基于深度子领域自适应的辐射源个体识别方法

技术特征：
1.一种基于深度子领域自适应的辐射源个体识别方法，其特征在于，包括：s100、获取辐射源的ads-b信号的一维点数据，其中数据分为源域数据与目标域数据；s200、将所述一维点数据转换成iq波形图，采用拼接方式将i路图像和对应的q路图像拼接到一起，形成i/q拼接图；s300、采用改进的图像集预训练的resnet-50网络结构提取源域与目标域数据的通用特征；s400、嵌入局部最大均值差异自适应层来对齐子领域分布，减少源域与目标域的分布差异的同时捕获近距离子类别的精细信息；s500、通过局部最大均值差异与预训练的resnet-50模型构建用于辐射源个体识别的子领域自适应模型，对子领域自适应模型进行训练并将模型概率预测结果作为目标域的伪标签；通过最小化损失目标函数来学习源域与目标域共有的分类特征；s600、利用构建好的子领域自适应网络对不同信噪分布的辐射源信号进行迁移识别。2.根据权利要求1所述的基于深度子领域自适应的辐射源个体识别方法，其特征在于，步骤s200在将所述一维点数据转换成iq波形图前，对数据进行归一化，所述归一化的方法包括：将辐射源的i路数据、q路数据分别进行归一化，并且将最大值变为1，归一化公式为：其中y为归一化的结果，x为需要归一化的数据。3.根据权利要求2所述的基于深度子领域自适应的辐射源个体识别方法，其特征在于，所述一维点数据转换成iq波形图包括：取m个数据点为一个数据样本，将一维iq数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到iq两路数据的二维波形图。4.根据权利要求3所述的基于深度子领域自适应的辐射源个体识别方法，其特征在于，采用拼接方式将i路图像和对应的q路图像拼接到一起，形成i/q拼接图包括：将i路和q路二维波形图进行拼接，i路图像在左，q路图像在右。5.根据权利要求2所述的子领域自适应的辐射源个体识别方法，其特征在于，对iq拼接图像考虑加性高斯白噪声信道场景，形成含有不同噪声分布的iq拼接图像包括：信噪比范围为0～kdb，以2db为间隔一共含有k/2种不同噪声环境的iq拼接数据集。取其中信噪比为n db数据集为源域数据，其余k/2-1种噪声数据集为目标域数据集。6.根据权利要求3所述的子领域自适应的辐射源个体识别方法，其特征在于，步骤s300所述所述预训练的resnet-50模型是在imagenet数据集中的数百万个图像上进行了训练的一个50层的残差神经网络模型，它包括49个卷积层和1个1000个节点的全连接层。将所有卷积层作为特征提取器，去除最后一个全连接层并新增一个两层的全连接层，并将第一层全连接层网络设定为自适应层，采用局部最大均值差异准则进行子领域自适应。7.根据权利要求1所述的基于深度子领域自适应的辐射源个体识别方法，其特征在于，所述局部最大均值差异自适应层是在衡量源域与目标域数据之间的分布的整体差异的最大均值差异基础上进行改进，通过引入局部最大均值差异进行条件分布差异计算，在深度网络的迭代过程中使它最小化，缩小同一类别内相关子域的分布差异。8.根据权利要求7所述的基于深度子领域自适应的辐射源个体识别方法，其特征在于，所述局部最大均值差异表达式为：
其中，和分别为和属于第c类的权重，计算公式为：9.根据权利要求5所述的基于深度子领域自适应的辐射源个体识别方法，其特征在于，对于源域中的样本，使用真实标签作为one-hot来计算每个样本的权重对无标签的目标域，深度神经网络的输出是一个概率分布，采用网络预测标签作为目标域的伪标签来计算目标域的权重实现高层网络层的自适应，需要知道其中的激活值z
l
；给定具有n
s
个具有标签的源域d
s
，n
t
个不含标签的目标域d
t
，分别服从概率为p和q，深度神经网络将会在l层中产生和的激活值；定义子领域自适应函数为：式中，z
l
为第l层(l∈l＝{1,2,
…
,|l|})提取的特征。在模型的训练过程中，将上式中lmmd用于领域自适应的损失，从而得到网络优化的目标函数为：其中，j(
·
,
·
)为交叉熵损失函数；为子领域自适应函数；le为总的自适应层数。10.根据权利要求5所述的基于深度子领域自适应的辐射源个体识别方法，其特征在于，利用信噪比为n的源域辐射源信号的i/q拼接图样本数据训练子领域自适应模型，将待识别的k/2-1种信噪比的辐射源i/q拼接图输入到训练好的子领域自适应模型中，对目标域辐射源个体进行迁移识别。

技术总结
本发明公开了一种基于深度子领域自适应的辐射源个体识别方法，属于辐射源个体识别领域。本发明包括获取辐射源ADS-B信号的源域信号和目标域信号，类型为一维点数据；将所述一维点数据转换成IQ波形图，形成I/Q拼接图；提取源域与目标域数据的通用特征；嵌入局部最大均值差异自适应层来对齐子领域分布；通过局部最大均值差异与预训练的Resnet-50模型构建用于辐射源个体识别的子领域自适应模型；对子领域自适应模型进行训练并将模型概率预测结果作为目标域的伪标签；利用构建好的子领域自适应网络对不同信噪分布的辐射源信号进行迁移识别。本发明能够在节省训练时间的基础上对不同信噪分布情况下的ADS-B辐射源个体进行准确识别。别。别。


技术研发人员：张涛 唐震 杜奕航 钱磊
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.07.18
技术公布日：2022/10/11