檢視基于多尺度一维卷积神经网络的辐射源个体识别的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://imgpolitics.gmw.cn/attachement/png/site2/20230705/f44d305ea48e260f39be4d.png width="260"></center>
<small>[https://politics.gmw.cn/2023-07/05/content_36676712.htm 来自 网络 的图片]</small>
|}

'''基于多尺度一维卷积神经网络的辐射源个体识别'''辐射源个体识别技术是电子侦察系统中的核心[[技术]]之一，也是国内外电子战领域研究的前沿方向。它通过对接收的[[电磁]]信号进行特征测量，将辐射源电磁特征与辐射源个体相匹配，进而识别出发射该电磁信号的设备类型。辐射源识别结果对分析通信网络结构、确定敌威胁等级和战术决策有着关键性作用。

==主要工作==

面对复杂多变的电磁环境，传统辐射源识别方法已经无法达到战场[[环境]]对于识别性能和应用范围的指标要求。随着人工智能<ref>[https://www.sohu.com/a/376833955_100039018 人工智能是什么？] ，搜狐，2020-03-01</ref>的发展，利用深度学习进行辐射源识别有了新的突破和进展。因此本方案综合运用深度学习方法，从辐射源个体识别的整体方案[[设计]]、模型性能优化研究、小样本条件下的辐射源识别等方面，开展如下工作：

===1．提出了一种基于多尺度一维卷积神经网络的识别算法。===

该算法利用多尺度卷积核和一维卷积神经网络实现了多尺度的指纹特征提取，解决了在辐射源信号较为复杂的情况下，识别性能明显下降的问题。由实采辐射源信号进行仿真，[[结果]]表明，当实采的民航客机ADS-B辐射信号数据组数目从10个增至20、50、100个，且信号的复杂化程度也逐步提高时，算法的识别精度始终稳定在80%以上，明显优于[[传统]]识别方法，证实了本方案算法的精准性和鲁棒性，有效满足了实际应用的指标需求。

===2．提出了一种基于迁移学习的小样本处理算法。===

该算法利用在大规模数据集上训练好的模型进行迁移，将卷积层用于小样本模型的特征提取，对全连接层进行微调，从而实现了小样本情况下模型训练信息不充分的问题和源域向目标域的“知识迁移”。解决了实际战术通信网络中，因辐射源标记样本数不足，导致新增辐射源个体识别困难的问题。由实采辐射源信号进行仿真，[[结果]]表明小样本条件下，本方案提出的算法有效提升了新增辐射源个体识别的精度和模型的训练速度。

==研究背景及意义==

在当今这个科学技术迅猛发展的时代，信息技术一方面给人们的生产生活带来诸多方便，一方面也使得现代电磁环境越来越复杂。在军事领域，以电磁为基础的电子战，在现代战争中占据了至关重要的位置。电子侦察监视敌方电子设备，解惑敌方电磁信号，掌握敌方情报，以便先发制人。电子干扰发射干扰电磁信号，传递误导[[信息]]，进行自我隐蔽。电子防御通过诱饵信号、诱导防辐射[[导弹]]等措施，保护己方电子设备。然而越来越复杂的电磁环境使得电子战中如何区分敌我信号成了急需解决的一大难题；在民用、商用领域，无线通信技术被广泛应用，各种通信终端逐渐面世，频谱资源愈发紧张，数据的安全性和传输的保密性越来越受人们所关注，在这样复杂的电磁环境如何防止非法入侵和恶意干扰也成了网络和通信安全的一大难题[1]。

基于上述种种问题和挑战，辐射源个体识别(specific emitter identification，SEI)，即特定辐射源识别技术被广大学者提出。SEI技术是指从辐射源的信号中提取出一些能够表征辐射源个体差异的特征向量，并从此特征向量中选择出差异较大的特征，通过分类器或者神经网络进行识别，以实现信号与辐射源个体及所属平台或[[武器]]相对应的过程。在SEI技术中，采用的特征是因辐射源发射机中器件的差异，而附加在辐射源信号上的无意调制信息，即辐射源的“指纹”，该信息是信号的固有特征，表征了信号的[[物理]]层特性，不随辐射源信号形式以及其工作环境的改变而发生变化，因此SEI技术的识别效果不受辐射源信号参数、调制方式、工作环境的限制，适用于绝大多数辐射源系统。这也是SEI技术一经提出就倍受关注的原因之一。

SEI技术于上世纪五六十年代在美国海军中提出，此后在美国和欧洲的多家研究机构和公司都展开了对SEI技术的研究，经过近60年的发展，部分SEI技术已应用于了实战 装备，例如美国的AN/UYX-4、AN/ALR-95(V)2、AN/BLQ-10(V)以及部分卫星都已装备了SEI技术。相比于国外，我国对于SEI技术的研究起步相对较晚，于上[[世纪]]80年代着手研究，目前关于SEI技术的理论研究已取得了相当丰硕的成功，但仍然存在诸多[[问题]]：其一，辐射源的个体特征缺少准确的数学模型支撑，大都只是从辐射源个体特征的形成机理出发进行特征提取，所提特征受信号形式以及样本数量的影响较为严重[2]；其二，广大学者对于SEI技术的研究主要集中在寻找更能表征辐射源个体的特征和识别效果更好的分类器，多年来SEI技术的识别正确率越来越高、稳定性也越来越好，与此同时SEI技术所需的计算量也越来越大，使得算法的实时性较差，硬件实现难度较大，不利于实战装备的[[应用]]；其三，关于SEI技术的研究，大都还停留在理论阶段，仅在实验室的仿真环境下验证其识别性能，缺乏SEI技术硬件实现的研究以及外场实测数据的验证；其四，大家都在强调自己所研究内容的优势，忽略了对于各类异构特征综合应用的考虑。

==国内外研究现状及分析==

国外研究者对于该领域的探索起步很早，已经具有完整和系统的辐射源识别理论，成果颇丰。相比之下，国内在此项技术的研究上始于西安电子科技大学等高校，起步较晚且技术[[研究]]水平落后于国外军事大国。多年来国内外学者主要经历了从开关机的瞬时暂态信号特征过渡到正常工作的稳态特征研究，从调制特征过渡到微特征的分析提取，从整体层面的信号分析到局部特征分析。

辐射源的个体识别如今已有50余年[[历史]]，在技术的研究上国内外的发展历程比较相似，均包含以下几个阶段：

（1）基于参数对比的方法。该方法通过处理战场信号后获得载频、带宽和调制类型等参数并进一步将这些参数与己方已有的特征库对比识别，在早期信号类型单一、参数简单，因此该方法在辐射源个体识别技术的初期具有良好的识别效果，只要辐射源参数固定，则基本参数对比法能满足实际的需求。在效果上它的识别率主要取决于本地特征库的建立情况，特征库容量越大种类越齐全则识别率将有极大的保证。此类方法通过提取出的[[基础]]参数与已有的参数库对比从而进行个体识别，在一定程度上算法简易且[[效率]]和准确率都能在当时的环境下得到保证。但相应的代价就是对特征库的要求较高，若出现具有新参数的敌方信号，则不能保证识别的正确性。此外，这种基本的参数对比法不具有较高的灵活性，在后续的电子战技术发展中，电磁<ref>[https://www.sohu.com/a/235890741_100196076 什么是电磁_电磁的由来] ，搜狐，2018-06-15</ref>空间日益复杂多变，信号体制类型种类繁多。敌方辐射源信号不可能只具有简单的参数设置，因此需要研究更深入具有灵活性的算法。

（2）基于专家系统的方法。随着对战场信号分析的深入，各种信号分析方法逐渐发展形成体系，专家系统的方法优势在于它可以通过许多相关领域技术摸索总结出符合实际的辐射源信号参数变化情况，这些变化[[规律]]在物理意义上可以有相对合理的解释，在数学上可以有相对完备的推导，基于专家系统得到的参数结果与实际信号的表现相差无几。这种利用经验的表示可以极大的降低对于本地特征库的要求，相比于早期的参数对比法更具有灵活性，且能保证日常的识别准确度。另一方面，相比于参数匹配的方法结合专家系统能够在新参数产生后提高检测和识别率。然而此方法只是基本参数对比法的改进形式，专家系统得到的[[信号]]变化规律对于所有的新参数形式不一定具有适用性，因此基本参数对比法出现的问题它并不能完全解决。该方法若想得到相对完备的变化规律，需要用时间和运算成本来换取更好的识别率。

（3）基于脉内细微特征与识别算法结合的方法。随着现代战场日益复杂多变的信号形式和拥挤不堪的[[电磁]]环境，普通的信号参数对比和估计已经难以承担辐射源识别任务，更深入的机理研究，提取更稳定可靠的指纹特征才能符合电子侦察的目的。实际中对于辐射源的精准识别需要更高层次的脉内特征，这些细微特征的提取主要通过提高特征维数和对信号的细分来得到，识别结果的好与坏最主要体现在特征提取的影响，具有更好可分性的特征是需要重点关注和研究的。在准确提取特征的基础上，结合高效的识别算法，能极大的满足高识别率的需求。不管信号调制体制如何变化，这些微特征与之无关因此可作为个体识别的关键研究方向。在识别算法方面包括经典机器[[学习]]算法和最近几年来发展飞速的智能学习网络。

以上方法中，参数匹配和细微特征结合机器学习的方法都属于非智能化的识别方法，[[专家]]系统和人工神经网络属于智能化的识别方法，这些算法均具有实际应用价值，应根据需求进行选取。

==参考文献==
[[Category:500 社會科學類]]