針對(duì)輻射源指紋特征間差異細(xì)微且受噪聲干擾容易導(dǎo)致識(shí)別率下降的問題,提出了一種基于Stacking方法的輻射源個(gè)體識(shí)別優(yōu)化算法。該算法集成了多個(gè)放縮程度各異的網(wǎng)絡(luò)的識(shí)別結(jié)果,能利用不同網(wǎng)絡(luò)結(jié)構(gòu)在低信噪比條件下提取特征的差異性,從而提升算法整體的特征提取能力。同時(shí)為避免分類準(zhǔn)確率提高造成模型規(guī)模過(guò)大,本文使用網(wǎng)絡(luò)規(guī)模小且結(jié)構(gòu)放縮差異較大的EfficientNets系列網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)。實(shí)驗(yàn)首先在高斯信道條件下驗(yàn)證了基礎(chǔ)網(wǎng)絡(luò)能夠有效識(shí)別功率放大器雜散噪聲,之后利用Stacking等優(yōu)化算法改進(jìn)模型整體的性能。結(jié)果表明,本方法能夠進(jìn)一步利用提取到的特征之間差異,與其他方法相比對(duì)輻射源個(gè)體有更高的識(shí)別率。

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

圖1Hammerstein模型

Hammerstein模型是由一個(gè)記憶系統(tǒng)和一個(gè)非線性系統(tǒng)級(jí)聯(lián)組成,如圖1所示。非線性系統(tǒng)使用Taylor級(jí)數(shù)模型建立,如式(1)所示:

圖2算法流程圖

輻射源工作過(guò)程中產(chǎn)生的指紋特征主要來(lái)自于功率放大器產(chǎn)生的雜散噪聲[8],由Hammerstein模型建�？芍Ψ女a(chǎn)生的雜散噪聲中包含有循環(huán)平穩(wěn)信號(hào)的特征,所以可以首先利用循環(huán)自相關(guān)把原始數(shù)據(jù)構(gòu)造成二維譜圖,分離源信號(hào)、指紋特征和噪聲;之后利用卷積網(wǎng)絡(luò)提取二維圖像紋理特征并根據(jù)提取....

圖3無(wú)雜散噪聲的輸入信號(hào)

利用循環(huán)自相關(guān)可以展現(xiàn)功放輸出信號(hào)中不同分量的周期特性,同時(shí)也將不同周期的信號(hào)分離,方便提取信號(hào)特征。圖4攜帶雜散噪聲的輸出信號(hào)

圖4攜帶雜散噪聲的輸出信號(hào)

圖3無(wú)雜散噪聲的輸入信號(hào)相同型號(hào)的功率放大器的輸出信號(hào)存在著由于非線性特性導(dǎo)致的細(xì)微差別而且其在循環(huán)自相關(guān)頻譜圖上存在形狀和位置的不一致性,利用深層網(wǎng)絡(luò)結(jié)構(gòu)可以提取指紋特征并用于識(shí)別功放個(gè)體。但是,不同結(jié)構(gòu)的卷積網(wǎng)絡(luò)能夠提取的特征有其自身的局限性,尤其是在低信噪比條件下某些細(xì)微....

本文編號(hào)：3982568