【技術實現步驟摘要】
本申請涉及電磁信號處理，尤其涉及一種輻射源個體識別方法、裝置、設備、介質及產品。
技術介紹
1、輻射源個體識別(radiation?source?individual?identification，rsii)主要用于從電磁信號中識別和區分不同的輻射源個體。這項技術在通信對抗、物理層安全、無線通信、網絡安全等多個領域有著廣泛的應用。輻射源個體識別的核心是利用輻射源固有的物理特性(如硬件特性、制造差異等)作為指紋，來區分和識別不同的發射源。
2、目前，輻射源個體識別技術面臨著多重挑戰。一方面，電磁環境日益復雜，信號密集且干擾嚴重，這使得從眾多信號中準確地識別出特定輻射源變得非常困難。另一方面，傳統的信號處理和分析方法往往依賴于信號的高級特性，如調制類型、編碼方式等，但在實際應用中，這些特征可能被有意或無意地掩蓋或改變，導致識別準確率下降。
技術實現思路
1、基于上述技術現狀，本申請提出一種輻射源個體識別方法、裝置、設備、介質及產品，能夠提高輻射源個體識別的準確性。
2、為了達到上述技術目的，本申請具體提出如下技術方案：
3、本申請第一方面提出一種輻射源個體識別方法，包括：獲取待識別輻射源個體的中頻信號對應的物理信號特征和深度學習信號特征，所述物理信號特征通過提取所述中頻信號的物理特征得到，所述深度學習信號特征通過對所述中頻信號進行基于深度學習的特征提取得到；分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特
4、在一些實現方式中，所述獲取待識別輻射源個體的中頻信號對應的物理信號特征和深度學習信號特征；分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特征；對所述卷積物理信號特征和所述卷積深度學習信號特征進行融合，得到融合信號特征，并基于所述融合信號特征得到輻射源個體的識別結果，包括：將待識別輻射源個體的中頻信號輸入輻射源個體識別模型，由所述輻射源個體識別模型獲取待識別輻射源個體的中頻信號對應的物理信號特征和深度學習信號特征；分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特征；對所述卷積物理信號特征和所述卷積深度學習信號特征進行融合，得到融合信號特征，并基于所述融合信號特征得到輻射源個體的識別結果；其中，所述輻射源個體識別模型是通過各個輻射源個體的第一中頻信號樣本及其對應的標注輻射源個體對預訓練模型訓練得到，所述預訓練模型是通過所述各個輻射源個體的第二中頻信號樣本對應的長時序列特征樣本和短時局部特征樣本對預訓練網絡訓練得到。
5、在一些實現方式中，所述輻射源個體識別模型包括深度學習特征提取模塊、物理信號特征提取模塊、特征融合模塊以及分類模塊；其中，將待識別輻射源個體的中頻信號輸入輻射源個體識別模型，由所述輻射源個體識別模型獲取待識別輻射源個體的中頻信號對應的物理信號特征和深度學習信號特征；分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特征；對所述卷積物理信號特征和所述卷積深度學習信號特征進行融合，得到融合信號特征，并基于所述融合信號特征得到輻射源個體的識別結果，包括：通過所述深度學習特征提取模塊獲取待識別輻射源個體的中頻信號的深度學習信號特征；通過所述物理信號特征提取模塊獲取所述待識別輻射源個體的中頻信號的物理信號特征；通過所述特征融合模塊分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特征，并對所述卷積物理信號特征和所述卷積深度學習信號特征進行融合，得到融合信號特征；通過所述分類模塊對所述融合信號特征進行分類得到輻射源個體的識別結果。
6、在一些實現方式中，所述特征融合模塊包括第一卷積模塊、第二卷積模塊和至少兩個全連接層；其中，通過所述特征融合模塊分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特征，并對所述卷積物理信號特征和所述卷積深度學習信號特征進行融合，得到融合信號特征，包括：通過所述第一卷積模塊對所述物理信號特征進行卷積，得到卷積物理信號特征；通過所述第二卷積模塊對所述深度學習信號特征進行卷積，得到卷積深度學習信號特征；通過所述至少兩個全連接層依次對所述卷積物理信號特征和所述卷積深度學習信號特征進行降維處理和拼接處理，得到融合信號特征。
7、在一些實現方式中，所述預訓練網絡包括待訓練的深度學習特征提取模塊、待訓練的物理信號特征提取模塊、待訓練的特征融合模塊、采樣點掩碼網絡和損失函數模塊；所述預訓練模型通過如下步驟訓練得到：通過所述待訓練的深度學習特征提取模塊獲取中頻信號樣本的深度學習信號特征樣本，以及通過所述待訓練的物理信號特征提取模塊獲取所述中頻信號樣本的物理信號特征樣本；通過所述待訓練的特征融合模塊對獲得的物理信號特征樣本和深度學習信號特征樣本進行融合，得到融合信號特征樣本；通過所述采樣點掩碼網絡對所述融合信號特征樣本進行編碼，得到目標編碼結果，并基于所述目標編碼結果對所述融合信號特征樣本中的掩碼位置對應的特征向量進行預測，得到預測特征向量，所述目標編碼結果中包括所述第二中頻信號樣本的長時序列特征樣本和短時局部特征樣本；通過所述損失函數模塊基于所述預測特征向量與所述掩碼位置對應的原始特征向量之間的差異對所述預訓練網絡進行優化，得到所述預訓練模型。
8、在一些實現方式中，所述采樣點掩碼網絡包括conformer模塊，所述conformer模塊包括編碼模塊、第三卷積模塊和掩碼對應采樣點選取模塊；其中，由所述采樣點掩碼網絡對所述融合信號特征樣本進行編碼，得到目標編碼結果，并基于所述目標編碼結果對所述融合信號特征樣本中的掩碼位置對應的特征向量進行預測，得到預測特征向量，包括：通過所述編碼模塊對所述融合信號樣本特征進行編碼，得到所述第二中頻信號樣本的初始編碼結果，所述初始編碼結果中包括所述第二中頻信號樣本的長時序列特征樣本；通過所述第三卷積模塊對所述初始編碼結果進行卷積處理，得到目標編碼結果，所述目標編碼結果中包括所述第二中頻信號樣本的長時序列特征樣本和局部特征樣本；通過所述掩碼對應采樣點選取模塊基于所述目標編碼結果對所述融合信號特征樣本中的掩碼位置對應的特征向量進行預測，得到預測特征向量。
9、在一些實現方式中，所述物理信號特征包括包絡特征、分形特征、功率譜特征、模態特征、高階矩特征和信息熵特征中至少一項。
10、本申請的第二方面提出一種輻射源個體識別裝置，包括：獲取單元，用于獲取待識別輻射源個體的中頻信號對應的物理信號特征和深度學習信號特征，所述物理信號特征通過提取所述中頻信號的物理特征得到，所述深度學習信號特征通過對所述中頻信號進行基于深度學習的特征提取得到；融合及識別單元，用于分別對所述物理信號特征本文檔來自技高網...
【技術保護點】
1.一種輻射源個體識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取待識別輻射源個體的中頻信號對應的物理信號特征和深度學習信號特征；分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特征；對所述卷積物理信號特征和所述卷積深度學習信號特征進行融合，得到融合信號特征，并基于所述融合信號特征得到輻射源個體的識別結果，包括：
3.根據權利要求2所述的方法，其特征在于，所述輻射源個體識別模型包括深度學習特征提取模塊、物理信號特征提取模塊、特征融合模塊以及分類模塊；
4.根據權利要求3所述的方法，其特征在于，所述特征融合模塊包括第一卷積模塊、第二卷積模塊和至少兩個全連接層；
5.根據權利要求2所述的方法，其特征在于，所述預訓練網絡包括待訓練的深度學習特征提取模塊、待訓練的物理信號特征提取模塊、待訓練的特征融合模塊、采樣點掩碼網絡和損失函數模塊；所述預訓練模型通過如下步驟訓練得到：
6.根據權利要求5所述的方法，其特征在于，所述采樣點掩碼網絡包括Conformer
7.根據權利要求1-6任一項所述的方法，其特征在于，所述物理信號特征包括包絡特征、分形特征、功率譜特征、模態特征、高階矩特征和信息熵特征中至少一項。
8.一種輻射源個體識別裝置，其特征在于，包括：
9.一種電子設備，其特征在于，包括存儲器和處理器；
10.一種存儲介質，其特征在于，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器運行時，實現如權利要求1至7中任意一項所述的方法。
11.一種計算機程序產品，其特征在于，包括計算機程序指令，所述計算機程序指令在被處理器運行時使得所述處理器實現如權利要求1至7中任意一項所述的方法。
...【技術特征摘要】
1.一種輻射源個體識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取待識別輻射源個體的中頻信號對應的物理信號特征和深度學習信號特征；分別對所述物理信號特征和深度學習信號特征進行卷積處理，得到卷積物理信號特征和卷積深度學習信號特征；對所述卷積物理信號特征和所述卷積深度學習信號特征進行融合，得到融合信號特征，并基于所述融合信號特征得到輻射源個體的識別結果，包括：
3.根據權利要求2所述的方法，其特征在于，所述輻射源個體識別模型包括深度學習特征提取模塊、物理信號特征提取模塊、特征融合模塊以及分類模塊；
4.根據權利要求3所述的方法，其特征在于，所述特征融合模塊包括第一卷積模塊、第二卷積模塊和至少兩個全連接層；
5.根據權利要求2所述的方法，其特征在于，所述預訓練網絡包括待訓練的深度學習特征提取模塊、待訓練的物理信號特征提取模塊、待訓練的特征融合模塊、采樣點...
【專利技術屬性】
技術研發人員：鐘奧，王建社，蔣俊，柳林，朱奎，陳家軍，
申請(專利權)人：合肥訊飛數碼科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。