技术领域
[0001] 本
发明涉及
辐射源识别技术领域，具体涉及一种稳态
信号功率放大器的个体识别方法和识别装置。
背景技术
[0002] 一些信号的非平稳分量在高阶统计量上会展现出周期平稳性，具体表现为信号在均值、相关函数和高阶累积量上会展现出单周期或多周期的平稳变化。这些现象在通信、雷达等人工信号或依据自然规律周期变化的信号中较为常见。在记忆效应功率放大器非线性行为模型中，高阶统计量的周期性是信号中可以提取指纹信息的重要特征。
[0003] 相同型号的功率放大器的
输出信号存在着由于非线性特性导致的细微差别，这些差别被称为指纹特征。指纹特征在循环自相关
频谱图上存在形状和
位置的不一致性。
[0004] 目前针对辐射源稳态信号的识别分类研究较少，目前比较常见的技术是文献“空中目标辐射源的个体识别方法”[J/OL].刘明骞,颜志文,张俊林.http://kns.cnki.net/kcms/detail/11.2422.TN.20190822.0747.004.html.2019-08-22/2019-10-24.提出的利用经验模态分解和变分模态分解得到信号不同
频率的模态分量，将各模态分量的多尺度排列熵作为特征，利用主成分分析对数据进行
降维，并采用
支持向量机分类器进行辐射源个体识别。此方法基于时域信号分析，抗干扰能
力弱，在信号差异明显时取得较好结果，但是在信号差距较小或者低
信噪比下性能不理想，且容易受到预设参数的影响。文献“基于3D-Hibert
能量谱和多尺度分形特征的通信辐射源个体识别”[J].韩洁,张涛,王欢欢,等.通信学报，2017，38(4):99-109.使用改进的希尔伯特黄变换处理辐射源信号，验证了分析暂态信号时的有效性，但没有考虑稳态信号的处理。文献Radio Transmitter Classification using a New Method of Stray Features Analysis Combined with PCA[C]/Xu S,Huang B,Xu L,et al./Military Communications Conference.Orlando,FL,USA:IEEE,2007,pp.1-5.提出使用SIB(矩形积分双谱)提取信号杂散特征，但SIB相比其他方法包含信息量少且抗噪声能力不强。文献“通信辐射源非线性个体识别方法研究”[D].唐智灵.西安:西安
电子科技大学,2013.研究了基于高阶张量特征和支持向量机的分类识别方法，实验验证了其方法的可行性。但这些都是较为传统的方法，随着近几年来
卷积神经网络的迅速发展，充分利用卷积网络的特征提取能力处理辐射源个体分类问题的方法有很强的必要性。
[0005] 由于辐射源的内部各部件会对信号造成联合干扰，难以分析辐射源杂散噪声形成机理，无法对辐射源整体建立指纹特征的数学模型。
[0006] 辐射源工作过程中产生的指纹特征主要来自于功率放大器产生的杂散噪声，辐射源指纹特征间差异细微且受噪声干扰容易导致识别率下降。
[0007] 由于射频功放经常工作在非线性区，所以功放输出的信号除调制方式和携带信息的区别外，还有因为功放非线性区产生的新频率分量。放指纹模型就是对在非线性区产生的新分量进行建模，其中Hammerstein模型由于结构灵活，计算量小，求解简单。由Hammerstein模型建模可知功放产生的杂散噪声中包含有循环平稳信号的特征。
发明内容
[0008] 为了克服
现有技术的不足，本发明提供一种功率放大器个体识别方法，其基本原理是在低信噪比条件下利用异构卷积神经网络提取特征的差异性提取不同指纹特征并根据各自提取的特征做出预测，使用集成模型stacking方法集成多个网络的预测结果提升对指纹特征的提取能力，同时为避免分类准确率提高造成模型规模过大，使用网络规模小且结构差异较大的EfficientNets系列异构卷积神经网络作为基本网络，具体包括：
[0009] 步骤1：采集功率放大器信号；
[0010] 步骤2：对采集的功率放大器信号数据采用循环自相关预处理，得到二维循环谱；
[0011] 步骤3：建立基分类器，调整二维循环谱数据，并使用stacking模型将四个异构卷积神经网络EfficientNets连接为集成网络；
[0012] 步骤4：对采集到的功率放大器信号分割，训练基分类器以及第二层的stacking模型；
[0013] 步骤5：使用训练好的集成网络预测功率放大器个体。
[0014] 进一步的，步骤1中使用接收机将多个不同的功率放大器的输出信号接收并变换到基带信号，基带信号为I/Q两路
模拟信号，之后通过
模数转换将I/Q两路模拟信号转换成两路
数字信号并保存为dat格式的功率放大器信号数据；
[0015] 步骤2对功率放大器信号数据按照每800个
采样点做切片处理得到切片数据，之后对切片数据进行循环自相关得到二维循环谱，将产生的二维循环谱存储到
存储器件中；
[0016] 步骤3具体包括：
[0017] 步骤3.1：用MBConv网络结构作为主干网络，以EfficientNets方式建立四个异构卷积神经网络；
[0018] 步骤3.2：将二维循环谱图片放缩裁剪，使其只包含一个功率放大器信号周期的信息，再根据裁剪后的二维循环谱图片尺寸调整四个异构卷积神经网络输入端的尺寸；
[0019] 步骤3.3：使用扩增图像的方法，对上一步中裁剪后的每一张二维循环谱图片进行旋转、翻折，增加二维循环谱图片的数量，得到新二维循环谱图片集；
[0020] 步骤3.4：使用stacking模型将四个异构卷积神经网络EfficientNets连接为集成网络，集成网络分为两层模型，其中集成网络第一层模型为多个异构的EfficientNets，第一层的每个EfficientNet为基分类器，集成网络第二层模型为stacking模型；
[0021] 步骤4具体包括：
[0022] 步骤4.1：分割步骤3.3中得到新二维循环谱图片集；
[0023] 步骤4.2：训练四个基分类器以及第二层的stacking模型。
[0024] 进一步的，步骤1中将采集到的功率放大器信号数据存入
服务器硬盘中；
[0025] 步骤2中二维循环谱的图片尺寸为长和宽各300个
像素，具体采用下式得到二维循环谱：
[0026]
[0027] 其中R为信号的二维循环谱变换结果，τ代表时延，T代表被处理信号的时常，x(t)代表被处理的信号，α为循环频率，可以通过 计算得到，m为常数，T0为循环平稳信号的周期；
[0028] 步骤3.1中四个异构卷积神网络结构由EfficientNets
算法决定，网络初始权重采用随机初始化；
[0029] 步骤3.3中二维循环谱图片旋转的操作具体为将图片按照图片中心旋转180度，图片翻折操作具体实现方法是以图片的
水平中心线为轴旋转180度；
[0030] 步骤3.4中基分类器的数量为n个，基分类器分别设为M1，M2…Mn，第二层模型的输出为对辐射源个体的预测
[0031] 步骤4.1中将步骤3.3得到的数据集Y分成两份，第一份占所有数据的20％作为集成网络第二层模型的测试集，设为Te2；第二份占所有数据的80％，作为集成网络第一层模型的训练集，设为T1；将数据集T1平均分割为为4份，分别设为S1,S2,S3,S4；将第一层的n种不同的基分类器设为分别设为M1，M2…Mn；
[0032] 步骤4.2中选择GPU作为运算平台，按照数据分割结果以
梯度下降法训练各个基分类器，每个基分类器由m种数据分割结果得到m种权重模型，训练某一基分类器Mn时，从4份数据中抽出3份作为基分类器Mn的训练集，多余的一份作为基分类器Mn的测试集，得到某一基分类器4种不同的网络模型的训练结果，分别设为Mn1，Mn2…Mn4，4种权重得到的预测结果作为第二层的新训练集被集合在一起并设为新训练集Tr2，第二层模型的测试集是从所有数据中划分出的20％的数据Te2，Te2需要先通过训练好的4种网络训练结果的预测，得到Te2的4种预测结果，对四种预测结果取平均，得到第二层模型的测试集Te'2并设为新测试集；使用数据集Tr2训练集成网络第二层模型，使用数据集Te'2作为第二层模型的输入并将第二层模型输出的预测结果X作为最终的预测结果。
[0033] 进一步的，集成网络第二层模型为类型还可以为XGBoost型或LightGBM型。
[0034] 进一步的，在网络预测时采用使用测试时扩增(TTA)的方法，将原本要预测的图片与其进行旋转翻折等操作之后的图片同时送入网络预测并综合两个图片的预测结果。
[0035] 进一步的，步骤4.2中使用余弦
退火衰减代替梯度下降法。
[0036] 本发明还一种功率放大器个体识别装置，包括信号接收模
块、数字化模块、
数据处理模块和电源，其中信号接收模块接收无线
电信号，并对无线电信号进行滤波、放大、
正交化处理后转变为两路模拟信号送入数字化模块，数字化模块对两路模拟信号进行模数转换后储存至高速缓存单元再至数据处理模块，数据处理模块包含实现本发明方法的FPGA芯片，信号经FPGA芯片处理后输出预测结果，电源连接其它模块，提供其它模块工作时所需
电压。
[0037] 进一步的，信号接收模块包括信号接收天线、带通
滤波器、低噪声功率放大器、
混频器、
本振、90°
移相器、
低通滤波器，其中信号接收天线、
带通滤波器、低噪声功率放大器依次连接，低噪声功率放大器与两个混频器相连接，本振也与两个混频器相连接，其中本振与混频器之间加入90°移相器，两个混频器输出为两路I/Q模拟信号，经低通滤波器输出至数字化模块；
[0038] 数字化模块包括
模数转换器、高速缓存单元，其中外部
输入信号分别接入模数转换器得到两路正交的数字信号，两路正交的数字信号以成对的方式依次存入高速缓存单元；
[0039] 数据处理模块为FPGA板卡，负责将接收到的I/Q数据转换为二维频谱图，在将频谱图裁剪后送入训练好的卷积网络模型中预测该信号的个体类别，得到最终结果；
[0040] 电源使用LTM4644构成单通道输出dc/dc电源，对信号接收模块供电；使用LTM4620给FPGA板卡所在的数据处理模块供电。
[0041] 进一步的，模数转换器采用TI的AMC7820芯片，高速缓存单元使用16GB的MLC flash存储器件，FPGA板卡选用Ultra96-V2FPGAFPGA板卡。
[0042] 本发明还提供一种功率放大器个体识别方法的检测方法，包括：
[0043] 步骤1：
选定两个或两个以上的信号源的功率放大器作为待识别辐射源个体；
[0044] 步骤2：设定信号源发射信号参数；
[0045] 步骤3：选择信号接受设备；
[0046] 步骤4：摆放信号接收机和信号发射机；
[0047] 步骤5：接收机采样与信号变换；
[0048] 步骤6：将采集得到的离散信号保存并送入FPGA设备进行预处理；
[0049] 步骤7：数据图像扩增；
[0050] 步骤8：使用神经网络预测功率放大器个体。
[0051] 本发明方法可以应用于智能通信对抗装备、电磁频谱监控设备的个体识别。通过接收非合作方相同批次辐射源的稳态信号可以准确识别某一特定辐射源的功率放大器，进而通过无线电
定位等方法确定该特定辐射源的具体方位，追踪其运动轨迹。
附图说明
[0053] 图2为本发明方法步骤2中数据分割示意图；
[0055] 图4为本发明中FPGA板卡内部机构示意图；
[0056] 图5a为本发明方法与其他方法性能对比图；
[0057] 图5b为本发明方法与其他方法性能对比图的局部放大图。
具体实施方式
[0058] 为使本发明的目的、技术方案以及优势更加明晰，下面结合附图和实例，对本发明进行进一步详细说明。
[0059] 本发明方法首先利用循环自相关从原始数据中构造源信号、指纹特征和噪声的二维结构图；之后利用卷积网络提取图像结构与细微纹理等特征并根据提取到的特征对数据进行预测；最后利用stacking方法减少在低信噪比条件下特征不明显而造成的预测错误，图1为本发明方法流程图，具体步骤为：
[0060] 步骤1：采集功率放大器信号。
[0061] 在信号发射机内部，基带信号经过调制和上变频之后到达功率放大器，不同功率放大器接收到的基带信号以及调制信号可以不同。使用接收机将多个不同的功率放大器的输出信号接收并变换到基带信号，基带信号为I/Q两路模拟信号，之后通过模数转换将I/Q两路模拟信号转换成两路数字信号并保存为dat格式的功率放大器信号数据。将采集到的功率放大器信号数据存入服务器硬盘中等待下一步处理。
[0062] 步骤2：对采集的功率放大器信号数据采用循环自相关预处理，得到二维循环谱。
[0063] 从服务器硬盘中取出功率放大器信号数据，对该数据按照每800个采样点做切片处理得到切片数据，之后对切片数据进行循环自相关得到二维循环谱，利用循环自相关提取采集信号中的周期性特性从而达到将功率放大器产生的杂散谐波噪声分离目的。
[0064] 具体采用下式得到二维循环谱，二维循环谱的图片尺寸为长和宽各300个像素：
[0065]
[0066] 其中R为信号的二维循环谱变换结果，τ代表时延，T代表被处理信号的时常，x(t)代表被处理的信号，α为循环频率，可以通过 计算得到，m为常数，T0为循环平稳信号的周期。
[0067] 产生的二维循环谱图片暂时存储到存储器件中，等待之后被进一步裁剪。
[0068] 步骤3：建立基分类器，调整二维循环谱数据，并使用stacking模型将四个异构卷积神经网络EfficientNets连接为集成网络，具体包括：
[0069] 步骤3.1：用MBConv网络结构作为主干网络，以EfficientNets方式建立四个异构卷积神经网络，四个异构卷积神网络结构由EfficientNets算法决定，网络初始权重采用随机初始化。
[0070] 步骤3.2：如步骤2所述，采集到的信号被预处理为长宽各300像素的大图，但图片尺寸太大导致基分类器训练缓慢，故需要将二维循环谱图片放缩裁剪到适合基分类器的尺寸。由于二维循环谱图片存在大量形状重复的图像，所以在将二维循环谱图片剪裁到较小尺寸以合适基分类器训练时，使得每个裁剪结果只包含一个功率放大器信号周期的信息，不包含重复的信息。考虑到不同参数信号在二维循环谱图片中重复图像的大小不定，具体裁剪尺寸需要根据二维循环谱图片中的实际图像的形状决定。根据裁剪后的二维循环谱图片尺寸调整四个异构卷积神经网络输入端的尺寸。
[0071] 步骤3.3：使用扩增图像的方法，对上一步中裁剪后的每一张二维循环谱图片进行旋转、翻折等操作从而增加二维循环谱图片的数量。为体现区分，将新产生的二维循环谱图组成的数据集设为“新二维循环谱图片集”，设为数据集Y，将之前的二维循环谱图组成的数据集设为“原始二维循环谱图片集”。二维循环谱图片旋转的操作具体为将图片按照图片中心旋转180度，禁止旋转其余
角度。二维循环谱图片翻折操作具体实现方法是以图片的水平中心线为轴旋转180度。
[0072] 步骤3.4：使用stacking模型将四个异构卷积神经网络EfficientNets连接为集成网络。集成网络分为两层模型，其中集成网络第一层模型为多个异构的EfficientNets，集成网络第一层的每个EfficientNet为基分类器，基分类器的数量为n个，基分类器分别设为M1，M2…Mn。集成网络第二层模型为stacking模型，集成网络第二层模型的输出为对辐射源个体的预测。
[0073] 步骤4：对采集到的功率放大器信号分割，训练基分类器以及第二层的stacking模型，具体包括：
[0074] 步骤4.1：分割接收到的功率放大器个体信号数据集Y。
[0075] 步骤4.1.1：如图2所示，在得到训练网络需要使用的数据后，将步骤3.3得到的数据集Y分成两份，第一份占所有数据的20％作为集成网络第二层模型的测试集，设为Te2，用于在所有模型全部训练完成后测试本
专利算法的整体结果；第二份占所有数据的80％，作为集成网络第一层模型的训练集，设为T1。
[0076] 步骤4.1.2：将数据集T1平均分割为m份，分别设为S1，S2…Sm。m的大小考虑到模型的训练成本，不宜选择过大，但同时要实现充分利用数据的目的。一般行业内选择m的数值范围在3至5之间，本专利选择m为4。所以，数据集T1在本专利中需要继续被分为4份，分别设为S1,S2,S3,S4。将第一层的n种不同的基分类器设为分别设为M1，M2…Mn。
[0077] 步骤4.2：训练四个基分类器以及第二层的stacking模型。
[0078] 步骤4.2.1：训练部分的操作由于计算量巨大，所以应当在计算性能强大的GPU上完成并且在训练完成后将训练后的网络结构及网络权重模型保存进FPGA中等待使用。本专利选择NVIDIA P4000GPU作为运算平台。
[0079] 按照数据分割结果以梯度下降法训练各个基分类器，每个基分类器都由m种数据分割结果得到m种权重模型。训练某一基分类器Mn时，从4份数据中抽出3份作为基分类器Mn的训练集，多余的一份作为基分类器Mn的测试集。所以，根据
抽取出的不同组合的训练集，可以得到某一基分类器4种不同的网络模型的训练权重结果，分别设为Mn1，Mn2…Mn4。每个基分类器的4种不同权重结果分别预测之前被选为测试集的数据，由于分割数据时4种方法的测试集互不包含，当前的预测结果也互不包含，从而能够重新拼接为与原数据集相同大小的数据集。4种权重得到的预测结果作为第二层的新训练集被拼接在一起并设为新训练集Tr2。新训练集Tr2是第二层模型的训练集，用来对第二层的stacking模型进行训练。
[0080] 步骤4.2.2：第二层模型的测试集是之前从所有数据中划分出的20％的数据Te2。首先，Te2需要先通过训练好的4种网络训练结果的预测，每种结果都会给出一种预测结果，一共得到Te2的4种预测结果。之后，对四种预测结果取平均，得到第二层模型的测试集Te'2并设为新测试集。
[0081] 步骤4.2.3：使用数据集Tr2训练集成网络第二层模型，使用数据集Te'2作为第二层模型的输入并将第二层模型输出的预测结果X作为最终的预测结果。而使用新测试集测试第二层网络，同时也相当于测试了第一层与第二层网络整体。新测试集的使用流程同时也是实际应用时被预测数据的使用流程。
[0082] 步骤5：使用训练好的集成网络预测功率放大器个体。
[0083] 本发明方法还可以通过改变集成网络第二层模型继续提高分类结果。
[0084] 本发明方法还可以在网络预测时使用测试时扩增(TTA)的方法，将原本要预测的图片与其进行旋转翻折等操作之后的图片同时送入网络预测并综合两个图片的预测结果，选择预测概率大的那一种结果。同时，也可以在训练使用余弦退火衰减代替梯度下降法进一步提升网络对功放个体的识别能力。
[0085] 如图3所示，本发明还提供一种功率放大器个体识别装置，包括信号接收模块、数字化模块、数据处理模块和电源，其中信号接收模块接收无线电信号，并对无线电信号进行滤波、放大、正交化处理后转变为两路模拟信号送入数字化模块，数字化模块对两路模拟信号进行模数转换后储存至高速缓存单元再至数据处理模块，数据处理模块包含实现本发明方法的FPGA芯片，信号经FPGA芯片处理后输出预测结果，电源连接其它模块，提供其它模块工作时所需电压。
[0086] 信号接收模块包括信号接收天线、带通滤波器、低噪声功率放大器、混频器、本振、90°移相器、低通滤波器，其中信号接收天线、带通滤波器、低噪声功率放大器依次连接，低噪声功率放大器与两个混频器相连接，本振也与两个混频器相连接，其中本振与混频器之间加入90°移相器，两个混频器输出为两路I/Q模拟信号，经低通滤波器输出至数字化模块。
[0087] 数字化模块包括模数转换器、高速缓存单元，其中外部输入信号分别接入模数转换器得到两路正交的数字信号，两路正交的数字信号以成对的方式依次存入高速缓存单元，在图4中正交的两路数字信号被表示为复数形式，
虚部用“-j”表示。
[0088] 数据处理模块为FPGA板卡，负责将接收到的I/Q数据转换为二维频谱图，在将频谱图裁剪后送入训练好的卷积网络模型中预测该信号的个体类别，得到最终结果。在使用数据处理模块之前，需要将之前训练得到的网络模型结构以及训练后得到的模型权重写入FPGA芯片，并调试硬件运行状态，调整
软件部分的计算
精度与速度，使整体性能达到最优。
[0089] 电源使用LTM4644构成单通道输出dc/dc电源，负责对信号接收模块供电。同时使用LTM4620给FPGA板卡所在的数据处理模块供电。LTM4644与LTM4620均支持5V至14V范围的输入电压。
[0090] 模数转换器采用TI的AMC7820芯片，该芯片集成8通道12位的模数转换器、三个12位
数模转换器、9个
运算放大器，通信方式为串口通信，输入电压的适应范围广，具有功耗小，设计简洁等优点。
[0091] 高速缓存单元使用16GB的MLC flash存储器件，用于临时存储采集到的I/Q格式的数字信号，等待FPGA板卡读取并做后续处理。
[0092] FPGA板卡选用Ultra96-V2FPGAFPGA板卡，处理器的型号为MPSoC ZU3EG SBVA484。Ultra96-V2FPGAFPGA板卡是由Xilinx公司开发的专
门用于开发
人工智能和
机器学习设备的FPGA板卡，具有易操作、速度快等优点。本发明使用基于卷积神经网络的算法适合在该FPGA板卡环境下使用。该FPGA板卡配有I2C等串口，方便芯片接收模数转换器的数据和输出算法的预测结果。同时，FPGA板卡支持16GB的MicroSD存储器，该存储器负责保存运行程序以及训练完成的神经网络结构和权重。
[0093] 由于神经网络训练时需要很强的计算能力，FPGA芯片难以胜任这部分工作，且训练神经网络时需要的数据量巨大，FPGA一般也不适用于存储大量数据。故使用GPU训练神经网络。当网络训练完成后就获得了完整的卷积网络结构和权重信息，使用Xilinx FPGA板卡的转换工具将在Python环境下保存的卷积网络结构和权重信息转换为protobuf文件，方便FPGA
加速推断。之后将此文件保存于MicroSD存储器件中，等待FPGA芯片预测辐射源个体结果时使用。
[0094] 为了验证本发明的技术效果，使用Matlab2017a、
深度学习Pytorch
框架和sklearnk库搭建本发明方法提出的模型，NVIDIA P4000GPU构建仿真环境。
[0095] 检测本发明方法的步骤为：
[0096] 步骤1、选定两个或两个以上的信号源的功率放大器作为待识别辐射源个体。信号源的功率放大器可以选择不同类型的，也可以选择相同型号的设备。信号源设备中的其他硬件应该保持不变。信号源设备摆放位置可以不相同，不同辐射源距离接收机的距离也可以不相同，不同辐射源的朝向也可以不相同。
[0097] 步骤2、信号源发射信号参数设定：建立同型号功率放大器具有杂散噪声特征的AM窄带信号的载
波速率为200kHz，码速率为10kHz。为模仿信道中的噪声，信号中随机加入-5dB至15dB的高斯白噪声。
[0098] 步骤3、信号接受设备的选择：作为接受辐射源功率放大器指纹噪声的设备应尽量减少其他因素对提取发射机中功率放大器指纹特征的影响。故信号接收机的接收天线的型号、摆放位置、摆放角度等不应该改变，信号接收机的带通滤波器、混频器、低通滤波器和模数转换器也应相同。
[0099] 步骤4、摆放信号接收机和作为辐射源的信号发射机：两者的位置需要提前设置，并且按照顺序轮流选择相应的功率放大器。
[0100] 步骤5、接收机采样与信号变换：接收机接收到发射机发出的信号后，信号通过天线、带通滤波器、功率放大器等器件，到达模数转换器。模数转换器以采样率为1000kHz将接收到的模拟信号转换为数字离散信号。
[0101] 步骤6、将采集得到的离散信号保存并送入FPGA设备进行预处理：采集的到的离散信号为I/Q序列信号，需要将序列信号转换为二维图像信号。FPGA芯片利用之前烧录进去的预处理
软件模块，对I/Q序列信号作循环自相关变换得到二维循环自相关频谱图。软件模块对二维循环自相关频谱图进行裁剪并将裁剪结果输出到
大容量存储器件中保存。
[0102] 步骤7、数据图像扩增：按照预先写入的程序，FPGA将存储在大容量存储器件中的数据取出，并对其做旋转和镜像翻折变换。并将变换后的图片与原图片混合成一个更大的数据集，重新保存进存储器件当中。
[0103] 步骤8、使用神经网络预测功率放大器个体：经过训练的神经网络权重已经预置在FPGA当中，只需要将需要预测的个体图像输入神经网络就能够得到神经网络输出的预测值。步骤7中的扩增方法得到的图片可以使用在神经网络预测时的TTA当中，神经网络同时预测原图与其TTA变换可以提高神经网络预测的准确率。
[0104] 本发明方法所使用的EfficientNets基分类器的每秒浮点运算量小于一百八十万次每秒，属于网络规模较小的结构，而且能够在识别功法个体方面有着较高的准确率。利用循环自相关的二维频谱图和EfficientNets可以有效提取功放输出信号中的细微特征。所以由于其参数量和每秒的浮点运算量较小的原因，本发明方法适合移植至FPGA等嵌入式硬件设备上使用。
[0105] 本发明方法还可以通过改变第二层模型，即调整stacking方法第二层分类器的类型，继续提高模型整体分类结果。具体结果如表1所示：
[0106] 表1
[0107]
[0108] 如上文步骤7和步骤8所述，本发明方法还可以使用数据扩增和测试时扩增(TTA)提高模型的准确度和
稳定性。另外，还可在训练模型时使用余弦退火衰减方法进一步提升网络对功放个体的识别能力。表2展示了本发明方法在不断增添其他优化方法时模型整体的准确率，其中准确率后括号中代表的是使用此种方法时能够对网络准确率带来的改进。
[0109] 表2
[0110]
[0111] 实验结果显示，本发明方法利用数据扩增等方法能够进一步提高异构卷积神经网络的分类能力。
[0112] 本发明方法在-5dB至15dB的区间内模型的平均准确率达到93.08％，抗干扰能力较好。同时可以选择参数量更多且准确率更高的网络，在牺牲硬件资源和降低预测速度的条件下能够进一步提升模型整体对功率放大器个体特征的分类能力。
[0113] 如图5a所示，图中曲线分别是model1代表的EfficientNet-B0，model4代表的EfficientNet-B3，VMD代表的变分模态分解方法以及本发明方法产生的预测准确率曲线，横坐标代表-5至15dB的信噪比，纵坐标代表准确率。通过图5a可以看出，基于变分模态分解的方法性能低于本发明方法且在低信噪比区间几乎没有预测能力，尤其是2dB左右算法性能快速下降。而本发明方法所使用的
基础网络能够保持比较高的准确率且在低信噪比区间仍然有70％以上的准确率。图5b图5a的局部放大图，从图5b可以看出，本发明方法所有信噪比条件下其准确率都不低于基分类器准确率，在某些信噪比条件下其准确率较基分类器有明显提高。可以推断出使用本发明方法可以使网络的预测结果更加稳定，且预测性能有一定程度提升。
[0114] 本发明方法可以应用于智能通信对抗装备、电磁频谱监控设备的个体识别模块的算法部分。通过接受非合作方不同辐射源的稳态信号可以准确识别其相同批次电台、雷达等辐射源中功率放大器产生的杂散噪声，从而定位非合作方某部电台的具体方位，追踪其运动轨迹，是分析战场上非合作方通信设备组网的前置手段。
[0115] 以上所述的具体
实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
