基于领域自适应的动态噪声辐射源个体识别

• 作者: 刘剑锋 于宏毅 杜剑平 余婉婷
• 来源期刊: 信号处理
• 关键词: 辐射源个体识别 深度学习 迁移学习 领域自适应
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 论文|Papers
• 页码范围: 1000-1007
• 页数: 8页
• 分类号: TN911.7
• 语种: 中文
• DOI: 10.16798/j.issn.1003-0530.2021.06.012

摘要

现有基于深度神经网络的辐射源识别算法受训练场景限制,当待测信号与训练数据集的信道环境噪声不一致时,网络的识别性能严重退化.为了克服该问题,本文提出一种基于迁移学习的辐射源个体识别算法.该算法结合领域自适应的思想,建立优化模型将不同信噪比下信号的特征对齐,使在特定信噪比下训练的神经网络学习到与信道噪声无关的射频指纹特征,实现对其他信噪比下信号的高准确率识别.仿真实验结果表明,提出的算法显著提升了基于深度神经网络的辐射源个体识别算法在动态噪声条件下的准确率,在待识别信号信噪比下降4dB的情况下,准确率提升了45.18％.