混合分数域小波散射网络的射频指纹特征提取方法及系统

1.本发明属于辐射源设备特征识别技术领域，特别涉及基于分数域小波变换散射网络的射频指纹特征提取方法及系统。

背景技术：

2.随着无线通信技术的不断发展，大规模智能物联网与边缘计算设备被部署到无线系统中，随之而来的是基于传统的上层密钥与协议安全模式常常受到网络攻击、中间人攻击以及信息泄露等问题而面临巨大的挑战。传统的加密解密模式不仅需要耗费大量的计算资源，同时也对轻量化设备的通信载荷提出了更高的要求，需要大量的通信资源来保障合法用户鉴权接入协议的正常运行。与此同时，随着通信与电子战在国防军事领域的快速发展，各类型通信、雷达设备被应用于军事竞争与对抗中，辐射源个体识别(specific emitter identification, sei)技术研究正是在通信电子战领域的一项重要技术。早在上个世纪，美国便提出该项技术用来识别和跟踪不同的通信辐射源发射机，后来该项技术经过不断的演进应用于电子战系统用来识别战场目标。在各类型网络形态共存、各种辐射源设备同时存在的应用场景下，如何可以快速精确的识别目标成为了一个亟待解决的问题。射频指纹是存在于射频设备中的一种特殊特征，该特征是由设备中的各类器件的制作、加工等非理想特征产生，不同器件的特征累加之后形成了该设备的唯一指纹信息特征。国内外的相关研究机构都对该问题进行了广泛而深入的研究，对传统的wifi，gsm，lte以及通信电台、雷达等专用的设备都进行了深入的研究，通过传统的统计、变换域分析以及分形变换等计算方式对不同类型的设备进行分类处理，而传统的计算方案常常受限于计算的复杂度和精度而不能大规模的推广使用，其主要原因是该类特征常常是由不同模块的非线性特征级联而成，无法进行精确的数学建模来描述该设备的射频特征。与此同时，传统方案无法顾及到各类设备的特征，因此当设备数量一旦增多之后精确度将会下降无法保持鲁棒性与泛化性。近些年来，随着深度学习(deeplearning)的不断发展，在人工智能领域中分布式特征提取与数据的分布式特征表达取得了十分重要的成果。从2016年开始，工业界和学术界围绕射频细微特征的感知、提取与应用积极开展相关研究，试图克服射频细微特征提取困难，应用困难的问题，进而保障大规模物联网、军事目标精确识别、频谱内容重点感知等领域实际应用顺利落地。中国移动在近期发表了关于下一代无线通信网络的白皮书《2030+愿景与需求报告》，报告中重点强调6g应该在5g基础上全面支持真个世界的数字化，并结合人工智能等技术的发展，实现智慧的泛在可取、全面赋能万事万物。要实现以上的目标，就需要我们未来的网络足够的“健壮”与“灵活”，需要一个高度可靠的安全手段和有效的资源调度策略。射频细微特征是一种唯一、高度稳定的设备特征信息，有效的频谱感知与异常监测是资源调度与高效利用的前提条件。深度学习方案可以通过大规模的数据集来完成对特定设备所属特征的充分学习，通过数据驱动的方式来完成对设备中隐藏的复杂射频指纹特征进行感知与提取以此实现大规模设备的高精度识别。但是，基于深度学习方案同样也存在解释性不足以及数据需求量过大的问题，常常使得网络训练过程耗费大量的计算与数据资
源。2012年s.malla教授基于传统的小波变换提出了深度散射网络(deep scattering networks,dsns)，该网络是一种简化的卷积神经网络，利用多尺度小波变换滤波器替代卷积神经网络中的线性滤波器以此实现对输入信号特征的深度分解。但是基于传统小波变换的深度散射网络无法对非平稳的信号进行有效分析。

技术实现要素：

3.本发明的目的在于提供基于分数域小波散射网络的射频指纹特征提取方法及系统，以解决上述问题。
4.为实现上述目的，本发明采用以下技术方案：
5.基于混合分数域小波散射网络的射频指纹特征提取方法，其特征在于，包括以下步骤：
6.首先通过多层网络级联构建分数域小波变换散射网络；
7.其次通过分数域小波变换散射网络对输入的信号进行基于多尺度分数域小波滤波器进行特征分解获取输入信号所对应的低频与高频特征，与原始信号数据量相比，去除了非必要冗余信息，特征数据量大大减少；
8.然后将去除非必要冗余信息后得到的特征信号作为输入送入对应的残差卷积神经网络进行特征融合感知与分类，实现对大规模辐射源设备的精确识别。
9.进一步的，通过多层网络级联构建分数域小波变换散射网络：
10.对于任何一个输入信号f(t)均通过与核函数进行卷积计算获取得到每一层的信号概貌信息：
[0011][0012]
其中，核函数的目的是提取信号中的低频特征信息并且等价于以下表达式：
[0013][0014]
对信号的高频特征信息通过对输入信号与核函数进行卷积运算得到：
[0015][0016]
其中，核函数是具备有高频特征信息滤波特性的滤波器，对上述式子可以进一步的表达为：
[0017][0018]
分数域小波散射网络是由线性卷积与非线性取模两部分操作组成，得到对于散射网络的任意一层散射系数表示为s
α
[l
(m)
]f(t)，对每一层的散射网络系数主要由两部分组成，其中第一层的第一部分便是输入信号所对应的低频特征信息：
[0019]
[0020]
散射网络第一层第二部分所对应的高频信息：
[0021][0022]
由于网络的结构特性，可以通过前(m-1)层的输出信息来计算对应的第m层分数域小波散射网络的对应的散射系数，因此可以将上述表达式做进一步的推广之后得到第m层散射网络所对应的高低频特征散射系数如下：
[0023][0024][0025]
其中i
α
与c
α
分别代表输入信号计算得到的高频与低频特征信息散射系数。
[0026]
进一步的，对输入的信号x(t)进行基于多尺度分数域小波进行特征分解具体包括：
[0027]
通过对输入信号x(t)，利用傅里叶变换窗对采集到的信号进行变换得到信号的时频变换结果：
[0028][0029]
其中，h(n)对应的是傅里叶变换窗函数，n与k分别代表离散的时域与频域。
[0030]
散射网络是对变换后信号f(t)进行逐层分解，得到对应的散射网络系数作为输入信号的特征系数，对于任意的d维输入信号，其所对应的分数域傅里叶变换表达如下：
[0031][0032]
其中且有，
[0033]
其中αi代表的是分数傅里叶变换的旋转角度。
[0034]
进一步的，通过分数域小波变换来进一步加强对输入信号的进一步分解，输入信号f(t)所对应的分数域小波变换表示为：
[0035][0036]
上式中分数域小波核函数满足以下的条件，
[0037][0038]
其中，λ与t分别代表尺度缩放因子与时间因子，当上述表达式中的旋转因子α＝π/2时，分数域小波变换便退化为经典的小波变换。通过设置分数域旋转角度因子，通过多尺度分数域小波将输入的信号分解为低频信息与高频信息。
[0039]
进一步的，输入信号所对应的低频与高频特征信息通过下式计算：
[0040][0041]
其中分数域小波尺度函数表示为：
[0042][0043]
输入信号所对应的高频特征信息表示为：
[0044][0045]
进一步的，与原始的数据信号相比，输入信号的特征信息大大减少了非必要冗余信息，可以进一步提高系统的学习训练成本和性能。
[0046]
进一步的，混合分数域小波散射卷积神经网络射频指纹识别对非平稳环境下的信号特征信息保持稳定不变性。
[0047]
非平稳信号在分数域的形变可以定义为：
[0048][0049]
更进一步的，分数域形变误差满足以下条件：
[0050][0051]
其中：
[0052][0053]
对满足以上条件的非平稳特征信号，分数域小波散射变换保证再非平稳噪声中的信号特征在分数域散射变换中保持不变，实现保留突出的信号特征，以此来完成大规模设备的精确识别。
[0054]
进一步的，基于小波变换散射网络的射频指纹特征提取系统，其特征在于以下的不同组成模块：
[0055]
特征分解网络模块：首先通过构建多层网络级联实现分数域小波变换散射网络，然后通过分数域小波变换散射网络对输入的信号进行基于多尺度分数域小波的特征分解，以此来获取输入信号所对应的低频与高频特征信息。由于经过了对应的特征信息提取网络，与原始的信号相比较大大的降低了冗余信息的存在。
[0056]
特征识别分类模块：用于将去除非必要冗余信息后得到的信号特征信息作为输入送入对应的残差卷积神经网络进行特征融合感知，实现对大规模辐射源设备的精确识别。
[0057]
与现有技术相比，本发明有以下技术效果：
[0058]
本发明以通信辐射源细微特征信息提取与个体识别为目标，以分数域小波散射网络与一维残差网络混合组成卷积神经网络，在高效的完成信号特征信息提取增强网络可解释性的同时尽可能减少输入监督网络中的冗余信息，提高了网络模型的学习效率和大规模设备识别精度。事实上，此时的混合网络模型中，由于采用了分数域小波散射网络来对输入信号进行特征信息提取，利用分数域小波散射系数的非平稳稳定性等优良特性，可以最大
化减少信道非平稳特性带来的模型收敛速度慢和大规模设备识别精度差。因此，在提升精度的同时最大化的减少了网络模型学习的数据量提升了学习效率。其具有以下的优点：
[0059]
第一：分数域小波散射网络可以对输入的信号进行深度的分解，大大的提升了该混合网络的可解释性；
[0060]
第二：分数域小波散射网络在提取特征系数的过程中可以最大化的去除输入信号的冗余信息，减少网络学习数据量；
[0061]
第三：该混合网络对非平稳特性带来的特征信息波动保持分数域不变性，可以使得混合网络具备更好的鲁棒性和识别性能。
附图说明
[0062]
图1为系统结构组成图；
[0063]
图2为分数域小波散射网络结构；
[0064]
图3非平稳信号二阶小波散射系数；
[0065]
图4混合分数域小波散射卷积神经网络结构；
[0066]
图5数据采集系统；
[0067]
图6不同网络模型在不同训练样本规模下的识别精度；
[0068]
图7不同辐射源设备的归一化射频特征聚类。
具体实施方式
[0069]
以下结合附图对本发明进一步说明：
[0070]
请参阅图1至图7；本发明提供一种基于分数域小波变换散射网络的混合卷积神经网络的射频指纹特征提取方案，该方案首先通过分数域小波变换散射网络对输入的信号进行基于多尺度分数域小波基的特征分解获取输入信号所对应的低频与高频特征，同时去除了大量非必要冗余信息。然后将得到的特征信号作为输入送入对应的卷积神经网络进行特征融合感知，进而实现对大规模设备的精确识别。本发明所涉及到的详细技术方案如下：
[0071]
1.射频指纹产生机理
[0072]
如图1(a)所示是一个典型的无线收发通信系统，系统中包含有一个通用lte 与各类型移动终端进行互联通信。在图1(b)所示即为移动终端基本信号处理流程，在完成传输信息的信源与信道编码后得到对应的传输比特序列，该比特序列通过调制解调、滤波器、功率放大器等相关模块之后通过天线进行信号的传输。信号在上述不同模块的处理过程中，模块器件的非理想特性会对输入的信号产生非线性变换影响，因此器件非理想特征的独特性和唯一性会对输入的信号产生唯一的非线性操作，其中主要包括有：iq失衡、频偏、放大器非线性以及天线非理想特性等。其中iq失衡主要包含有iq两路不同的调制幅差与相位差：
[0073]
s(t)＝i(t)cos(2πfit+ζ(t)/2)-q(t)sin(2πfit-ζ(t)/2)
[0074]
其中，fi代表系统的中频频率，i(t)与q(t)分别代表两路不同的正交调制信号，ζ(t)代表基带信号的正交调制误差。射频带通滤波器是中频无线通信系统的重要组成部分，该滤波器的主要作用是对特定频段的信号进行滤波处理，主要特性参数有q值、通带截止频率、通带波动以及滤波器时延等，相关特性可建模表达如下：
[0075][0076]
其中，h(f)代表的是理想滤波器，φ
ψ
(f,t)与a
ψ
(f,t)分别代表的是滤波器的相位与幅度失真，不同的设备拥有不同的g(f,t)特征，形成唯一的滤波器射频指纹特性。高功率放大器是无线通信系统中引发非线性失真的主要部分，信号在经过高功率放大器进行放大之后通过天线在无线信道中传播。
[0077][0078]
其中，ρ(t)代表的是高功率放大器输入，fc代表无线系统的载波频率，y(t) 代表的是高功率放大器的输出，在无线信号y(t)中包含了整个系统中的各模块非线性特征形成唯一的设备指纹特征。因此，可以通过对空间中传播的无线信号进行分析获取发射设备的射频指纹特征。然而，在实际的无线信道传播中携带有射频指纹特征的信号常常会受到信道的非平稳特性影响，使得隐藏在信号中的射频特征信号无法精确获取进而影响对大规模设备的识别精度。
[0079]
2.基于分数域小波变换的深度散射网络
[0080]
机器学习(machine learning)是指通过组合低层特征形成更加抽象的高层表示(属性类别或特征)，以发现数据的分布式特征表示。近年来，机器学习在信号处理、图像、语音以及文本等领域取得了突出的应用效果。深度学习作为机器学习领域的一个重要分支，通过构建多层卷积神经网络构成复杂的网络模型，每一层网络通过不同尺度和特性的滤波器来获取对应输入信号的特征参数作为下一层网络的输入，最后一层全连接网络实现对不同射频指纹特征设备的分类。该类型卷积神经网络是反馈式学习网络，需要大量的训练数据作为网络优化学习的基础，此外网络参数复杂需要海量的计算资源辅助网络模型学习收敛。同时，卷积神经网络目前在可解释性方面依旧存在不足。2012年，mallat 教授提出了基于小波变换构成了小波散射卷积网络，该网络通过小波滤波器替换线性滤波器来实现非反馈式信号特征分解，该网络通过计算半离散的小波变换系数与非线性取模操作，该网络对信号的分解过程具有平移不变形、形变稳定性等特性。国内外的诸多学术机构均对此展开了广泛的研究，相关研究人员利用小波变换、时频分析、gabor变换等与散射网络相结合并应用于各类不同的场景。分数域小波是在小波变换的基础上进行的分数域变换，可以通过不同的旋转角度可以实现不同的分数域变换突出不同的分数域特征。在实际无线信道传输过程中，采集到的时间序列信号常常因为信道的非平稳特性需要进行时频分析，短时傅里叶变换(short-time fourier transform,stft)是一种有效的时频变换工具，本质上是通过傅里叶变换窗对采集到的信号进行变换得到信号的时频变换结果：
[0081][0082]
其中，h(n)对应的是傅里叶变换窗函数，n与k分别代表离散的时域与频域。如图2所示，基于分数域小波变换的散射网络完成了对输入信号f(t)的逐层分解，散射网络每一层的输出是对应输入信号的特征系数。为了得到分数域小波变换的准确数学表达，我们根据定义可知对于任意的d维输入信号分数域傅里叶变换可以表达如下：
[0083][0084]
其中αi代表的是分数傅里叶变换的旋转角度，特别的如果αi＝π/2，那么上述的变换将退化为经典的傅里叶变换，由此可见分数域傅里叶变换是更加广义的变换。因此分数域傅里叶变换不仅具有传统傅里叶变换的性质，同时也具备有分数域不同旋转角度下的其他性质。在分数域傅里叶变换域可以通过分数域频率与相位来刻画信号的非平稳特征，但是该变换却无法获取信号的本地特征。因此，需要通过分数域小波变换来进一步完成对输入信号的深度分解，输入信号 f(t)所对应的分数域小波变换可以表示为：
[0085][0086]
其中表示的是分数域小波核函数，代表的是散射网络计算得到的信号散射系数，其中上述式子中的分数域小波核函数满足以下条件：
[0087][0088]
其中，λ与t分别代表尺度缩放因子与时间因子。同理，当上述表达式中的旋转因子α＝π/2时，分数域小波变换便退化为经典的小波变换。因此通过设置合理的分数域旋转角度因子，通过多尺度分数域小波基可以将输入的信号分解为低频信息(信号概貌信息)与高频信息(信号细节信息)，分别对应于图2中的两种不同的节点。输入信号所对应的低频信息特征可以通过以下式子计算：
[0089][0090]
其中，代表信号低频特征系数，j代表对应的尺度函数，与之对应的分数域小波尺度函数可以表示为：
[0091][0092]
输入信号所对应的高频信息特征可以通过以下表达式计算得到：
[0093][0094]
其中，代表计算得到的信号高频特征信息，而代表对应的高频特征信息提取核函数；
[0095]
经典小波散射卷积网络可以通过多层网络级联构建，因此我们对分数域小波散射网络也采取相同的构建方式，具体组成方式如图2所示。其中尺度因子j＝4，网络深度m＝3，
对于任何一个输入信号f(t)均可以通过与核函数进行卷在
·
积计算获取得到每一层的信号概貌信息：
[0096][0097]
其中，核函数可以提取信号中的低频特征信息并且等价于以下表达式：
[0098][0099]
对信号的高频特征信息可以通过对输入信号与核函数进行卷积运算得到，
[0100][0101]
其中，核函数具备有高频特征信息滤波特性，可以进一步的表达为：
[0102][0103]
综上所述，可知对于任意的输入信号分数域小波散射网络，均由线性卷积与非线性取模两部分操作组成，如图2所示，我们可以得到对于散射网络的任意一层散射系数可以表示为s
α
[l
(m)
]f(t)，对每一层的散射网络系数主要由两部分组成，其中第一层的第一部分便是输入信号所对应的低频特征信息：
[0104][0105]
散射网络第一层高频信息：
[0106][0107]
因此我们可以通过(m-1)的输出信息来计算对应的第m层网络的散射系数，将上述表达式做进一步的推广之后可得第m层散射网络所对应的高低频散射系数如下：
[0108][0109][0110]
其中i
α
与c
α
分别代表输入信号的高频与低频特征信息系数。
[0111]
3.混合分数域小波散射卷积神经网络射频指纹识别
[0112]
如图3所示是两个不同的设备所对应的时频特征图像对应的分数域小波散射系数，左边图像展示了信号在随着时间变换的过程中的非平稳特性，中间部分是分数域小波散射网络的一阶散射系数，右边是对应的二阶散射系数，从图中可以看到无论是一阶系数还是二阶系数，两个不同的设备之间均存在较为明显的差异。此外，从二者的差异性可以看到对于在时频域中的非平稳特性几乎没有明显的体现，更多的差异体现在工作频段内的频段存在性差异。其主要原因是分数域小波散射网络对于在分数域的一定尺度形变具有稳定不变性，正是由于该网络对非平稳特性的不变性，使得该网络可以更加适合用于从与无线信道相关的非平稳信号中提取设备的射频指纹信息。一个信号在分数域的形变定义为：
[0113][0114]
更进一步的，分数域形变误差必须满足以下条件：
[0115][0116]
其中，
[0117][0118]
因此对满足以上条件的非平稳特征信号，分数域小波散射变换可以保证该类型的非平稳噪声在分数域散射变换中保持不变，而仅仅保留突出的信号特征，以此来完成大规模设备的精确识别。
[0119]
如图4所示是混合分数域散射卷积神经网络组成结构，其中(a)所示为整个混合网络的第一部分，主要用来完成对输入信号进行分数域小波散射系数计算，对不同层中计算得到的所有系数组合成为新的系数向量，作为后续卷积神经网络的输入。第一部分散射网络的主要作用是用来完成对输入信号的特征信息提取，可以进一步的减少输入到卷积网络中的冗余信息，同时可以通过分数域小波散射获取输入信号的各级散射系数可以明确输入信号的各类特征，增强了该混合卷积神经网络的可解释性。对于卷积神经网络选取resnet网络作为参考，实现了一维信号残差网络适配，如图4(b)所示，整个网络由输入层，idblock， convblock以及最后的全连接层fc组成，在获取到散射系数之后通过resnet1d 网路完成后续的监督学习，实现对设备的准确识别。
[0120]
本发明以通信辐射源细微特征信息提取与个体识别为目标，以分数域小波散射网络与一维残差网络组成混合卷积神经网络，在高效的完成信号特征信息提取增强网络可解释性的同时尽可能减少输入残差网络中的冗余信息，提高了网络模型的学习效率和对大规模设备识别精度。

技术特征：

1.基于混合分数域小波散射网络的射频指纹特征提取方法，其特征在于，包括以下步骤：首先通过多层网络级联构建分数域小波变换散射网络；其次通过分数域小波变换散射网络对输入的信号进行基于多尺度分数域小波滤波器进行特征分解获取输入信号所对应的低频与高频特征，与原始信号数据量相比，去除了非必要冗余信息，提取到的特征数据量大大减少；然后将去除非必要冗余信息后得到的特征信号作为输入送入对应的残差卷积神经网络进行特征融合感知与分类，实现对大规模辐射源设备的精确分类识别。2.根据权利要求1所述的基于混合分数域小波散射网络的射频指纹特征提取方法，其特征在于通过多层网络级联构建分数域小波变换散射网络：对于任何一个输入信号f(t)均通过与核函数进行卷积计算获取得到每一层的信号概貌信息：其中，核函数的目的是提取信号中的低频特征信息并且等价于以下表达式：对信号的高频特征信息通过对输入信号与核函数进行卷积运算得到：其中，核函数是具备有高频特征信息滤波特性的滤波器，对上述式子可以进一步的表达为：分数域小波散射网络是由线性卷积与非线性取模两部分操作组成，得到对于散射网络的任意一层散射系数表示为s
α
[l
(m)
]f(t)，对每一层的散射网络系数主要由两部分组成，其中第一层的第一部分便是输入信号所对应的低频特征信息：散射网络第一层第二部分所对应的高频信息：由于网络的结构特性，可以通过前(m-1)层的输出信息来计算对应的第m层分数域小波散射网络的对应的散射系数，因此可以将上述表达式做进一步的推广之后得到第m层散射网络所对应的高低频特征散射系数如下：
其中i
α
与c
α
分别代表输入信号计算得到的高频与低频特征信息散射系数。3.根据权利要求1所述的基于分数域小波散射网络的射频指纹特征提取方法，其特征在于，对输入的信号x(t)进行基于多尺度分数域小波进行特征分解具体包括：通过对输入信号x(t)，利用傅里叶变换窗对采集到的信号进行变换得到信号的时频变换结果：其中，h(n)对应的是傅里叶变换窗函数，n与k分别代表离散的时域与频域；散射网络是对变换后信号f(t)进行逐层分解，得到对应的散射网络系数作为输入信号的特征系数，对于任意的d维输入信号，其所对应的分数域傅里叶变换表达如下：其中且有，其中α
i
代表的是分数傅里叶变换的旋转角度。4.根据权利要求3所述的基于分数域小波变换散射网络的射频指纹特征提取方法，其特征在于，通过分数域小波变换来进一步加强对输入信号的进一步分解，输入信号f(t)所对应的分数域小波变换表示为：上式中分数域小波核函数满足以下的条件，其中，λ与t分别代表尺度缩放因子与时间因子，当上述表达式中的旋转因子α＝π/2时，分数域小波变换便退化为经典的小波变换；通过设置分数域旋转角度因子，通过多尺度分数域小波将输入的信号分解为低频信息与高频信息。5.根据权利要求4所述的基于分数域小波散射网络的射频指纹特征提取方法，其特征在于，输入信号所对应的低频与高频特征信息通过下式计算：其中分数域小波尺度函数表示为：输入信号所对应的高频特征信息表示为：
6.根据权利要求1所述的基于分数域小波变换散射网络的射频指纹特征提取方法，其特征在于，与原始的数据信号相比，输入信号的特征信息大大减少了非必要冗余信息，可以进一步提高系统的学习训练成本和性能。7.根据权利要求1所述的基于分数域小波变换散射网络的射频指纹特征提取方法，其特征在于，混合分数域小波散射卷积神经网络射频指纹识别对非平稳环境下的信号特征信息保持稳定不变性：非平稳信号在分数域的形变可以定义为：更进一步的，分数域形变误差满足以下条件：其中，对满足以上条件的非平稳特征信号，分数域小波散射变换保证再非平稳噪声中的信号特征在分数域散射变换中保持不变，实现保留突出的信号特征，以此来完成大规模设备的精确识别。8.基于小波变换散射网络的射频指纹特征提取系统，其特征在于以下的不同组成模块：特征分解网络模块：首先通过构建多层网络级联实现分数域小波变换散射网络，然后通过分数域小波变换散射网络对输入的信号进行基于多尺度分数域小波的特征分解，以此来获取输入信号所对应的低频与高频特征信息；特征识别分类模块：用于将去除非必要冗余信息后得到的信号特征信息作为输入送入对应的残差卷积神经网络进行特征融合感知，实现对大规模辐射源设备的精确识别。

技术总结

基于混合分数域小波散射网络的射频指纹特征提取方法及系统，包括以下步骤：首先通过多层网络级联构建分数域小波变换散射网络；其次通过分数域小波变换散射网络对输入的信号进行基于多尺度分数域小波滤波器进行特征分解获取输入信号所对应的低频与高频特征，该特征参数包含了输入信号的关键信息而且数据量远远小于原始信号，因此去除一些非必要的冗余信息；然后得到的特征信号作为输入送入对应的卷积神经网络进行特征融合感知，通过大规模网络实现对大规模辐射源设备的精确识别。本发明在高效的完成信号特征信息提取增强网络可解释性的同时尽可能减少输入残差网络中的冗余信息，提高了网络模型的学习效率和对大规模设备识别精度。备识别精度。备识别精度。