基于BiLSTM和卷积神经网络模型的辐射源个体识别研究OA

通信辐射源个体识别是指通过对无线设备产生的信号数据进行特征提取与信号处理,从而实现对无线设备的个体识别.现有应用于辐射源个体识别的时间序列分类方法,存在无法有效提取IQ时间序列数据特征和识别准确率低的问题.针对以上问题,提出了一种BiLSTM网络和卷积神经网络两个支路并行的网络架构(BiLSTM-CNN),它显著提高了分类模型的性能,能够关注和融合时间序列中重要的特征,从而实现更准确的分类.在该架构中还添加了注意力模块,根据注意力权重的分配来融合通道信息获取特征,从而使网络能够关注到更加关键的特征.实验结果表明,相较于其他网络结构,所提出的网络模型在Oracle公开数据集上的识别准确率更高,尤其在存在多径效应和路径损耗的样本中有明显提高,说明文中所提出的模型具有更高的鲁棒性.