基于DRSN-Transformer编码器的域自适应辐射源个体识别方法研究

摘要

为了使深度神经网络能够准确识别不同传输信道的辐射源个体，提出了一种基于深度残差收缩网络(deep residual shrinkage network, DRSN)融合Transformer编码器的域自适应个体识别方法。采用DRSN软阈值模块自动去掉I/Q接收信号中的噪声，利用Transformer编码器进一步提取信号中各符号间的依赖特征，使用域自适应对抗学习方法将不同域的目标信号映射为相同分布的目标特征，使得DRSN-Transformer编码器网络模型能够准确提取与信道无关的射频指纹特征(radio frequency fingerprint, RFF),实现信道变化时目标辐射源个体的精准识别，并利用调制器畸变信号模型进行了仿真试验。结果表明：与ResNet和DRSN网络模型相比，所提DRSN-Transformer网络模型的平均识别准确率分别提升了2.98个百分点和1.65个百分点；采用域自适应对抗学习方法的DRSN-Transformer编码器网络模型能够有效降低源域和目标域信号特征分布的不一致性，与传统方法训练的DRSN-Transformer编码器网络模型相比，在信噪比为27 dB时，识别准确率提升了20.73个百分点，显著改善了信道变化时的辐射源个体识别性能。与传统学习方法相比，所提方法虽然增加了特征提取网络与域判别网络的对抗训练过程，但训练完成的特征提取网络能够准确提取与信道变化无关的指纹特征，在辐射源个体识别领域具有一定的应用价值。

关键词

计算机神经网络 / 深度残差收缩网络 / Transformer编码器 / 域对抗神经网络 / 特定辐射源识别 / 信道自适应