Specific Emitter Identification Based on Deep Residual Networks

计算机科学 残余物 人工智能 灰度 深度学习 模式识别(心理学) 信号(编程语言) 希尔伯特变换 希尔伯特-黄变换 算法 计算机视觉 像素 滤波器(信号处理) 程序设计语言
作者
Yiwei Pan,Sihan Yang,Hua Peng,Tianyun Li,Wenya Wang
出处
期刊:IEEE Access [Institute of Electrical and Electronics Engineers]
卷期号:7: 54425-54434 被引量:104
标识
DOI:10.1109/access.2019.2913759
摘要

Specific emitter identification (SEI) enables the discrimination of individual radio emitters with the external features carried by the received waveforms. This identification technique has been widely adopted in military and civil applications. However, many previous methods based on hand-crafted features are subject to the present expertise. To remedy these shortcomings, this paper presents a novel SEI algorithm using deep learning architecture. First, we perform Hilbert-Huang transform on the received signal and convert the resulting Hilbert spectrum into a grayscale image. As a signal representation, the Hilbert spectrum image has high information integrity and can provide abundant information about the nonlinear and non-stationary characteristics of signals for identifying emitters. Thereafter, we construct a deep residual network for learning the visual differences reflected in the Hilbert spectrum images. By using the residual architectures, we effectively address the degradation problem, which improves efficiency and generalization. From our analysis, the proposed approach combines high information integrity with low complexity, which outperforms previous studies in the literature. The simulation results validate that the Hilbert spectrum image is a successful signal representation, and also demonstrate that the fingerprints extracted from raw images using deep learning are more effective and robust than the expert ones. Furthermore, our method has the capability of adapting to signals collected under various conditions.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
学术laji发布了新的文献求助10
刚刚
简隋英发布了新的文献求助10
刚刚
喜东东完成签到,获得积分20
1秒前
耍酷的夏蓉完成签到,获得积分10
1秒前
1秒前
合适书芹发布了新的文献求助20
1秒前
1秒前
wawa完成签到,获得积分10
2秒前
月月发布了新的文献求助10
2秒前
清风发布了新的文献求助10
2秒前
随机昵称发布了新的文献求助10
3秒前
xiao双月完成签到,获得积分10
3秒前
只爱医学不爱你完成签到 ,获得积分10
3秒前
友好的落雁完成签到,获得积分20
3秒前
chenzi完成签到,获得积分10
4秒前
心想事成发布了新的文献求助10
4秒前
黄淮二傻发布了新的文献求助10
4秒前
rain完成签到,获得积分10
4秒前
CC完成签到,获得积分10
5秒前
huangpeihao发布了新的文献求助10
5秒前
DD日看一篇完成签到,获得积分10
5秒前
skkr完成签到,获得积分10
6秒前
6秒前
barrychow发布了新的文献求助10
6秒前
wawa发布了新的文献求助10
7秒前
Ray完成签到 ,获得积分10
7秒前
小熊猫完成签到 ,获得积分10
7秒前
mito完成签到,获得积分20
7秒前
la完成签到,获得积分10
8秒前
旺大财完成签到,获得积分10
9秒前
出水芙蓉发布了新的文献求助10
10秒前
肥蛇外传应助hh0采纳,获得10
10秒前
月月发布了新的文献求助10
11秒前
小满完成签到 ,获得积分10
11秒前
12秒前
随机昵称完成签到,获得积分10
13秒前
枣核儿完成签到,获得积分10
13秒前
14秒前
14秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245398
求助须知:如何正确求助?哪些是违规求助? 2889057
关于积分的说明 8256709
捐赠科研通 2557392
什么是DOI,文献DOI怎么找? 1386090
科研通“疑难数据库(出版商)”最低求助积分说明 650285
邀请新用户注册赠送积分活动 626541