摘要：近年来,无人机在军用领域和民用领域得到了广泛的应用,给人们带来极大便利的同时也带来了重大的安全挑战,精准识别无人机的需求日益迫切,其中无人机辐射源个体识别方法得到广泛关注和深入研究。基于深度学习的方法因其卓越性能而受到广泛关注,然而这些方法大多依赖于大量独立同分布的训练数据,而在实际应用中,无人机射频数据的采集和标注充满挑战,训练数据和测试数据之间往往存在较大的分布差异。针对无人机射频数据采集和标注困难、训练数据和测试数据分布差异大等现实应用需求,提出了一种面向无人机辐射源个体识别的域适应模型设计方法。采用自助抽样法对无人机数据集进行重采样,增加数据集中的样本多样性。将Transformer编码器与域对抗神经网络结合,使特征在高斯分布下进行优化。引入最大均值差异作为度量方法来减少训练过程中源域和目标域之间的分布差异。基于权重的加权投票法增强模型的泛化性,提高模型适应新环境的能力。实验结果表明,基于3种典型环境,构建6种域适应场景,本文所提的方法识别率高于现有方法约5%。此外,还研究了源域样本数量和目标域样本数量对域适应效果的影响,在目标域含有少量样本时依然可以达到较高的性能,较好地平衡了无人机辐射源个体识别精确度与泛化性、可靠性的需求。

摘要：为解决复杂电磁环境下基于单一特征的雷达辐射源个体识别准确性低、稳健性不强的问题,提出了一种基于多种特征的雷达辐射源融合识别方法。该方法以脉冲前沿包络、载波频率偏差以及谐波衰减系数为识别特征,通过设计多通道结构的一维卷积神经网络,实现不同结构特征的融合识别。实验表明,该方法在低信噪比条件下依然具有较好的识别率,能够有效解决复杂电磁环境下基于单一特征的雷达辐射源个体识别的效果不佳问题。

摘要：随着通信雷达技术的发展,针对辐射源发射机的非线性作用出现了预失真等新型技术,该类技术弱化了不同辐射源的个体特征进而恶化了辐射源个体识别性能.针对预失真下个体辐射源识别率降低的问题,本文提出了基于SincNet滤波器结构的辐射源个体识别模型.本文采用Grad-CAM方法分析残差网络类激活区域,并提取共生矩阵特征用于辐射源识别,验证了预失真后信号局部特征的有效性.随后本文提出了基于SincNet滤波器结构的辐射源个体识别算法,在降低了计算量的同时,在低信噪比下具有更高的识别精度.本文通过实验验证了数字预失真对辐射源个体识别的消极作用,并且在实测数据上的结果表明所提方法的个体识别率在信噪比0 dB下达到94%,相比本文其他先进个体识别算法有明显的提升.

摘要：为解决现有开集场景下辐射源个体识别算法鲁棒性不强、识别性能较低的问题,结合原型网络提出了一种开集场景下适用于一维信号的辐射源个体识别模型。对采集的辐射源I/Q信号进行功率归一化、切片和加噪等预处理操作;设计用于识别I/Q信号的一维卷积神经网络,并在网络中加入具有注意力机制的压缩激励模块,以此提高网络中有效特征通道的权重;将该网络结构和原型学习思想相结合,利用预处理的数据集进行训练和测试。在训练过程中,利用距离交叉熵损失函数为每个类别学习一个原型,并将信号特征到原型的距离作为分类依据,同时利用原型损失函数以提高信号类内紧密度的方式增大类间距离,进一步增强分类能力;在测试过程中,利用自适应距离分类规则为每个类别学习一个自适应的距离阈值,并通过距离阈值完成对已知目标的分类和未知目标的检测。对5种ZigBee设备采集的信号进行实验,结果表明:在信噪比为-10~10dB之间,所提模型的识别准确率比通常所用的基于极值理论的模型高8%左右。

摘要：针对有标签信号样本数目较少的实际环境中,通信辐射源个体识别技术存在识别准确率较低的问题,提出改进的一致性正则半监督辐射源个体识别方法,在一致性正则方法中引入伪标签思想的改进方案,在3种一致性正则模型上分别加入伪标签正则项。实验中设计适合实采信号数据的Inception深度网络,探究实验参数变化对实验结果的影响,实验结果表明,在通信辐射源个体识别问题上,改进方法比全监督方法、伪标签半监督方法、自编码器特征提取方法和经典的一致性正则半监督方法具有更高的识别准确率。

摘要：针对换接收机后的辐射源个体识别率降低问题,提出了应对接收机更换后的通信辐射源个体识别方法。通过研究发现了更换接收机后的辐射源指纹特征库与标准特征库发生偏移的规律性;以小波系数特征为基础,设计了聚类中心匹配算法和换接收机后的射频指纹特征聚类校正算法。实验中利用实际采集的30类通信辐射源终端样本对算法进行验证,测试换接收机后的识别率。结果显示,未采用聚类校正算法时识别率为64.3%,采用聚类校正算法后识别率提升到92.3%,提出的聚类校正算法有效。

摘要：辐射源个体识别技术可以为战场指挥官提供复杂电磁环境中辐射源个体特征,使得指挥官在数字化战场中获得优势。为提升辐射源个体识别的效率和效果,提出了一种基于蚁群优化特征选择的辐射源个体识别方法。以最大分类正确率和最小特征子集规模为目标,建立了特征选择数学模型,使用分类器的分类正确率作为特征选择的目标函数,设计了求解模型的蚁群算法。在实测的电台辐射源信号数据集上验证算法的有效性,实验结果表明方法对辐射源信号的分类正确率有较高提升。

摘要：针对模糊函数核函数优化法的计算问题和核点排序的不稳定性,提出了一种新的辐射源个体识别算法.首先抽取模糊函数零点切片作为中间特征,继而设计了直接判别比准则来指导核点优化.零点切片特征优化法不仅显著提高了识别性能,而且保留了辐射源信号最具鉴别力的个体特征,避免了在模糊函数全平面进行参数优化带来的内存溢出问题.对美国海军实验室雷达数据和实测雷达辐射源数据的实验均验证了所提方法的可行性和有效性.

摘要：针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求,提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理,并对不均衡样本进行权重调节,改善样本质量;通过分组卷积获取不同维度的细微特征,与初始特征拼接,实现多维互补特征融合,并联同步进行提高识别效率。利用Ghost bottleneck结构实现网络模型压缩与跨层连接,在融合多维特征的同时节省计算资源。实验结果表明,本文算法结构精简,计算量低,识别率达到95.2%,并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。

摘要：针对基于传统特征的个体识别算法难以满足实际需求,与仅靠数据驱动的神经网络识别方法所需数据量较大、针对性较差的问题,设计了一种基于谱特征与数据相结合的通信辐射源个体识别算法。文中方法结合先验知识对原始采样信号进行双谱和功率谱的谱特征提取,并将提取的特征与原始数据进行融合,得到更符合网络模式且具有信号意义的数据集。设计并行可分离卷积结构,得到针对辐射源个体识别的网络。通过实际采集信号对网络进行训练和测试以验证其有效性,实验得到采用文中方法的平均分类识别准确率为97%。