基于孪生网络的小样本辐射源识别方法技术

本发明专利技术针对小样本环境下神经网络难以获取足够的数据，正负样本失衡训练困难的问题，提供一种改进的基于孪生网络的小样本辐射源识别方法，使用数据组合进行数据拓展，同时使用传统信号处理的域变换来进行数据增强，使数据集的样本量得到了几乎平方级别的提升。同时，本发明专利技术采用孪生网络作为神经网络的结构，贴合拓展后的数据结构。使用平衡对比误差代替概率控制网络训练样本对输入并以二元组全遍历组织数据集，避免正负样本失衡导致网络训练的偏移。之后，将待判决样本的孪生网络输出特征向量与各类别特征中心做对比得到该样本属于每一类辐射源的概率，即利用特征中心对样本进行分类，降低判决的抖动，判决速度快。判决速度快。判决速度快。

【技术实现步骤摘要】
基于孪生网络的小样本辐射源识别方法


[0001]本专利技术涉及电磁波与信号识别技术，特别涉及辐射源识别技术。

技术介绍

[0002]随着通信技术、通信算法的不断发展；通信网络中的接入设备的种类、数量不断增长；通信设备发射的信号体制、通信协议的种类不断扩展，针对特定辐射源通信目标开展通信对抗的难度不断增加，作为通信对抗中重要一环的辐射源识别技术变得愈加关键。在实际复杂环境中，获取的辐射源信息往往具有数据体量大，有效数据少、信道参数复杂，信号冗杂、辐射源指纹与内调制信息难以提取等特征。如何充分利用少量的有效信息来更有效的提取辐射源特征，进行辐射源识别，成为了辐射源识别的难点之一。
[0003]基于深度学习的辐射源识别方法更容易得到效果更好的特征提取器，并且利用深度学习方法可以将提取辐射源指纹信息与分类结合起来，统一在网络中训练，不仅省略了人工提取指纹操作，并且分类准确率更高。然而，在复杂的实际场景中有效数据非常稀缺，大部分信号数据是无标签，甚至是无效的，难以满足基于深度学习的智能辐射源识别的数据需要。神经网络的训练成本(通常高达好几个小时)过高也是其弊端之一。
[0004]实际场景下，信道环境复杂、有效数据少、对实时处理要求高。基于传统信号分析的辐射源识别方法：对多个辐射源设计特征提取方法困难，且性能不佳；基于深度学习的智能辐射源识别方法：训练成本高，几个小时的训练时间无法满足实时处理的要求；收集数据成本高，在大体量的数据中寻找足够网络学习的有效数据十分耗费资源。尽管，有通过在变换域增强数据特征的尝试，但对于网络从小样本中快速学习改善并不明显。

技术实现思路

[0005]本专利技术所要解决的技术问题是，针对复杂通信电磁环境下小样本条件的辐射源识别困难、网络训练困难的问题，提供一种可以在小样本辐射源信号数据集中提取辐射源特征并加以分类，同时易于训练的网络以完成小样本环境下辐射源的分类任务的方法。
[0006]本专利技术为解决上述技术问题所采用的技术方案是，基于孪生网络的小样本辐射源识别方法，包括以下步骤：
[0007]预处理步骤：对接收到的电磁信号进行数据预处理得到辐射源样本；
[0008]样本拓展步骤：对辐射源样本进行两两组合，由两两组合后的样本对形成拓展后的样本数据集，样本数据集分别训练集与测试集；当有K个辐射源，每个辐射源含有N个样本时，拓展后的样本数据集的样本对的数量为样本对的标签label∈{0,1}，0为样本对的两个样本来自的辐射源不同，1为样本对的两个样本来自的辐射源相同；
[0009]构建并训练孪生网络模型步骤：孪生网络模型为孪生卷积神经网络，包括第一子网络、第二子网络，两个子网络分别接收输入的样本对中的一个样本并输出该样本的特征向量；对孪生网络模型进行训练时采用平衡对比损失来进行网络参数的反向传播和参数更新，平衡对比损失L为：
[0010][0011]其中W是网络模型的权重,Y是样本对标签，分别为第一子网络、第二子网络输出的提取特征，D
w
是与在潜变量空间的欧几里德距离，m为对比误差的特征空间不同类别间的目标距离；α为样本平衡系数，对于K个类别的分类任务，
[0012]辐射源目标识别步骤：先使用孪生网络模型得到样本数据集中每个训练集的样本在特征空间的映射，求得每一类样本的特征中心
[0013][0014]为属于第i类别的第j个样本的特征向量；
[0015]再将测试集的单个样本输入完成训练的孪生网络模型的一个子网络得到特征向量将特征向量与K个类的特征向量做距离度量，将距离度量最近的类作为识别出的辐射源。输入完成训练的孪生网络模型是测试集的单个样本。因为求得特征中心后，孪生网络的一个子网络在测试时无需通过，无需通过的子网络的输出结果已经由特征中心代替，因而只需将单个样本通过另一个的子网络。通过求特征中心，简化判决是创新之一。
[0016]本专利技术的有益效果是：
[0017](1)在小样本条件下，通过信号组合拓展和信号域变换来拓展样本数量，配合数据增强算法使网络获得更多信息；(2)针对拓展后的数据结构改变，使用孪生网络使其更好的从拓展数据中学习到辐射源特征；(3)使用平衡对比误差作为网络训练误差函数，使用二元组的全遍历数据集，由损失函数实现样本平衡，使得在小样本条件下，能更好使用拓展数据来更新网络参数；(4)孪生网络训练好后，求得每类特征中心，基于特征中心判决以提升判决时的性能，在网络更新的基础上完成对辐射源进行分类。
附图说明
[0018]图1实施例流程示意图。
[0019]图2未知目标辨识损失准确率曲线。
[0020]图3样本识别混淆矩阵。
具体实施方式
[0021]实施例在实现本专利技术方案时的具体流程如图1所示：
[0022]Step 1：对接收到的电磁信号进行数据预处理得到辐射源样本；
[0023]Step 2：对辐射源样本进行组合完成数据集组合拓展：
[0024]目前，许多针对神经网络的小样本的数据集拓展都采用了生成式对抗网络GAN(Generative Adversarial Networks)。利用训练好的GAN网络生成数据来进行数据扩展。然而生成式对抗网络GAN在小样本数据集上有着训练时容易出现网络过拟合、生成数据时容易出现后续网络表现下降等缺点。
[0025]为了有效扩展数据，实施例采用数据组合的方法拓展数据：将小样本数据集中的样本两两组合成为一个新的样本，即通过随机组合所有辐射源样本得到新的数据集。新的数据集中的样本或者由同一个辐射源的两个样本组成，或者由不同辐射源的两个样本组成。
[0026]当有K个辐射源，每个辐射源含有N个样本的情形时。未拓展之前的小样本辐射源数据集样本数量为：K
×
M；
[0027]按照实施例方式进行信号组合拓展之后的辐射源数据集样本数量为：
[0028]同时由于输入的样本由单个变为一对样本的组合，之后网络学习的目标也需要从提取辐射源特征并分类变为比较辐射源特征并分类，网络的结构将与常规网络不同。
[0029]进一步的，实施例还结合传统信号分析方法，在组合样本扩展数据集的基础上，以复数形式保留信号正交分量(Q路)和同相分量(I路)的全部信息，利用短时傅里叶变换STFT(short
‑
time Fourier transform)、小波变换WT(wavelet transform)或双谱变换来对样本序列进行升维。维度提升后的样本不仅可以使用效果更好的二维卷积层搭建网络，而且辐射源信号的内调制特征在变换域更加明显，可以进一步提高性能。
[0030]Step 2通过信号组合拓展和信号域变换使得在小样本条件下，达到扩大样本数量，提升样本维度，扩充数据和数据增强的目的。
[0031]Step 3：构建基于平衡对比误差的孪生网络模型：
[0032]拓展后的数据结构改变，使用孪生网络使其更好的从拓展数据中学习到辐射源样本的特征。...

【技术保护点】

【技术特征摘要】
1.基于孪生网络的小样本辐射源识别方法，其特征在于，包括以下步骤：1)预处理步骤：对接收到的电磁信号进行数据预处理得到辐射源样本；2)样本拓展步骤：对辐射源样本进行两两组合，由两两组合后的样本对形成拓展后的样本数据集，样本数据集分别训练集与测试集；当有K个辐射源，每个辐射源含有N个样本时，拓展后的样本数据集的样本对的数量为样本对的标签label∈{0,1}，0为样本对的两个样本来自的辐射源不同，1为样本对的两个样本来自的辐射源相同；3)构建并训练孪生网络模型步骤：孪生网络模型为孪生卷积神经网络，包括第一子网络、第二子网络，两个子网络分别接收输入的样本对中的一个样本并输出该样本的特征向量；对孪生网络模型进行训练时采用平衡对比损失来进行网络参数的反向传播和参数更新，平衡对比损失L为：其中W是网络模型的权重,Y是样本对标签，分别为第一子网络、第二子网络输出的...

【专利技术属性】
技术研发人员：孙国敏，傅钟祺，林静然，邵怀宗，潘晔，利强，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：