通信辐射源个体识别通过侦收通信辐射源的发射信号,利用信号处理、机器学习、模式识别等技术从中提取能够区分不同通信辐射源的个体特征,在此基础上,通过分类或聚类算法实现通信辐射源个体识别,为后续通信情报侦察以及军事行动决策提供可靠依据,是通信对抗侦察领域的重要技术。当前通信辐射源个体识别技术研究主要针对大量有标签通信辐射源信号样本,利用监督学习方法实现对多个同型号通信辐射源个体识别。但是在实际环境下,“小样本”问题严重制约了通信辐射源个体识别技术的应用与发展,即在实际环境下或战时,我们能够获取大量无标签的通信辐射源个体样本,而仅有少量的有标签的通信辐射源观测样本,在这种情况下,如果直接采用有监督的特征提取或分类识别方法,显然无法获得令人满意的分类识别效果。为解决通信辐射源个体识别中的“小样本”问题,本文引入深度学习理论,充分利用大量无标签样本内在的结构信息提取通信辐射源个体本征特征,从半监督学习的角度提高通信辐射源个体识别性能。首先介绍了通信辐射源个体识别的国内外研究现状、分析了基于深度学习的通信辐射源个体识别的可行性;在此基础上,开展了基于深度学习网络的特征提取方法设计与分类器模型优化研究,提出了四种有效的半监督通信辐射源个体识别方法;最后在实际采集的4种通信辐射源信号数据集上进行了实验验证,并与当前通信辐射源个体识别典型方法进行了比较,验证了本文所提方法的可行性与有效性。本文的主要工作概括如下:(1)针对实际环境下或战时存在的“小样本”问题,提出了一种基于堆栈自编码网络的通信辐射源个体识别算法(SAE)。该方法首先利用堆栈自编码网络对大量无标签通信辐射源观测样本进行压缩编码,提取反映通信辐射源个体内在结构信息的本征特征;然后通过少量有标签通信辐射源观测样本优化softmax分类器模型,从而有效提高分类器的判别性能。在实际采集的4种通信辐射源信号数据集上的实验结果验证了该方法在“小样本”条件下能够有效实现通信辐射源个体分类识别。(2)针对通信辐射源个体识别存在的噪声干扰问题,提出了一种基于降噪深度学习机的通信辐射源个体识别算法(DDLM)。首先对通信辐射源观测样本注入人为噪声污染;然后降噪深度学习机通过迫使网络重构原始的未受人为噪声污染的观测样本,提高网络对通信辐射源观测样本的泛化能力;最后在实际采集的4种通信辐射源信号数据集上进行了实验,与上述SAE算法相比,DDLM算法由于提取了泛化性能更优的特征,所以性能得到显著提高,在kenwood、krisun、USW和SW数据集上的分类识别率分别提高了11%、16%、25%和22%。(3)针对SAE算法仅仅利用了无标签样本对堆栈自编码网络进行无监督训练,而忽略了有标签样本的监督训练的问题,引入图嵌入框架,提出了一种基于图嵌入堆栈自编码网络的通信辐射源个体识别算法(GAE)。在堆栈自编码网络对无标签输入样本进行压缩编码的基础上,利用有标签样本中的标签信息指导构造类内紧致图和类间分离图,使编码系数有效融入判别信息,从而提高算法的分类识别性能。在实际采集的4种通信辐射源信号数据集上的实验结果验证了该方法的可行性与有效性。(4)为了进一步改善DDLM算法的分类识别性能,提出了一种基于降噪矩形网络的通信辐射源个体识别算法(DRN)。与DDLM算法相比,主要在以下三个方面进行了改进:(1)针对DDLM算法仅仅利用了无标签样本对降噪深度学习机进行无监督训练的问题,DRN算法采用了并行半监督模式(GAE算法采用了串行半监督模式),即利用有标签样本训练降噪编码器,同时利用无标签样本训练堆栈编码器;(2)在解码器中,用无监督训练得到的压缩编码参数与有监督训练得到的降噪解码参数构造无监督代价函数,优化网络的编码权重参数;(3)专门设计了融入判别信息的代价目标函数代替了DDLM算法的基于重构误差的代价函数。在4种实际采集的通信辐射源信号数据集上的实验结果表明,与DDLM算法相比,DRN实现了更优的分类识别性能。