基于机器学习的信号与辐射源关联识别研究
发布时间：2021-01-03 01:20
在日益复杂的电磁环境中,信号与辐射源的关联识别引起了国内外学者的广泛关注。信号与辐射源关联识别是指在信号与辐射源之间建立一一对应的关联关系,通过识别辐射源信号进而实现对关联辐射源的有效识别。首先,本文将信号与辐射源关联识别问题分为两部分:信号与辐射源型号关联识别和信号与辐射源个体关联识别。前者是通过识别不同型号的辐射源信号,根据信号与辐射源的一一对应关系实现对辐射源型号的识别。后者是在完成辐射源型号识别后,对该型号不同辐射源个体进行识别,即识别相同型号、相同工作方式的不同辐射源个体信号,进而根据信号与辐射源的一一对应关系实现对辐射源个体的识别。其次,针对信号与辐射源型号关联识别问题,本文以辐射源型号已知的信号样本为研究基础,将电磁信号与不同型号的通信、雷达等辐射源进行一一关联,通过建立信号的分类器进而实现对辐射源型号的识别。实际应用时根据未知信号在分类器中的输出类别从而实现对辐射源型号的识别。由于不同类型的辐射源信号在制式上的不一致性,使得传统的辐射源识别方法对于不同类型的辐射源无法进行统一的特征提取。本文引入深度学习思想,利用卷积神经网络对信号特征进行智能化提取,将不同类型辐射源信号...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
LeNet5网络模型
接天线对对讲机信号进行采集，采集的是同一位同学的同一段文字的语音播报，保证采集的 4 部对讲机信号的一致性。图4.17 四部对讲机实物图对讲机信号的采集方法在 4.3.2 节中已经讲述，利用带通采样的原理按照 1MHz的采样率对信号进行采集，再使用 MATLAB 设计的 FIR 带通滤波器对信号进行滤波，从而将对讲机信号中的语音信号进行筛选。对讲机信号的采样长度为 1000，每一部对讲机训练集样本数为 500，测试集为 50。对采集的数据集分别计算圆周积分双谱峰值和矩形积分双谱峰值作为特征向量，因此训练数据集大小为[2000,2]，测试数据集大小为[200,2]。4.4.2 仿真结果分析通过构建的三个支持向量机分类器对训练集进行训练
西安电子科技大学硕士学位论文70图5.5 八部对讲机实物图对讲机信号的采集方法在 4.3.2 节中已经讲述，利用带通采样的原理按照 1MHz的采样率对信号进行采集，再使用 MATLAB 设计的 FIR 带通滤波器对信号进行滤波，从而将对讲机信号中的语音信号筛选出来。对讲机信号的采样长度为 1000，每一部对讲机训练集样本数为 800，因此训练数据集大小为[6400,1000]，验证集和测试集每部对讲机样本数为 100，因此验证集和测试集中数据集大小为[800,1000]。标签集按照3.2.4 节所述规则生成
【参考文献】：
期刊论文
[1]基于边际Fisher深度自编码器的电台指纹特征提取[J]. 黄健航,雷迎科. 模式识别与人工智能. 2017(11)
[2]浅析深度学习的三种核心算法模型[J]. 韩志俊. 中国新通信. 2017(15)
[3]无线通信设备的射频指纹提取与识别方法[J]. 俞佳宝,胡爱群,朱长明,彭林宁,姜禹. 密码学报. 2016(05)
[4]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[5]利用信号围线积分双谱分形特征实现电台识别[J]. 何永亮,陈西豪,许华,江汉,刘潇文. 电讯技术. 2014(10)
[6]基于GMM和神经网络的辐射源识别方法[J]. 公绪华,袁振涛,谭怀英. 雷达科学与技术. 2014(05)
[7]基于神经网络的未知雷达辐射源智能识别技术[J]. 刘凯,王杰贵. 电子信息对抗技术. 2013(06)
[8]雷达辐射源信号双谱估计的物理意义及其辐射源个体识别[J]. 陈涛,姚文杨,翟孝霏,刘雅轩. 中南大学学报(自然科学版). 2013(01)
[9]基于六边形主域积分双谱的通信辐射源识别方法[J]. 吴文,王金明,潘克修,陈志伟,徐玉龙. 军事通信技术. 2012(02)
[10]基于矩形积分双谱和核主分量分析的电台指纹识别[J]. 刘明骞,李兵兵,吴启军. 西北大学学报(自然科学版). 2011(01)
博士论文
[1]基于信号指纹的通信辐射源个体识别技术研究[D]. 徐书华.华中科技大学 2007
[2]通信电台个体特征分析[D]. 任春辉.电子科技大学 2006
硕士论文
[1]机器学习在辐射源信号指纹识别中的应用研究[D]. 张向前.电子科技大学 2018
[2]电台个体识别研究[D]. 王绮宇.电子科技大学 2017
[3]通信辐射源信号细微特征分析与个体识别技术研究[D]. 王欢欢.解放军信息工程大学 2017
[4]通信辐射源个体识别技术研究[D]. 丁敏.电子科技大学 2017
[5]基于卷积神经网络的深度学习算法与应用研究[D]. 张效荣.西安电子科技大学 2015
[6]基于双谱的辐射源个体识别技术[D]. 官建平.西安电子科技大学 2014
[7]电台指纹识别算法研究[D]. 吴启军.西安电子科技大学 2010
本文编号：2954027
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
LeNet5网络模型
接天线对对讲机信号进行采集，采集的是同一位同学的同一段文字的语音播报，保证采集的 4 部对讲机信号的一致性。图4.17 四部对讲机实物图对讲机信号的采集方法在 4.3.2 节中已经讲述，利用带通采样的原理按照 1MHz的采样率对信号进行采集，再使用 MATLAB 设计的 FIR 带通滤波器对信号进行滤波，从而将对讲机信号中的语音信号进行筛选。对讲机信号的采样长度为 1000，每一部对讲机训练集样本数为 500，测试集为 50。对采集的数据集分别计算圆周积分双谱峰值和矩形积分双谱峰值作为特征向量，因此训练数据集大小为[2000,2]，测试数据集大小为[200,2]。4.4.2 仿真结果分析通过构建的三个支持向量机分类器对训练集进行训练
西安电子科技大学硕士学位论文70图5.5 八部对讲机实物图对讲机信号的采集方法在 4.3.2 节中已经讲述，利用带通采样的原理按照 1MHz的采样率对信号进行采集，再使用 MATLAB 设计的 FIR 带通滤波器对信号进行滤波，从而将对讲机信号中的语音信号筛选出来。对讲机信号的采样长度为 1000，每一部对讲机训练集样本数为 800，因此训练数据集大小为[6400,1000]，验证集和测试集每部对讲机样本数为 100，因此验证集和测试集中数据集大小为[800,1000]。标签集按照3.2.4 节所述规则生成
【参考文献】：
期刊论文
[1]基于边际Fisher深度自编码器的电台指纹特征提取[J]. 黄健航,雷迎科. 模式识别与人工智能. 2017(11)
[2]浅析深度学习的三种核心算法模型[J]. 韩志俊. 中国新通信. 2017(15)
[3]无线通信设备的射频指纹提取与识别方法[J]. 俞佳宝,胡爱群,朱长明,彭林宁,姜禹. 密码学报. 2016(05)
[4]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[5]利用信号围线积分双谱分形特征实现电台识别[J]. 何永亮,陈西豪,许华,江汉,刘潇文. 电讯技术. 2014(10)
[6]基于GMM和神经网络的辐射源识别方法[J]. 公绪华,袁振涛,谭怀英. 雷达科学与技术. 2014(05)
[7]基于神经网络的未知雷达辐射源智能识别技术[J]. 刘凯,王杰贵. 电子信息对抗技术. 2013(06)
[8]雷达辐射源信号双谱估计的物理意义及其辐射源个体识别[J]. 陈涛,姚文杨,翟孝霏,刘雅轩. 中南大学学报(自然科学版). 2013(01)
[9]基于六边形主域积分双谱的通信辐射源识别方法[J]. 吴文,王金明,潘克修,陈志伟,徐玉龙. 军事通信技术. 2012(02)
[10]基于矩形积分双谱和核主分量分析的电台指纹识别[J]. 刘明骞,李兵兵,吴启军. 西北大学学报(自然科学版). 2011(01)
博士论文
[1]基于信号指纹的通信辐射源个体识别技术研究[D]. 徐书华.华中科技大学 2007
[2]通信电台个体特征分析[D]. 任春辉.电子科技大学 2006
硕士论文
[1]机器学习在辐射源信号指纹识别中的应用研究[D]. 张向前.电子科技大学 2018
[2]电台个体识别研究[D]. 王绮宇.电子科技大学 2017
[3]通信辐射源信号细微特征分析与个体识别技术研究[D]. 王欢欢.解放军信息工程大学 2017
[4]通信辐射源个体识别技术研究[D]. 丁敏.电子科技大学 2017
[5]基于卷积神经网络的深度学习算法与应用研究[D]. 张效荣.西安电子科技大学 2015
[6]基于双谱的辐射源个体识别技术[D]. 官建平.西安电子科技大学 2014
[7]电台指纹识别算法研究[D]. 吴启军.西安电子科技大学 2010
本文编号：2954027
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2954027.html
