一种基于扩散模型的辐射源信号识别方法，它涉及一种辐射源信号开集识别方法。本发明专利技术为了解决传统开集识别算法分布外检测效果差，算法复杂度高，识别功能鲁棒性差的问题。本发明专利技术的核心在于采用扩散模型对辐射源信号进行重构，并根据已知类数据集重构的统计学分布特点设定阈值以区分分布外数据，再通过低复杂的分类器获得识别结果，有效提高了开集场景下辐射源信号识别的准确性及鲁棒性。本发明专利技术属于数字信号处理技术领域。信号处理技术领域。信号处理技术领域。
【技术实现步骤摘要】
一种基于扩散模型的辐射源信号开集识别方法
[0001]本专利技术涉及一种辐射源信号开集识别方法，属于数字信号处理
技术介绍
[0002]特定辐射源个体开集识别(SEOID)一种旨在识别未知发射源的技术，在多个领域都有着广泛的应用，在电子战领域，SEOID可以帮助军方识别敌方发射源的身份，以便进行有效的干扰和打击。在通信安全领域，SEOID可以用于检测非法发射源，确保通信系统的安全。在无人机监管领域，SEOID可以识别无人机的发射源，以确保无人机的合法性和安全性。在物联网安全领域，SEOID可以用于保护物联网设备的安全，识别恶意发射源并采取相应的措施。传统的识别方法主要基于已知的辐射源信号模型进行分类，难以处理未知辐射源信号的识别。然而，SEOID的应用也目前面临着一些挑战，例如，在复杂的电磁环境中，低信噪比的辐射源数据会对SEOID的识别能力产生严重的负面影响。因此需要开发更加鲁棒的算法，以提高SEOID的准确性和可靠性。
[0003]扩散模型是一种高效的生成模型，其使用一个可逆神经网络(扩散网络)来建模扩散过程，将初始数据点作为输入，然后在每个时间步骤中更新数据点，并计算出更新后数据点的概率密度函数，其基本思想是将数据看作是由许多扩散过程叠加而成，每个扩散过程都对应着数据的一个维度。扩散模型可以处理高维数据，并用来生成高质量的图像、声音等，在许多领域中已经得到了广泛的应用，例如计算机视觉、音频处理、自然语言处理等。本专利技术将扩散模型应用于开集识别领域，并取得了较好的效果。
技术实现思路
<br/>[0004]本专利技术为解决传统开集识别算法分布外检测效果差，算法复杂度高，识别功能鲁棒性差的问题，进而提出一种基于扩散模型的辐射源信号识别方法。
[0005]本专利技术为解决上述问题采取的技术方案是：本专利技术的步骤如下：
[0006]步骤一、对已知类辐射源数据进行预处理，得到由IQ信号构成的数据集；
[0007]步骤二、将数据集输入扩散模型的网络模型进行训练，得到训练后的扩散模型和分类器；
[0008]步骤三、根据已知类的数据的重构误差分布设定分布外检测模块的阈值；
[0009]步骤四、将接收到的辐射源信号预处理后输入扩散模块，由分布外检测模块判断是否属于已知类；
[0010]步骤五、属于未知类直接输出结果，属于已知类则将逆扩散模块的输出作为分类器的输入进行识别，得到分类结果。
[0011]进一步的，步骤二中向扩散模块中通过T次迭代逐渐向数据点x0加入高斯噪声`o
t
＝N(0,1)，由于前向过程中数据x
t
只与前一时刻x
t
‑1有关，该过程可视为如下的马尔科夫过程：
[0012][0013][0014]公式(1)和(2)中，α
t
表示在第t个扩散步骤中添加的噪声的方法，I为单位矩阵，在前向扩散过程中，x
t
由如下公式迭代生成：
[0015][0016]公式(3)中β
t
＝1
‑
α
t
，β
t
为一个不可学习的参数，被设置在[0.0001,0.02]，随时间步t变化；
[0017]逆向扩散模块用于恢复原始数据，由于无法直接获得反向马尔科夫分布q(x
t
‑1|x
t
)，引入神经网络p
θ
拟合分布：
[0018][0019]p
θ
(x
t
‑1|x
t
)＝N(x
t
‑1；μ
θ
(x
t
,t),∑
θ
(x
t
,t))
ꢀꢀꢀꢀ
(5)，
[0020]公式(4)和(5)中，Σ
θ
(x
t
,t)设置为常数β
t
，均值μ
θ
(x
t
,t)为网络拟合的目标；
[0021]逆扩散过程中，由x
t
预测到t
‑
1步数据为：
[0022][0023]公式(6)中，`o
θ
(x
t
,t)表示网络预测的噪声。
[0024]进一步的，步骤三中根据已知类数据集的重构误差分布进行的阈值设定，采用基于正态分布累积分布函数的如下方法：
[0025]首先计算已知类数据经过扩散模型的重构误差的均值μ和方差σ，并设定异常值比例p，此处设置为5％；
[0026]再通过数据分布的反函数找到阈值Threshold：
[0027]Threshold＝μ+σ
×
erf
‑1(1
‑
p0。
[0028]进一步的，步骤四中获取接收到的辐射源信号经预处理后输入训练后的扩散模型，得到重构信号，将重构信号与接收信号输入分布外检测模块，计算重构误差并通过步骤三设定的阈值判断是否属于已知类。
[0029]进一步的，步骤五中若输入信号被判定为未知类，直接输出识别结果；若输入信号被判定为已知类，则重构信号将被送入分类器进行已知类识别，并输出分类结果。
[0030]本专利技术的有益效果是：
[0031]1、本专利技术通过使用基于扩散模型重构误差的分布检测模块来评估一个样本是否属于已知类别，可以更好地应对实际应用中存在的未知类别问题；
[0032]2、本专利技术通过使用扩散模块和逆扩散模块，该专利技术可以有效地处理输入信号中的噪声和变形，从而在处理嘈杂数据时具有更好的鲁棒性；
[0033]3、本专利技术的核心在于采用扩散模型对辐射源信号进行重构，并根据已知类数据集重构的统计学分布特点设定阈值以区分分布外数据，再通过低复杂的分类器获得识别结
果，有效提高了开集场景下辐射源信号识别的准确性及鲁棒性。
附图说明
[0034]图1是本专利技术的方法流程示意图。
[0035]图2是本专利技术的整体结构示意图；
[0036]图3是分布检测模块的阈值区分效果图；
[0037]图4是分类器的网络结构示意图；
[0038]图5是本专利技术与其他方法在不同信噪比下的识别效果对比示意图；
[0039]图6是本专利技术与其他方法在不同开放度下的识别效果对比示意图。
具体实施方式
[0040]具体实施方式一：结合图1至图6说明本实施方式，本实施方式所述一种基于扩散模型的辐射源信号识别方法的步骤如下：
[0041]步骤一、对已知类辐射源数据进行预处理，得到由IQ信号构成的数据集；
[0042]步骤二、将数据集输入扩散模型的网络模型进行训练，得到训练后的扩散模型和分类器；
[0043]步骤三、根据已知类的数据的重构误差分布设定分布外检测模块的阈值；
[0044]步骤四、将接收到的辐射源信号预处理后输入扩散模块，由分布外本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于扩散模型的辐射源信号识别方法，其特征在于：所述一种基于扩散模型的辐射源信号识别方法的步骤如下：步骤一、对已知类辐射源数据进行预处理，得到由IQ信号构成的数据集；步骤二、将数据集输入扩散模型的网络模型进行训练，得到训练后的扩散模型和分类器；步骤三、根据已知类的数据的重构误差分布设定分布外检测模块的阈值；步骤四、将接收到的辐射源信号预处理后输入扩散模块，由分布外检测模块判断是否属于已知类；步骤五、属于未知类直接输出结果，属于已知类则将逆扩散模块的输出作为分类器的输入进行识别，得到分类结果。2.根据权利要求1所述的一种基于扩散模型的辐射源信号识别方法，其特征在于：步骤二中向扩散模块中通过T次迭代逐渐向数据点x0加入高斯噪声`o
t
＝N(0,1)，由于前向过程中数据x
t
只与前一时刻x
t
‑1有关，该过程可视为如下的马尔科夫过程：有关，该过程可视为如下的马尔科夫过程：公式(1)和(2)中，α
t
表示在第t个扩散步骤中添加的噪声的方法，I为单位矩阵，在前向扩散过程中，x
t
由如下公式迭代生成：公式(3)中β
t
＝1
‑
α
t
，β
t
为一个不可学习的参数，被设置在[0.0001,0.02]，随时间步t变化；逆向扩散模块用于恢复原始数据，由于无法直接获得反向马尔科夫分布q(x
t
‑1|x
t
)，引入神经网络p
θ
拟合分布：p
θ
(x
t
‑1|x
t
)＝N(x
【专利技术属性】
技术研发人员：林云，王文言，王芷淇，徐从安，窦峥，王禹，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。