基于深度学习的通信辐射源个体识别

发布时间：2023-03-24 18:03

　　通信辐射源由于硬件设备的特异性导致发射的信号具备可区分的细微特征,传统通信辐射源识别方法首先提取专家特征然后运用分类器识别,这种方法存在复杂度高、先验信息完备以及适用范围有限等弊端。本文针对上述挑战,运用深度学习方法高效且准确地对相同型号、相同工作模式的不同通信辐射源个体进行识别。论文的主要工作内容包括以下三方面:1.提出了对通信辐射源有效识别的深度学习模型。分析了典型深度学习模型提取通信辐射源细微特征的可行性,并结合射频指纹建模表征设计深度学习模型;探究增加卷积网络层对于模型性能提升的作用;通过结合LSTM并且融合不同卷积层提取的特征优化深度学习模型;分析卷积核如何提取信号特征从而对模型内部机理定性解释。2.为解决实际情况下有标签信号样本较少导致模型识别率较低的问题,提出通过为大量无标签信号设置伪标签的方法优化模型。根据算法Entropy Regularization提出的降低模型对于无标签信号识别概率的熵可进一步提升识别率的思想构建深度学习模型。实验证明在多个少量有标签信号样本场景下,伪标签方法可提升模型识别率;探究设置伪标签的信号样本数量和识别率的关系;运用可视化方法说明通过伪标...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究意义及应用背景
        1.1.1 相关研究概述
        1.1.2 深度学习
        1.1.3 迁移学习
    1.2 论文的研究内容和结构安排
        1.2.1 研究内容
        1.2.2 结构安排
第二章 通信辐射源指纹产生机理以及深度学习模型选择
    2.1 引言
    2.2 通信辐射源指纹产生机理以及建模
    2.3 通信辐射源识别的深度学习模型设计
        2.3.1 神经网络层和信号特征提取的关系
        2.3.2 神经网络特征提取融合思想
        2.3.3 识别通信辐射源的深度学习网络结构设计
        2.3.4 深度学习模型训练以及通信辐射源识别
    2.4 本章小结
第三章 少量有标签信号样本条件下的通信辐射源个体识别
    3.1 引言
    3.2 基于伪标签的深度学习模型设计
        3.2.1 少量有标签信号样本条件下的深度学习模型性能分析
        3.2.2 Entropy Regularization算法
        3.2.3 结合伪标签的深度学习模型设计
    3.3 模型训练以及在少量有标签信号样本条件下的通信辐射源识别
        3.3.1 深度学习模型训练以及超参数设置
        3.3.2 结合伪标签的深度学习模型在少量有标签信号样本条件下应用
    3.4 本章小结
第四章 动态信道条件下的通信辐射源个体识别
    4.1 引言
    4.2 结合迁移学习的深度学习模型设计
        4.2.1 单信道环境下模型特征学习方法的适用性
        4.2.2 迁移学习特征分布距离度量
        4.2.3 结合迁移学习的深度学习模型设计
    4.3 结合迁移学习的深度学习模型训练与低信噪比信号识别
        4.3.1 信号数据预处理
        4.3.2 深度学习模型训练以及超参数设置
        4.3.3 低信噪比信号识别与模型可视化分析
    4.4 本章小结
第五章 总结与展望
    5.1 论文工作总结
    5.2 论文下一步工作方向
参考文献
致谢
攻读学位期间取得的研究成果



本文编号：3769589