一种基于原型网络的辐射源个体开集识别方法技术

本公开实施例是关于一种基于原型网络的辐射源个体开集识别方法。该方法包括：对原始数据进行处理，将处理后的数据按预设比例划为训练集数据和测试集数据；将训练集数据送入构建的一维神经网络中进行训练得到训练集数据特征，计算得到训练集数据特征到原型的距离；根据训练集数据特征到原型的距离对训练集数据进行分类且利用联合损失函数优化一维神经网络，迭代更新一维神经网络中的原型和网络参数；将测试集数据送入训练后的一维神经网络中进行测试，与原型进行匹配得到测试集数据特征到原型的距离；利用开集识别算法对测试集数据分类。本公开解决了基于开集场景的辐射源个体识别算法鲁棒性不强，识别性能低的问题。识别性能低的问题。识别性能低的问题。

【技术实现步骤摘要】
一种基于原型网络的辐射源个体开集识别方法


[0001]本公开实施例涉及信号处理
，尤其涉及一种基于原型网络的辐射源个体开集识别方法。

技术介绍

[0002]特定辐射源个体识别(specific emitter identification,SEI)是指通过提取辐射源信号中的个体特征来识别不同辐射源的过程。随着无线通信技术的大规模应用和物联网时代的到来，通信辐射源指纹特征作为一种基于自身硬件唯一性的身份特征，其在通信设备的识别定位以及安全认证等领域将发挥着重要作用。
[0003]根据辐射源的工作状态，可将用于识别的信号指纹特征分为暂态特征和稳态特征。暂态特征的差异明显且容易分辨，但提取暂态特征对设备的精密性和采集条件要求高，且容易受噪声干扰；相较于暂态特征来说，稳态特征获取容易，基于稳态特征提取射频指纹的方法有广泛的研究和适用范围。如通过高阶累积量、希尔伯特
‑
黄变换(hilbert
‑
huang transform,HHT)、矩形积分双谱、变分模态分解等特征变化方法进行特征提取，并通过支持向量机(support vector machine,SVM)、聚类等分类算法进行分类，但这些人工设计的特征提取和分类方法复杂度较高，泛化性不强，识别率低。
[0004]因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
[0005]需要注意的是，本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。<br/>
技术实现思路

[0006]本公开实施例的目的在于提供一种基于原型网络的辐射源个体开集识别方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
[0007]根据本公开实施例，提供一种基于原型网络的辐射源个体开集识别方法，该方法包括：
[0008]对原始数据进行处理，并将处理后的数据按预设比例划为训练集数据和测试集数据；
[0009]将所述训练集数据送入构建的一维神经网络中进行训练得到所述训练集数据特征，并计算得到所述训练集数据特征到原型的距离；
[0010]根据所述训练集数据特征到原型的距离对所述训练集数据进行分类；
[0011]基于所述训练集数据特征到原型的距离，利用联合损失函数优化所述一维神经网络，并迭代更新所述一维神经网络中的所述原型和网络参数；
[0012]将所述测试集数据送入训练后的所述一维神经网络中进行测试，并与所述原型进行匹配得到所述测试集数据特征到原型的距离；
[0013]基于所述测试集数据特征到原型的距离，利用开集识别算法进行对所述测试集数据分类。
[0014]本公开的一实施例中，所述联合损失函数包括：
[0015]距离交叉熵损失函数和原型损失函数。
[0016]本公开的一实施例中，所述原型学习包括：
[0017]所述测试集数据包括若干不同类别的样本；
[0018]所述一维神经网络将各个所述样本划入到距离最近的所述原型的所属类别；
[0019]所述一维神经网络的特征提取器和所述原型联合学习，并不断将所属类别的所述原型推向对应的所述样本的样本特征。
[0020]本公开的一实施例中，所述一维神经网络将各个所述样本划入到距离最近的所述原型的所属类别中的分类过程表示公式为：
[0021][0022]其中，x为神经网络的原始输入样本，i为类别，g
i
(x)是类别i的分类函数，N为类别数量。
[0023]本公开的一实施例中，所述g
i
(x)表示公式为：
[0024][0025]其中，f(x；θ)为所述一维神经网络的特征提取器，θ为网络参数，a
i
为所述原型。
[0026]本公开的一实施例中，所述开集识别算法包括：
[0027]设计自适应距离分类规则，使每个类别可学习一个自适应的距离阈值；
[0028]根据所述距离阈值对所述测试集数据进行分类。
[0029]本公开的一实施例中，所述自适应距离分类规则包括：
[0030]计算各个测试样本到各个所述原型的距离，并找到最近距离所对应的类别；
[0031]根据找到的所述类别及该类别训练样本特征到所属原型的距离分布，得到最大距离分布值；
[0032]将所述最大距离分布值作为对应的类别的所述距离阈值；
[0033]若所述测试样本到最近所述原型的距离小于所述原型对应类别的距离阈值，则判定为该类别，否则判定为未知类样本。本公开的一实施例中，所述判别公式表示为：
[0034][0035]其中，ω
i
为所述距离阈值，N为类别数量。
[0036]本公开的一实施例中，所述一维神经网络包括：
[0037]若干卷积层和压缩激励模块；
[0038]其中，各所述卷积层包括若干卷积核和池化层，在最后一个所述卷积层中加入Dropout层，在每一次卷积和池化操作后加入压缩激励模块。
[0039]本公开的一实施例中，所述压缩激励模块为一维结构。
[0040]本公开的实施例提供的技术方案可以包括以下有益效果：
[0041]本公开的实施例中，通过上述基于原型网络的辐射源个体开集识别方法，一维神
经网络能够调整通道权重加强分类能力，结合联合损失函数对一维神经网络的网络参数和原型进行联合训练，同时更新网络参数和原型，有效提高了网络的识别性能，同时以提高类内紧密度的方式扩大了类间距离，进一步增强了模型的识别、分类能力；根据所述测试集数据特征到原型的距离对所述测试集数据进行分类，完成了辐射源个体开集识别，且在闭集环境和开集环境下都具有更高的识别精度和泛化性。
附图说明
[0042]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
[0043]图1示出本公开示例性实施例中基于原型网络的辐射源个体开集识别方法步骤图；
[0044]图2示出本公开示例性实施例中闭集识别和开集识别模型示意图；
[0045]图3示出本公开示例性实施例中基于原型网络的辐射源个体开集识别方法的框架示意图；
[0046]图4示出本公开示例性实施例中一维神经网络结构示意图；
[0047]图5示出本公开示例性实施例中一维压缩激励模块模型示意图；
[0048]图6示出本公开仿真实验中10dB下不同类别样本的特征分布对比图；
[0049]图7示出本公开仿真实验中0dB下不同类别样本的特征分布对比图；
[0050]图8示出本公开仿真实验中不同样本长度下的识别率对比图；
[0051]图9示出本公开仿真实验中λ取值对闭集识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于原型网络的辐射源个体开集识别方法，其特征在于，该方法包括：对原始数据进行处理，并将处理后的数据按预设比例划为训练集数据和测试集数据；将所述训练集数据送入构建的一维神经网络中进行训练得到所述训练集数据特征，并计算得到所述训练集数据特征到原型的距离；根据所述训练集数据特征到原型的距离对所述训练集数据进行分类；基于所述训练集数据特征到原型的距离，利用联合损失函数优化所述一维神经网络，并迭代更新所述一维神经网络中的所述原型和网络参数；将所述测试集数据送入训练后的所述一维神经网络中进行测试，并与所述原型进行匹配得到所述测试集数据特征到原型的距离；基于所述测试集数据特征到原型的距离，利用开集识别算法进行对所述测试集数据分类。2.根据权利要求1所述基于原型网络的辐射源个体开集识别方法，其特征在于，所述联合损失函数包括：距离交叉熵损失函数和原型损失函数。3.根据权利要求2所述基于原型网络的辐射源个体开集识别方法，其特征在于，所述原型学习包括：所述测试集数据包括若干不同类别的样本；所述一维神经网络将各个所述样本划入到距离最近的所述原型的所属类别；所述一维神经网络的特征提取器和所述原型联合学习，并不断将所属类别的所述原型推向对应的所述样本的样本特征。4.根据权利要求3所述基于原型网络的辐射源个体开集识别方法，其特征在于，所述一维神经网络将各个所述样本划入到距离最近的所述原型的所属类别中的分类过程表示公式为：其中，x为神经网络的原始输入样本，i为类别，g
i
(x)是类别i的分类函数，N为类别数量。5.根据权利要求4...

【专利技术属性】
技术研发人员：王永民，王春升，许华，张悦，朱丽莉，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：