一种构建民航领域射频指纹识别模型的方法与流程

1.本发明涉及信号识别技术领域，尤其涉及一种构建民航领域射频指纹识别模型的方法。


背景技术：

2.基于射频指纹的物理层安全技术可以有效解决无线设备的安全接入问题，而特征提取作为射频指纹识别过程中的关键步骤，如何降低样本维度、减少测试训练时间、保证分类识别率是研究的重要内容。
3.在对射频指纹信号识别中，由于信号级别数据简单，为了提高射频指纹识别准确率，目前很多方法均基于信号参数，提取多种信号参数特征组成多维特征数组，或者通过提取不同特征，构建不同的神经网络模型，再结合模型训练实现射频指纹的目标识别。
4.现有方法增加了信号分析建模以及提取多类特征的难度，同时，由于信号本身的特点，采用复杂神经网络模型极易产生过拟合，而采用简单的神经网络模型虽然能够完成模型训练，但是其通过融合计算得到的准确率提高实际也极为有限。


技术实现要素：

5.鉴于上述的分析，本发明实施例旨在提供一种构建民航领域射频指纹识别模型的方法，用以解决现有无法自适应调整多模值和模型融合数量，识别准确率低的问题。
6.本发明实施例提供了一种构建民航领域射频指纹识别模型的方法，包括如下步骤：
7.建立信号样本库，截取信号样本库中信号同步头射频指纹段，得到样本集；
8.迭代设置模态值，基于样本集生成模态特征数组，构建模态值对应的残差网络模型；训练残差网络模型，直至得到最大模态值，退出迭代；将小于等于最大模态值的所有模态值放入模态值数组中；
9.选择模态值数组中至少两个模态值对应的残差网络模型进行组合，对应得到多个组合模型；根据其中每个残差网络模型训练后得到的测试准确率和各类别的先验概率值，通过联合分布置信函数，计算出每个组合模型中各类别的融合概率值，取最大融合概率值对应的类别作为射频指纹段被识别出来的类别，并计算每个组合模型的融合准确率；
10.根据预置的资源消耗率阈值，结合融合准确率，取出适合应用场景的组合模型作为最终的民航领域射频指纹识别模型。
11.基于上述方法的进一步改进，建立信号样本库前还要得到训练好的聚类模型，包括：固定频点和采集时间长度，对空采集多段通信信号，通信信号包括四类：航空交通控制atc信号、广播式自动相关监视ads
‑
b信号、ads
‑
b应答信号和杂波信号；遍历多段通信信号，获取每段通信信号的聚类特征值，放入聚类特征值集合中；构建聚类模型，根据通信信号的类别，设置聚类类别，基于聚类特征值集合，训练聚类模型，识别出ads
‑
b信号对应的类别值；
12.其中，获取每段通信信号的聚类特征值包括：
13.计算每段通信信号的最高峰值和最低峰值的平均值，平均值与预置系数的乘积作为每段通信信号的底噪阈值；
14.遍历每段通信信号，根据对应的底噪阈值，取出高于底噪阈值的第一个通信信号点和最后一个通信信号点，计算最后一个通信信号点与第一个通信信号点的数据长度差值，作为每段通信信号的聚类特征值，放入聚类特征值集合中。
15.基于上述方法的进一步改进，建立信号样本库，包括：
16.固定频点采集样本信号，获取样本信号的聚类特征值，传入训练好的聚类模型，得到样本信号的类别值；
17.识别样本信号的类别值是否是ads
‑
b信号对应的类别值，如果不是，则放弃样本信号，对下一段采集的样本信号进行分选识别；如果是，则样本信号为待识别的ads
‑
b信号；
18.建立simulink模型，根据协议字段解析样本信号，得到样本信号唯一标识；
19.基于样本信号唯一标识，对样本信号进行标注和归类，建立信号样本库。
20.基于上述方法的进一步改进，迭代设置模态值，包括：设置初始迭代次数为1，初始模态值为1，初次迭代时模态值递增1，当模态值大于1后，每次迭代模态值递增2。
21.基于上述方法的进一步改进，基于样本集生成模态特征数组，包括：
22.对样本集进行小波分解变换得到特征组合信息；
23.对特征组合信息进行傅里叶变换，得到时频信号实部数组和时频信号虚部数组；
24.根据模态值，从实部数组和虚部数组中选取特征数据，堆叠得到k
×
n
×
2形式的三维多通道数组，其中k表示当前模态值，n表示样本集中射频指纹段的信号长度，2表示实部和虚部；
25.将三维多通道数组拆分为模态值通道下的实虚双通道形式的数组，作为模态特征数组。
26.基于上述方法的进一步改进，对样本集进行小波分解变换得到特征组合信息，包括：
27.当模态值为1时，采用降采样小波分解变换，当模态值大于1时，采用非降采样小波分解变换，将样本集中射频指纹段信号分解为近似信息和细节信息；
28.将近似信息和细节信息组合为特征组合信息，且特征组合信息的长度与样本集中射频指纹段信号的长度相等。
29.基于上述方法的进一步改进，残差网络模型是非对称卷积核多通道残差网络，构建模态值对应的残差网络模型包括：
30.建立非对称卷积层，其中初始卷积核为(n,2)形态，后续卷积核为(n,1)形态，其中n≠1,2；
31.建立多通道残差块，残差块第一个卷积核的输入通道值与模态值一致；
32.建立非对称池化层，其中最终输出层采用平均池化方式，在最终输出层之前采用最大值池化方式。
33.基于上述方法的进一步改进，训练残差网络模型，直至得到最大模态值，包括：
34.训练残差网络模型，保存残差网络模型的测试准确率其中i表示迭代次数，k
i
表示第i次迭代设置的模态值；
35.如果模态值k
i
大于4时，计算最后3次迭代中残差网络模型的测试准确率的平均值，得到测试准确率均值p
mean
；识别测试准确率是否大于测试准确率均值p
mean
，如果为是，则继续迭代，如果为否，取前一次迭代的模态值k
i
‑1为最大模态值，退出迭代。
36.基于上述方法的进一步改进，联合分布置信函数是对至少两个残差网络模型的各类别置信函数进行建模得到，并引入了冲突系数和模糊值；冲突系数表示为单一置信函数在各类别交集不为空时所有组合方式取值的乘积之和，模糊值定义为1
‑
p
t
，p
t
表示第t个残差网络模型的测试准确率。
37.基于上述方法的进一步改进，冲突系数的计算公式为：
[0038][0039]
其中，a
s1
,a
s2
,
…
,a
st
∈(a1、a2、
……
、a
m
,θ)，a1、a2、
……
、a
m
表示有m类射频指纹信号，a
m
表示第m类射频指纹信号，θ表示残差网络模型的模糊值，m
t
(a
st
)表示进行组合的第t个残差网络模型识别为第a
st
类射频指纹信号的单一置信函数，根据第t个残差网络模型的测试准确率与第a
st
类先验概率值的乘积计算得到；
[0040]
联合分布置信函数的计算公式为：
[0041][0042]
联合分布置信函数符合约束条件根据联合分布置信函数计算出来的结果即为融合概率值。
[0043]
与现有技术相比，本发明至少可实现如下有益效果之一：
[0044]
1、基于模态值自适应调节多种组合的特征值和网络模型的融合应用，减少信号特征提取数量，降低信号分析中多维特征提取和选择的难度；
[0045]
2、截取信号同步头作为信号识别的模型学习区域，既可获取射频指纹的特征，又可加快训练速度，便于对实时监测信号的快速识别；
[0046]
3、自动根据不同模态数据，提取多通道下实虚双通道形式的特征数组，构建具有不同网络参数的多通道非对称残差网络模型，降低了对数据形态的要求，利于不同模态数据训练，有效提升识别准确率；
[0047]
4、在无融合状态下迭代调整模态值，通过训练后模型的测试准确率反向叠加计算平均值，确定最大模态值，建立合理的置信函数融合多组低模态数据的先验概率值，取出最优的融合模型，达到比高模态数据更高的准确率，更低的资源与时间的消耗。
[0048]
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0049]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0050]
图1为本发明实施例1中构建民航领域射频指纹识别模型的方法流程图；
[0051]
图2为本发明实施例1中残差网络模型的改进部分实例图。
具体实施方式
[0052]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0053]
实施例1，
[0054]
本发明的一个具体实施例，公开了一种构建民航领域射频指纹识别模型的方法，如图1所示，包括如下步骤：
[0055]
s11：建立信号样本库，截取信号样本库中信号同步头射频指纹段，得到样本集；
[0056]
需要说明的是，对空采集的频段混用信号包括有效信号和杂波信号，共用四类，其中有效信号有三类，分别是atc信号(air traffic control，航空交通控制信号)、ads
‑
b信号(automatic dependent surveillance
–
broadcast，广播式自动相关监视信号)、ads
‑
b应答信号。杂波信号主要体现为中间信号采集不全，数据长度有明显特征，而信号样本库是仅有ads
‑
b信号的数据库。因此在建立样本库之前，需要在步骤s10中得到训练好聚类模型，便于从通信信号中分选出ads
‑
b信号。步骤s10包括：
[0057]
s101：固定频点和采集时间长度，对空采集多段通信信号；
[0058]
示例性地，使用实时频谱分析仪，采集时间长度设置为160μs，中心频率设置为1090mhz，采样率设置为150mhz。
[0059]
s102：遍历多段通信信号，获取每段通信信号的聚类特征值，放入聚类特征值集合中；
[0060]
具体来说，获取每段通信信号的聚类特征值包括：
[0061]
①
计算每段通信信号的最高峰值和最低峰值的平均值，平均值与预置系数的乘积作为每段通信信号的底噪阈值；
[0062]
需要说明的是，预置系数根据大量信号的有效值与底噪值统计分析得到，在不同环境下，取值不同。
[0063]
假设每段通信信号的最高峰值为max，最低峰值为min，优选地，在无干扰环境下，预置系数取值为1.2，可以更好地聚类出杂波信号，此时：
[0064]
底噪阈值＝1.2
×
(max min)/2；
[0065]
②
遍历每段通信信号，根据对应的底噪阈值，取出高于底噪阈值的第一个通信信号点和最后一个通信信号点，计算最后一个通信信号点与第一个通信信号点的数据长度差值，作为每段通信信号的聚类特征值，放入聚类特征值集合中。
[0066]
s103：构建聚类模型，根据通信信号的类别，设置聚类类别，基于聚类特征值集合，训练聚类模型，识别出ads
‑
b信号对应的类别值；
[0067]
优选地，聚类模型采用k
‑
means聚类算法，针对四类通信信号进行聚类识别，每类特征值对应一个类别值，经过多次训练及对各类通信信号特征值的分析，取特征值均值最
大的一类为ads
‑
b信号，该类别值对应的就是ads
‑
b信号。
[0068]
基于训练好的聚类模型，从采集的通信信号中分选出ads
‑
b信号，建立信号样本库的过程包括：
[0069]
①
固定频点采集样本信号，按照步骤s102中获取聚类特征值的方法，获取样本信号的聚类特征值，传入训练好的聚类模型，得到样本信号的类别值；
[0070]
优选地，采用与步骤s10中相同的方法采集样本信号，每次截取3万点长度的信号为完整信号。
[0071]
②
识别样本信号的类别值是否是ads
‑
b信号对应的类别值，如果不是，则放弃样本信号，对下一段采集的样本信号进行分选识别；如果是，则样本信号为待识别的ads
‑
b信号；
[0072]
③
建立simulink模型，根据协议字段解析样本信号，得到样本信号唯一标识；
[0073]
④
基于样本信号唯一标识，对样本信号进行标注和归类，建立信号样本库。
[0074]
需要说明的是，因ads
‑
b信号的信息段带有数据信息，同步头已经具备了射频指纹的特征，所以根据射频指纹的定义，仅取该信号同步头作为目标识别的模型学习区域。
[0075]
示例性地，考虑到不同目标发射通道以及器件造成的射频差异，本实施例中对信号同步头前8μs，即前1024个点作为目标识别的模型学习区域；从信号样本库中取出样本集，包括20类ads
‑
b信号，固定训练集为每类560个信号，测试集为每类100个信号，在模型多次训练过程中采用相同的训练集和测试集。
[0076]
s12：迭代设置模态值，基于样本集生成模态特征数组，构建模态值对应的残差网络模型；训练残差网络模型，直至得到最大模态值，退出迭代；将小于等于最大模态值的所有模态值放入模态值数组中；
[0077]
需要说明的是，输入到残差网络模型的特征数组是通过对样本集中射频指纹段的信号进行小波分解变换以及傅里叶变换的联合变换后，根据设置的模态值而选取的特征数据。
[0078]
考虑到信号点多，数据简单，为了避免网络模型过拟合，通过采用非降采样小波分解变换，可以丰富细节信息，便于神经网络学习。所以，仅当模态值为1时，采用降采样小波分解变换，当模态值大于1时，均采用非降采样小波分解变换。
[0079]
小波分解变换的近似信息和细节信息的多层向下分离符合以下公式：
[0080]
f(t)＝f
a
(t) f
d
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)
[0081][0082]
其中，f
a
为近似特征函数，f
d
为细节特征函数，脚标n代表小波分解的层级。
[0083]
通过对不同信噪比的大量数据交叉验证，小波分解变换在信噪比较稳定的情况下，采用以特定组合方式可以达到很高的准确率，用公式(3)将近似信息和细节信息组合为特征信息，g(t)代表小波分解信号特征的特殊组合方式：
[0084][0085]
由于近似特征函数与细节特征函数可以分解为不同层级，公式(3)中k与m代表各自分解的最高层级。
[0086]
对特征信息进行时频傅里叶变换，分为时频信号实部数组g
real
(f)和时频信号虚部数组g
imag
(f)，公式如下所示：
[0087][0088][0089]
其中，ω表示频率，t表示时间，dt表示时间间隔，e
‑
iωt
为复变函数。
[0090]
在本实施例中，在非降采样小波变换中，近似特征函数与细节特征函数分解为相同层级，即在公式(3)中统一分解为k，且k与当前的模态值相同，则根据公式(4)得到时频信号实部数组g
real
(f)，表现形式如公式(6)所示，根据公式(5)得到时频信号虚数组g
imag
(f)，表现形式如公式(7)所示：
[0091][0092][0093]
将实部和虚部数组堆叠，得到的矩阵形式如公式(8)所示：
[0094][0095]
该矩阵模式为一个三维数组，其中小波分解的特征信息g(t)是一维数组n，在非降采样小波变换中，n代表截取信号的同步头长度值，实部和虚部数组形式是k
×
n，所以最后堆叠后的矩阵形式为k
×
n
×
2。考虑到图像输入方式一般为对称矩阵形式，以及ads
‑
b信号的复数域特征，将三维数组k
×
n
×
2拆分为k通道下的n
×
2的实虚双通道形式。
[0096]
示例性的，取信号同步头前1024个点作为目标识别的模型学习区域，当模态值大于1时，进行非降采样小波变换和傅里叶变换后，得到三维数组矩阵，形式为k
×
1024
×
2，最后拆分为k通道下1024
×
2的实虚双通道形式。
[0097]
需要说明的是，当模态值为1时采用降采样小波变换，为了保证数据对齐，以及与网络模型输入参数匹配，可以对多层分解的近似信息和细节信息进行其它方式组合，使组合的信息长度与样本集中射频指纹段信号的长度相等，即确保数据对齐为n个点，最终生成的三维数组形式为1
×
n
×
2即可。
[0098]
针对实虚双通道需求，构建的残差网络模型是非对称卷积核多通道残差网络，相对于简单的支持向量机svm、bp神经网络，准确率会更高，同时，残差网络层数的堆叠相比svm、bp神经网络也不会造成梯度消失现象。
[0099]
构建残差网络模型包括：
[0100]
①
建立非对称卷积层，其中初始卷积核为(n,2)形态，后续卷积核为(n,1)形态，其中n≠1,2；
[0101]
设置x为残差网络模型的输入数组，即根据模态值生成的模态特征数组，本实施例
中使用卷积核为1的表达形式conv(1,1)(x)来代替x，即输入层的形式为：
[0102]
f(x)＝conv(1,1)(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(9)
[0103]
卷积层的形式为：
[0104]
g(x)＝conv(n,2)(x)或者g(x)＝conv(n,1)(x)
ꢀꢀꢀ
公式(10)
[0105]
在网络模型堆叠中，g(x)的形态根据池化层的变化而变化。
[0106]
②
建立多通道残差块，残差块第一个卷积核的输入通道值与模态值一致，根据当前模态值的变化而动态调整；
[0107]
由于多模态数据变换后，残差块第一个卷积核的输入通道值会根据模态值变换而不断变换，因此，残差块的输出通道值设置为大于估算的最大模态值，优选地，根据以往信号训练状态，将残差块的输出通道值设为32，在后续模态值迭代增加时，输入通道值随之增大，加大数据上采样变化，适配池化后数据形态的要求。
[0108]
残差块的输出形式为：
[0109]
h(x)＝f(x) g(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(11)
[0110]
③
建立非对称池化层，其中最终输出层采用平均池化方式，在最终输出层之前采用最大值池化方式，用公式(12)和公式(13)表示最大池化方式，用公式(14)表示平均池化方式：
[0111]
p1(x)＝maxpool(2,2)(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(12)
[0112]
p2(x)＝maxpool(2,1)(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(13)
[0113]
p3(x)＝avegpool(2,1)(x)
ꢀꢀꢀꢀꢀꢀꢀꢀ
公式(14)
[0114]
示例性地，针对1024个信号点现有技术一般拆分为(32,32)数据形式，采用(3,3)卷积核；而根据本实施例方案，构建的残差网络模型改进部分如图2所示，另外还包括至少2层全连接层：
[0115]
将初始卷积核设计为(3,2)形态，根据池化形态，后续卷积核调整为(3,1)形态。
[0116]
第一层残差块表示为h1(x)，池化模块采用公式(12)的p1(x)：
[0117]
h1(x)＝conv(32,1,1)(x) conv(32,3,2)(x)
[0118]
其中，根据模态值设置卷积模块的通道数为32；
[0119]
第二层到第四层设置相同的残差块，表示为h2‑4(x)，第二层池化模块采用公式(13)的p2(x)：
[0120]
h2‑4(x)＝conv(32,1,1)(x) conv(32,3,1)(x)
[0121]
第三层池化模块也采用p2(x)，第四层池化模块采用公式(14)的p3(x)。
[0122]
在确定了残差网络输入的模态特征数组，以及网络模型构建方式后，在网络模型无融合的状态下，迭代设置模态值，基于样本集生成模态特征数组，构建模态值对应的残差网络模型；训练残差网络模型，直至得到最大模态值，退出迭代；将小于等于最大模态值的所有模态值放入模态值数组，其中样本集包括训练集和测试集，整个过程包括：
[0123]
①
设置初始迭代次数i＝1，初始模态值k
i
＝k1＝1；
[0124]
②
基于模态值k
i
，生成k
i
模态特征数组；
[0125]
③
根据k
i
模态特征数组，构建模态值k
i
对应的残差网络模型，基于训练集训练残差网络模型，得到各类别的先验概率值，基于测试集计算残差网络模型的测试准确率保存当前残差网络模型；
[0126]
④
如果k
i
＝1，迭代次数i＝i 1，模态值k
i
＝k
i
‑1 1，返回到步骤
②
；
[0127]
如果1<k
i
≤4，迭代次数i＝i 1，模态值k
i
＝k
i
‑1 2，返回到步骤
②
；
[0128]
如果k
i
＞4，计算最后3次训练的测试准确率均值p
mean
，当迭代次数i＝i 1，模态值k
i
＝k
i
‑1 2，返回到步骤
②
；当取k
i
‑1为最大模态值，退出迭代；
[0129]
⑤
将小于等于最大模态值k
i
‑1的所有模态值k1,k2,
…
,k
i
‑1放入模态值数组中。
[0130]
具体来说，最后3次训练的测试准确率均值p
mean
的计算公式如下所示：
[0131][0132]
其中，r表示最后3次迭代次数与第i次迭代的差值。
[0133]
示例性地，基于前述获取的训练集和测试集示例数据，以及图2建立的残差网络模型实例，迭代设置模态值，训练残差网络模型，得到测试准确率如表1所示，在模态值设置为10时，开始呈现下降趋势，测试准确率96.55％小于最后3次训练的测试准确率均值96.63％，所以，最大模态值为前一次设置的8，接下来就要将模态值为1、2、4、6、8的残差网络模型进行选择性组合，再判断得到最优的组合模型作为最终的民航领域射频指纹识别模型。
[0134]
表1不同模态值对应的残差网络模型的测试准确率
[0135][0136]
本步骤中自动根据不同模态数据，构建具有不同网络参数的多通道非对称残差网络模型，降低了对数据形态的要求，有利于不同模态数据训练，有效提升了识别准确率。
[0137]
s13：选择模态值数组中至少两个模态值对应的残差网络模型进行组合，对应得到多个组合模型；根据其中每个残差网络模型训练后得到的测试准确率和各类别的先验概率值，通过联合分布置信函数，计算出每个组合模型中各类别的融合概率值，取最大融合概率值对应的类别作为射频指纹段被识别出来的类别，并计算每个组合模型的融合准确率；
[0138]
需要说明的是，在步骤s12中可以得到保存的单一残差网络模型的测试准确率和各类别的先验概率值，在计算单一残差网络模型以及融合残差网络模型的置信函数的时，对每个残差网络模型引入模糊值，从而加强置信函数的可靠性。
[0139]
具体来说，每个单一残差网络模型中各类别的置信函数设置为：
[0140]
m
i
(a1、a2、
……
a
m
,θ
i
)＝(p
i
q
i1
,p
i
q
i2
，
……
p
i
q
im
，1
‑
p
i
)
ꢀꢀꢀꢀ
公式(16)
[0141]
其中，m表示共有m类射频指纹信号，a
m
表示第m类射频指纹信号；θ
i
表示第i个残差网络模型的模糊值，定义为1
‑
p
i
；p
i
表示第i个残差网络模型的测试准确率；q
id
为信号数据在第i个残差网络模型识别为第d类的先验概率值，符合约束条件
[0142]
基于ds证据理论(dempster
‑
shafer envidence theory)的决策融合算法，对t个单一的残差网络模型进行融合。
[0143]
将单一模型置信函数在各类别交集不为空时所有组合方式取值的乘积之和作为冲突系数q，计算公式如下所示：
[0144][0145]
其中，a
s1
，a
s2
，
…
，a
st
∈(a1、a2、
……
、a
m
,θ)，m
t
(a
st
)表示进行组合的第t个残差网络模型识别为第a
st
类射频指纹信号的置信函数；θ∈{θ1、θ2、
……
、θ
t
}表示t个残差网络模型各自的模糊值；
[0146]
联合分布置信函数是对至少两个残差网络模型的各类别置信函数进行建模得到，t个残差网络模型置信函数在a类时取值的乘积之和即为a类的融合概率值，联合分布置信函数表示为：
[0147]
m
1,2,
…
，t
(a)＝g(q,θ,m1,m2，
…
,m
t
)
ꢀꢀꢀꢀ
公式(18)
[0148]
其中，a∈(a1、a2、
……
、a
m
,θ)，θ∈{θ1、θ2、
……
、θ
t
}，m
t
表示组合模型中第t个残差网络模型的单一置信函数，θ
t
表示组合模型中第t个残差网络模型的模糊值，联合分布置信函数符合约束条件
[0149]
结合冲突系数，联合分布置信函数的计算公式如下：
[0150][0151]
根据联合分布置信函数计算出来的结果即为融合概率值；基于测试集，取最大融合概率值对应的类别作为射频指纹段信号最终被识别出来的类别，对每个组合模型计算得到融合准确率。
[0152]
值得注意的是，在选择多个模态值对应的残差网络模型进行组合时，优先选择小模态值对应的残差网络模型，并且组合个数尽量少，优选地，组合的网络模型个数小于等于3。
[0153]
s14：根据预置的资源消耗率阈值，结合融合准确率，取出适合应用场景的组合模型作为最终的民航领域射频指纹识别模型。
[0154]
需要说明的是，在组合模型的资源消耗率小于预置的资源消耗率阈值的情况下，融合准确率的高低选择、资源消耗率的大小选择或者融合准确率与资源消耗率的优先选择可以结合实际应用场景的侧重点来设置，从而取出最优的组合模型作为最终的民航领域射频指纹识别模型。
[0155]
优选地，在组合模型的资源消耗率小于预置的资源消耗率阈值情况下，当应用场景侧重于高准确率时，取出融合准确率最高的组合模型；当应用场景侧重于高性能时，取出资源消耗率最小的组合模型；当应用场景侧重于准确率和性能平衡时，取出融合准确率次高的组合模型。
[0156]
示例性地，在表2中列出了几种具有代表性的组合模型，其中3,(1,2,4)表示选择模态值为1、2、4对应的3个残差网络模型进行组合。在表2中组合模型的融合准确率都在97％以上，并且任意一个组合模型都大于表1非融合状态下最大模态值8对应的残差网络模型的测试准确率，这时，如果应用场景侧重于高性能，可以选择3,(1,2,8)组合；如果侧重于高准确率，可选择3,(2,6,8)组合；如果侧重于准确率和性能平衡，可以选择3,(1,6,8)组
合。需要说明的是，针对20类射频指纹信号，98.05％准确率是目前现有资料中提到的最高准确率。
[0157]
表2组合模型的融合准确率
[0158][0159]
与现有技术相比，本实施例提供了一套完整的自动化目标智能识别的流程，自动根据不同模态数据，构建具有不同网络参数的多通道非对称残差网络模型，自动根据识别得到的最大模态值，进行多个网络模型的组合，建立合理的置信函数融合多组低模态数据的先验概率值，取出最优的融合模型，达到比高模态数据更高的准确率，更低的资源与时间的消耗。
[0160]
实施例2，
[0161]
本实施例提供一种民航领域实时信号识别方法，采用实施例1中构建的民航领域射频指纹识别模型，包括如下步骤：
[0162]
通过信号采集器，按照频点对空采集通信信号，获取通信信号的聚类特征值，通过聚类模型识别出ads
‑
b信号；
[0163]
示例性地，采用tektronix公司的rsa6120b的信号采集器，采集时间长度设置为160μs，中心频率设置为1090mhz，采样率设置为150mhz。
[0164]
根据民航领域射频指纹识别模型中每个残差网络模型对应的模态值，对ads
‑
b信号分别提取模态特征数组后传入对应的残差网络模型中，计算出每个残差网络模型中各类别的先验概率值，再取出每个残差网络模型的测试准确率，通过联合分布置信函数，计算出民航领域射频指纹识别模型中各类别的融合概率值；
[0165]
基于各类别的融合概率值，取最大融合概率值对应的类别，得到ads
‑
b信号的设备身份类别。
[0166]
与现有技术相比，在航空射频信号形态确定的情况下，根据信号特征的自动提取与残差网络模型的有效结合，可以实现效率最高、识别最精准的自动化目标识别方法。
[0167]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0168]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。