检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于稳态循环谱特征的通信辐射源识别方法

北京邮电大学学报 2021年第3期44卷 100-105页

作者：周楷黄赛曾昱祺高晖卢华北京邮电大学信息与通信工程学院北京100876 广东省新一代通信与网络创新研究院广州510700 国家无线电监测中心北京100037

为实现低信噪比环境下多种通信辐射源的高精度识别,提出了一种基于稳态循环谱特征的通信辐射源识别方法,利用循环谱频域截面谱对高斯噪声的强鲁棒性,提取不同辐射源成形滤波器间的本征差异进行识别.首先对接收到的稳态信号提取循环谱频... 详细信息

为实现低信噪比环境下多种通信辐射源的高精度识别,提出了一种基于稳态循环谱特征的通信辐射源识别方法,利用循环谱频域截面谱对高斯噪声的强鲁棒性,提取不同辐射源成形滤波器间的本征差异进行识别.首先对接收到的稳态信号提取循环谱频域截面谱并利用主成分分析方法降维,之后分别采用皮尔逊相关系数法、概率神经网络、弗雷歇距离法等判决方法进行辐射源类别判决.仿真实验显示,该特征使用概率神经网络判决和皮尔逊相关系数法判决,显著优于传统循环频率域的切片特征,证明有一定应用价值.

关键词：通信辐射源识别稳态循环谱特征皮尔逊相关系数法概率神经网络弗雷歇距离法

在线全文

学校读者我要写书评

暂无评论

迁移学习及其在通信辐射源个体识别中的应用

通信技术 2022年第3期55卷 265-273页

作者：王天池俞璐陆军工程大学江苏南京210001

通信辐射源个体识别作为通信侦察的一种技术手段,在现代战场上发挥着至关重要的作用。迁移学习不要求源域与目标域数据同分布,大大减轻了传统模型对数据量和数据分布的敏感性,可以一定程度上解决通信辐射源数据集不全面、不充足等问题... 详细信息

通信辐射源个体识别作为通信侦察的一种技术手段,在现代战场上发挥着至关重要的作用。迁移学习不要求源域与目标域数据同分布,大大减轻了传统模型对数据量和数据分布的敏感性,可以一定程度上解决通信辐射源数据集不全面、不充足等问题。概括了迁移学习的基本理论,分析了基于迁移学习的通信辐射源识别的可行性,阐述了近年来迁移学习以及基于迁移学习的通信辐射源识别方法的研究现状,探讨了迁移学习方法的算法性能和优缺点,总结了基于迁移学习的通信辐射源识别技术的优势和存在的问题,为相关研究提供了参考。

关键词：通信辐射源识别迁移学习机器学习领域自适应

在线全文

学校读者我要写书评

暂无评论

基于VMD的通信辐射源个体识别方法

通信技术 2022年第4期55卷 461-467页

作者：徐晋凯谢钧俞璐中国人民解放军陆军工程大学指挥控制工程学院江苏南京210007 中国人民解放军陆军工程大学通信工程学院江苏南京210007

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法。该方法采用变分模态分解将接收信号分解为主要包含数据信息的... 详细信息

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法。该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别。在公开数据集和自建数据集上的实验结果均表明,所提方法可显著提高辐射源个体识别的性能,且在小样本条件下的优势更加显著。

关键词：通信辐射源识别变分模态分解卷积神经网络特征提取

在线全文

学校读者我要写书评

暂无评论

通信辐射源识别关键技术研究

通信辐射源识别关键技术研究

作者：丁纲松国防科技大学

学位级别：硕士

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... 详细信息

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。

关键词：通信辐射源识别指纹特征时频图奇异向量 CNN LSTM

矩形积分双谱和半监督鉴别分析下的通信辐射源识别

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

上海大学学报（自然科学版） 2019年第5期25卷 722-732页

作者：韩国川张金艺李科何利康姜玉稀王涛上海大学微电子研究与开发中心上海200444 上海大学特种光纤与光接入网重点实验室上海200444 上海三思电子工程有限公司上海201100

针对传统同类通信辐射源识别方法中存在的指纹特征难以提取,以及在先验标签信息较少时识别精度不高的问题,以指纹特征差异微小的同厂、同批、同型号的通信辐射源为对象,提出了一种基于矩形积分双谱和半监督鉴别分析的通信辐射源识别方法... 详细信息

针对传统同类通信辐射源识别方法中存在的指纹特征难以提取,以及在先验标签信息较少时识别精度不高的问题,以指纹特征差异微小的同厂、同批、同型号的通信辐射源为对象,提出了一种基于矩形积分双谱和半监督鉴别分析的通信辐射源识别方法.该方法采用矩形积分双谱算法提取通信辐射源双谱特征,并将其作为指纹特征,以表征所属通信辐射源;同时,采用半监督鉴别分析算法,根据双谱特征数据的部分标签信息和非线性流形信息,将高维双谱特征数据映射到低维子空间后进行分类识别,来提升通信辐射源识别性能.为验证该方法的有效性,采用同厂、同批、同型号的FM电台作为同类通信辐射源的代表进行电台识别实验.实验结果表明,在FM电台训练样本中有先验标签信息的样本较少时,该方法对电台测试样本的识别率最高达87.6%,证明该方法在同类通信辐射源识别中指纹特征提取和识别精度方面具有优势.

关键词：通信辐射源识别特征提取矩形积分双谱半监督鉴别分析

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

在线全文

学校读者我要写书评

暂无评论

电讯技术 2021年第10期61卷 1197-1204页

作者：王检张邦宁魏国峰郭道省中国人民解放军陆军工程大学通信工程学院南京210007

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法。构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源... 详细信息

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法。构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类。该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类。实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法。

关键词：通信辐射源识别射频指纹 Welch功率谱卷积神经网络

在线全文

学校读者我要写书评

暂无评论

开集通信辐射源识别研究

开集通信辐射源识别研究

作者：贺爽天津大学

学位级别：硕士

通信辐射源识别是信息安全以及电子对抗中的关键技术,通信辐射源识别的准确性影响着整个信息对抗系统的水平。因此,研究通信辐射源识别方法,提高通信辐射源识别准确率具有重要意义。首先,本文提出了基于威布尔校准支持向量机（Weibull-c... 详细信息

通信辐射源识别是信息安全以及电子对抗中的关键技术,通信辐射源识别的准确性影响着整个信息对抗系统的水平。因此,研究通信辐射源识别方法,提高通信辐射源识别准确率具有重要意义。首先,本文提出了基于威布尔校准支持向量机（Weibull-calibrated Support Vector Machines,W-SVM）的多类通信辐射源开集识别方法。该方法基于1-class SVM（OCSVM）生成紧凑衰减概率（Compact Abating Probability,CAP）模型,将未知类建模为随着距离增加而衰减的概率值,并设定概率阈值来识别未知类。对于概率高于概率阈值的样本,该方法基于Binary SVM与统计极值理论,采用威布尔分布与逆向威布尔分布分别计算该样本属于正样本和不属于负样本的概率估计,进一步判断该样本的类别。其次,本文提出了基于深度学习的闭集通信辐射源识别算法。算法采用短时傅里叶变换提取原始数据的细微特征,并设计双通道卷积神经网络（Two-Channel Convolution Neural Networks,TCNN）分别提取通信辐射源信号的浅层特征和深层特征。此外算法提出消息识别（Message Identification,MI）散度与Softmax结合的组合损失函数,实现通信辐射源信号的闭集识别。最后,本文提出了基于深度学习的开集通信辐射源识别方法。在闭集识别算法的基础上,该算法采用TCNN提取通信辐射源指纹特征,在训练阶段计算每类数据的距离分布并设置阈值,在测试阶段计算输入样本与每个已知类中心之间的距离,当输入样本到每一类中心的距离均超过阈值时,该输入样本被判定为未知通信辐射源类别。本文所提出的方法提高了闭集识别准确率,实现了未知通信辐射源信号的开集识别,为通信辐射源识别的研究提供了新的思路。

关键词：开集识别通信辐射源识别双通道卷积神经网络 W-SVM 深度学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征降维的卫星通信辐射源个体识别方法

测控技术 2017年第11期36卷 14-17,22页

作者：贾永强甘露电子科技大学电子工程学院四川成都611731 西南电子电信技术研究所四川成都611731

针对卫星通信系统安全检测问题,提出了一种基于重构降维分析的卫星辐射源个体识别方法。该方法通过提取所有卫星终端设备训练数据的高维特征向量,然后以监督方式寻找使得降维特征向量离同类最近、离异类边缘点最远的子空间,并利用降维... 详细信息

针对卫星通信系统安全检测问题,提出了一种基于重构降维分析的卫星辐射源个体识别方法。该方法通过提取所有卫星终端设备训练数据的高维特征向量,然后以监督方式寻找使得降维特征向量离同类最近、离异类边缘点最远的子空间,并利用降维特征向量训练分类器,最后利用分类器判决未知信号的类别。提出的卫星辐射源个体识别方法所提取的辐射源特征基于高维特征向量的线性组合,保留了不同发射机的差异信息,具备很强的分类辨别能力。实际采集的数据测试结果表明,该方法可有效识别不同辐射源个体。

关键词：通信辐射源识别特征降维支持向量机

在线全文

学校读者我要写书评

暂无评论

基于深度学习的通信辐射源个体识别

基于深度学习的通信辐射源个体识别

作者：秦嘉北京邮电大学

学位级别：硕士

通信辐射源由于硬件设备的特异性导致发射的信号具备可区分的细微特征,传统通信辐射源识别方法首先提取专家特征然后运用分类器识别,这种方法存在复杂度高、先验信息完备以及适用范围有限等弊端。本文针对上述挑战,运用深度学习方法高... 详细信息

通信辐射源由于硬件设备的特异性导致发射的信号具备可区分的细微特征,传统通信辐射源识别方法首先提取专家特征然后运用分类器识别,这种方法存在复杂度高、先验信息完备以及适用范围有限等弊端。本文针对上述挑战,运用深度学习方法高效且准确地对相同型号、相同工作模式的不同通信辐射源个体进行识别。论文的主要工作内容包括以下三方面:1.提出了对通信辐射源有效识别的深度学习模型。分析了典型深度学习模型提取通信辐射源细微特征的可行性,并结合射频指纹建模表征设计深度学习模型;探究增加卷积网络层对于模型性能提升的作用;通过结合LSTM并且融合不同卷积层提取的特征优化深度学习模型;分析卷积核如何提取信号特征从而对模型内部机理定性解释。2.为解决实际情况下有标签信号样本较少导致模型识别率较低的问题,提出通过为大量无标签信号设置伪标签的方法优化模型。根据算法Entropy Regularization提出的降低模型对于无标签信号识别概率的熵可进一步提升识别率的思想构建深度学习模型。实验证明在多个少量有标签信号样本场景下,伪标签方法可提升模型识别率;探究设置伪标签的信号样本数量和识别率的关系;运用可视化方法说明通过伪标签方法优化后的深度学习模型可减少分类边界上的信号密度。3.为解决待识别信号经历动态信道噪声干扰,与训练信号分布产生差异,从而导致识别率低的问题,提出结合迁移学习思想设计深度学习模型提高识别率。分析基于高信噪比信号训练的深度学习模型识别低信噪比信号时效果不佳的原因。在研究深度学习模型如何提取通信辐射源特征并识别的基础上,选择合适的网络层和分布距离度量函数对特征学习方法进行不同噪声条件下迁移。实验证明了模型可以在噪声干扰强度差异较大时提升识别准确率;探究了重要参数对于识别率的影响并运用可视化方法解释了模型的思想。

关键词：通信辐射源识别深度学习迁移学习