基于深度学习的开放集辐射源个体识别方法技术

本发明专利技术属于通信辐射源个体识别领域以及深度学习领域，为实现对已知辐射源个体的准确分类，同时自主识别未知辐射源个体数据，扩大深度网络的应用范围，本发明专利技术，基于深度学习的开放集辐射源个体识别方法，在训练阶段，通过卷积神经网络提取训练集的类间差异特征，生成闭集激活向量CS‑AV用于已知集合分类，以及类内共同特征用于计算已知类基准向量即平均激活向量MAV，和构建威布尔模型，从而建立已知信息的整体量化模型；在测试阶段，通过威布尔累积分布函数CDF计算开集激活向量OS‑AV，通过开集激活向量OS‑AV定量表示测试样本不同于已知类的特异性特征，并估计样本的开集概率。本发明专利技术主要应用于辐射源个体识别场合。

【技术实现步骤摘要】
基于深度学习的开放集辐射源个体识别方法
本专利技术属于通信辐射源个体识别领域以及深度学习领域，具体涉及基于卷积神经网络及Openmax算法的开集个体识别方法。
技术介绍
随着无线网络的飞速发展，以及手机、ipad等射频设备(RadioFrequencydevice，RFdevice)的迅速普及，无线通信技术被广泛应用于商业、医疗、军事等领域。但由于无线通信的开放性，使其更容易受到攻击。攻击者可以通过模仿主用户信号，伪装成主用户攻击软件无线电通信网络，即主用户仿冒攻击。通信辐射源个体识别(RadioFrequencyDeviceIdentification)可以通过通信信号所包含的由相位噪声、功放的非线性失真等设备的物理硬件缺陷引起的射频指纹特征(radiofrequencyfingerprinting)[1]，识别不同的通信个体，使得无线通信网络有效避免仿冒信号攻击通信网络。同时在军事领域，通信辐射源个体识别技术可以在复杂的无线电环境中，准确检测敌方的通信设备，并对其进行识别定位，因此通信辐射源个体识别技术在军事领域也具有重要意义。深度学习作为机器学习领域的新兴技术，通过模拟人脑神经元结构，能够发掘大数据中所蕴含的深层次特征，在机器视觉、自然语言处理以及大数据分析等领域均展现了出色性能。通过将深度学习与通信辐射源个体识别技术[2,3]相结合，使得网络能够自主学习不同辐射源个体的差异特征，对于提高通信辐射源个体识别准确率与稳定性，提升通信网络安全性能具有重大意义。然而，现存基于深度学习的辐射源个体识别技术，大多建立在封闭集条件下，即辐射源个体信息作为先验信息已知，测试集中无未知类辐射源，但这并不符合实际应用中对辐射源个体识别所提出的要求。由于训练集大小有限，无法涵盖无限的辐射源个体类型，在实际应用中，测试集中可能会出现与训练集不同的设备类型，此时，我们将其称为开放集。对于开放集所出现的未知类数据，网络会以高置信度将其误判为某一已知类，造成模型的崩溃。开放集识别技术大多采用阈值处理与封闭集分类器相结合的方法，例如针对单类开放集的“1-vs-SetMachine”方法，将正例数据与两个超平面相关联来替换二元线性分类器的半空间检测法。以及基于紧致减速概率(CompactAbatingProbability，CAP)模型的Weibull校准支持向量机算法(Weibull-calibratedSupportVectorMachine，W-SVM)。该算法将用于分数校准的统计极值理论与二元支持向量机相结合，降低了开放空间风险。这类方法的巅峰是极值机模型(theExtremeValueMachine)，该方法源自统计极值理论(statisticalExtremeValueTheory，EVT)，能够动态调整阈值，提高分类的准确率。但这些方法的计算和存储成本很高，且识别准确率有限。此外有研究证明可以产生“fooling”数据，与已知类的大不相同，但是仍能够获得较高判别概率[4，5]。这说明通过阈值检测的方法不足以完成开集类判断。本专利技术拟采用基于卷积神经网络与Openmax相结合的方法实现开放集辐射源个体识别。[1]HALLJ,BARBEAUM,KRANAKISE.Detectionoftransientinradiofrequencyfingerprintingusingsignalphase[J].WirelessandOpticalCommunications,2003:13-18.[2]CHOEHC,POOLECE,ANDREAMY,etal.Novelidentificationofinterceptedsignalsfromunknownradiotransmitters[C].In:SPIE's1995SymposiumonOE/AerospaceSensingandDualUsePhotonics.InternationalSocietyforOpticsandPhotonics,1995:504-517.[3]NEUMANNC,HEENO,ONNOS.Anempiricalstudyofpassive802.11devicefingerprinting[C].In:32ndInternationalConferenceonDistributedComputingSystemsWorkshops(ICDCSW),2012.IEEE,2012:593-602.[4]I.Goodfellow,J.Shelns,andC.Szegedy.Explainingandharnessingadversarialexamples.InInternationalConferenceonLearningRepresentations.ComputationalandBiologicalLearningSociety,2015[5]A.Nguyen,J.Yosinski,andJ.Clune.Deepneuralnetworksareeasilyfooled:Highconfidencepredictionsforunrecognizableimages.InComputerVisionandPatternRecognition
技术实现思路
为克服现有技术的不足，针对开放集辐射源个体识别要求，本专利技术旨在利用卷积神经网络的特征提取能力，学习已知辐射源个体传输信号所隐含的设备物理层指纹特征，实现对已知辐射源个体的准确分类，同时自主识别未知辐射源个体数据，扩大深度网络的应用范围。为此，本专利技术采取的技术方案是，基于深度学习的开放集辐射源个体识别方法，在训练阶段，通过卷积神经网络提取训练集的类间差异特征，生成闭集激活向量CS-AV(ClosedSetActivationVectors)用于已知集合分类，以及类内共同特征用于计算已知类基准向量即平均激活向量MAV，和构建威布尔模型，从而建立已知信息的整体量化模型；在测试阶段，通过威布尔累积分布函数CDF(CumulativeDistributionFunction)计算开集激活向量OS-AV(OpenSetActivationVectors)，通过开集激活向量OS-AV定量表示测试样本不同于已知类的特异性特征，并估计样本的开集概率。模型包含4个卷积层和2个全连接层，卷积层采用线性整流函数ReLU(RectifiedLinearUnit)作为激活函数，其中第一个卷积层提取基本特征，随后的卷积层提取设备物理层指纹特征，每个卷积层之后是批量归一化层，以加速收敛并避免过拟合现象，第一个全连接层用采用ReLU作为激活函数，将提取的特征连接成激活向量AV(ActivationVectors)，最后一个全连接层采用Softmax激活函数，计算闭集的分类概率。构建威布尔模型具体步骤如下：(1)数据处理挑选各类判断正确的训练样本的激活向量RightAV(RightActivationvector)，取均值计算其基准向量得到各类判别范围的中心本文档来自技高网...

【技术保护点】
1.一种基于深度学习的开放集辐射源个体识别方法，其特征是，在训练阶段，通过卷积神经网络提取训练集的类间差异特征，生成闭集激活向量CS-AV(Closed Set ActivationVectors)用于已知集合分类，以及类内共同特征用于计算已知类基准向量即平均激活向量MAV，和构建威布尔模型，从而建立已知信息的整体量化模型；在测试阶段，通过威布尔累积分布函数CDF(Cumulative Distribution Function)计算开集激活向量OS-AV(Open SetActivation Vectors)，通过开集激活向量OS-AV定量表示测试样本不同于已知类的特异性特征，并估计样本的开集概率。/n

【技术特征摘要】
1.一种基于深度学习的开放集辐射源个体识别方法，其特征是，在训练阶段，通过卷积神经网络提取训练集的类间差异特征，生成闭集激活向量CS-AV(ClosedSetActivationVectors)用于已知集合分类，以及类内共同特征用于计算已知类基准向量即平均激活向量MAV，和构建威布尔模型，从而建立已知信息的整体量化模型；在测试阶段，通过威布尔累积分布函数CDF(CumulativeDistributionFunction)计算开集激活向量OS-AV(OpenSetActivationVectors)，通过开集激活向量OS-AV定量表示测试样本不同于已知类的特异性特征，并估计样本的开集概率。


2.如权利要求1所述的基于深度学习的开放集辐射源个体识别方法，其特征是，模型包含4个卷积层和2个全连接层，卷积层采用线性整流函数ReLU(RectifiedLinearUnit)作为激活函数，其中第一个卷积层提取基本特征，随后的卷积层提取设备物理层指纹特征，每个卷积层之后是批量归一化层，以加速收敛并避免过拟合现象，第一个全连接层用采用ReLU作为激活函数，将提取的特征连接成激活向量AV(ActivationVectors)，最后一个全连接层采用Softmax激活函数，计算闭集的分类概率。


3.如权利要求1所述的基于深度学习的开放集辐射源个体识别方法，其特征是，构建威布尔模型具体步骤如下：
(1)数据处理
挑选各类判断正确的训练样本的激活向量RightAV(RightActivationvector)，取均值计算其基准向量得到各类判别范围的中心，即平均激活向量MA...

【专利技术属性】
技术研发人员：汪清，张子豪，贺爽，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12