【技术实现步骤摘要】
本专利技术属于辐射源个体识别，具体涉及一种基于多重高斯原型学习的开集辐射源个体识别方法及系统。
技术介绍
1、辐射源个体识别(specific emitter identification,sei)，又称为辐射源指纹识别或者特定辐射源识别，指利用辐射源信号在调制过程中的细微差异来识别出辐射源个体的技术。这些微小差异是每个辐射源所特有的且无法避免，所以辐射源指纹特征具有唯一性。近年来，随着信息技术的快速发展以及日益复杂的电磁环境干扰，传统的信号识别方法已经无法满足复杂环境下的辐射源个体识别需求。sei方法通过对辐射源个体的细微特征进行提取，并结合传统的分析方法，可以加强对外来设备的识别，提高网络通信的安全性能。
2、目前，深度学习技术发展越来越迅速，许多学者利用残差网络、卷积神经网络(convolutional neural network,cnn)等不同的深度学习网络对辐射源信号进行特征提取和识别。然而，现有的sei方法主要是针对闭集场景下的识别，开集场景下的辐射源个体识别研究较少。在实际的应用中，接收机更多地面临开放的电磁环境，这就意味着在对辐射源个体进行识别的过程中，可能会出现训练集中类别之外的某些未知类信号，这个原因也使得开集识别在实际的应用场景中更具有使用价值。因此，研究如何准确、高效的识别未知辐射源信号变得尤为重要。
3、近年来，已经不断的有学者对开集场景下的辐射源个体识别进行研究。目前辐射源个体识别领域的几类主要方法包括基于softmax算法的辐射源个体识别方法、基于openmax算法的辐射源
4、与传统的卷积神经网络相比，高斯原型网络具有更好的识别性能，但是在进行识别时未考虑到样本的类别不平衡问题，如果当测试样本集中某个类别的样本数量比其他类别的样本少，则可能会导致该类别的分类效果较差的问题。
5、因此，虽然高斯原型学习与深度学习网络的方法在辐射源个体识别领域取得了一些进展。但是仍然存在一些例如识别性能有待进一步提升、模型的鲁棒性不足等技术问题，需要进一步的研究和改进。
技术实现思路
1、为了解决现有方法中通过深度学习和原型学习相结合的方法对特定的发射体进行识别时存在的识别性能低和鲁棒性不足的技术问题，本专利技术公开了一种基于多重高斯原型学习的开集辐射源个体识别方法及系统。
2、实现专利技术目的的技术方案如下：
3、本专利技术第一方面提供了一种基于多重高斯原型学习的开集辐射源个体识别方法，包括以下步骤：
4、s100、对采集的辐射源信号进行预处理得到一维i/q序列，将所述一维i/q序列按照预设比例划分为测试集和训练集；
5、s200、基于多重高斯原型学习和构建的一维深度注意力残差网络建立mgpl-daresnet识别模型，其中，所述构建的一维深度注意力残差网络包括在初始深度注意力残差网络中每个残差块的输出端设置通道注意力模块；
6、s300、将所述训练集输入所述mgpl-daresnet识别模型中，提取得到所述训练集的潜在特征，计算所述潜在特征与所述多重高斯原型学习中每个辐射源类别对应的每个高斯原型的距离；
7、s400、基于生成约束和判别约束的联合损失函数，依据所述训练集的潜在特征与高斯原型之间的距离迭代更新所述mgpl-daresnet识别模型，得到每个辐射类别对应的高斯原型及网络权重；
8、s500、通过设置的距离阈值，采用训练后的所述mgpl-daresnet识别模型中的每个辐射类别对应的高斯原型及其网络权重，对所述测试集进行开集识别分类并输出分类结果。
9、进一步的，步骤s200中，所述构建的一维深度注意力残差网络还包括：在最后一个所述残差块的所述通道注意力模块的输出端设置gru层，其中gru(gated recurrent unit)层为循环神经网络单元或门控循环单元，gru层是在处理序列数据时的建模时序关系、提取特征和上下文理解等作用，从序列中提取更加有用和丰富的时序特征，进一步提高网络的性能和表达能力。
10、更进一步的，步骤s200中，所述构建的一维深度注意力残差网络还包括：在所述gru层的输出端依次设置一个平均池化层和一个全连接层。
11、进一步的，步骤s200中，所述多重高斯原型学习的架构包括编码器、解码器和所述每个辐射源类别对应的多个高斯原型；
12、所述编码器用于提取所述一维i/q序列的潜在特征和所述一维i/q序列的原始分布进行编码，将编码结果存入潜在空间中；
13、所述解码器从所述潜在空间中采样，依据所述mgpl-daresnet识别模型中的网络权重对所述一维i/q序列编码。
14、进一步的，步骤s400中，判别约束的表达式为：其中，式(1)中，l()表示kl散度，γ表示平滑输出概率的温度参数，x表示潜在特征，y表示辐射源类别，m表示高斯原型；a为已知的辐射源类别的数量，每个辐射源类别由b个高斯原型表示。
15、本专利技术第二方面提供了一种基于多重高斯原型学习的开集辐射源个体识别系统，开集辐射源个体识别系统包括：
16、信号预处理模块，所述信号预处理模块用于对采集的辐射源信号进行预处理得到一维i/q序列，将所述一维i/q序列按照预设比例划分为测试集和训练集；
17、网络构建模块，所述网络构建模块用于在初始深度注意力残差网络中每个残差块的输出端设置通道注意力模块，得到一维深度注意力残差网络；
18、开集识别网络模型构建模块，所述开集识别网络模型构建模块用于使用多重高斯原型学习和所述一维深度注意力残差网络建立mgpl-daresnet识别模型；
19、模型训练模块，所述模型训练模块用于将所述训练集输入所述mgpl-daresnet识别模型中，提取得到所述训练集的潜在特征，计算所述潜在特征与所述多重高斯原型学习中每个辐射源类别对应的每个高斯原型的距离；基于生成约束和判别约束的联合损失函数，依据所述训练集的潜在特征与高斯原型之间的距离迭代更新所述mgpl-daresnet识别模型，得到每个辐射类别对应的高斯原型及网络权重；
20、辐射源分类模块，所述辐射源分类模块用于通过设置的距离阈值，采用训练后的所述mgpl-daresnet识别模型中的每个辐射类别对应的高斯原型及其网络权重，对所述测试集进行开集识别分类并输出分类结果。
21、进一步地，所述网络构建模块还用于在最后一个所述残差块的所述通道注意力模块的输出端设置gru层。
22、更进一步地，所述网络构建模块还用于在所述gru层的输出端依次设置一个平均池化层和一个全连接层。<本文档来自技高网...
【技术保护点】
1.一种基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，所述构建的一维深度注意力残差网络还包括：在最后一个所述残差块的所述通道注意力模块的输出端设置GRU层。
3.根据权利要求2所述的基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，所述构建的一维深度注意力残差网络还包括：在所述GRU层的输出端依次设置一个平均池化层和一个全连接层。
4.根据权利要求1所述的基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，所述多重高斯原型学习的架构包括编码器、解码器和所述每个辐射源类别对应的多个高斯原型；
5.根据权利要求1所述的基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，所述判别约束的表达式为：其中，式(1)中，l()表示KL散度，γ表示平滑输出概率的温度参数，x表示潜在特征，y表示辐射源类别，m表示高斯原型；A为已知的辐射源类别的数量，每个辐射源类别由B个高斯原型表示。
6.一种基于多重高斯原型学习的开集
7.根据权利要求6所述的基于多重高斯原型学习的开集辐射源个体识别系统，其特征在于，所述网络构建模块还用于在最后一个所述残差块的所述通道注意力模块的输出端设置GRU层。
8.根据权利要求7所述的基于多重高斯原型学习的开集辐射源个体识别系统，其特征在于，所述网络构建模块还用于在所述GRU层的输出端依次设置一个平均池化层和一个全连接层。
...【技术特征摘要】
1.一种基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，包括：
2.根据权利要求1所述的基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，所述构建的一维深度注意力残差网络还包括：在最后一个所述残差块的所述通道注意力模块的输出端设置gru层。
3.根据权利要求2所述的基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，所述构建的一维深度注意力残差网络还包括：在所述gru层的输出端依次设置一个平均池化层和一个全连接层。
4.根据权利要求1所述的基于多重高斯原型学习的开集辐射源个体识别方法，其特征在于，所述多重高斯原型学习的架构包括编码器、解码器和所述每个辐射源类别对应的多个高斯原型；
5.根据权利要求1所述的基于多重高斯...
【专利技术属性】
技术研发人员：王艳云，牛朝阳，李卓越，王世举，吴亚杰，易冬，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
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。