本发明涉及无线通信安全领域，尤其涉及一种辐射源识别方法、装置及辐射源识别模型创建方法、装置。
背景技术：
随着无线通信网络的发展，无线网络面临严峻的安全威胁，保证无线通信安全已经变得越来越重要。
在无线网络安全方面，由于通信设备指纹特征具有唯一性、稳定性以及不易被模仿的特点，因此利用通信设备指纹特征来判定通信设备是否是伪装的入侵通信设备，已经成为无线网络安全防护的一种重要实现方法。
特定辐射源识别(specificemitteridentification，sei)是利用通信设备指纹特征进行唯一射频发射设备识别的技术。特定辐射源识别通过将给定信号的细微特征与特征库相比较，确定给定信号来自于哪一个发射设备。该技术目前已经被用于提高无线通信安全。
现有技术中的辐射源识别方法各自存在一定的缺陷。如谱相关法、包络法等较少考虑噪声因素，因此在实际使用时容易受到噪声的影响；如基于积分双谱、时频谱等的辐射源识别方法在低信噪比中识别效果较差，影响了方法的适用范围。
技术实现要素：
本发明实施例提供一种辐射源识别方法、装置及辐射源识别模型创建方法、装置，用以解决现有技术中的辐射源识别方法易于受到噪声影响、适用范围有限等缺陷，实现了对辐射源个体的高准确率识别。
本发明第一方面实施例提供一种辐射源识别方法，包括：
获取待识别辐射源所发出信号的时域数据；
根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；
从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；
将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果；其中，
所述辐射源识别模型是将个体身份信息已知的辐射源所发出信号的熵特征向量以及所述辐射源的个体身份信息作为样本数据，采用机器学习方式训练得到的用于获取待识别辐射源的个体身份信息的模型；所述个体身份信息包括个体的种类、型号以及标识号的信息。
上述技术方案中，所述根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号具体包括：
对所述待识别辐射源所发出信号的时域数据进行短时傅里叶变换，得到待识别辐射源所发出信号的能量包络；
根据待识别辐射源所发出信号的能量包络最大值与能量包络最小值计算自适应阈值；
从待识别辐射源所发出信号的能量包络中选取能量包络值大于自适应阈值的第一个点，得到暂态信号的起始点；
根据所述暂态信号的起始点、暂态时间长度以及采样率得到待识别辐射源所发出信号的暂态信号。
上述技术方案中，所述辐射源识别模型所基于的样本数据中包括待识别辐射源所发出信号的熵特征向量组合以及待识别辐射源的个体身份信息。
本发明第二方面实施例提供一种辐射源识别模型创建方法，包括：
获取多个辐射源所发出信号的时域数据以及所述多个辐射源的个体身份信息；
根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号；
从所述多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合；
将所述多个辐射源所发出信号的熵特征向量组合以及所述多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
上述技术方案中，所述采用机器学习方式训练模型包括：
采用交叉验证支持向量机的方式训练模型；
或，采用k近邻算法训练模型。
上述技术方案中，所述多个辐射源包括多个同种类的不同辐射源个体。
本发明第三方面实施例提供一种辐射源识别装置，包括：
信号采集模块，用于获取待识别辐射源所发出信号的时域数据；
暂态信号获取模块，用于根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；
熵特征向量组合获取模块，用于从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；
识别模块，用于将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果；其中，
所述辐射源识别模型是将个体身份信息已知的辐射源所发出信号的熵特征向量以及所述辐射源的个体身份信息作为样本数据，采用机器学习方式训练得到的用于获取待识别辐射源的个体身份信息的模型；所述个体身份信息包括个体的种类、型号以及标识号的信息
本发明第四方面实施例提供一种辐射源识别模型创建装置，包括：
信号与个体身份信息采集模块，用于获取多个辐射源所发出信号的时域数据以及所述多个辐射源的个体身份信息；
暂态信号获取模块，用于根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号；
熵特征向量组合获取模块，用于从所述多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合；
模型训练模块，用于将所述多个辐射源所发出信号的熵特征向量组合以及所述多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
本发明第五方面实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述辐射源识别方法的步骤，或实现如本发明第二方面实施例所述辐射源识别模型创建方法的步骤。
本发明第六方面实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如本发明第一方面实施例所述辐射源识别方法的步骤，或实现如本发明第二方面实施例所述辐射源识别模型创建方法的步骤。
本发明实施例提供的辐射源识别方法、装置及辐射源识别模型创建方法、装置，从待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将这两类熵特征作为辐射源识别模型的特征，从而实现对辐射源个体的识别，具有识别准确率高以及识别效果稳定，对噪声有一定的鲁棒性的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的辐射源识别方法的流程图；
图2为待识别辐射源所发出信号的时域数据的示意图；
图3为一个范例中的能量包络的示意图；
图4为本发明实施例提供的辐射源识别模型创建方法的流程图；
图5为一个实施例中多个辐射源的熵特征向量组合的三维示意图；
图6为一个实施例中辐射源识别正确率的示意图；
图7为本发明实施例提供的辐射源识别装置的示意图；
图8为本发明实施例提供的辐射源识别模型创建装置的示意图；
图9示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
辐射源识别方法的目的是要实现对辐射源(如无线电信号发射设备)的个体识别。所谓的个体识别是指要识别出辐射源究竟是哪一个，如要从成百上千个移动电话中识别出指定的移动电话。
辐射源结构较复杂，使得辐射源的指纹特征具有维度高、非线性的特点。经实验已经证明，在对辐射源做个体识别时，采用常见的特征匹配方法将待识别的辐射源的指纹特征与指纹特征库进行比较并不能得到准确的识别结果；其中，所述的常见的特征匹配方法包括计算欧氏距离、余弦相似度、相关函数等。
在本发明实施例所提供的辐射源识别方法中利用机器学习的方法来进行分类识别。具体描述如下。
图1为本发明实施例提供的辐射源识别方法的流程图，如图1所示，本发明实施例提供的辐射源识别方法包括：
步骤101、获取待识别辐射源所发出信号的时域数据。
在本发明实施例中，待识别辐射源所发出信号的时域数据保存为iq(in-phaseandquadraturecomponents，同相与正交分量)格式。在本发明的其他实施例中，待识别辐射源所发出信号的时域数据也可保存为本领域技术人员所公知的其他数据格式。图2为待识别辐射源所发出信号的时域数据的示意图。
在本发明实施例中，可采用频谱仪获取待识别辐射源所发出信号的时域数据。
步骤102、根据待识别辐射源所发出信号的时域数据，得到待识别辐射源所发出信号的暂态信号。
在本发明实施例中，对所获取的待识别辐射源所发出信号的时域数据进行短时傅里叶变换，得到待识别辐射源所发出信号的能量包络。由信号的能量包络计算自适应阈值，根据自适应阈值确定暂态信号的起始点，根据起始点和信号暂态时间长度、采样率得到暂态信号。图3为一个范例中的能量包络的示意图，图3中的星号代表了从能量包络中所确定的暂态信号的起始点。
如何对时域信号做短时傅里叶变换是本领域技术人员的公知常识，因此不在此处做重复说明。
由信号的能量包络计算自适应阈值包括：根据信号的能量包络最大值与信号的能量包络最小值确定自适应阈值。计算公式如下：
th＝α·(value_max-value_min)
其中，th表示自适应阈值，value_max表示能量包络最大值，value_min表示能量包络最小值，α是公式中的一个系数，其大小根据统计规律确定。
待识别辐射源所发出信号的暂态信号是噪声段(不含发射信号)到信号段的过渡段，是一个上升的过程。因此在计算出自适应阈值后，从能量包络中选取能量包络值大于自适应阈值的第一个点，这个点就是暂态信号的起始点。
根据待识别辐射源设备的先验知识可得到暂态时间长度，根据信号采集时采集设备设置的参数可得到采样率，根据暂态信号的起始点和信号暂态时间长度、采样率得到暂态信号s(x0:x0 tr·fs)。其中，x0表示暂态信号的起始点，tr表示暂态时间长度，fs表示采样率。
步骤103、从待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征(mde，multiscaledispersionentropy)和精细复合多尺度离散熵(rcmde，refinedcompositemultiscaledispersionentropy)特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到熵特征向量组合。
多尺度离散熵和精细复合多尺度离散熵能够很好地描述辐射源信号的非线性特征，而精细复合多尺度离散熵又因为其粗粒度过程，使得它能够对含噪信号也可以得到稳定的结果。因此在本发明实施例中提取这两种类型的特征并形成熵特征向量组合。
如何提取多尺度离散熵和精细复合多尺度离散熵是本领域技术人员的公知常识，因此不在此处做重复说明。
步骤104、将待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果。
辐射源识别模型是将个体身份信息已知的辐射源所发出信号的熵特征向量以及所述辐射源的个体身份信息作为样本数据，采用机器学习方式训练得到的用于获取待识别辐射源的个体身份信息的模型；其中，个体身份信息包括个体的种类、型号以及标识号(id)的信息；个体身份信息已知的辐射源是指辐射源的种类、型号以及标识号均已知的辐射源；熵特征向量包括多尺度离散熵和精细复合多尺度离散熵。
在本发明实施例中，辐射源识别模型是基于交叉验证支持向量机(cv-svm)训练得到的，在本发明的其他实施例中，辐射源识别模型也可以通过其他方法生成，如k近邻算法(knn)。
以k近邻算法训练得到的辐射源识别模型为例，对如何基于辐射源识别模型得到待识别辐射源个体身份信息的过程进行说明。
若辐射源识别模型是基于k近邻算法训练得到的，则所述辐射源识别模型包括有训练数据以及标签，所述训练数据包括已知个体身份信息的辐射源所发出信号的熵特征向量组合，所述标签包括这些辐射源的个体身份信息。
在识别过程中，将待识别辐射源所发出信号的熵特征向量组合作为测试数据输入到基于k近邻算法得到的辐射源识别模型中，计算测试数据与各个训练数据之间的距离；然后按照距离的递增关系进行排序；选取距离最小的k个点，确定前k个点所在类别的出现频率；返回前k个点中出现频率最高的类别作为测试数据的预测分类，即可得到待识别辐射源的个体身份信息。
需要说明的是，在本发明实施例中，所述辐射源识别模型在训练时所基于的样本数据中包括有待识别辐射源的个体身份信息以及待识别辐射源所发出信号的熵特征向量。例如，需要对型号为01、标识号为0001的移动电话a进行个体身份识别，从该移动电话a所发出的信号中提取出由多尺度离散熵和精细复合多尺度离散熵所组成的熵特征向量，将这一熵特征向量输入到关于移动电话的辐射源识别模型b中。辐射源识别模型b在训练过程中所依赖的训练数据包括移动电话a的个体身份信息(型号为01、标识号为0001)，使得辐射源识别模型b能实现对移动电话a的精准识别。
本发明实施例提供的辐射源识别方法从待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将这两类熵特征作为辐射源识别模型的特征，从而实现对辐射源个体的识别，具有识别准确率高以及识别效果稳定，对噪声有一定的鲁棒性的优点。
图4为本发明实施例提供的辐射源识别模型创建方法的流程图，如图4所示，本发明实施例提供的辐射源识别模型创建方法包括：
步骤401、获取多个辐射源所发出信号的时域数据以及多个辐射源的个体身份信息。
在本步骤中，所述多个辐射源是同种类的不同辐射源个体。这些同种类的不同辐射源个体可以是同种类且同型号的辐射源个体，例如，采集1000部移动电话所发出信号的时域数据。所述1000部移动电话可以全部是苹果公司生产的iphone6s手机。同种类的不同辐射源个体也可以是同种类但不同型号的辐射源个体。例如，采集1000部移动电话所发出信号的时域数据。所述1000部移动电话可以是苹果公司生产的苹果手机，也可以是华为公司生产的华为手机。苹果手机可以是iphone6s手机，也可以是iphonex手机。华为手机可以是huaweimate30手机，也可以是huaweip30手机。
在本发明实施例中，可采用频谱仪获取多个辐射源所发出信号的时域数据。多个通信辐射源所发出信号的时域数据保存为iq格式。
同一个辐射源所发出信号的时域数据可采集多次，形成同一辐射源的多组样本数据。所获取的所有辐射源的时域数据形成辐射源样本库。
在获取多个辐射源所发出信号的时域数据的同时，还要获得这些辐射源所对应的个体身份信息，所述个体身份信息包括：辐射源的种类、型号以及标识号。
步骤402、根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号。
如何由时域数据得到暂态信号的过程在前述的本发明实施例中已经有详细描述，因此不在此处做重复说明。
步骤403、从多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合。
步骤404、将多个辐射源所发出信号的熵特征向量组合以及多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
在本发明实施例中，采用交叉验证支持向量机(cv-svm)的方式训练模型。在训练过程中，首先将多个辐射源所发出信号的熵特征向量组合作为样本数据；然后设定惩罚参数c和核函数参数g的范围，根据网格搜索思想，建立不同参数对(c，g)，利用前述样本数据计算不同参数对的交叉验证准确率，取正确率最高的参数值组得到最优参数对(c，g)；最后根据最优参数对(c，g)、多个辐射源的个体身份信息以及多个辐射源所发出信号的熵特征向量组合建立svm模型，得到辐射源识别模型。
在本发明的其他实施例中，还可以采用k近邻算法训练模型。采用k近邻算法所得到的辐射源识别模型包括训练数据与标签；其中，所述训练数据包括多个辐射源所发出信号的熵特征向量组合，所述标签包括所述多个辐射源的个体身份信息。
本发明实施例提供的辐射源识别模型创建方法从多个辐射源所发出信号的暂态信号中提取多尺度离散熵和精细复合多尺度离散熵，利用这两类熵特征训练辐射源识别模型，所得到的辐射源识别模型能实现对辐射源个体的识别，具有识别准确率高以及识别效果稳定，对噪声有一定的鲁棒性的优点。
为了便于理解，结合一个实例对本发明的方法进行说明。
采集5台同种类同型号的通信辐射源所发出的时域信号，每台辐射源设备分别采集多组样本信号，保存为iq格式。
根据已知的辐射源信号暂态信号时间长度及数据采集时的采样率，由起始点截取得到暂态信号。对每个样本的暂态信号提取多尺度离散熵(mde)和精细复合多尺度离散熵(rcmde)作为指纹特征，并建立辐射源特征库，取其中三维画出特征图如图5所示，d1-d5分别表示5台辐射源设备。设定惩罚参数c和核函数参数g的范围，根据网格搜索思想，建立不同参数对(c，g)，利用辐射源训练样本库计算不同参数对的交叉验证准确率，取正确率最高的参数值组作为最优参数(c，g),并根据最优参数和训练样本库建立svm模型，由上述建立的最优svm分类模型，对辐射源测试数据进行分类识别。为了证明本发明实施例提供的辐射源识别方法的鲁棒性和稳定性，对上述实例中提到的5台辐射设备做了100次重复实验，图6为100次重复实验的实验结果所对应的箱型图，该箱型图反映了辐射源识别正确率。该箱型图中包括整体正确率、d1(辐射源设备1)、d2(辐射源设备2)、d3(辐射源设备3)、d4(辐射源设备4)和d5(辐射源设备5)的正确率。图6反映出本发明实施例提供的辐射源识别方法识别效果稳定。
图7为本发明实施例提供的辐射源识别装置的示意图，其特征在于，包括：
信号采集模块701，用于获取待识别辐射源所发出信号的时域数据；
暂态信号获取模块702，用于根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；
熵特征向量组合获取模块703，用于从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；
识别模块704，用于将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果；其中，
所述辐射源识别模型是将个体身份信息已知的辐射源所发出信号的熵特征向量以及所述辐射源的个体身份信息作为样本数据，采用机器学习方式训练得到的用于获取待识别辐射源的个体身份信息的模型；所述个体身份信息包括个体的种类、型号以及标识号的信息。
本发明实施例提供的辐射源识别装置从待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将这两类熵特征作为辐射源识别模型的特征，从而实现对辐射源个体的识别，具有识别准确率高以及识别效果稳定，对噪声有一定的鲁棒性的优点。
图8为本发明实施例提供的辐射源识别模型创建装置的示意图，如图8所示，本发明实施例提供的辐射源识别模型创建装置包括：
信号与个体身份信息采集模块801，用于获取多个辐射源所发出信号的时域数据以及所述多个辐射源的个体身份信息；
暂态信号获取模块802，用于根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号；
熵特征向量组合获取模块803，用于从所述多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合；
模型训练模块804，用于将所述多个辐射源所发出信号的熵特征向量组合以及所述多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
本发明实施例提供的辐射源识别模型创建装置从多个辐射源所发出信号的暂态信号中提取多尺度离散熵和精细复合多尺度离散熵，利用这两类熵特征训练辐射源识别模型，所得到的辐射源识别模型能实现对辐射源个体的识别，具有识别准确率高以及识别效果稳定，对噪声有一定的鲁棒性的优点。
图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(communicationsinterface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行如下方法：获取待识别辐射源所发出信号的时域数据；根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果。或执行如下方法：获取多个辐射源所发出信号的时域数据以及所述多个辐射源的个体身份信息；根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号；从所述多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合；将所述多个辐射源所发出信号的熵特征向量组合以及所述多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：获取待识别辐射源所发出信号的时域数据；根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果。或例如包括：获取多个辐射源所发出信号的时域数据以及所述多个辐射源的个体身份信息；根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号；从所述多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合；将所述多个辐射源所发出信号的熵特征向量组合以及所述多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
1.一种辐射源识别方法，其特征在于，包括：
获取待识别辐射源所发出信号的时域数据；
根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；
从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；
将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果；其中，
所述辐射源识别模型是将个体身份信息已知的辐射源所发出信号的熵特征向量以及所述辐射源的个体身份信息作为样本数据，采用机器学习方式训练得到的用于获取待识别辐射源的个体身份信息的模型；所述个体身份信息包括个体的种类、型号以及标识号的信息。
2.根据权利要求1所述的辐射源识别方法，其特征在于，所述根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号具体包括：
对所述待识别辐射源所发出信号的时域数据进行短时傅里叶变换，得到待识别辐射源所发出信号的能量包络；
根据待识别辐射源所发出信号的能量包络最大值与能量包络最小值计算自适应阈值；
从待识别辐射源所发出信号的能量包络中选取能量包络值大于自适应阈值的第一个点，得到暂态信号的起始点；
根据所述暂态信号的起始点、暂态时间长度以及采样率得到待识别辐射源所发出信号的暂态信号。
3.根据权利要求1所述的辐射源识别方法，其特征在于，所述辐射源识别模型所基于的样本数据中包括待识别辐射源所发出信号的熵特征向量组合以及待识别辐射源的个体身份信息。
4.一种辐射源识别模型创建方法，其特征在于，包括：
获取多个辐射源所发出信号的时域数据以及所述多个辐射源的个体身份信息；
根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号；
从所述多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合；
将所述多个辐射源所发出信号的熵特征向量组合以及所述多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
5.根据权利要求4所述的辐射源识别模型创建方法，其特征在于，所述采用机器学习方式训练模型包括：
采用交叉验证支持向量机的方式训练模型；
或，采用k近邻算法训练模型。
6.根据权利要求4所述的辐射源识别模型创建方法，其特征在于，所述多个辐射源包括多个同种类的不同辐射源个体。
7.一种辐射源识别装置，其特征在于，包括：
信号采集模块，用于获取待识别辐射源所发出信号的时域数据；
暂态信号获取模块，用于根据所述待识别辐射源所发出信号的时域数据得到所述待识别辐射源所发出信号的暂态信号；
熵特征向量组合获取模块，用于从所述待识别辐射源所发出信号的暂态信号中提取多尺度离散熵特征和精细复合多尺度离散熵特征，将所述多尺度离散熵特征和精细复合多尺度离散熵特征进行组合，得到待识别辐射源所发出信号的熵特征向量组合；
识别模块，用于将所述待识别辐射源所发出信号的熵特征向量组合输入到辐射源识别模型中，获得关于待识别辐射源个体身份信息的识别结果；其中，
所述辐射源识别模型是将个体身份信息已知的辐射源所发出信号的熵特征向量以及所述辐射源的个体身份信息作为样本数据，采用机器学习方式训练得到的用于获取待识别辐射源的个体身份信息的模型；所述个体身份信息包括个体的种类、型号以及标识号的信息。
8.一种辐射源识别模型创建装置，其特征在于，包括：
信号与个体身份信息采集模块，用于获取多个辐射源所发出信号的时域数据以及所述多个辐射源的个体身份信息；
暂态信号获取模块，用于根据所述多个辐射源所发出信号的时域数据，得到所述多个辐射源所发出信号的暂态信号；
熵特征向量组合获取模块，用于从所述多个辐射源所发出信号的暂态信号中分别提取多尺度离散熵和精细复合多尺度离散熵，将所述多个辐射源中的每一个辐射源所发出信号的暂态信号的多尺度离散熵特征和精细复合多尺度离散熵特征分别进行组合，得到多个辐射源所发出信号的熵特征向量组合；
模型训练模块，用于将所述多个辐射源所发出信号的熵特征向量组合以及所述多个辐射源的个体身份信息作为样本数据，采用机器学习方式训练模型，得到用于识别辐射源个体身份信息的辐射源识别模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述辐射源识别方法的步骤，或实现如权利要求4至6任一项所述辐射源识别模型创建方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述辐射源识别方法的步骤，或实现如权利要求4至6任一项所述辐射源识别模型创建方法的步骤。
技术总结