針對現(xiàn)有通信輻射源個體識別方法預處理過程復雜及特征提取較難的問題,提出了一種基于堆棧式長短期記憶（long short-term memory,LSTM）網(wǎng)絡(luò)的輻射源個體識別算法。該算法直接使用IQ時間序列信號訓練LSTM網(wǎng)絡(luò),即可實現(xiàn)對通信輻射源個體的高效識別,避免了復雜的信號預處理過程。為使LSTM網(wǎng)絡(luò)能更好地適用于通信輻射源個體識別,利用3層LSTM網(wǎng)絡(luò)提取輻射源深層特征,并通過實驗優(yōu)化了網(wǎng)絡(luò)參數(shù)。然后對該算法的實際應用泛化性進行了實驗探究,結(jié)果表明該算法在其他輻射源數(shù)據(jù)集上也取得了較好的效果。最后,通過實驗對算法進行了驗證,結(jié)果表明相比于傳統(tǒng)算法,在樣本數(shù)較多時,該算法的識別準確率可以達到98%,而且簡單快速智能,便于工程化與實用化。 

【文章來源】：系統(tǒng)工程與電子技術(shù). 2020,42(12)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

不同數(shù)據(jù)集的實驗結(jié)果

為了進一步說明堆棧式LSTM網(wǎng)絡(luò)的應用泛化性，需要對不同通信信道質(zhì)量情況下網(wǎng)絡(luò)模型對通信輻射源的識別性能作實驗探究。因此，本文采用對歸一化后的短波通信輻射源信號添加高斯噪聲的方式，獲取通信信道質(zhì)量不同的通信輻射源數(shù)據(jù)集。在不同SNR條件下，網(wǎng)絡(luò)的識別性能隨著迭代次數(shù)的變化情況如圖9所示。由圖9可知，隨著SNR的增加，網(wǎng)絡(luò)模型的識別性能越來越好，在SNR不小于8dB的條件下，網(wǎng)絡(luò)模型有較好的性能，滿足實際應用的需求。對比圖8和圖9可知，在對輻射源信號進行歸一化處理后，網(wǎng)絡(luò)模型的訓練速度增快，在SNR大于10dB時，網(wǎng)絡(luò)迭代2萬次后的識別性能已經(jīng)可以達到90%以上。通過實驗可知，每迭代50次網(wǎng)絡(luò)的消耗時間約為1.2s，那么該網(wǎng)絡(luò)模型在訓練樣本為14 875個，批次處理大小為312時訓練時間約為8分鐘，在訓練樣本更少情況下，網(wǎng)絡(luò)的訓練速度會更快，因此網(wǎng)絡(luò)模型可以有效解決實際應用的需求。

實驗的主要目的是檢驗本文算法在實際通信輻射源個體識別上應用的有效性，由于信號采集器設(shè)備性能限制而又需要保留輻射源的細微特征，因此在實際信號采集時設(shè)置如下的通信條件：5部TBR-134A型短波通信電臺在冬季下午室外（晴天，氣溫約0℃）無高樓遮擋物環(huán)境下采用直射進行語音通信，信號通過非協(xié)作方信號采集器采集；5部電臺相互之間的部署距離為20m，采集器和電臺之間的直線距離為30m；通信頻率為14 MHz；工作模式選用“小功率”；調(diào)制方式為幅度調(diào)制（amplitude modulation,AM）。信號采集方式與簡易流程如圖1所示。信號采集器采集參數(shù)：信號采集中心頻點為14 MHz，采樣率為0.312 5IQMS/s，采樣帶寬為0.1 MHz，采集增益為24dB，保存格式為IQ交替存儲的．bin文件格式。采集信號時，信號采集器的界面如圖2所示。

【參考文獻】：
期刊論文
[1]改進LeNet-5網(wǎng)絡(luò)在圖像分類中的應用[J]. 劉金利,張培玲.  計算機工程與應用. 2019(15)
[2]基于聯(lián)合協(xié)作表示的特定輻射源識別[J]. 周志文,黃高明,王雪寶,滿欣.  系統(tǒng)工程與電子技術(shù). 2019(04)
[3]A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. ZHANG Yangsen,ZHENG Jia,JIANG Yuru,HUANG Gaijuan,CHEN Ruoyu.  Chinese Journal of Electronics. 2019(01)
[4]基于深度學習和集成學習的輻射源信號識別[J]. 黃穎坤,金煒東,余志斌,吳昀璞.  系統(tǒng)工程與電子技術(shù). 2018(11)



本文編號：3482674