取信号的频谱图像，建成电磁谱图像数据库；对数据库中的频谱图像进行预处理以强化特征，然后按照一定比例将数据库划分为训练集、验证集和测试集；

步骤三，模型的训练与测试；

设置模型训练参数，使用训练集对模型进行训练，每完成一轮迭代训练，都使用验证集对模型的辐射源信号识别准确率进行验证；完成所有轮次的训练后，使用测试集对训练过程中验证精度最高的模型进行泛化测试，最终获得具有高鲁棒性的电磁谱辐射源智能识别模型；

步骤四，利用得到的模型进行电磁谱辐射源的智能识别；

将待识别的电磁谱辐射源信号数据进行时频分析后并进行预处理，然后输入到训练好的模型中，输出得到识别结果。

2.根据权利要求1所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，预训练CNN模型为图像分类模型，选自VGG-11、ResNet-18或ResNet-101。

3.根据权利要求1所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，监督机器学习模型为支持向量机、k近邻或随机森林。

4.根据权利要求1所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，步骤二中，采集到的辐射源信号的数学表达式如下：

其中，q(t)表示辐射源信号，A表示振幅，f_RF表示射频，f_q(t)表示信号的瞬时频率函数，表示相位。

5.根据权利要求1所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，步骤二中，时频分析的工具包括短时傅里叶变换或维格纳准概率分布。

6.根据权利要求1所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，步骤二中，对频谱图像进行预处理的方法如下：

首先，将图像格式从RGB格式转换成灰度格式，然后，将图像尺寸缩放为模型指定的分辨率大小；最后，将数据库按照7：1：2的比例划分为训练集、验证集和测试集。

7.根据权利要求1所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，步骤三中，模型训练参数包括训练轮次、学习率、dropout、batchsize、损失函数和优化算法，模型基于损失函数进行误差反向传播，求出损失函数在模型各个权重上的梯度，依照优化算法不断对模型权重进行迭代更新。

8.根据权利要求7所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，训练轮次设为150，学习率设为0.01，batchsize设为16，dropout设为0.35，损失函数使用的是交叉熵损失函数，优化算法使用的是Adam算法。

9.根据权利要求8所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，交叉熵损失函数的数学表达式为：

其中，N表示样本总数，M表示类别数，y_i,c表示样本i的真实标签值，p_i,c表示样本i的预测标签值。

10.根据权利要求8所述的联合迁移学习和监督学习的电磁谱辐射源智能识别方法，其特征在于，Adam算法的更新方程为：

X_t←X_t-1-g′_t

其中，v_t表示动量，s_t表示状态矢量，g′_t表示梯度，X_t表示模型权重参数，η表示学习率，β₁和β₂表示加权参数，ε表示维持数值稳定的常数。