[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

说明书

本发明公开了一种联合迁移学习和监督学习的电磁谱辐射源智能识别方法，包括如下步骤：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，最后将二者依次级联组成电磁谱辐射源智能识别模型；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；模型的训练与测试；利用得到的模型进行电磁谱辐射源的智能识别；本发明所公开的方法能够减少模型的训练时间，降低计算复杂度，可以准确地对辐射源信号进行检测分类。

技术领域

本发明涉及辐射源信号的智能识别领域，特别涉及一种联合迁移学习和监督学习的电磁谱辐射源智能识别方法。

背景技术

随着电子对抗相关技术的发展与应用，对通信、雷达、导航、电磁威胁等辐射源信号进行识别的需求与日俱增。传统的辐射源信号检测技术，通常先对信号进行模数转换，然后结合数据统计分析和二元假设检验对采样后的数字信号序列进行分析，计算统计变量的值并将其与阈值进行比较来完成假设的选择，从而实现对辐射源信号的检测，该方法的缺点在于无法对辐射源信号的类型进行识别，且抗噪声性能较差。基于机器学习的辐射源信号识别技术，可实现对辐射源信号较准确的分类，该方法的缺点在于模型识别准确率过于依赖手工特征的设计，数据预处理困难。

随着人工智能技术的飞速发展，卷积运算展示出了强大的特征提取能力，基于深度卷积神经网络的辐射源信号识别方法成为了研究热点。深度学习模型性能的好坏主要取决于两点：一是数据集的质量和体量，二是模型的结构设计。若数据集的体量太小，模型无法充分提取样本数据的特征以及识别样本数据中蕴含的模式，甚至出现对训练数据的过拟合导致模型的泛化能力下降；若数据集的质量太差，例如出现多个样本的标签数据错误，将导致训练所得到的模型识别准确率降低；而深度学习模型结构设计的太复杂则将导致模型的训练时间和计算开销的增加。

发明内容

为解决上述技术问题，本发明提供了一种联合迁移学习和监督学习的电磁谱辐射源智能识别方法，以达到减少模型的训练时间，降低计算复杂度，可以准确地对辐射源信号进行检测分类的目的。

为达到上述目的，本发明的技术方案如下：

联合迁移学习和监督学习的电磁谱辐射源智能识别方法，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。

上述方案中，预训练CNN模型为图像分类模型，选自VGG-11、ResNet-18或ResNet-101。

上述方案中，监督机器学习模型为支持向量机、k近邻或随机森林。