一种面向辐射源个体的开集识别方法技术

本发明专利技术属于信号处理技术领域，具体的说是涉及一种面向辐射源个体的开集识别方法。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，因此辐射源开集识别具有重要的研究意义。本发明专利技术是在利用深度神经网络作为辐射源信号特征提取器的基础上，首先设计兼顾分类和聚类效果的联合损失函数，保证神经网络提取的信号深度特征具有良好的分类特性和聚类特性，然后利用训练数据得到的特征向量构造极值分布模型，确定判别阈值，实现判别算法，完成对辐射源信号的高准确率开集识别。完成对辐射源信号的高准确率开集识别。完成对辐射源信号的高准确率开集识别。

【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。
[0003]针对开集识别问题，一种常见方法是先利用训练数据集对分类神经网络，如卷积神经网络进行训练得到闭集分类器，再对测试样本通过分类器得到的类别概率设定阈值，如果最大概率小于阈值则判定为未知类别，否则分类为最大概率对应的已知类。然而由于卷积神经网络是通过归一化得到类别概率，所以可能会输出不正确的高预测概率导致识别系统崩溃。针对传统神经网络的缺陷，Bendale等人提出Openmax结构，利用Weibull分布，从卷积神经网络输出的闭集概率向量中重构出测试样本属于未知类别的概率。然而利用Openmax实现开集识别需要已知类别样本在特征空间中有良好的聚类效果，即类间距离较大，类内距离较小。对于指纹特征差异细微的辐射源信号，用分类神经网络作为特征提取器无法得到聚类效果良好的特征，所以Openmax用于辐射源个体开集识别时准确率较低，性能较差。

技术实现思路

[0004]鉴于上述分析，为了解决辐射源个体开集识别准确率较低，性能较差的问题，本专利技术提出了一种基于深度神经网络和极值理论的辐射源个体开集识别方案。本专利技术核心技术有两部分：一是针对辐射源信号设计兼顾分类性能和聚类性能的联合损失函数，将联合损失函数应用于ResNet11卷积神经网络，利用辐射源训练集对网络进行训练，将得到的神经网络作为特征提取器；二是基于训练样本和极值理论提出判别算法，对测试样本进行判别及分类。
[0005]为实现上述方法，本专利技术技术方案实现如下：
[0006]一种面向辐射源个体的开集识别方法，步骤如下：
[0007]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；
[0008]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：
[0009]joint_loss＝CE+α*Tripletloss
[0010]CE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：
[0011][0012]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；
[0013]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：
[0014]Tripletloss＝max(d(a,p)
‑
d(a,n)+margin,0)
[0015]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；
[0016]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；
[0017]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)；
[0018]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心点的距离，得到各已知类的特征向量到中心点的距离的集合，记为D
j
；
[0019]步骤5：对D
j
中距离值从大到小排列并取出前γ个值，记为S
j
；
[0020]步骤6：对序列S
j
进行Weibull分布拟合，得到第j类已知样本特征向量到均值中心距离极大值的概率分布函数，记为PDF
j
；
[0021]步骤7：设置概率阈值η，利用概率分布逆函数计算得到第j类的距离阈值τ
j
＝PDF
j
‑1(η)；
[0022]步骤8：对于识别目标，通过特征提取器得到特征向量，计算特征向量到各类均值中心的距离并取最小值记为χ，对应的类别为j，若χ≤τ
j
则将测试样本分为j类，否则分为未知类别，完成辐射源信号的开集识别。
[0023]进一步地，步骤2中的ResNet11神经网络包括输入层，残差层，输出层；所述输入层输入辐射源信号样本，每个样本为采样点数10000的开机IQ数据，所以输入层大小为2x10000；残差层由三个相同的残差块串联而成，每个残差块由一个卷积模块和一个直连模块组成，直连模块为一个卷积核大小1x1的卷积层，不改变输入大小，目的是使原始信息可以在深度网络中传递，防止过拟合，卷积模块由三个卷积单元串联而成，用于从原始数据中提取特征，每个卷积单元包括卷积层，正则化层和激活层，第一和第三个卷积单元卷积层的卷积核大小为1x1，第二个卷积层大小为2x3，激活层使用Relu作为激活函数；输出层包括平
均池化层，扁平层和全连接层，平均池化层将来自残差层的多个特征图进行池化，减小维度，扁平层将多个特征图进行融合，全连接层完成高维的扁平层输出到特征空间的映射，输出维度与分类的类别数一致。
[0024]本专利技术的有益效果如下：1、将分类损失函数和聚类损失函数相结合，并引入比例因子构造联合损失函数应用于深度神经网络，保证了得到的辐射源信号特征向量兼具良好的分类和聚类性能；2、利用极值理论构造已知类的Weibull分布模型，充分考虑了特征向量的分布特性，利用概率分布特性得到阈值并实现判别算法，实现针对辐射源个体信号高准确率的开集识别。
附图说明
[0025]图1为本专利技术的流程图
[0026]图2为本专利技术使用的深度神经网络ResNe本文档来自技高网...

【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：