基于堆栈式LSTM网络的通信辐射源个体识别

发布时间：2021-11-08 00:56

　　针对现有通信辐射源个体识别方法预处理过程复杂及特征提取较难的问题,提出了一种基于堆栈式长短期记忆（long short-term memory,LSTM）网络的辐射源个体识别算法。该算法直接使用IQ时间序列信号训练LSTM网络,即可实现对通信辐射源个体的高效识别,避免了复杂的信号预处理过程。为使LSTM网络能更好地适用于通信辐射源个体识别,利用3层LSTM网络提取辐射源深层特征,并通过实验优化了网络参数。然后对该算法的实际应用泛化性进行了实验探究,结果表明该算法在其他辐射源数据集上也取得了较好的效果。最后,通过实验对算法进行了验证,结果表明相比于传统算法,在样本数较多时,该算法的识别准确率可以达到98%,而且简单快速智能,便于工程化与实用化。 

【文章来源】：系统工程与电子技术. 2020,42(12)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

不同数据集的实验结果

为了进一步说明堆栈式LSTM网络的应用泛化性，需要对不同通信信道质量情况下网络模型对通信辐射源的识别性能作实验探究。因此，本文采用对归一化后的短波通信辐射源信号添加高斯噪声的方式，获取通信信道质量不同的通信辐射源数据集。在不同SNR条件下，网络的识别性能随着迭代次数的变化情况如图9所示。由图9可知，随着SNR的增加，网络模型的识别性能越来越好，在SNR不小于8dB的条件下，网络模型有较好的性能，满足实际应用的需求。对比图8和图9可知，在对辐射源信号进行归一化处理后，网络模型的训练速度增快，在SNR大于10dB时，网络迭代2万次后的识别性能已经可以达到90%以上。通过实验可知，每迭代50次网络的消耗时间约为1.2s，那么该网络模型在训练样本为14 875个，批次处理大小为312时训练时间约为8分钟，在训练样本更少情况下，网络的训练速度会更快，因此网络模型可以有效解决实际应用的需求。

实验的主要目的是检验本文算法在实际通信辐射源个体识别上应用的有效性，由于信号采集器设备性能限制而又需要保留辐射源的细微特征，因此在实际信号采集时设置如下的通信条件：5部TBR-134A型短波通信电台在冬季下午室外（晴天，气温约0℃）无高楼遮挡物环境下采用直射进行语音通信，信号通过非协作方信号采集器采集；5部电台相互之间的部署距离为20m，采集器和电台之间的直线距离为30m；通信频率为14 MHz；工作模式选用“小功率”；调制方式为幅度调制（amplitude modulation,AM）。信号采集方式与简易流程如图1所示。信号采集器采集参数：信号采集中心频点为14 MHz，采样率为0.312 5IQMS/s，采样带宽为0.1 MHz，采集增益为24dB，保存格式为IQ交替存储的．bin文件格式。采集信号时，信号采集器的界面如图2所示。

【参考文献】：
期刊论文
[1]改进LeNet-5网络在图像分类中的应用[J]. 刘金利,张培玲.  计算机工程与应用. 2019(15)
[2]基于联合协作表示的特定辐射源识别[J]. 周志文,黄高明,王雪宝,满欣.  系统工程与电子技术. 2019(04)
[3]A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. ZHANG Yangsen,ZHENG Jia,JIANG Yuru,HUANG Gaijuan,CHEN Ruoyu.  Chinese Journal of Electronics. 2019(01)
[4]基于深度学习和集成学习的辐射源信号识别[J]. 黄颖坤,金炜东,余志斌,吴昀璞.  系统工程与电子技术. 2018(11)



本文编号：3482674