【www.zhangdahai.com--其他范文】
陶梦圆，张茜茜，王禹，杨洁
（南京邮电大学通信与信息工程学院，江苏 南京 210023）
辐射源识别技术根据侦察技术获取发射端的辐射源信号，通过分析信号的频率特征、调制参数等信息，对信号特征进行测量与提取，最后，根据先验信息对发射信号的辐射源个体进行分类与确认[1]。近年来，该技术在军事和民用通信中的频谱检测与信号处理等方面发挥巨大的作用。
目前的辐射源识别方法可分为传统识别方法与机器学习（ML,Machine Learning）方法，具体如图1 所示：
图1 辐射源识别方法
其中传统的辐射源识别方法识别速度快且易于实现，但此方法依赖先验知识且泛化能力差，难以处理如今数量庞大且形式复杂的辐射源信号[1]。ML 为一种智能的数据分析方法，可以模仿人类学习方式，从而使计算机网络程序随着经验的增多而提高性能[2-4]，因此基于ML 的辐射源识别方法可以解决传统方法难以处理的大规模复杂辐射源信号识别问题。其中基于深度学习（DL,Deep Learning）的辐射源识别方法是如今最热门的辐射源识别研究方向，该方法通过构建深度神经网络，如卷积神经网络、深度置信网络、稀疏自编码器等自动提取信号的复杂深层特征，进而实现辐射源的精确识别[5-9]。该方法在解决数量庞大、维度高、形式复杂的辐射源识别任务上表现出了优异的识别性能，因此本文基于DL 算法，利用复数卷积神经网络（CVCNN,Complex Value Convolutional Neural Network）对进行预处理后的信号样本进行特征提取与分类识别，完成辐射源信号识别任务。
1.1 系统模型
基于复数卷积神经网络的辐射源识别方法系统模型如图2 所示，在对接收到的信号样本进行数据预处理后，输入到CVCNN 中进行训练，提取信号特征并存储训练好的网络模型权重，最终用训练好的网络模型对待识别的辐射源信号样本进行分类识别。
图2 基于复数卷积神经网络的辐射源识别方法系统模型
1.2 信号模型
实验中使用的数据集为自动相关监视系统（ADS-B，Automatic Dependent Surveillance-Broadcast）信号样本，通过图3 信号采集系统对航空器信息进行采集[10]，具体过程如下：
第一步：利用软件无线电设备用于检测和捕获ADS-B信号的基带同相/正交（I/Q,In-phase/Quadrature）数据；
第二步：使用自动解码算法获取飞机的个人身份标签（ID,Identity Document）；
第三步：使用自动聚类和标记算法将基带I/Q 数据标以相应的飞机ID，完成ADS-B 信号收集。
图3 ADS-B信号采集系统
采集到的ADS-B 信号数据集s(t) 如式(1)。接收到的信号为I/Q 信号，包含实部与虚部两部分，这也是在后续的辐射源识别网络模型中选择复数卷积神经网络进行训练的原因，即避免分割复数ADS-B 信号的I/Q 数据，保留了二者耦合所带来的信息。
其中，h(t) 表示信道脉冲响应，m(t) 表示设备接收到的ADS-B 无线信号，n(t) 表示噪声。
1.3 问题描述
本文提出的辐射源识别方法设置在接收端，旨在将接收到的辐射源信号s(t)预处理为样本信号S={x(0),x(1),…,x(N-1)}，N代表接收的样本信号数，然后进一步把这些输入信号分类为已知的不同辐射源信号k={yi,i=1,2,…,K}，K表示辐射源信号种类数量，以完成辐射源分类识别任务。辐射源信号的分类处理中用到最大后验概率准则（MAP,Maximum-A-Posteriori），即：
2.1 复数卷积神经网络
在进行CVCNN 模型的设计时[11-12]，本文首先使用了复数卷积对输入ADS-B 信号进行卷积操作，将信号的I 路和Q 路联系起来，并提取出由I 路和Q 路之间的耦合性而带来的特征，提高识别准确率。然后考虑到网络参数量和计算复杂度问题，采用小卷积核进行多层卷积以减少模型参数。此外，整合多个非线性激活层来代替单一非线性激活层，以增强判别能力[13]。而在特征提取过程中，使用小卷积核会带来能力不足、视野不够的问题，所以采用增多卷积神经网络层数的方法来弥补这些问题。然而，神经网络深度的增加也会导致特征维度的增加，因此本文在每一个卷积层后都设置了池化层进行特征图压缩，同时对神经网络添加批标准化操作，以提升神经网络收敛速度，并且使用相对较大的学习率[14]。
本文设计的CVCNN 结构如图4 所示。
图4 复数卷积神经网络结构
与实数卷积操作相比，复数卷积操作在进行卷积工作时其卷积核会将实部与虚部联合起来，避免特征关系丢失。输入ADS-B 信号样本神经网络的复数卷积核可表示为W=A+iB，复数卷积形式如式(5)，从而实现对信号实部与虚部的联合操作。
此外，本文设计的CVCNN 还加入了批标准化（BN,Batch Normalization）层[15]，把经线性函数映射后的特征分布转化为均值为0、方差为1 的正态分布。同时，考虑到如果只是简单地变换为均值为0 方差为1 的线性表达，会导致CVCNN 的表达能力下降，因此还需要进行非线性变换操作。经过非线性变换函数后的输入值落入到对输入比较敏感的区域，以此避免梯度消失问题。具体算法步骤如下：
2.2 复数神经网络的训练过程
在训练阶段，CVCNN 采用了前向传播与反向传播结合的算法，如图5 所示，通过这个过程实现对权重与参数的更新，使损失函数最小化。
图5 神经网络训练模式
其中前向传播阶段信号由低维到高维进行传播，CVCNN的卷积层、池化层、全连接层的数学模型表示如下[16]：
反向传播阶段计算权重的损失函数梯度，更新权重以最小化损失函数[17-18]。本文CVCNN 使用交叉熵损失作为损失函数，其表达式为：
其中，yi为信号样本的真实类别标签，pi为通过CVCNN的Softmax 函数映射后的预测概率，。
确定损失函数后，根据损失函数求得梯度：
3.1 实验参数
实验环境的配置与参数的设置如表1 所示：
表1 实验环境与参数设置
3.2 实验结果
（1）识别性能
本文选取了CNN1[19]和CNN2[20]这两种卷积神经网络，以及与本文所设计的CVCNN 具有相似结构的实数卷积神经网络（RVCNN，Real Value Convolutional Neural Network）作为CVCNN 对比的网络进行实验。
实验选取准确率、精确度、召回率和查全率与混淆矩阵作为评估标准对识别性能进行评估，得到表2 所示的性能与图6 所示的混淆矩阵。由表2 可以看出，与其他神经网络相比，本文所设计的CVCNN 在准确率、精确度、召回率和查全率这4 方面都有显著提高；
同样地，由图6 可以看出，CVCNN 的识别性能明显优于3 种对比神经网络。
表2 不同网络模型识别性能
图6 不同网络模型的混淆矩阵
进而，本文分析了CVCNN 与3 种对比神经网络的网络复杂度，采用了模型参数量Parameters 与计算量FLOPs作为评估指标。其中神经网络的最大池化层不含参数量，且最大池化仅仅是比较操作，其计算量可以忽略不计；
批标准化层为归一化操作，该层的参数量与计算量与卷积层、全连接层相比也可忽略不计。因此本文选取卷积层和全连接层的参数量与计算量对神经网络的复杂度进行对比与分析。每层的参数量Pi与计算量Fi的计算方式如下：
神经网络复杂度计算结果如表3 所示。可以看出，本文提出的基于CVCNN 的辐射源识别方法与同样具有较高识别性能的RVCNN、CNN1 相比，模型参数量较小，且计算复杂度也没有增加，即能在提高识别性能的同时不增加模型计算复杂度，便于实际应用部署。
表3 不同网络模型参数量与计算复杂度
（2）模型收敛过程
本文调查了不同神经网络模型的训练过程，并分析了不同神经网络的损失收敛速度，如图7 所示。可以看出，与CNN1 和CNN2 网络相比，本文所设计的CVCNN 的收敛速度明显优于CNN1 和CNN2，并且损失更趋近于零。
图7 神经网络训练过程
在无线通信环境日益复杂的大环境下，电磁战场上的信号侦察干扰以及日常生活中的物联网连接安全等问题都需要辐射源识别技术的支撑。本文提出基于CVCNN的辐射源识别方法，详细阐述了复数卷积神经网络的网络结构与算法流程，并采用100 类民航客机ADS-B 信号作为输入数据，对所提出的基于CVCNN 的辐射源识别方法进行仿真实验。实验结果表明，所提出的CVCNN识别准确率高、训练速度快,且在一定程度上减少了网络复杂度。在未来的工作中，考虑到模型实际部署的成本问题，将探索模型压缩技术。在保证识别性能的前提下，通过压缩模型参数进一步优化所提出的基于CVCNN 的辐射源识别技术，从而实现模型的低成本部署。
猜你喜欢 复杂度复数卷积 基于全卷积神经网络的猪背膘厚快速准确测定农业工程学报(2022年12期)2022-09-09基于FPGA的卷积神经网络加速优化方法计算机仿真(2022年7期)2022-08-22复数问题学习盘点中学生数理化·高一版(2022年6期)2022-07-08柬语母语者汉语书面语句法复杂度研究华文教学与研究(2022年1期)2022-04-27基于图像处理与卷积神经网络的零件识别计算技术与自动化(2022年1期)2022-04-15数字经济对中国出口技术复杂度的影响研究社会科学战线(2022年2期)2022-03-16单数和复数小猕猴学习画刊(2021年9期)2021-10-11Kerr-AdS黑洞的复杂度华东师范大学学报（自然科学版）(2020年1期)2020-03-16基于深度卷积网络与空洞卷积融合的人群计数上海师范大学学报·自然科学版(2019年5期)2019-12-13非线性电动力学黑洞的复杂度华东师范大学学报（自然科学版）(2019年2期)2019-06-11本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0424/589024.html
