中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2026 , Vol. 48 >Issue 3: 68 - 75

DOI: https://doi.org/10.3969/j.issn.1673-3819.2026.03.008

信息融合

基于MAE及改进CRN的跨时间域辐射源个体识别*

  • 张建 1 ,
  • 贾勇 1, 2 ,
  • 钟晓玲 1, † ,
  • 张伟 3, 4 ,
  • 姚光乐 1 ,
  • 赵少坤 1
展开
  • 1 成都理工大学, 四川 成都 610059
  • 2 电子科技大学长三角研究院, 浙江 衢州 324000
  • 3 电子科技大学, 四川 成都 611731
  • 4 电磁空间安全全国重点实验室, 四川 成都 610036
† 钟晓玲(1976—),女,教授。

张 建(2000—),男,硕士研究生,研究方向为辐射源个体识别。

收稿日期: 2025-03-12

  修回日期: 2025-05-27

  网络出版日期: 2026-05-25

基金资助

*国家自然科学基金(U20B2070)

收起

Cross-time domain emitter source identification method based on MAE and improved CRN

  • ZHANG Jian 1 ,
  • JIA Yong 1, 2 ,
  • ZHONG Xiaoling 1, † ,
  • ZHANG Wei 3, 4 ,
  • YAO Guangle 1 ,
  • ZHAO Shaokun 1
Expand
  • 1 Chengdu University of Technology, Chengdu 610059, China
  • 2 Yangtze Delta Region Institute, University of Electronic Science and Technology of China, Quzhou 324000, China
  • 3 University of Electronic Science and Technology of China, Chengdu 611731, China
  • 4 National Key Laboratory of Electromagnetic Space Security, Chengdu 610036, China

Received date: 2025-03-12

  Revised date: 2025-05-27

  Online published: 2026-05-25

Fold

摘要

针对跨时间域场景下现有辐射源识别方法存在的模型泛化能力弱、信号识别准确率低等问题,提出了一种基于掩码自编码器(Masked Autoencoder, MAE)及改进压缩残差网络(Compression Residual Network, CRN)的辐射源识别方法,通过两阶段优化框架以提升辐射源识别效果:第一阶段,采用具有视觉Transformer(Vision Transformer, VIT)架构的MAE,对无标签数据进行随机掩码预训练,从谱图的局部信息中推断信号的全局特征,并利用注意力机制实现两者有效关联,增强模型的泛化能力;第二阶段,将预训练的VIT编码器与CRN结合作为主干网络,使用有标签数据对模型进行微调,捕获信号更为关键的细微特征,学习数据更具结构化的潜在表示,提升模型整体表征能力及识别性能。实验结果表明,在4个不同时间批次下,所提方法相较于VIT等基线方法对6类电台辐射源信号识别率提升3.81%至16.18%。

关键词： 掩码自编码器; 注意力机制; 压缩残差网络; 辐射源个体识别

本文引用格式

张建 , 贾勇 , 钟晓玲 , 张伟 , 姚光乐 , 赵少坤 . 基于MAE及改进CRN的跨时间域辐射源个体识别*[J]. 指挥控制与仿真, 2026 , 48(3) : 68 -75 . DOI: 10.3969/j.issn.1673-3819.2026.03.008

Abstract

In order to solve the problems of weak model generalization ability and low signal recognition accuracy of existing emitter identification methods in cross-time domain scenarios, an emitter identification method based on a masked autoencoder (MAE) and an improved Compression Residual Network (CRN) is proposed. The emitter identification effect is improved through a two-stage processing strategy: In the first stage, MAE with Vision Transformer (VIT) architecture is adopted. The random masking pre-training is performed on unlabeled data to infer global characteristics of the signal from local spectral information, and the attention mechanism is utilized to establish effective correlations between them, thereby enhancing the model’s generalization ability. In the second stage, the pre-trained VIT encoder is combined with CRN as the backbone network. Labeled data is used to fine-tune the model, capture more critical subtle features of the signal, learn more structured latent representations of the data, and improve the overall representation ability and recognition performance. Experimental results show that the proposed method improves the signal recognition rate of 6 types of radio emitters by 3.81%-16.18% compared with existing VIT-based methods under four different time batches.

Key words： masked autoencoder; attention mechanisms; compression residual network; radiation source identification

辐射源个体识别,又称特定辐射源识别(Specific Emitter Identification, SEI)或射频指纹识别(Radio Frequency Fingerprint,RFF)[1]。通过侦收、分析辐射源电磁信号,运用信号处理、模式匹配、机器学习等技术手段,实现对不同辐射源个体的表征分类。在电磁环境日益复杂的现代化战场,SEI技术在无线电网络安全、间谍卫星定位、军事电子对抗、电磁辐射监控等各个领域,都发挥着显著作用[2-3]。
在现实应用场景中,不同信道条件、不同调制方式、不同收发距离,及设备的老化、机械损耗等都会引起辐射源特征和波形的变化,进而增加辐射源个体识别难度。通过降低或消除外界环境及辐射源自身因素影响,完成特征识别的技术手段,被称为辐射源跨域识别[4]。根据不同的应用场景,辐射源跨域识别又被分为跨信噪比[5]、跨信道条件[6]、跨接收机[7]、跨时间域[8]等不同类型。
伴随着人工智能的高速发展,基于深度学习的SEI以数据为驱动,能够自动挖掘更加细致和更深层次的辐射源“指纹特征”,较传统特征工程法,具有更高的识别准确率,故而被广泛应用于辐射源跨域识别。文献[9]采用深度残差网络(Deep Residual Network),通过有效的特征融合,提出了一种基于星座图的SEI方法,在不同信噪比及信道条件下,均有较高的识别精度。文献[10]利用Choi-Williams分布的时频分析方法,将时域信号转换为时频谱图,再构建压缩残差网络(Compression Residual Network,CRN)自动提取图像特征并完成分类,有效提升了低信噪比条件下辐射源的识别准确率。文献[11]专注辐射源信号的非线性特征,运用多头注意力机制提取隐藏的整体特征,在不同调制方式下,达到了较好的识别效果。文献[12]应用切片循环神经网络(Sliced Recurrent Neural Networks,SRNN)、注意力机制和卷积神经网络,以辐射源幅度序列为输入,在低信噪比条件下,仍具有较高识别准确率。
相比其他跨域识别类型,跨时间域辐射源信号受多种内、外条件影响,在不同时间段内,辐射源个体的信号强度及表现形式也不尽相同,由此增加了信号的表征识别难度。文献[13]采用AlexNet网络识别脉间参数变化的谱图信息,对特征差异较为明显的辐射源信号有较好识别性能。文献[14]将长时间跨度的SEI问题转换为无监督域适应问题,应用无监督学习挖掘信号的深层结构,增强了模型的泛化能力。文献[15]提出了一种多域联合迁移学习的辐射源识别方法,通过简化数据的预处理流程,保留了较多的原始信号特征,进一步提升了信号的识别效率。
然而,针对特征差异相似,且受到多种信道噪声干扰的辐射源信号,过度依赖原始信号的“指纹特征”,反而会降低模型的识别准确率。经上述分析,本文基于两阶段处理策略,提出了一种结合MAE及改进CRN的跨时间域辐射源识别方法。第一阶段:利用MAE[16]的遮掩重建机制,训练VIT编解码网络,有效关联数据的局部与全局特征,增强模型的泛化能力;第二阶段:将上游任务中的VIT编码器与CRN结合,学习数据结构化的潜在表示,提升网络对信号细微特征的识别性能。

1 辐射源信号预处理

电磁信号在信道传播过程中,会受到多径效应、信道噪声、频率选择性衰落等多种外界干扰,从而降低信号质量。为了更好地获取电磁信号的指纹特征,本文采用端点检测、小波去噪[17]、分帧加窗、时频分析4个预处理方法,以提升后续网络分类的识别精度,如图1所示。
图1 辐射源信号预处理

Fig.1 Emitter signal preprocessing

1.1 端点检测

受动态环境影响,所采集的原始电台信号中包含了大量无效信号及空白噪声。通过设置时域能量阈值,短时能量检测法可以辨识有效信号,抑制无关噪声。公式如下:
E(i)=$\sum _{n=0}^{N-1}$|x(i+n)|2
式中,E(i)表示第i帧的能量。x(i+n)表示信号在第i帧中的第n个样本点。N为每一帧的信号长度。本文设置阈值为T,若该帧的能量E(i)超过阈值T,则该帧为信号的有效部分。

1.2 小波去噪

小波去噪通过小波变换(Discrete Wavelet Transform, DWT)对信号进行多尺度分解,利用小波系数进行阈值处理,重构滤除噪声后的有效信号。小波变换分解的公式如下:
x(n)= ${\sum }_{k}^{}$(Akyk(n))
式中,n表示时间索引,Ak为小波变换系数,yk(n)表示小波基函数,k表示尺度和位置索引。阈值处理作为小波变换的关键步骤,分为硬阈值和软阈值2种,为减少信号失真,本文采用软阈值方法,公式如下:
η(x)=sgn(x)max(|x|-T,0)
式中,sgn(x)为符号函数,T为所设定阈值。在完成去噪处理后,通过逆小波变换(Inverse Discrete Wavelet Transform, IDWT)进行信号重构,逆小波变换公式如下:
x1(n)=IDWT(Aj,Dj)
式中,Aj和Dj分别表示经去噪处理后的低频系数和高频系数,x1(n)为重构后的信号。

1.3 分帧加窗

分帧加窗可以减小信号处理过程中的边界效应,防止频谱泄露,选择合适的窗函数,也能一定程度提升信号的时频分辨率。公式如下:
M=$\frac{L-N}{S}$+1
式中,L表示信号长度,N为每一帧的长度,即窗函数长度,S表示帧移,M表示总的帧数,即信号分成帧数。
为最大限度地保留信号的原始信息,避免窗函数衰减对原始信号的影响,在信号分帧阶段,利用矩形窗对分帧后的信号进行处理,矩形窗函数的公式如下:
w1(n)=1,0≤n≤N
式中,w(n)表示窗函数。矩形窗在时域窗长内取值为1,不对信号进行任何加权处理。与矩形窗相比,汉宁窗具有较低的旁瓣峰值和适中的主瓣宽度,其较低旁瓣能有效抑制频谱泄漏,而适中的主瓣宽度则可保证足够的频率分辨率。因而汉宁窗在时频分析过程中被广泛使用,汉宁窗函数的计算公式如下:
w2(n)=$\frac{1}{2}$×$\left(1-cos\left(\frac{2\pi n}{N-1}\right)\right)$

1.4 时频分析

电磁信号具有典型的非平稳特性。为表征信号能量在时频联合域中的分布规律,利用短时傅里叶变换(Short-Time Fourier Transform,STFT)实现信号序列的时频局部化表征,获取辐射源个体在特定时间和频率维度上的瞬态特征。短时傅里叶变换的计算公式如下:
STFT[m,k]= $\sum _{-\infty }^{+\infty }$x(n)w(n-m)e-j2πn/N
式中,x(n)为输入信号,w(n)此处采用汉宁窗。STFT[m,k]表示第m帧信号在第k个频率上的频谱成分。k为频率索引,m为时间帧索引,表示窗函数的滑动位置。

2 算法框架

本文通过相关信号处理手段,将原始信号转换为时频谱图;以无标签数据输入具有VIT[18]架构的MAE网络中,进行掩码预训练;最后结合预训练的VIT编码器与改进CRN,采用有标签数据对模型进行微调。MAE的遮掩重建机制,能从谱图的局部信息中推断信号的全局结构,以VIT的自注意力机制实现两者有效关联,改进的CRN可以更好地获取谱图细微特征,提升系统的抗噪性能,所提方法如图2所示。
图2 跨时间域辐射源识别流程图

Fig.2 Flowchart of cross-time domain radiator identification

2.1 掩码预训练阶段

经相关信号处理后所得的时频谱图,包含了原始信号的大量时频信息。为了更好地平衡图像质量与细节特征,降低动态环境干扰,本文利用MAE的掩码重建机制,从被遮掩的图像块中,学习数据的潜在表示,推断谱图的全局结构,以提升模型整体的泛化能力。MAE是一种基于视觉Transformer[19]的自监督学习方法,具有非对称的Encoder-Decoder架构,MAE随机掩码预训练流程如图3所示。
图3 MAE掩码预训练示意图

Fig.3 Diagram of MAE mask pre-training

具体而言,在前向传播过程中,MAE先对输入的时频谱图进行一定比例的随机遮掩,使VIT编码器仅处理输入的部分图像块,这一设计在降低编码器计算复杂度的同时,迫使模型通过局部信息推断全局特征,有效消除了图像冗余。而VIT编码器中多头注意力机制的应用,也实现了辐射源信号局部与全局特征的有效关联。多头注意力机制通过计算查询(Query)、键(Key)和值(Value)之间的相似性,生成注意力分数并加权求和值,其计算公式如下:
Attention(Q,K,V)=softmax $\left(\frac{Q{K}^{T}}{\sqrt{{d}_{k}}}\right)$V
式中,Q、K、V分别表示查询向量、键向量和值向量,dk是K向量的维数,softmax表示一个分类激活函数。
接着,由轻量级Transformer模块构成的解码器将VIT编码器输出的潜在表示与遮蔽标记相结合,利用注意力机制学习不同图像块间的相似性,从中捕获时频谱图的全局依赖关系,完成图像重建任务。最后,通过比较重建谱图与原始谱图,计算损失函数,完成模型训练优化的指导,其损失函数定义为掩码补丁间的均方误差(Meaning Squared Error, MSE),损失函数公式如下:
LMSE= $\frac{1}{R}\sum _{i=1}^{R}$‖ ${\widehat{I}}_{i}$-Ii‖2
式中,${\widehat{I}}_{i}$表示重建的图像块,Ii表示原始图像块,R表示图像块的数量。

2.2 模型微调阶段

经MAE预训练后的VIT编码器,能从谱图的局部特征中推断信号全局结构,增强了模型的泛化能力,而对谱图的遮掩重建,往往会降低图像的空间分辨率,损失信号的细微特征。为了进一步提升模型识别性能,本文将预训练的VIT编码器与CRN结合作为主干网络,输入有标签辐射源信号样本对模型进行微调。
CRN以ResNet网络[20]为主体结构,但较文献[5]所提扩张残差网络(Dilated Residual Network,DRN)不同,DRN为了获取信号更为丰富的细节特征,引入扩张卷积,通过设置适当的扩张因子,用于补偿分辨率增加后的感受野降低,以此提升辐射源信号的识别效率。扩张卷积核大小的公式如下:
kc=qks
式中,kc表示扩张后的卷积核大小;ks表示扩张前的卷积核大小;q表示扩张因子。扩张因子设置为1、2、4,卷积核大小设置为3×3、5×5、9×9条件下,卷积层运算输出如图4所示。
图4 扩张卷积与感受野

Fig.4 Dilated convolution and receptive field

而CRN网络提出者认为,针对输出特征信息有限,却受到较多噪声干扰的辐射源信号,应该采用压缩输出特征图分辨率的方法,降低辐射源特征信息被随机噪声“覆盖”风险,从被压缩的特征谱图中,学习信号更为“关键”的细微特征。本文所采用的6类电台辐射源信号,在不同的时间跨度下,受到多种复杂的外界环境影响,其中,特征信息有限,图像分辨率较低,应用改进的CRN网络,能够捕获信号的关键细微特征,提升模型抗噪性能。
经相关卷积运算之后,对输出特征进行全局平均池化(Global Average Pooling, GAP),能有效缓解训练过程中的过拟合问题,提升模型的计算效率,GAP的计算公式如下:
f=$\sum _{v}^{V}\sum _{w}^{W}$xvw
式中,f为GAP运算之后的输出值,V、W为特征图尺寸,xvw表示输出的特征图像素值。
与文献[10]设计思路一致,本文以文献[20]所提出的残差网络为主体结构,图5为本文所设计的改进CRN模型。由input、conv1、maxpool、conv2、conv3、conv4、conv5、GAP、fc组成。conv2-conv5仅使用了1个残差单元,为了避免扩张卷积带来的“网格效应”,扩张系数均设置为1。相比文献[10],经过5层卷积压缩的特征图谱,通过降低谱图分辨率,已很好地抑制了信道噪声干扰,加深网络会耗费计算资源,故舍弃了conv6层。输入图像尺寸和通道数与文献[10]保持一致,虚线表示残差单元的输入输出特征维度不匹配时,采用1×1卷积核对输入特征进行升维,为避免模型训练过程中的梯度消失问题,在卷积运算后,添加BN层[21],进行批量标准化,BN层后选用Relu作为激活函数,加速模型收敛,提升训练效果。
图5 改进CRN模型示意图

Fig.5 Schematic diagram of improved crn model

3 实验与分析

3.1 实验数据集

数据集:实验数据来源于0605-0612(6月5日表示为0605)的6部同型号电台通信辐射源设备,共获得4个不同时间批次的电台数据。不同批次数据标号为0605、0606、0607、0612。设备中心频率2 230 MHz,变频设备采样率为102.4 MHz,射频衰减10 dB,中频衰减6 dB,通道带宽为40 MHz。
数据处理:在信号预处理阶段,样本采样率为200 MHz,窗函数为汉明窗,窗长128,采用短时傅里叶变换获得尺寸为244×244的时频谱图,作为网络特征输入,得到每部电台在同一批次下包含的10 000个样本。在预训练阶段,从0605批次中随机抽取6×7 000个样本进行无标签MAE掩码预训练,训练100个批次,掩码率为0.75,Bach Size设置为32,学习率为1×10-3。在微调阶段,应用预训练阶段已训练好的VIT编码器,选择0605批次有标签的数据作为训练集,每个电台随机选择7 000样本进行训练,剩下3 000作为测试样本。本研究采用随机梯度下降(Stochastic Gradient Descent,SGD)优化器,Bach Size设置为32,学习率为1×10-3,分别训练4、8、12、16、20个批次,并记录实验数据。在0606、0607、0612不同时间跨度的数据批次下,6部电台分别随机选择3 000数据作为测试集,测试不同网络模型识别效果。

3.2 实验环境

本文服务器使用Windows11操作系统,在GPU环境下进行计算,使用Pytorch框架构建网络,以Python作为开发语言,IDE为PyCharm。具体实验环境如表1所示。
表1 实验环境

Tab.1 Experimental environment

参数 配置
CPU 13th Gen Inter®Core(TM) i7-13700KF 3.40GHz
GPU NVIDIA GeForce RTX 4080
机带RAM 32 GB
Conda Conda 23.7.4
Pytorch Python 3.11
MATLAB MatlabR2018b

3.3 对比实验分析

为了检验所提方法在不同时间跨度数据批次下的识别效果,本文将其与相关主流的SEI算法:VIT[18]、ResNet[20]、DRN[5]、CRN[10]、SWI[22]进行对比。不同识别方法在不同时间批次数据集上的识别效果如图6所示。
图6 不同模型在不同数据批次的识别率

Fig.6 Recognition rates of different models in different data batches

由图6所示,在非跨域的0605数据批次下,所提方法对6部电台的识别准确率超90%,尽管相关算法在经过一系列训练后,对该批次辐射源也有较好的识别效果,但本文所提方法具有更快的收敛速度和更高的训练效率。在不同跨域应用场景下,伴随着时间跨度的不断加大,辐射源识别难度逐渐增加,相比其他SEI方法,本文所提方法依然具有更优的辐射源识别效果。
为了更加直观的凸显所提方法的优越性,探究所提方法与相关方法的辐射源特征识别差异,本文给出不同方法在不同数据场景下训练4、8、12、16、20批次所得平均识别率,如表2所示。
表2 不同方法不同数据批次下的平均识别率

Tab.2 Average recognition rate of different batches of data from different methods

method
数据批次		 VIT Resnet CRN DRN SWI 本文
方法
0605 74.79% 80.64% 86.78% 87.16% 84.66% 90.97%
0606 61.37% 71.64% 70.46% 71.40% 69.01% 77.49%
0607 55.97% 67.97% 67.71% 67.73% 66.06% 74.87%
0612 39.28% 47.84% 45.37% 45.00% 45.62% 53.89%
由表2可见,本文所提方法在不跨时间域的场景下,较现有相关方法对辐射源的平均识别率提升3.81%至16.18%,在0606数据场景下,相比识别效果最好的ResNet,平均识别率高5.85%,相比VIT提升16.12%。伴随着时间跨度加大,在0607数据场景下,有6.90%至18.90%的识别效果提升。在时间跨度最长的0612数据场景,平均识别效果提升6.05%至14.61%。受多种内外因素影响,时间跨度加大,各SEI方法识别效能整体下降,但所提方法具有更高的平均识别率,图7反映了不同方法在不同时间跨度下,所得平均识别率变化趋势。
图7 各方法在不同批次数据下的平均识别率

Fig.7 Average recognition rate of each method under different batches of data

3.4 消融实验分析

本文通过将MAE掩码预训练与VIT及改进的CRN相结合,增强了模型的泛化能力和系统鲁棒性,提升了跨时间域辐射源信号的识别与分类性能。为了探究作者所提方法中各组件对模型整体性能的影响,本文采用消融实验移除MAE、CRN模块进行系统性评估。实验以VIT作为基线方法,逐步添加不同模块,与本文所提方法在不同数据批次场景下进行对比测试,以识别准确率为模型评估指标,实验结果如表3所示。
表3 消融实验对比

Tab.3 Comparison of ablation experiments

数据源
0605		 method 训练批次(epoch) average/
%
4 8 12 16 20
0605 VIT 67.93 72.31 75.95 78.01 79.77 74.79
MAE+VIT 69.73 78.55 82.23 84.71 85.64 80.17
VIT+CRN 78.55 83.23 84.65 86.61 88.87 84.38
本文方法 89.95 90.79 91.02 91.46 91.64 90.97
0606 VIT 58.22 58.44 61.87 63.07 65.28 61.37
MAE+VIT 61.03 63.30 67.18 68.42 70.25 66.03
VIT+CRN 64.86 67.89 74.39 75.09 76.13 71.67
本文方法 74.91 75.78 77.59 78.41 80.78 77.49
0607 VIT 40.74 54.69 58.81 62.29 63.30 55.97
MAE+VIT 56.28 60.58 67.90 69.88 69.24 64.77
VIT+CRN 62.95 68.94 71.97 74.68 76.26 70.96
本文方法 68.74 70.76 74.21 78.74 81.97 74.87
0612 VIT 34.94 35.95 37.38 43.07 45.06 39.28
MAE+VIT 37.64 41.59 46.68 47.10 46.74 43.95
VIT+CRN 40.28 44.26 50.64 51.10 52.16 47.75
本文方法 52.07 52.78 53.64 55.63 55.33 53.89
由表3可知,在0605数据场景下,基线方法在应用MAE组件后,识别率提升5.38%,在添加改进CRN后,识别率提升9.59%,本文所提方法通过技术组合,对6类电台信号的平均识别准确率提升了16.18%。在跨时间域的数据场景下,即0606、0607、0612不同批次数据集上,不同组件的添加,也会促进识别效果不同程度的提升,采用MAE掩码预训练,各批次数据识别效果分别提升4.66%、8.8%、4.67%,添加改进的CRN,分别提升10.30%、14.99%、8.47%。而本文所提方法对各批次数据,平均识别率分别提升16.12%、18.89%、14.61%。为了更为直观的呈现不同组件对不同数据批次电台信号的识别促进作用,绘制三维柱状图,如图8所示。
图8 不同模块在不同数据的三维柱形图

Fig.8 3D column charts of different modules on different data

4 结束语

本文基于深度学习中的预训练-微调方法,采用具有VIT架构的MAE网络,预训练无标签数据,增强模型的泛化能力;应用VIT中的注意力机制及改进的CRN网络,通过有标签数据对模型进行微调,进一步提升了系统的识别性能。实验结果表明,本文所提方法在不同时间跨度的数据批次下,较相关现有方法呈现出了更优的辐射源识别效果,具有一定工程应用价值。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
ZHAO S Q, ZENG D G, WANG W H, et al. Mutation grey wolf elite PSO balanced XGBoost for radar emitter individual identification based on measured signals[J]. Measurement, 2020(159): 107 777.

[2]
罗迪, 尹灿斌, 李智. 双星对地面未知辐射源直接定位方法研究[J]. 指挥控制与仿真, 2023, 45(1): 136-143.

DOI

LUO D, YIN C B, LI Z. Research on the direct location of double-satellite to the unknown ground radiation source[J]. Command Control & Simulation, 2023, 45(1): 136-143.

[3]
朱梦韬, 张露瑶, 李瑞, 等. 基于HMM的逆雷达辐射源状态识别推理方法[J]. 北京理工大学学报, 2024, 44(2): 200-209.

ZHU M T, ZHANG L Y, LI R, et al. Inverse inference of radar emitter work mode recognition method based on HMM[J]. Transactions of Beijing Institute of Technology, 2024, 44(2): 200-209.

[4]
李奇真, 刘佳旭, 梁先明, 等. 基于深度学习的跨域辐射源个体识别综述[J]. 电讯技术, 2024, 64(7): 1 163-1 174.

LI Q Z, LIU J X, LIANG X M, et al. Cross-domain specific emitter identification based on deep learning: a comprehensive survey[J]. Telecommunication Engineering, 2024, 64(7): 1 163-1 174.

[5]
秦鑫, 黄洁, 查雄, 等. 基于扩张残差网络的雷达辐射源信号识别[J]. 电子学报, 2020, 48(3): 456-462.

DOI

QIN X, HUANG J, ZHA X, et al. Radar emitter signal recognition based on dilated residual network[J]. Acta Electronica Sinica, 2020, 48(3): 456-462.

DOI

[6]
ELMAGHBUB A, HAMDAOUI B. A needle in a haystack: distinguishable deep neural network features for domain-agnostic device fingerprinting[C]// 2023 IEEE Conference on Communications and Network Security (CNS). Orlando, 2023: 1-9.

[7]
孙丽婷, 柳征, 黄知涛. 接收域分离的跨接收系统通用性辐射源指纹识别[J]. 电子与信息学报, 2024, 46(10): 3 966-3 978.

SUN L T, LIU Z, HUANG Z T. Universal radio frequency fingerprinting across receiving systems using receiving domain separation[J]. Journal of Electronics & Information Technology, 2024, 46(10): 3 966-3 978.

[8]
ELMAGHBUB A, HAMDAOUI B, WONG W K. ADL-ID: adversarial disentanglement learning for wireless device fingerprinting temporal domain adaptation[C]// ICC 2023-IEEE International Conference on Communications. Rome, 2023: 6 199-6 204.

[9]
LI M D, XIE J, YANG H J, et al. Specific emitter identification of frequency hopping signals based on feature extraction and deep residual network[J]. IEEE Access, 2022(10): 119 084-119 094.

[10]
郭恩泽, 刘正堂, 崔博, 等. 基于压缩残差网络的雷达辐射源识别方法研究[J]. 强激光与粒子束, 2024, 36(4): 043016.

GUO E Z, LIU Z T, CUI B, et al. Radar radiation source recognition method based on compressed residual network[J]. High Power Laser and Particle Beams, 2024, 36(4): 043016.

[11]
BO Y L, ZHANG W S, YANG T T, et al. A specific emitter identification approach based on multi-head attention mechanism[C]// 2023 International Wireless Communications and Mobile Computing (IWCMC). Marrakesh, 2023: 953-958.

[12]
高诗飏, 董会旭, 田润澜, 等. 基于SRNN+Attention+CNN的雷达辐射源信号识别方法[J]. 系统工程与电子技术, 2021, 43(12): 3 502-3 509.

GAO S Y, DONG H X, TIAN R L, et al. Radar emitter signal recognition method based on SRNN+Attention+CNN[J]. Systems Engineering and Electronics, 2021, 43(12): 3 502-3 509.

[13]
郑超凡, 吴昊, 郝云飞, 等. 基于脉间特征深度学习的雷达辐射源识别[J]. 信号处理, 2020, 36(8): 1 187-1 195.

ZHENG C F, WU H, HAO Y F, et al. Radar emitter identification based on deep learning of inter-pulse features[J]. Journal of Signal Processing, 2020, 36(8): 1 187-1 195.

[14]
LIU P F, GUO L S, ZHAO H, et al. A long time span-specific emitter identification method based on unsupervised domain adaptation[J]. Remote Sensing, 2023, 15(21): 5214.

DOI

[15]
LIU J X, LI J Q, WANG J, et al. Specific emitter identification at different time based on multi-domain migration[C]// 2022 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC). Chiang Mai, 2022: 917-922.

[16]
HE K M, CHEN X L, XIE S N, et al. Masked autoencoders are scalable vision learners[C]// 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans, 2022: 15 979-15 988.

[17]
师雪玮, 徐大林, 刘志成, 等. 基于改进小波阈值的声波信号去噪算法与仿真[J]. 指挥控制与仿真, 2024, 46(5): 69-76.

DOI

SHI X W, XU D L, LIU Z C, et al. Research on algorithm and simulation of acoustic signal denoising based on improved wavelet threshold[J]. Command Control & Simulation, 2024, 46(5): 69-76.

[18]
DOSOVITSKIY A, BEYER L, KOLESNIKOV A, et al. An image is worth 16X16 words: Transformers for image recognition at scale[C]// 2021 International Conference on Learning Representations (ICLR). Austria, 2021.

[19]
VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[C]// 2017 Neural Information Processing Systems (NIPS). Long Beach, 2017: 5 999-6 009.

[20]
HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, 2016: 770-778.

[21]
IOFFE S, SZEGEDY C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[C]// 2015 International Conference on Machine Learning (ICML). Lille, 2015: 448-456.

[22]
LIU Z, LIN Y T, CAO Y, et al. Swin transformer: hierarchical vision transformer using shifted windows[C]// 2021 IEEE/CVF International Conference on Computer Vision (ICCV). Montreal, 2021: 9 992-10 002.

Options
文章导航

/

〈 〉