一种基于卷积神经网络与集成学习的ADS-B辐射源识别方法

技术领域

本发明属于辐射源识别技术领域，具体涉及一种基于卷积神经网络与集成学习的ADS-B辐射源识别方法。

背景技术

通过对信号的接收、分析进而对电磁辐射源身份识别的研究正在成为当前热点。根据接收到的信号，提取设备的射频指纹，不同设备的硬件差异性是发射机电路设计的差异与电子器件在生产过程的制造容差导致的。由于硬件上的差异性会反映在发射的射频信号中，通过对信号的特征进行提取，就能够间接表征发射机特性，从而识别辐射源的身份。一个完整的指纹识别系统包含指纹采集、信号预处理、信号特征提取、相似度计算与最后的指纹识别。其中主要方法分为1)基于人工的特征提取，2)基于深度学习。由于深度学习无需人工干预，正确率高，正逐渐成为电磁辐射源识别的主流方法。

传统的ADS-B特定辐射源识别方法存在如下缺点：

1、数据利用率低，仅采用同步头的方式进行识别舍弃了ADS-B信号中的绝大部分可用数据，造成了数据利用率低，识别概率低的问题；

2、泛化能力弱，仅采用单一的特征提取方式与识别器，信号特征提取能力弱，无法精确处理大量的ADS-B发射机与海量的接收数据。

3、输入数据不准确，将带有标签的ADS-B数据引入到了神经网络训练与设备识别中，造成分类识别器识别的并非发射机电路的硬件特性，给系统识别带来误差。

因此提出了一种基于卷积神经网络与集成学习的ADS-B辐射源识别方法，以解决上述问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于卷积神经网络与集成学习的ADS-B辐射源识别方法，在利用到ADS-B信号自身特点的情况下，采用非端到端与端到端结合的处理方式搭建了卷积神经网络个体学习器，对初级分类结果进行融合学习，有利提升了识别准确率，增强了分类器的泛化能力。

为达到上述目的，本发明提供如下技术方案：

本发明提供一种基于卷积神经网络与集成学习的ADS-B辐射源识别方法，包括以下步骤：

步骤一：获取ADS-B实际接收到的信号，并将实际ADS-B数据按照同步头、DF位、CA位、ICAO地址码、ME字段消息位、奇偶校验位各数据特点进行截断；

步骤二：建立两种神经网络结构；

步骤三：针对步骤一中的不同数据位，采用非端到端与端到端的处理方式，分别输入至两种神经网络结构中进行训练，并从多维度提取分类特征；

步骤四：利用多个深度学习器，采用Stacking方法融合神经网络特征结果。

进一步，步骤一中，ADS-B实际接收到的基带信号y(t)表示为：

y(t)＝(t)+·(t)＝[H(t)*(x(t))]+n(t)

式中，H(t)表示信道的附加影响，R(.)表示接收时接收机的射频附加影响，I(t)为信号同相分量i为虚数单位、Q(t)为信号正交分量、n(t)表示噪声影响、S(.)表示发射机的射频附加影响。

进一步，步骤二中，所述神经网络结构包括第一神经网络和第二神经网络，第一神经网络的训练步骤包括：输入数据依次至两个通道数为32的一维卷积层、两个通道数为64的一维卷积层、三个通道数为128的一维卷积层最后经全连接层Fc后传输到Softmax层，其中每过一个卷积层都要经过一个ReLU函数输出层，所有卷积核的大小为6；

第二神经网络的训练步骤包括：A1：输入数据至一个通道数为128的二维卷积层，其中卷积核的大小为8；A2：将步骤A1中输出的数据输入至四个通道数为128的一维卷积层，其中卷积核的大小为3；A3：将步骤A1和A2中输出的数据叠加后经过全连接层Fc后传输到Softmax层。

进一步，步骤三中具体实施步骤包括：

B1：对同步头与DF位数据采用第二神经网络进行训练、输入为I、Q数据与变换后频域特征F(w)三维数据，得到Softmax层输出结果S1；

B2：对数据位为ICAO地址码的24位数据，由于自身带有标签性质，我们根据接收到的y(t)信号，对所有的脉冲取平均，重构出理想的基带信号

B3：对数据位为ME字段与PI字段共40位数据，我们分成前后两段各20位，采用I，Q与变换后频域特征F(w)三维数据，输入到第一神经网络中训练,得到Softmax层输出结果S3,S4。

进一步，对Softmax层输出结果S1、S2、S3、S4采用Stacking方法进行融合，即

式中，w

本发明的有益效果在于：

1、本发明一种基于卷积神经网络与集成学习ADS-B特定辐射源识别方法针对ADS-B信号自身数据特点，对信号进行截断处理，对不同位置的数据采用不同的处理方式，充分合理的利用所有已知信息。

2、本发明一种基于卷积神经网络与集成学习ADS-B特定辐射源识别方法针对不同位置的数据，提出了两种卷积神经网络结构，针对不同数据位，采用非端到端与端到端的处理方式，输入神经网络进行训练，从多维度提取分类特征。

3、本发明一种基于卷积神经网络与集成学习ADS-B特定辐射源识别方法利用多个深度学习器，融合多特征分类结果，增强了分类识别的准确率与分类器的泛化能力。

本发明的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明实施例的ADS-B信号传输框图；

图2为本发明实施例的ADS-B信号传输波形图；

图3为本发明实施例的神经网络架构图；

图4为本发明实施例的集成学习处理流程图。

具体实施方式

如图1～4所示，本发明提供一种基于卷积神经网络与集成学习的ADS-B辐射源识别方法，包括以下步骤：

步骤一：获取ADS-B实际接收到的信号，并将实际ADS-B数据按照同步头、DF位、CA位、ICAO地址码、ME字段消息位、奇偶校验位各数据特点进行截断；

具体的，ADS-B发射与接收的流程框图如图1所示，理想信号ADS-B发射机理想基带信号为x(t)，经过发射机调制后变换为M(t)＝S[x(t)]，其中S(x)表示为基带信号经由发射机后，天线发射出时的系统变换，在接收端，接受信号为R(t)＝R[H(t)*S(x(t))]，其中，H(t)表示信道的附加影响，R(t)表示接收后解调的基带信号；考虑到噪声的影响，对于实际接收到的信号y(t)，有y(t)＝I(t)+i·Q(t)＝R[H(t)*S(x(t))]+n(t)，其中，实际ADS-B数据位如表1所示：

表1 ADS-B消息格式结构表

其中，以ADS-B数据使用最广泛的民用航班下行数据链格式17报文形式为例，消息数据前五位固位为10001，6--8的CA位为应答机装置能力位，9--32为24位ICAO地址码，33--88为ME字段消息位，包括飞机的位置、航向、速度等飞行与气象信息，是一个变化的字段，PI位为奇偶校验位，根据传输信息不同而不同，是一个变化的字段；

步骤二：建立神经网络结构，所述神经网络结构包括第一神经网络和第二神经网络，其中，第一神经网络训练步骤如图3a所示，包括：输入数据依次至两个通道数为32的一维卷积层、两个通道数为64的一维卷积层、三个通道数为128的一维卷积层最后经全连接层Fc传输到Softmax层，其中每过一个卷积层都要经过一个ReLU函数输出层，所有卷积核的大小为6；

第二神经网络训练步骤如图3b所示，包括：A1：输入数据至一个通道数为128的二维卷积层，其中卷积核的大小为8；A2：将步骤A1中输出的数据输入至四个通道数为128的一维卷积层，其中卷积核的大小为3；A3：将步骤A1和A2中输出的数据叠加后经过全连接层Fc传输到Softmax层；

步骤三：针对步骤一中的不同数据位，采用非端到端与端到端的处理方式，分别输入至两种神经网络结构中进行训练，并从多维度提取分类特征；

具体的，对同步头与DF位数据采用第二神经网络进行训练、输入为I、Q数据与变换后频域特征F(w)三维数据，得到Softmax层输出结果S1，其中

对数据位为ICAO地址码的24位数据，由于自身带有标签性质，我们根据接收到的y(t)信号，对所有的脉冲取平均，重构出理想的基带信号

对数据位为ME字段与PI字段共40位数据，我们分成前后两段各20位，采用I，Q与变换后频域特征F(w)三维数据，输入到第一神经网络中训练,得到Softmax层输出结果S3,S4；

步骤四：利用多个深度学习器，采用Stacking方法融合神经网络特征结果。

具体的，对Softmax层输出结果S1、S2、S3、S4采用Stacking方法进行融合，即

式中，w

上述技术方案的有益效果：通过对神经网络特征结果的融合，结合多个个体学习器的能力，调整权重值，可以获得远超个体学习器的集体能力优势，得到的分类器具有识别准确率高，泛化能力强等优点。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。