论文部分内容阅读
通信辐射源识别是指仅利用通信信号的外部特征量实现辐射源识别的技术,主要包括信号指纹特征提取与分类识别两个方面,其中信号指纹特征提取是通信辐射源识别的关键,但是目前对通信辐射源信号指纹特征产生机理的研究还较为粗浅,缺乏定量甚至定性的分析,提取的通信辐射源指纹特征的有效性和稳定性不强,需要的先验条件较多,难以适应实际中多变的信号。而且传统的指纹特征提取方法的选择主要通过人工,使得特征提取费时费力而且结果难以保证,最终导致通信辐射源识别在实际工程应用中仍然面临许多问题。信号时频图能有效揭示信号时频域上的特征,信号时频图的奇异向量能够有效提取信号指纹特征,而且对不同调制的信号的适应能力较强,需要的先验信息较少,具有良好的实用性。深度学习研究的一个主要内容就是如何让机器对输入数据进行学习,挖掘出规律信息,实现对能够有效描述输入数据的特征的自动提取,它对问题本身的背景信息、数学物理本质和知识要求较少,能让人从费时费力效果还难以保证的特征提取工作中解放出来。将深度学习理论引入到通信辐射源识别领域,能够利用深度学习强大的特征表示和数据挖掘能力对输入的辐射源信号数据进行自主学习,实现对输入的辐射源信号数据的有效指纹特征的自适应智能提取,最后将通过深度神经网络提取的指纹特征进行分类识别,形成通信辐射源智能识别系统。本文中工作开展如下:(1)系统地总结了通信辐射源识别的研究现状,从指纹机理、主要提取方法,分类识别方法以及深度学习研究现状四个方面对国内外的研究工作进行了分析总结,并探讨了通信辐射源识别技术目前存在的问题。(2)介绍了信号时频图奇异向量的基本概念与主要的算法流程,分析了时频图奇异向量的特性,并介绍了高斯混合模型分类器。最后设计了实验数据采集系统,通过实验数据分析了信号时频图奇异向量的有效性和稳定性,证明该方法具有良好的性能。(3)提出了两种基于深度学习的通信辐射源识别方法。一种是将信号的时频图作为输入,通过CNN网络实现通信辐射源识别,另一种是将信号的时间序列输入LSTM网络实现通信辐射源识别,最后通过实验数据的测试表明基于深度学习的两种通信辐射源识别具有良好的性能。(4)设计并实现了通信辐射源识别系统,包括信号接收采集系统和数据处理软件的设计,实现了通信信号的接收、信号数据的预处理、指纹特征的计算提取、模板建立以及分类识别等功能的一体化。然后通过试验系统对实测目标数据进行指纹特征提取与分析,结果验证了本文提出方法的有效性和试验系统的实用性。