本发明涉及辐射源信号识别，具体指一种针对信号带宽动态化的辐射源识别方法及系统。
背景技术：
1、辐射源识别(specific emitter identification,sei)，又称辐射源“指纹”识别，是一种通过对截取的电磁信号进行外部特征分析，实现对单个无线电发射器的识别技术，该技术在电子对抗系统、无线电通信、战场敌我识别等军用领域和民用领域具有重要意义。
2、传统的识别方法利用希尔伯特频谱域、双谱分析、小波域、功率谱域和高阶谱变换域等方法提取到辐射源指纹特征，然后通过贝叶斯分类、knn(k-nearest neighbor)近邻和支持向量机等方法对这些特征进行分类识别。传统的识别方法可以根据具体问题进行知识库的更新和调整，具有较强的灵活性，但过程较繁琐，并且耗时耗力，难以应对未来辐射源信号种类增加带来的分类问题。为此，国内外学者开展了基于深度学习(deep learning,dl)的sei方法，网络可以自主学习信号中的抽象特征并做出预测，具有较强的自适应能力。该类方法包括卷积神经网络(convolutional neural network，cnn)、yolo(you only lookonce)系列等。shengliang peng等人将复杂信号转换为灰度图像和三通道图像数据格式，利用cnn网络模型和框架进行分类识别；陈海永等人利用yolov5模型，改善了在同型号不同个体的细粒度sei任务中性能表现不佳的问题。
3、随着未来网络中无线设备数量和辐射源设备种类的不断增加，接收方需要动态调整带宽以接收到完整的信号，带宽的改变给sei任务带来极大困难。现有的sei技术泛化能力较弱，难以对不同带宽的辐射源个体进行精准识别。因此，设计一种在带宽发生变化时仍然能精准识别信号，具有较强的泛化能力的辐射源识别方法和系统，就显得十分必要。
技术实现思路
1、本发明针对现有的sei技术泛化能力较弱，难以对不同带宽的辐射源个体进行精准识别的问题，本发明提供一种针对信号带宽动态化的辐射源识别方法，在复杂电磁环境下能够有效地检测并识别到多种带宽条件下信号，在保证识别率的同时，检测速度也有提升。
2、为了解决上述技术问题，本发明的技术方案为：
3、一种针对信号带宽动态化的辐射源识别方法，其特征在于，包括如下步骤：
4、s1、通过获取由手机发出的wi-fi热点信号，确定与wi-fi热点信号相对应的数字频谱余晖图，并构建目标带宽多样化数据集；
5、s2、构建辐射源识别模型，所述辐射源识别模型以yolov5模型为主干网络，并嵌入多尺度卷积模块；
6、s3、优化损失函数；
7、s4、使用优化后的辐射源识别模型对带宽动态化的辐射源信号进行识别。
8、作为优选，步骤s1中所述构建目标带宽多样化数据集，具体包括如下步骤：
9、s11、搭建无干扰环境下的wi-fi热点信号采集系统；
10、s12、以预设类型手机型号为研究对象，采集在频段2.4ghz下发出的热点信号；
11、s13、将目标带宽多样化数据集按带宽不同进行划分，并确定第一带宽数据集以及第二带宽数据集；所述第一带宽数据集为40mhz带宽数据集，第二带宽数据集为大于40mhz的带宽数据集；
12、s14、对已标注的第一带宽数据集图片进行数据增强处理；所述数据增强处理包括随机位置的压缩和剪裁拼接。
13、作为优选，步骤s2中所述的对原yolov5模型框架进行修改，嵌入多尺度卷积模块，具体的：在主干网络嵌入多尺度卷积(multi-scale convolution,msc)模块，所述msc模块利用多个并行的卷积操作，使wi-fi热点信号在水平方向上发生尺度变化，从而将空间位置坐标信息整合到提取的特征图中；
14、作为优选，步骤s21的具体过程如下：
15、作为优选，所述多尺度卷积模块输入特征图首先通过1*1的卷积和relu激活函数，然后再分别通过1*2、1*3和1*5的卷积操作，其中1*2的卷积块水平步长为2，垂直步长为1，1*3的卷积块水平步长为3，垂直步长为1，1*5的卷积块水平步长为5，垂直步长为1。两个1*2的卷积部分使用残差块结构。
16、作为优选，步骤s3中，使用eious损失函数替换原yolov5模型的ciou损失函数，并在eious损失函数中引入角度惩罚项。
17、作为优选，eious损失函数由iou损失、宽高损失和距离损失三部分组成
18、
19、作为优选，定义b(bx,by)和分别表示预测框和真实框的中心点坐标，oh表示预测框中心与真实框中心的垂直距离，ρ表示两者之间的欧氏距离，cw和ch分别为预测框和真实框的最小外接矩形的宽度和高度，距离损失的计算公式为：
20、
21、其中，
22、
23、
24、上式中α是预测框中心相对于真实框中心的偏离角度。在训练过程中，当α小于π/4，则最小化α；当α为π/4或0时，角度损失为0。
25、作为优选，步骤s4包括如下步骤：
26、s41，对修改后的模型进行性能评估；
27、s42，在模型训练完成后，使用训练后的最优权重对带宽动态化的辐射源信号进行识别，得到识别精度并进行对比。
28、本发明还提供了一种针对信号带宽动态化的辐射源识别系统，包括：
29、数据采集模块，用于通过获取由手机发出的wi-fi热点信号，确定与wi-fi热点信号相对应的数字频谱余晖图，并构建国内首个带宽多样化数据集；
30、模型修改模块，用于对原yolov5模型框架进行修改，嵌入多尺度卷积模块；
31、模型优化模块，用于优化损失函数；
32、辐射源信号识别模块，用于使用改进后的yolov5模型对带宽动态化的辐射源信号进行识别。
33、本发明具有以下的特点和有益效果：
34、采用上述技术方案，利用数字频谱余晖图显示的特有的指纹特征，分析带宽变化时信号之间的细微差异，通过引入多尺度卷积模块，使改进后的yolov5网络能够精确识别不同带宽同种信号之间的细微差异；并通过改进损失函数以提升模型的收敛速度，提升网络模型的鲁棒性和泛化能力，着重解决了sei中对带宽动态变化信号识别精度不足的难题。
1.一种针对信号带宽动态化的辐射源识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，所述步骤1中，在无干扰环境下通过wi-fi热点信号采集系统，采集在频段2.4ghz下发出的wi-fi热点信号。
3.根据权利要求1所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，所述目标带宽多样化数据集包括第一带宽数据集和第二带宽数据集，所述第一带宽数据集为40mhz带宽数据集，所述第二带宽数据集为大于40mhz的带宽数据集。
4.根据权利要求3所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，所述步骤1中，对已标注的第一带宽数据集图片进行数据增强处理；所述数据增强处理包括不同比例的压缩和随机位置的剪裁拼接。
5.根据权利要求3所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，所述嵌入多尺度卷积模块，输入特征图通过1*1的卷积和relu激活函数，再分别通过1*2、1*3和1*5的卷积操作，其中1*2的卷积块水平步长为2，垂直步长为1；1*3的卷积块水平步长为3，垂直步长为1；1*5的卷积块水平步长为5，垂直步长为1；两个1*2的卷积部分使用残差块结构。
6.根据权利要求1所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，所述eious损失函数由iou损失、宽高损失和距离损失：
7.根据权利要求6所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，所述步骤3中，引入角度惩罚项后距离损失函数，表达式如下：
8.根据权利要求7所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，所述eious损失函数训练过程中，当α小于π/4，则最小化α；当α为π/4或0时，角度损失为0。
9.一种针对信号带宽动态化的辐射源识别系统，用于实现权利要求1-8任一项所述的一种针对信号带宽动态化的辐射源识别方法，其特征在于，包括：
