基于信号特征知识图谱与宽度学习架构的特定辐射源识别

【摘  要】特定辐射源识别是一种有效的工业物联网数据流保护技术，现有的SEI方法可以通过机器学习来实现，而主流的SVM算法针对大规模训练样本会消耗大量的机器内存和运算时间。为了解决上述问题，提出了一种信号特征知识图谱与宽度学习架构的SEI方法KG-BLS算法，该方法创新性地建立了信号特征数据库，且利用KG对信号特征实现可视化表征。此外，该方法依靠特征映射节点和增强节点的非线性变换，通过单层前向传播网络来求解复杂的分类问题。仿真结果表明，所提出的KG-BLS算法在识别性能和计算开销方面具有巨大的优势。

【关键词】特定辐射源识别；信号特征；知识图谱；宽度学习；工业物联网

0   引言

在工业物联网环境下，工业数据流呈现数据量大、实时性强、信息传输多样化等特点[1-3]，难以进行识别和分类，从而会影响后序应用如故障检测，且进一步会对无线通信的安全造成威胁。由此可见，在工业物联网环境下特定辐射源识别（SEI, Specific Emitter Identification）[4]意义重大。

近年来，包括机器学习（ML, Machine Learning）和深度学习（DL, Deep Learning）在内的人工智能方法在信号处理领域取得了巨大成就。