面向开放环境的辐射源个体识别方法技术

本发明专利技术公开了一种面向开放环境的辐射源个体识别方法，属于辐射源个体识别技术领域

【技术实现步骤摘要】
面向开放环境的辐射源个体识别方法


[0001]本专利技术属于辐射源个体识别
，具体涉及一种面向开放环境的辐射源个体识别方法
。

技术介绍

[0002]现有的基于射频指纹的辐射源个体识别研究，大多数都关注于信号变换
、
特征提取以及分类器的选择等步骤，目标是提高辐射源个体识别系统在闭集识别任务上的模型精度
。
然而，现实开放环境中的辐射源个体识别任务则是更为复杂的跨信道的开放集场景
。
[0003]首先，在不同的部署环境中由于环境因素
、
信号接收机的不同以及其他发射器的干扰，信号中携带的信道信息也会有所不同并相互产生混淆，使得在不同信道环境下采集到信号的射频指纹呈现出分布差异
。
这导致训练使用的信号数据与推理时的信号数据之间无法满足传统机器学习中要求的训练集和测试集独立同分布的假设，进一步使得在跨信道的辐射源识别场景中模型性能大幅度下降
。
虽然基于深度学习的
SEI(Specific Emitter Identification,SEI)
研究已经解决了许多挑战，但大部分工作都是基于一个封闭集分类的假设，即训练集信号和测试集信号都是来自一组已知的发射器集合
。
无论这个已知类别发射器集合有多大，如果在推理测试阶段出现任意未见过的发射器其信号都会被错误分类，最终导致安全漏洞
。
通过四个已知设备的射频指纹信息训练的模型，无法在预测阶段中识别或区分另外三个未知个体新设备，使模型的推理结果变得不可信
。
这种安全漏洞对于任何部署在开放空间中的系统都是致命的，因为这种漏洞破坏了系统的“自治性”(Autonomy)
，即系统在复杂且不可预测的环境中在人为最少干预的情况下完成目标的能力
。
[0004]当下，保证开放系统的高度自治性是亟待解决的问题
。
开放环境中的
SEI
模型会同时遭遇由于信道变化导致的类别信息混淆，以及未知类别引起的模型可信度降低的问题
。
由数据驱动的
SEI
系统在内集
(In
‑
Set)
输入上将按预期运行，但在近集
(Near
‑
Set)
输入上的输出就不可预测，在处理所有外集
(Out
‑
of
‑
Set)
输入时将必然不正确；同时环境中的外集数据与近集数据对于任务的影响并不是简单的加性求和，两者会同时作用导致知识迁移和开集识别的难度增加，因此，最终的解决方案并不能是无监督域适应和开放集识别的简单拼接
。
[0005]现有的研究采用独立的方法来解决开放环境中的困难
。
首先，为了解决开放空间中跨信道导致的
SEI
模型精度下降的问题，已有的研究使用了两种主要策略
。
第一种策略是基于信号数据，通过分析目标信号特征，使用额外硬件或者其他信道信息，提高模型在跨信道下的泛化能力
。2019
年，
Sankhe
等人通过研究发射链路中的硬件中心特征
(Hardware
‑
Centric Feature)
，发现了一种基于反馈驱动的修改发射器端的方法，该方法通过使用接收器的信道估计来提高
CNN
分类器的精度
。
然而，这些基于信号数据的策略会受信号数据本身的类型
、
传输协议等影响，也使用到了信号外的冗余信息，难以在复杂多变的信号场景大规模使用
。
另一种策略是无监督域适应
(Unsupervised Domain Adaption
，
UDA)
，
UDA
是迁移
学习的子领域之一，是通过将有标注的源域上学习到的知识迁移至无标注的目标域上，从而降低两个域的差异，来提高模型在目标域上的性能表现的一种重要手段
。2022
年，
Ye
等人提出基于
Wasserstein
距离的无监督对抗域适应
(Adversarial Domain Adaptation with Wasserstein Distance
，
ADAW)
的方法来解决跨时期的辐射源识别精度下降问题
。
同时，对于解决开放空间中的未知类别产生的问题，已有的研究使用生成式的方法来主动拒绝未知类别；还有学者利用余弦距离来表示已知与未知的边界
。2020
年
Hanna
等人的研究使用了多组不同的开集识别分类头解决这个问题，并发现了如果测试数据与训练数据不是同一天捕获的，模型的识别性能显著地下降；虽然
Hanna
等人在研究过程中意识到了神经网络提取到的指纹信息更可能来自于信道，但是他们并没有着手去解决这个问题
。

技术实现思路

[0006]本专利技术的专利技术目的在于：针对上述存在的问题，提出了基于最大间距开放边界
(Maximum Interval Open Boundary
，
MIOB)
的开放集辐射源个体识别方法，在缓解跨信道引入混淆的前提下实现对未知类别的识别
。
[0007]本专利技术采用的技术方案如下：
[0008]面向开放环境的辐射源个体识别方法，该方法包括以下步骤：
[0009]步骤1，基于信号接收设备采集多种已知辐射源个体一段时期内的辐射信号数据，定义
n
表示采集的辐射源个体的类别数；
[0010]并对采集的各个辐射信号数据进行数据预处理，得到每个辐射源个体的多个数据样本以及每个数据样本的辐射源个体类别标签，所有的带标签数据样本构成源域数据集
D
s
；
[0011]其中，数据预处理为：截取
M
秒的辐射源信号数据作为一个数据样本，并根据信号接收设备的参数设置判断该数据样本属于哪一类已知的辐射源个体，为数据样本设置真实分类标签，其中，
M
为预设值；
[0012]步骤2，基于信号接收设备采集
m+k
种辐射源个体一段时期内的辐射信号数据，并对采集的各个辐射信号数据按
M
秒时间长度进行截取，得到每个辐射源个体的多个数据样本，所有的数据样本构成目标域数据集
D
t
；
[0013]其中，
m
种辐射源个体的类别为源域的共享类别，即
m≤n
；
k
种辐射源个体的类别为源域中未出现过的未知类别；
[0014]步骤3，基于源域和目标域数据集对辐射源个体识别模型进行训练；
[0015]所述辐射源个体识别模型包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
面向开放环境的辐射源个体识别方法，其特征在于，包括下列步骤：步骤1，基于信号接收设备采集多种已知辐射源个体一段时期内的辐射信号数据，定义
n
表示采集的辐射源个体的类别数；并对采集的各个辐射信号数据进行数据预处理，得到每个辐射源个体的多个数据样本以及每个数据样本的辐射源个体类别标签，所有的带标签数据样本构成源域数据集
D
s
；其中，数据预处理为：截取
M
秒的辐射源信号数据作为一个数据样本，并根据信号接收设备的参数设置判断该数据样本属于哪一类已知的辐射源个体，为数据样本设置真实分类标签，其中，
M
为预设值；步骤2，基于信号接收设备采集
m+k
种辐射源个体一段时期内的辐射信号数据，并对采集的各个辐射信号数据按
M
秒时间长度进行截取，得到每个辐射源个体的多个数据样本，所有的数据样本构成目标域数据集
D
t
；其中，
m
种辐射源个体的类别为源域的共享类别，即
m≤n
；
k
种辐射源个体的类别为源域中未出现过的未知类别；步骤3，基于源域和目标域数据集对辐射源个体识别模型进行训练；所述辐射源个体识别模型包括一个特征提取器和一个双分类器，其中，双分类器包括一个闭集
softmax
分类器和一个一对多分类器，且一对多分类器包括
n
个子分类器，且子分类器编号与辐射源个体的类别编号对应；特征提取器用于提取辐射源信号的特征信息，再将提取到的辐射源信号特征输入双分类器；双分类器用于输出辐射源个体的预测分类标签，取
Softmax
分类器中分类概率最高的类别
c
，再取一对多分类器中的第
c
个子分类器的输出，得到输入样本属于第
c
类的概率，当概率小于指定阈值时，则认为该输入样本属于未知类别，反之则
c
类作为双分类器输出的预测分类标签；步骤4，实时采集目标辐射源个体在不同时期的信号数据作为待识别数据，所述待识别数据的长度与训练集样本相同；将当前采集的待识别数据输入到训练好的辐射源个体识别模型中，基于输出的预测分类标签确定目标辐射源个体的识别结果
。2.
如权利要求1所述的方法，其特征在于，辐射源个体识别模型的特征提取器为混合感受野深度网络，该网络使用具有三组不同大小的卷积核提取不同感受野下的信号特征，并引入自注意力机制对卷积核施加注意力
。3.
如权利要求2所述的方法，其特征在于，步骤3中，所述特征提取器具体为：输入的特征图首先经过三个卷积核大小不同卷积块，得到三个特征图
U1、U2和
U3，其中，每个卷积块依次包括深度分组卷积
、
批归一化层和
GELU
激活函数；且特征图
U1、U2和
U3的维度相同；按元素尺度求和融合特征图
U1、U2和
U3，得到特征图再经全局平均池化层得到压缩向量
z
，在压缩向量
z
上使用基于通道尺度的注意力获取三个卷积块的各个卷积核上的注意力权重；基于得到的各个卷积核上的注意力权重，对特征图
U1、U2和
U3进行加权融合得到特征提取器输出的特征图
V。
4.
如权利要求1所述的方法，其特征在于，步骤3中，使用带标签的源域数据来监督训练
Softmax
分类器，其中，
Softmax
的分类监督损失为：其中，
D
s
表示源域数据，
X
s
,Y
s
分别表示源域样本集和对应的真实分类标签集，
v
s
表示
D

【专利技术属性】
技术研发人员：叶娅兰，周思成，肖望，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：