买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电波传播研究所(中国电子科技集团公司第二十二研究所)

摘要：本发明公开了一种基于自适应指纹特征融合的多源异构辐射源个体识别方法，包括如下步骤：步骤1，使用USRP采集不同位置不同模态的无线电信号，包括原始射频信号、解OFDM循环码后的信号以及信道均衡后的信号；步骤2，使用三条并行支路的一维或二维卷积层、池化层以及全连接层分别对三种不同的信号提取对应的射频指纹；步骤3，使用基于注意力机制的特征融合模块对上一步提取的三种射频指纹进行融合；步骤4，使用一个全连接网络分类器对融合后的射频指纹特征进行分类。本发明所公开的方法，考虑到了现实场景中来自于多种不同传感器的数据，克服了多源异构数据利用率低的问题。

主权项：1.一种基于自适应指纹特征融合的多源异构辐射源个体识别方法，其特征在于，包括如下步骤：步骤1，使用USRP采集不同位置不同模态的无线电信号，包括原始射频信号、解OFDM循环码后的信号以及信道均衡后的信号；步骤2，使用三条并行支路的一维或二维卷积层、池化层以及全连接层分别对三种不同的信号提取对应的射频指纹；步骤3，使用基于注意力机制的特征融合模块对上一步提取的三种射频指纹进行融合；定义射频指纹特征融合模块的通用表达式如下： 上式中，Γmix表示融合后的射频指纹特征，表示矩阵内对应元素相乘，ωai表示射频指纹特征ΓRi和ΓRi+1经过注意力模块后计算得到的注意力权重；注意力权重ωai的计算公式定义如下， 上式中，σ·表示激活函数，∩·表示局部注意力运算，由卷积层和批量归一化层组成；∪·表示全局注意力运算，∩·和∪·两个注意力机制运算定义如下： 上式中，表示卷积层，表示批量归一化层，表示全局池化层，ω*表示卷积层对应的权重，δr表示激活函数；步骤4，使用一个全连接网络分类器对融合后的射频指纹特征进行分类；定义一个由全连接层组成的分类器如下： 上式中，Ck表示分类器输出的标签，表示三个全连接层，ωF表示全连接层对应的权重参数，分类器的输入为步骤3的输出，就是各个支路融合后的射频指纹特征；步骤5，选择网络的优化器为自适应矩估计优化器Adam，构建模型，开始网络训练：定义网络的输入：多源异构射频信号：yk-R1,yk-R2,yk-R3；对应设备标签：Ck；初始学习率：η；最大训练次数：τ；定义网络的输出：识别出的设备标签：Ck；导入训练数据：初始化网络模型权重：ω*i,ωFi；进行训练过程：针对每一个epoch：多通道并行提取多源异构数据射频指纹特征： 上式中，表示第一分支池化层，表示第二分支池化层，表示第三分支池化层；基于注意力机制的射频指纹特征融合： 调用基于全连接层的分类器对融合后的射频指纹进行设备识别： 计算损失函数losst： 判断损失函数是否有收敛趋势，若20个epoch损失函数未向收敛方向收敛，则动态调整算法学习率：η＝η×0.7否则使用Adam优化器动态更新网络模型权重： 至此，完成一次完整的网络模型训练；步骤6，再训练，获得最终模型：根据多次循环迭代训练结果，得到最终的辐射源个体识别模型。

全文数据：

权利要求：

百度查询： 中国电波传播研究所(中国电子科技集团公司第二十二研究所) 一种基于自适应指纹特征融合的多源异构辐射源个体识别方法及模型