應(yīng)用深度神經(jīng)網(wǎng)絡(luò)和集成學(xué)習(xí)的電臺(tái)個(gè)體識(shí)別*

幸晨杰，王良剛

(中國西南電子技術(shù)研究所,成都 610036)

0 引 言

電臺(tái)個(gè)體識(shí)別是現(xiàn)代電子戰(zhàn)和民用通信管控的重要環(huán)節(jié)，通過信號(hào)處理技術(shù)對(duì)所截獲的通信電臺(tái)信號(hào)進(jìn)行處理分析，提取所獲取信號(hào)個(gè)體的屬性特征，快速將每個(gè)信號(hào)對(duì)應(yīng)到相應(yīng)的電臺(tái)[1-7]。該技術(shù)有助于準(zhǔn)確獲得電臺(tái)個(gè)體的屬性信息，定位和跟蹤敵方的電臺(tái)位置，進(jìn)而分析通信組網(wǎng)構(gòu)成，推測(cè)敵軍的未來操作。

電臺(tái)個(gè)體識(shí)別任務(wù)的傳統(tǒng)研究方法可分為兩個(gè)方向，一種是使用電臺(tái)個(gè)體信號(hào)的暫態(tài)特征[8-9]，另一種是使用電臺(tái)個(gè)體信號(hào)的穩(wěn)態(tài)特征[10-13]。暫態(tài)特征是指信號(hào)的瞬時(shí)幅度、相位、頻率、功率等參數(shù)呈現(xiàn)的分布特性，以及在輻射源設(shè)備開關(guān)機(jī)瞬間或工作模式轉(zhuǎn)換的瞬間，因受工作環(huán)境、溫度、噪聲等因素的影響而產(chǎn)生的非線性特性；穩(wěn)態(tài)特征一般是提取數(shù)據(jù)部分進(jìn)行分析，數(shù)據(jù)部分由前導(dǎo)序列、中間碼和有效負(fù)載聯(lián)合組成[14]。例如，文獻(xiàn)[15-20]都運(yùn)用了雙譜法提取信號(hào)穩(wěn)態(tài)特征及其變換形式，或在此基礎(chǔ)上再結(jié)合信號(hào)其他特征，取得了較好的電臺(tái)識(shí)別效果；文獻(xiàn)[21]和文獻(xiàn)[22]運(yùn)用了分形法提取電臺(tái)暫態(tài)特征，取得了較好的識(shí)別效果。隨著流形學(xué)習(xí)理論的深入研究，雷迎科等人[23]提出首先對(duì)信號(hào)樣本進(jìn)行雙譜變換，然后利用正交局部樣條判別嵌入方法深入提取輻射源的指紋特征，有效解決了輻射源個(gè)體特征缺乏魯棒性的問題。

上述傳統(tǒng)研究方法往往需要進(jìn)行特征工程，存在依賴領(lǐng)域?qū)I(yè)知識(shí)的問題。另外，傳統(tǒng)特征還存在對(duì)信噪比要求較高和難以用單一模型描述多種特征、識(shí)別算法難以統(tǒng)一的問題。

現(xiàn)代電子通信裝備制造精度的提高，使得同型號(hào)、同批次電臺(tái)的個(gè)體特征越來越相似。同時(shí)，信道干擾多、通信質(zhì)量較差的復(fù)雜電磁環(huán)境中，接收的電臺(tái)通信信號(hào)質(zhì)量難以保證。在此情況下，傳統(tǒng)方法提取的特征因此將難以區(qū)分極其相似的同類電臺(tái)個(gè)體。

現(xiàn)代通信裝備種類、信號(hào)制式越來越多，技術(shù)細(xì)節(jié)越來越復(fù)雜，往往難以靠專家人力窮盡所需識(shí)別的個(gè)體信號(hào)體制和有效的指紋特征提取方法，因此需要研究一種方法，在電臺(tái)個(gè)體識(shí)別中降低對(duì)專業(yè)知識(shí)的依賴，實(shí)現(xiàn)更高魯棒性的電臺(tái)個(gè)體識(shí)別。

本文提出一種基于深度神經(jīng)網(wǎng)絡(luò)的智能個(gè)體識(shí)別方法，直接將電臺(tái)個(gè)體時(shí)序信號(hào)輸入深度網(wǎng)絡(luò),提取特征并開展分類，能降低特征提取的難度。本文設(shè)計(jì)的一維多子網(wǎng)絡(luò)模型，能減輕深度網(wǎng)絡(luò)模型調(diào)參優(yōu)化耗時(shí)費(fèi)力的問題，提升模型的深度特征表達(dá)能力，能較單一結(jié)構(gòu)網(wǎng)絡(luò)提高電臺(tái)個(gè)體分類精度與泛化能力。

1 基于深度神經(jīng)網(wǎng)絡(luò)的智能個(gè)體識(shí)別方法

1.1 概述

本文提出的基于深度神經(jīng)網(wǎng)絡(luò)的智能個(gè)體識(shí)別方法的總體流程包括電臺(tái)個(gè)體數(shù)據(jù)預(yù)處理、劃分樣本集、模型構(gòu)建、模型訓(xùn)練、分類效果評(píng)估五大步驟,如圖1所示。

圖1 基于深度神經(jīng)網(wǎng)絡(luò)的智能個(gè)體識(shí)別方法的具體流程

1.2 電臺(tái)個(gè)體數(shù)據(jù)預(yù)處理

電臺(tái)個(gè)體信號(hào)原始數(shù)據(jù)以脈沖采樣形式存儲(chǔ)，為符合網(wǎng)絡(luò)輸入層結(jié)構(gòu)，所有樣本都以1 024點(diǎn)長度存儲(chǔ)，超出部分采樣點(diǎn)刪除，不足部分補(bǔ)零。

1.3 生成訓(xùn)練樣本集和測(cè)試樣本集

將預(yù)處理后的電臺(tái)個(gè)體數(shù)據(jù)和對(duì)應(yīng)的類別標(biāo)簽組成樣本對(duì)，隨機(jī)從中選取80%的樣本數(shù)據(jù)組成訓(xùn)練集，將剩下的樣本等比例隨機(jī)抽取，組成驗(yàn)證集和測(cè)試集。

在生成樣本集時(shí)，考慮各個(gè)電臺(tái)樣本數(shù)量有差異的情況。對(duì)樣本數(shù)量差異懸殊的情況，采用樣本復(fù)制或者樣本刪除的方式，實(shí)現(xiàn)樣本數(shù)量平衡，以免模型訓(xùn)練時(shí)樣本數(shù)量懸殊，導(dǎo)致模型擬合誤差大。

1.4 構(gòu)建一維多子網(wǎng)絡(luò)深度集成模型

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)由于共享權(quán)重所帶來的平移不變性，可以高效地用于數(shù)據(jù)的特征提取。把信號(hào)時(shí)域數(shù)據(jù)看作一維特征向量，便可用一維卷積計(jì)算提取信號(hào)的個(gè)體特征。

一維離散卷積定義如下：

(1)

式中：x是輸入的特征向量，w是卷積核。使用公式(1)定義的一維離散卷積計(jì)算每一層的特征向量。

值得強(qiáng)調(diào)的是，與二維CNN不同，在深度一維卷積神經(jīng)網(wǎng)絡(luò)中，應(yīng)用一維CNN層進(jìn)行特征提取，無需對(duì)輸入數(shù)據(jù)做任何預(yù)先增強(qiáng)或特征轉(zhuǎn)換。將特征化領(lǐng)域從二維簡(jiǎn)化為一維后，模型參數(shù)更少，與其他應(yīng)用二維深度神經(jīng)網(wǎng)絡(luò)的個(gè)體識(shí)別模型相比，本方法具有量級(jí)更輕的優(yōu)勢(shì)。同時(shí)，本方法無需進(jìn)行一維信號(hào)特征化等有人參與的特征提取過程，不但降低了整體的計(jì)算量和算法復(fù)雜度，而且減少了整個(gè)網(wǎng)絡(luò)的參數(shù)量。

圖2給出了本方法的結(jié)構(gòu)示意圖，針對(duì)一維信號(hào)的本質(zhì)特征，本文設(shè)計(jì)了基于深度一維卷積網(wǎng)絡(luò)的電臺(tái)信號(hào)特征提取與分類識(shí)別網(wǎng)絡(luò)。依靠所設(shè)計(jì)的金字塔式網(wǎng)絡(luò)結(jié)構(gòu)，模型可以更為深入地從信號(hào)提取電臺(tái)的多層次個(gè)體特征，使特征提取更有效。

圖2 電臺(tái)信號(hào)特征提取一維卷積神經(jīng)網(wǎng)絡(luò)流程示意圖

1.4.1 搭建一個(gè)包含3個(gè)子網(wǎng)絡(luò)的一維多子網(wǎng)絡(luò)深度集成模型

為了提取一維信號(hào)中的個(gè)體特征，參考深度神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域的成功經(jīng)驗(yàn)，本文提出的集成模型及其子網(wǎng)絡(luò)被設(shè)計(jì)為含有多層卷積網(wǎng)絡(luò)的結(jié)構(gòu)。為了在多次卷積中適當(dāng)減少模型參數(shù)量以提高模型訓(xùn)練和運(yùn)行效率，并在模型中保留信號(hào)主要特征，防止訓(xùn)練時(shí)過擬合，本文在卷積層中穿插加入了池化層。在多層卷積結(jié)構(gòu)提取信號(hào)中包含的個(gè)體深度特征后，本文使用全連接層和Softmax分類器，將特征映射到電臺(tái)類別中，實(shí)現(xiàn)電臺(tái)的個(gè)體識(shí)別。

該多子網(wǎng)絡(luò)深度集成模型包含3個(gè)不同結(jié)構(gòu)的子網(wǎng)絡(luò)，其結(jié)構(gòu)互相關(guān)聯(lián)，其中子網(wǎng)絡(luò)B是從子網(wǎng)絡(luò)A中刪去少量卷積層后形成，子網(wǎng)絡(luò)C是從子網(wǎng)絡(luò)B中刪去少量卷積層后形成。這樣設(shè)計(jì)的目的是采用多種不同深度的子網(wǎng)絡(luò)分別從輸入信號(hào)序列中提取深度不同的個(gè)體特征，并使用不同深度的特征產(chǎn)生子網(wǎng)絡(luò)分類置信度，使得集成模型能提取的特征和計(jì)算的分類置信度多樣化，提高集成模型的適應(yīng)性，盡量避免過擬合。

子網(wǎng)絡(luò)A結(jié)構(gòu)如圖3所示，共包含1個(gè)輸入層、10個(gè)卷積層、4個(gè)池化層、2個(gè)全連接層、2個(gè)批歸一化層、1個(gè)分類器層和1個(gè)輸出層。

圖3 子網(wǎng)絡(luò)A結(jié)構(gòu)

子網(wǎng)絡(luò)B結(jié)構(gòu)如圖4所示，共包含1個(gè)輸入層、8個(gè)卷積層、3個(gè)池化層、2個(gè)全連接層、2個(gè)批歸一化層、1個(gè)分類器層和1個(gè)輸出層。

圖4 子網(wǎng)絡(luò)B結(jié)構(gòu)

子網(wǎng)絡(luò)C結(jié)構(gòu)如圖5所示，共包含1個(gè)輸入層、6個(gè)卷積層、2個(gè)池化層、2個(gè)全連接層、2個(gè)批歸一化層、1個(gè)分類器層和1個(gè)輸出層。

圖5 子網(wǎng)絡(luò)C結(jié)構(gòu)

1.4.2 設(shè)置三個(gè)子網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)和集成方式

上述子網(wǎng)絡(luò)中，輸入層神經(jīng)元個(gè)數(shù)為電臺(tái)個(gè)體數(shù)據(jù)長度1 024，卷積層的卷積核個(gè)數(shù)為括號(hào)內(nèi)的第一個(gè)數(shù)，卷積核大小為括號(hào)內(nèi)第二個(gè)數(shù)，激活函數(shù)均使用線性整流函數(shù)(Rectified Linear Unit,ReLU)，全連接層的神經(jīng)元個(gè)數(shù)為括號(hào)內(nèi)數(shù)字；所有池化層均使用最大池化，大小為2；分類器層使用多分類函數(shù)Softmax。

在集成三個(gè)子網(wǎng)絡(luò)的分類置信度并形成集成網(wǎng)絡(luò)的分類置信度時(shí)，采用直接平均法，即直接平均三個(gè)子網(wǎng)絡(luò)模型對(duì)輸入信號(hào)產(chǎn)生的類別置信度，得到集成網(wǎng)絡(luò)對(duì)該輸入信號(hào)的類別置信度，并據(jù)此得到分類結(jié)果。

1.4.3 設(shè)置三個(gè)子網(wǎng)絡(luò)的損失函數(shù)、優(yōu)化算法和訓(xùn)練迭代次數(shù)

子網(wǎng)絡(luò)損失函數(shù)均使用交叉熵?fù)p失函數(shù)，如公式(2)：

(2)

式中：M表示電臺(tái)個(gè)體類別數(shù)量，yc∈{0,1}表示電臺(tái)個(gè)體數(shù)據(jù)實(shí)際類別標(biāo)簽的獨(dú)熱編碼(one-hot)形式，pc∈{0,1}表示網(wǎng)絡(luò)對(duì)訓(xùn)練樣本的預(yù)測(cè)標(biāo)簽向量。

子網(wǎng)絡(luò)優(yōu)化算法均使用基于自適應(yīng)矩估計(jì)的優(yōu)化算法(Adaptive Moment Estimation,Adam)。

子網(wǎng)絡(luò)的訓(xùn)練步長即訓(xùn)練樣本集每批次送入子網(wǎng)絡(luò)的數(shù)量設(shè)置為512，迭代次數(shù)設(shè)置為50。

1.5 訓(xùn)練一維多子網(wǎng)絡(luò)深度集成模型

首先，將訓(xùn)練樣本隨機(jī)輸入一維多子網(wǎng)絡(luò)深度集成模型，進(jìn)行訓(xùn)練預(yù)測(cè)。然后，反向傳播誤差損失，并通過優(yōu)化函數(shù)計(jì)算模型參數(shù)改正量，直到達(dá)到所設(shè)置的訓(xùn)練迭代次數(shù)，或直到使用驗(yàn)證樣本驗(yàn)證模型的損失函數(shù)波動(dòng)小于預(yù)設(shè)值。完成多子網(wǎng)絡(luò)深度集成模型的訓(xùn)練過程后，保存最優(yōu)的網(wǎng)絡(luò)權(quán)重參數(shù)。

1.6 對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，評(píng)估分類效果

首先，將一條測(cè)試樣本輸入模型，對(duì)三個(gè)子模型的每一類識(shí)別置信度求平均，得到預(yù)測(cè)的Softmax分類結(jié)果，如公式(3)所示：

(3)

式中：p1、p2、p3、pc分別表示子網(wǎng)絡(luò)A、B、C對(duì)一個(gè)測(cè)試樣本數(shù)據(jù)在各個(gè)類別的分類置信度向量和平均的分類置信度向量。

將平均置信度向量最大值對(duì)應(yīng)的類別作為識(shí)別出的電臺(tái)個(gè)體類別。

然后，將測(cè)試集樣本的分類結(jié)果和真實(shí)的類別標(biāo)簽進(jìn)行比較，計(jì)算總體分類精度(Overall Accuracy,OA)、平均分類精度(Average Accuracy,AA)和Kappa系數(shù)，以評(píng)估算法有效性。

總體分類精度指被正確分類的電臺(tái)個(gè)體個(gè)數(shù)與總的電臺(tái)個(gè)體個(gè)數(shù)的比值，如公式(4)所示:

(4)

式中：TPi代表準(zhǔn)確識(shí)別為第i個(gè)電臺(tái)的樣本個(gè)數(shù)，F(xiàn)Ni代表第i個(gè)電臺(tái)的樣本中沒有準(zhǔn)確識(shí)別出的個(gè)數(shù)，M代表樣本集中所有電臺(tái)個(gè)數(shù)。

平均分類精度是各類電臺(tái)分類精度的平均值，如公式(5)所示：

(5)

Kappa系數(shù)代表分類與完全隨機(jī)分類相比，錯(cuò)誤減少的比例，如公式(6)～(7)所示：

(6)

(7)

式中：FPi代表本不屬于第i個(gè)電臺(tái)但被識(shí)別為第i個(gè)電臺(tái)的樣本信號(hào)條數(shù)，N代表所有測(cè)試樣本條數(shù)。

2 仿真與分析

2.1 仿真實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證本文所提模型的可行性和準(zhǔn)確性，選用實(shí)采電臺(tái)數(shù)據(jù)開展了仿真實(shí)驗(yàn)。參與實(shí)驗(yàn)的電臺(tái)個(gè)體有10部，信號(hào)數(shù)據(jù)為兩組原始采樣的基帶脈沖信號(hào)，調(diào)制方式分別為8PSK和MSK，長度為短脈沖500采樣點(diǎn)左右，長脈沖1 000采樣點(diǎn)左右，兩組數(shù)據(jù)的帶內(nèi)信噪比均為12 dB，其中第一組數(shù)據(jù)的各類樣本個(gè)數(shù)如表 1所示，第二組數(shù)據(jù)的樣本數(shù)量規(guī)模與之相當(dāng)。

表1 電臺(tái)個(gè)體樣本統(tǒng)計(jì)

2.2 軟硬件環(huán)境

仿真實(shí)驗(yàn)的硬件平臺(tái)為惠普服務(wù)器Z840，使用Intel至強(qiáng)處理器，兩塊NVIDIA GTX1080顯卡，各8 GB顯存。

仿真實(shí)驗(yàn)環(huán)境的操作系統(tǒng)為Ubuntu16.04LTS，算法實(shí)現(xiàn)依賴的軟件工具包括TensorFlow1.6.0、Keras2.2.0、CUDA9.0+cudnn7、python3.6。

仿真實(shí)驗(yàn)使用數(shù)據(jù)如2.1節(jié)所示，步驟按照第1節(jié)所述開展。

2.3 實(shí)驗(yàn)結(jié)果

2.3.1 OA、AA和Kappa系數(shù)

為了驗(yàn)證本方法的效果，利用總體分類精度、平均分類精度和Kappa系數(shù)三個(gè)評(píng)價(jià)指標(biāo)對(duì)本方法所涉及的各個(gè)子網(wǎng)絡(luò)與深度集成模型在第一組數(shù)據(jù)集(8PSK調(diào)制的電臺(tái)信號(hào))的分類結(jié)果進(jìn)行評(píng)估，將得到的所有計(jì)算結(jié)果列入表2中。

表2 本方法分類結(jié)果評(píng)估

分別使用子網(wǎng)絡(luò)A、B、C單獨(dú)對(duì)10類電臺(tái)信號(hào)進(jìn)行特征提取與識(shí)別，其總體分類精度、平均分類精度、Kappa系數(shù)如表2前三行所示。總體分類精度、平均分類精度和Kappa系數(shù)最高的為子網(wǎng)絡(luò)B，說明子網(wǎng)絡(luò)B的性能優(yōu)于子網(wǎng)絡(luò)A和子網(wǎng)絡(luò)C。

再通過集成網(wǎng)絡(luò)綜合上述子網(wǎng)絡(luò)的分類結(jié)果，對(duì)10類電臺(tái)信號(hào)進(jìn)行特征提取與識(shí)別，總體分類精度91.83%，平均分類精度為89.12%，Kappa系數(shù)為0.901 5，如表2第四行所示。

集成網(wǎng)絡(luò)的三個(gè)評(píng)判標(biāo)準(zhǔn)比所有子網(wǎng)絡(luò)都高，說明集成網(wǎng)絡(luò)性能超過了子網(wǎng)絡(luò)A、B、C中任何一個(gè)網(wǎng)絡(luò)單獨(dú)的性能，通過網(wǎng)絡(luò)集成實(shí)現(xiàn)了電臺(tái)個(gè)體識(shí)別性能的提升。

2.3.2 混淆矩陣

混淆矩陣也稱誤差矩陣，是表示精度評(píng)價(jià)的一種標(biāo)準(zhǔn)格式。圖6為子網(wǎng)絡(luò)A、B、C及集成網(wǎng)絡(luò)分類結(jié)果的混淆矩陣,其中橫軸都代表測(cè)試樣本所分類結(jié)果，縱軸都代表測(cè)試樣本的真實(shí)類別，每一個(gè)單元格的數(shù)值都代表縱軸真實(shí)類別預(yù)測(cè)到橫軸類別的統(tǒng)計(jì)頻率值。

(a)子網(wǎng)絡(luò)A的識(shí)別混淆矩陣

(b)子網(wǎng)絡(luò)B的識(shí)別混淆矩陣

(c)子網(wǎng)絡(luò)C的識(shí)別混淆矩陣

(d)集成網(wǎng)絡(luò)的識(shí)別混淆矩陣圖6 子網(wǎng)絡(luò)A、B、C以及集成網(wǎng)絡(luò)對(duì)8PSK調(diào)制電臺(tái)信號(hào)分類結(jié)果的混淆矩陣

從混淆矩陣的數(shù)值主要集中在主對(duì)角線上可以看出，各個(gè)電臺(tái)個(gè)體分類總體情況較好，每種網(wǎng)絡(luò)只有少數(shù)的錯(cuò)分情況。結(jié)合上述分類精度、Kappa系數(shù)的統(tǒng)計(jì)可以表明，本方法在信噪比12 dB的8PSK調(diào)制信號(hào)條件下，可以實(shí)現(xiàn)10類通信電臺(tái)個(gè)體的細(xì)微特征提取和個(gè)體分類識(shí)別，總體和平均分類精度都達(dá)到約90%的同時(shí)，大多數(shù)類別的識(shí)別正確率能超過85%，一半類別的識(shí)別正確率能超過95%。

2.3.3 不同調(diào)制方式對(duì)分類結(jié)果的影響驗(yàn)證

為了驗(yàn)證本文提出的集成模型對(duì)信號(hào)調(diào)制方式的適應(yīng)性，第二組數(shù)據(jù)集(MSK調(diào)制方式的電臺(tái)信號(hào))還被用于輸入集成模型并開展分類。平均分類精度為89.1%，形成的混淆矩陣如圖7所示。

圖7 集成模型對(duì)MSK調(diào)制電臺(tái)信號(hào)分類結(jié)果的混淆矩陣

從平均分類精度和混淆矩陣可以看出，該集成模型對(duì)MSK調(diào)制的電臺(tái)個(gè)體數(shù)據(jù)仍然可以開展分類。除電臺(tái)4有較明顯的錯(cuò)分以外，其余電臺(tái)的分類精度與8PSK調(diào)制的數(shù)據(jù)在該模型上的分類精度總體相當(dāng)，甚至分類準(zhǔn)確度100%的個(gè)體(共5個(gè))占到總個(gè)體量的一半，說明改變調(diào)制方式有可能影響分類精度，但影響不大。

2.4 實(shí)驗(yàn)結(jié)論

對(duì)比兩組實(shí)驗(yàn)數(shù)據(jù)在本文提出的集成模型上的分類效果可以看出，該集成模型對(duì)8PSK和MSK調(diào)制的電臺(tái)個(gè)體數(shù)據(jù)都有較好的適應(yīng)性。以上的仿真實(shí)驗(yàn)可以說明，本方法通過深度神經(jīng)網(wǎng)絡(luò)采用一維卷積直接對(duì)電臺(tái)個(gè)體原始數(shù)據(jù)進(jìn)行特征提取與識(shí)別，擁有較高的識(shí)別準(zhǔn)確率。相比單一深度神經(jīng)網(wǎng)絡(luò)模型，本文方法通過集成多個(gè)深度神經(jīng)網(wǎng)絡(luò)，提高了電臺(tái)個(gè)體識(shí)別的準(zhǔn)確性。

3 結(jié)束語

本文基于一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提出了一種一維多子網(wǎng)絡(luò)深度集成模型，將待識(shí)別的電臺(tái)原始信號(hào)作為輸入，使用網(wǎng)絡(luò)進(jìn)行端到端學(xué)習(xí)，提取電臺(tái)信號(hào)中的個(gè)體特征并進(jìn)行電臺(tái)個(gè)體分類識(shí)別，獲得了較高的分類精度。

本方法由于直接從時(shí)序采樣數(shù)據(jù)提取特征，免去了提取電臺(tái)個(gè)體傳統(tǒng)特征的步驟，同時(shí)避免了依賴專家知識(shí)的特征設(shè)計(jì)或選擇工作，能降低數(shù)據(jù)處理的難度，提高電臺(tái)個(gè)體識(shí)別系統(tǒng)的適應(yīng)性，有望解決傳統(tǒng)特征難以區(qū)分相似度極高的電臺(tái)個(gè)體的問題。

本方法通過設(shè)計(jì)并集成多個(gè)子網(wǎng)絡(luò)模型，憑借有規(guī)律可循的子網(wǎng)絡(luò)模型設(shè)計(jì)，能降低設(shè)計(jì)深度網(wǎng)絡(luò)模型時(shí)優(yōu)化調(diào)參的難度，節(jié)省算法研發(fā)時(shí)間與實(shí)驗(yàn)計(jì)算資源。同時(shí)，將多子網(wǎng)絡(luò)集成在一起，能克服單一結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型提取特征不全面、分類精度不足的問題，有望降低單一模型的過擬合風(fēng)險(xiǎn)，有望提高電臺(tái)個(gè)體識(shí)別算法的泛化能力與魯棒性。

在本方法的基礎(chǔ)上，下一步還將研究使用多任務(wù)模型滿足實(shí)際應(yīng)用場(chǎng)景“檢測(cè)加識(shí)別”的需要，研究適應(yīng)更廣泛電臺(tái)個(gè)體類型的識(shí)別模型和方法；還將針對(duì)電臺(tái)個(gè)體數(shù)據(jù)難以獲取、樣本數(shù)不均衡等不利條件開展研究，進(jìn)一步鞏固研究成果，為軍民用信號(hào)智能處理提供新方案。