买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院空天信息创新研究院

摘要：本发明提供了一种基于领域知识与深度网络融合的辐射源个体识别方法，属于电磁信息安全领域。所述方法利用RCMDE优异的非线性差异刻画能力来评估信号分解结果是否是最利于个体差异特征提取，其中，采用VMD算法作为信号分解方法，利用类内类间测度评估分解信号；由分解信号计算希尔伯特时频谱图，将个体差异信息通过图像的形式表现出来，并从时频谱图像中进一步提取领域知识特征；提出针对辐射源HOG纹理特征的多尺度一维卷积神经网络，利用提出网络进一步从领域知识特征中提取多尺度的、更深层次的特征。所述方法实现了更加精细的个体差异识别，具有准确的识别结果和鲁棒性，可大大提高同时识别的辐射源个体数量。

主权项：1.一种基于领域知识与深度网络融合的辐射源个体识别方法，其特征在于，包括如下步骤：步骤1、实时采集辐射源设备的时域IQ信号，通过频谱分析分离同频段不同类型的信号，得到目标辐射源设备信号数据；步骤2、对目标辐射源设备信号数据进行暂态起始点检测，截取IQ信号稳态数据；步骤3、基于精细复合多尺度离散熵的分解算法将IQ信号稳态数据分解为个时间模态分量，结合类内类间距离测度获得最优时间模态分解层数；步骤4、对分解后的每个时间模态分量进行希尔伯特变换，得到希尔伯特时频谱图，并从希尔伯特时频谱图截取能量集中区域作为希尔伯特子谱图；步骤5、对每个希尔伯特子谱图提取梯度方向直方图纹理特征，将每个希尔伯特子谱图的梯度方向直方图纹理特征组合后作为领域知识特征向量；步骤6、将得到的领域知识特征向量作为输入，经由多尺度一维卷积神经网络输出多尺度、深层次的特征；所述步骤3包括，步骤3.1、基于变分模态分解将IQ信号稳态数据分解为K个时间模态分量： ，式中，表示分解后的第k个时间模态分量，代表第k个频谱模态分量，代表第k个时间模态分量对应的中心频率，VMD表示变分模态分解运算，表示分解前的IQ信号稳态数据，n表示时间轴采样点，为频率轴频率点；步骤3.2、对K个时间模态分量的每个时间模态分量提取精细复合多尺度离散熵特征，其中，第k个时间模态分量的精细复合多尺度离散熵特征记作；设分解后的第k个时间模态分量长度为L，则其第个粗粒化时间序列由如下公式得到， ，其中，为尺度因子，是第个粗粒化时间序列的第j个点，表示第个粗粒化时间序列的长度，表示长度为L的时间模态分量中的每一个值，其中；对于不同的尺度因子，粗粒化过程的起始点不同，计算第k个时间模态分量对应的每一个可能分布模式的精细复合多尺度离散熵的值： ，其中，表示第个粗粒化时间序列中分布模式为的相对频率，为计算过程子序列，m表示嵌入维数，ln·表示自然对数；步骤3.3、将K个时间模态分量对应的精细复合多尺度离散熵特征进行组合： ，式中，表示K个时间模态分量对应的精细复合多尺度离散熵特征组合后的向量；设有C类辐射源个体样本，第类辐射源个体样本包括个样本，其样本集合记为，，C类辐射源个体样本中所有样本的总和为，每类辐射源个体样本的均值向量为C类辐射源个体样本的总样本均值向量为；则计算第c类辐射源个体样本的类内离散度矩阵和C类辐射源个体样本总类内离散度矩阵分别为： ， ，式中，上标T表示矩阵的转置；C类辐射源个体样本的类间离散度矩阵计算如下： ，类内类间距离测度判据为： ，式中，|·|表示取模值运算；步骤3.4、根据类内类间距离测度判据，利用下式确定最优时间模态分解层数： ，式中，max表示取最大值运算；所述步骤4包括，将K个时间模态分量的合信号按照瞬时幅度和瞬时频率的形式表示如下： ，其中，表示第k个时间模态分量的瞬时幅度，表示第k个时间模态分量的瞬时频率，为相位函数，为第k个时间模态分量的希尔伯特变换，R[·]运算表示取实数运算，根据每一时间模态分量的瞬时幅度和瞬时频率，得到总希尔伯特时频谱图，其中为第k个时间模态分量的希尔伯特时频谱图；基于边际谱对得到的总希尔伯特时频谱图的能量信息集中的目标区域进行截取，得到包含有用信息的希尔伯特子谱图。

全文数据：

权利要求：

百度查询： 中国科学院空天信息创新研究院 基于领域知识与深度网络融合的辐射源个体识别方法