基于矢量图的特定辐射源识别方法

发布时间：2022-01-16 20:07

　　发射机的指纹特征具有复杂性,现有的认识水平制约了特定辐射源识别（SEI）的性能。为此,该文提出一种基于矢量图的SEI方法,应用深度学习技术实现了多种复杂特征的联合提取。该文首先分析了多种发射机畸变在矢量图上的视觉表现;在此基础上,以矢量图灰度图像作为信号表示,构建深度残差网络提取图像中的视觉特征。该方法克服了现有认知的局限,兼具高信息完整性和低计算复杂度。实验结果表明,与现有算法相比,该方法能够显著改善SEI的性能,识别增益约为30%。 

【文章来源】：电子与信息学报. 2020,42(04)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

/Q调制器畸变的视觉表现

的干扰，从而保证神经网络真正学习到辐射源固有的指纹特征。r(n)r(m)NMr(n)r(m)MM≤N针对幅度的差异，需要对信号幅度进行归一化。针对载频、初相和时延的差异，需要进行参数估计和相应的补偿。此外，由第2节可知，滤波器和振荡器的畸变都在星座点的聚散程度上有所体现。为了消除时延差异对星座点聚散的干扰，需要对接收信号的采样序列进行时间对齐，使得对齐后信号的采样序列包含每个符号周期的最佳采样点，且其余采样点均与固定的时延对齐。设和分别表示和的过采倍数，则应为整数，且满足。图3滤波器畸变的视觉表现图4振荡器畸变的视觉表现944电子与信息学报第42卷

??暗椒?湓垂逃?的指纹特征。r(n)r(m)NMr(n)r(m)MM≤N针对幅度的差异，需要对信号幅度进行归一化。针对载频、初相和时延的差异，需要进行参数估计和相应的补偿。此外，由第2节可知，滤波器和振荡器的畸变都在星座点的聚散程度上有所体现。为了消除时延差异对星座点聚散的干扰，需要对接收信号的采样序列进行时间对齐，使得对齐后信号的采样序列包含每个符号周期的最佳采样点，且其余采样点均与固定的时延对齐。设和分别表示和的过采倍数，则应为整数，且满足。图3滤波器畸变的视觉表现图4振荡器畸变的视觉表现944电子与信息学报第42卷

【参考文献】：
期刊论文
[1]基于星座轨迹图的射频指纹提取方法[J]. 彭林宁,胡爱群,朱长明,姜禹.  信息安全学报. 2016(01)



本文编号：3593337