發(fā)布時間：2024-05-27 01:19

　　針對輻射源指紋特征間差異細微且受噪聲干擾容易導致識別率下降的問題,提出了一種基于Stacking方法的輻射源個體識別優(yōu)化算法。該算法集成了多個放縮程度各異的網(wǎng)絡的識別結果,能利用不同網(wǎng)絡結構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。同時為避免分類準確率提高造成模型規(guī)模過大,本文使用網(wǎng)絡規(guī)模小且結構放縮差異較大的EfficientNets系列網(wǎng)絡作為基礎網(wǎng)絡。實驗首先在高斯信道條件下驗證了基礎網(wǎng)絡能夠有效識別功率放大器雜散噪聲,之后利用Stacking等優(yōu)化算法改進模型整體的性能。結果表明,本方法能夠進一步利用提取到的特征之間差異,與其他方法相比對輻射源個體有更高的識別率。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1Hammerstein模型

Hammerstein模型是由一個記憶系統(tǒng)和一個非線性系統(tǒng)級聯(lián)組成,如圖1所示。非線性系統(tǒng)使用Taylor級數(shù)模型建立,如式(1)所示:

圖2算法流程圖

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

圖3無雜散噪聲的輸入信號

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

圖4攜帶雜散噪聲的輸出信號

圖3無雜散噪聲的輸入信號相同型號的功率放大器的輸出信號存在著由于非線性特性導致的細微差別而且其在循環(huán)自相關頻譜圖上存在形狀和位置的不一致性,利用深層網(wǎng)絡結構可以提取指紋特征并用于識別功放個體。但是,不同結構的卷積網(wǎng)絡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微....

本文編號：3982568