【技术实现步骤摘要】
一种面向辐射源个体的开集识别方法
[0001]本专利技术涉及信号处理
，具体的说是涉及一种面向辐射源个体的开集识别方法。
技术介绍
[0002]辐射源个体识别是利用接收到的辐射源信号提取外部发射器的固有特征，进而实现对通信辐射源设备的识别。随着通信技术飞速发展，通信环境日益复杂，辐射源个体识别在军事通信，通信安全等领域有着广泛的应用前景和重要的研究价值。传统的辐射源个体识别技术需要提前设计专家特征用于分类识别，但专家特征严重依赖于接收信号类型等先验信息，应用场景有较大局限性。近年来，随着深度学习在计算机视觉等领域取得很多突破，深度神经网络被利用于辐射源个体识别并获得了出色的表现。但大部分方法集中在闭集识别，即假定需要分类的辐射源信号样本一定属于辐射源数据库中的某个已知类。然而在实际应用场景中，辐射源个体识别系统面对的是开放电磁环境，接收到未被数据库收录的未知类别辐射源信号不可避免。针对辐射源个体的开集识别不仅可以正确分类已知辐射源，还能拒绝未知的辐射源个体，因而更符合辐射源个体识别的实际应用需求，更具有研究意义。
【技术保护点】
【技术特征摘要】
1.一种面向辐射源个体的开集识别方法，其特征在于，包括以下步骤：步骤1：获取辐射源信号样本集及各辐射源信号样本对应的类别，得到训练集；步骤2：使用训练集，基于设计的联合损失函数，训练ResNet11卷积神经网络模型，将训练好的模型作为特征提取器；所述损失函数记为joint_loss，具体表达式为：joint_loss＝CE+α*TripletlossCE表示交叉熵损失函数，用以保证神经网络提取得到的特征的分类性能，具体表达式为：其中K表示训练集中需要分类的类别数，t
K
表示训练样本的正确标签，y
K
表示训练样本通过神经网络后的输出结果；Tripletloss表示聚类损失函数，用以保证神经网络提取得到的特征的聚类性能，具体表达式为：Tripletloss＝max(d(a,p)
‑
d(a,n)+margin,0)其中a代表网络训练过程中的标准样本，p代表和标准样本点同类的样本，n代表和标准样本点不同类的样本，d表示计算两点间的距离，margin是超参数，用以控制网络训练达到的聚类效果；α为比例因子用于控制聚类目标和分类目标在优化过程中的比重，α小于1时网络更关注分类损失，α大于1时网络更关注聚类损失；步骤3：将训练样本通过特征提取器得到训练样本特征向量，记为v(x)＝(v1(x),...v
k
(x))，其中K表示训练集的类别数，将第j类训练样本的特征向量的集合记为T
j
(j＝1,...k)；步骤4：按照训练样本标签计算各已知类的特征向量的均值中心点，记为β
j
＝mean(T
j
)，计算每个训练样本特征向量到所属类的中...
【专利技术属性】
技术研发人员：程时远，王卫东，甘露，廖红舒，徐政五，
申请(专利权)人：宜宾电子科技大学研究院，
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。