一种基于监督对比学习的电磁信号开集识别方法技术

本发明专利技术公开了一种基于监督对比学习的电磁信号开集识别方法，该方法包括以下步骤：对电磁信号进行数据增强；所述电磁信号包括连续的电磁信号和多脉冲电磁信号；采用监督对比学习方法训练深度神经网络，采用极限值理论拟合电磁信号嵌入特征的尾分布；设定嵌入特征与其锚点之间距离的阈值门限，对增强后的多个电磁信号副本进行联合推理识别，从而得到鲁棒的电磁信号识别结果。本发明专利技术充分考虑不同电磁信号的特点，提取连续信号稳态部分的多个副本，或多个脉冲信号作为信号副本，训练基于监督对比损失函数的神经网络，提高了模型训练效率和已知类样本嵌入特征的聚类效果，推理阶段采用集成学习方法，进一步提升电磁信号开集识别效果。果。果。

【技术实现步骤摘要】
一种基于监督对比学习的电磁信号开集识别方法


[0001]本专利技术涉及电磁信号识别
，特别是一种基于监督对比学习的电磁信号开集识别方法。

技术介绍

[0002]电磁信号识别包括辐射源类型识别、辐射源个体识别、调制类型识别、信道编码识别等，是对后续辐射源身份验证，信号解调、译码的重要前提，在信号监测、频谱管理、战场侦察和电子对抗等军、民电磁频谱应用领域中发挥关键作用。
[0003]电磁信号识别方法主要可以分为基于似然的方法、基于人工特征的方法和基于深度学习的方法。基于似然的方法使用假设检验理论获得最优的决策，但该类方法通常需要较多的先验知识和较高的计算复杂度。基于人工特征的方法通过设计和提取人工特征用于分类，这些特征可以概括为时域特征、统计特征以及变化域特征等，这种方法很大程度上依赖于专家经验，在专门的解决方案上表现良好，但通用性较差。近年来，考虑到深度学习方法的无需设计人工特征以及高准确率等优点，一些研究将深度学习方法应用到电磁信号识别中并取得了显著的效果。
[0004]虽然电磁信号识别的研究已经取得相当的成就，但电磁环境越来越复杂，新的辐射源类型、辐射源个体、调制方式、编码类型不断涌现，而已知的经典电磁信号识别算法和基于深度学习的智能电磁信号识别算法，只能实现对已知类型的识别。当一种新的类型的信号出现时，现有方法只能将其错误地识别为已知类型中的一种，而无法准确判别其为一种未知的类型。因此电磁信号开集识别问题亟待解决。
[0005]开集识别问题定义如下：训练阶段包含K类样本，推理阶段包含N类样本(N>K)，其中K个已知类(类别与训练阶段相同)和N
‑
K个未知类，目的是识别出未知类的同时对已知类进行正确分类。因为未知类信号未参与训练识别模型并且没有未知类信号的先验信息，所以解决开集识别问题具有较大的挑战性。
[0006]现阶段开集识别研究主要集中在图像识别领域，主要模型可分为判别式模型和生成式模型(例如，参见非专利文献1)。判别式模型大多根据设置的经验阈值判断样本是否属于已知类或者未知类。然而，基于已知类样本训练出的模型选取经验阈值用于识别未知类必然会引起开放空间风险。为了降低该风险，一些研究致力于充分利用已知类数据，例如使用极值理论(Extreme Value Theory，EVT)对已知数据评估分布的尾分布建模，确定较好的阈值。生成式模型通常使用生成模型构造假数据，用来模拟未知类样本，从而将开集识别问题转化为N+1类的分类问题，其中N表示已知类样本的类别数量，1表示其他未知类型。常见的生成模型有生成对抗网络(Generative Adversarial Networks，GAN)和自编码器。
[0007]在电磁信号识别领域，一些学者对辐射源个体、调制方式的开集识别问题进行了研究。一类方法是训练阶段利用特殊的网络模型或损失函数提取样本特征，增强已知类样本特征的聚类效果，从而在推理阶段提高未知类的识别效果，涉及的网络模型或损失函数有孪生网络和三元组损失函数等(例如，参见非专利文献2和非专利文献3)。另一类方法是
借鉴或改进图像识别领域的开集识别方法进行电磁信号开集识别，中国科学技术大学徐宇杰在类内分割算法(Intra
‑
Class Splitting，ICS)的基础上，深入研究了决策边界样本的构造方法，提出一种基于决策边界样本的改进型无线信号开集识别算法，并在电磁信号数据集和公开图像数据集上验证了算法的有效性(例如，参见非专利文献4)；国防科技大学郝云飞等人提出基于生成对抗网络的信号调制方式的开集识别，在信噪比大于0dB时，该模型能够实现较好的信号调制方式开集识别效果(例如，参见非专利文献5)。
[0008]通过对图像识别领域和电磁信号识别领域的开集识别技术进行调研分析，总结现有技术的问题与缺陷：
[0009](1)没有结合电磁信号特点来提高开集识别性能。电磁信号一般可分为连续信号和脉冲信号，从连续信号的稳态部分提取多个具有相同稳态特征的副本，同一辐射源连续发送多个脉冲，每个脉冲作为一条信号的不同副本，结合集成学习思想，能够进一步提高电磁信号开集识别性能。
[0010](2)给出的网络模型或损失函数训练效率低，已知类嵌入特征聚类效果较差。孪生网络所用的对比损失函数以及三元损失函数以成对样本或三元组样本的形式进行训练，训练效率较低且嵌入特征聚类效果较差。
[0011]引用列表
[0012]非专利文献
[0013]非专利文献1：Geng C,Huang S,Chen S.Recent advances in open set recognition:A survey[J].IEEE transactions on pattern analysis and machine intelligence,2020,43(10):3614
‑
3631.
[0014]非专利文献2：郭有为.基于深度学习的自动调制识别技术研究[D].中国工程物理研究院,2018.
[0015]非专利文献3：宋雨萱.演化深度学习研究与通信信号识别应用[D].西安电子科技大学,2020.
[0016]非专利文献4：徐宇杰.基于深度学习的无线信号开集识别技术研究[D].中国科学技术大学，2021.
[0017]非专利文献5：郝云飞,刘章孟,郭福成,张敏.基于生成对抗网络的信号调制方式的开集识别[J].系统工程与电子技术,2019,41(11):2619
‑
2624.

技术实现思路

[0018]鉴于此，本专利技术提供了一种基于监督对比学习的电磁信号开集识别方法，能够提高模型训练效率和已知类样本嵌入特征的聚类效果，并进一步提升电磁信号开集识别效果。
[0019]本专利技术公开了一种基于监督对比学习的电磁信号开集识别方法，包括以下步骤：
[0020]步骤1：对电磁信号进行数据增强；所述电磁信号包括连续的电磁信号和多脉冲电磁信号；
[0021]步骤2：采用监督对比学习方法训练深度神经网络，采用极限值理论拟合电磁信号嵌入特征的尾分布；
[0022]步骤3：设定嵌入特征与其锚点之间距离的阈值门限，对增强后的多个电磁信号副
本进行联合推理识别，从而得到鲁棒的电磁信号识别结果。
[0023]进一步地，电磁信号的嵌入特征通过监督对比学习方法提取，其具有类内聚合和类间分离的特性。
[0024]进一步地，对于所述多脉冲电磁信号，通过信号分选技术获得同一辐射源发出的多个电磁脉冲信号，将多个电磁脉冲信号作为同一信号的不同视角数据以实现数据增强。
[0025]进一步地，对于所述连续的电磁信号，通过信号切片技术得到含有相同稳态特征的信号切片，将多个电磁信号切片作为同一信号的不同视角数据以实现数据增强。
[0026]进一步地，在所述步骤2中，从训练集中随机选择N条通信信号或N组多脉冲信号，并从每条通信信号随机截取K个子信号，或从每组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监督对比学习的电磁信号开集识别方法，其特征在于，包括以下步骤：步骤1：对电磁信号进行数据增强；所述电磁信号包括连续的电磁信号和多脉冲电磁信号；步骤2：采用监督对比学习方法训练深度神经网络，采用极限值理论拟合电磁信号嵌入特征的尾分布；步骤3：设定嵌入特征与其锚点之间距离的阈值门限，对增强后的多个电磁信号副本进行联合推理识别，从而得到鲁棒的电磁信号识别结果。2.根据权利要求1所述的方法，其特征在于，电磁信号的嵌入特征通过监督对比学习方法提取，其具有类内聚合和类间分离的特性。3.根据权利要求1所述的方法，其特征在于，对于所述多脉冲电磁信号，通过信号分选技术获得同一辐射源发出的多个电磁脉冲信号，将多个电磁脉冲信号作为同一信号的不同视角数据以实现数据增强。4.根据权利要求1所述的方法，其特征在于，对于所述连续的电磁信号，通过信号切片技术得到含有相同稳态特征的信号切片，将多个电磁信号切片作为同一信号的不同视角数据以实现数据增强。5.根据权利要求1所述的方法，其特征在于，在所述步骤2中，从训练集中随机选择N条通信信号或N组多脉冲信号，并从每条通信信号随机截取K个子信号，或从每组多脉冲信号中选择K个脉冲作为信号的K个视角，组成一批多视角训练样本集其中表示第个训练样本向量，为第个训练样本的标签。6.根据权利要求1所述的方法，其特征在于，在所述步骤2中，训练阶段的网络架构由编码网络和映射网络组成；其中，编码网络表示为Enc(
·
)，用于将输入信号x映射为一个表征向量根据所述步骤1对电磁信号样本进行数据增强，增强后不同视角的信号数据分别输入统一编码网络，获得各自的表征向量；将表征向量r归一化到空间的单位超球面上；映射网络表示为Proj(
·
)，用于将表征向量r映射为一个向量将向量z归一化到空间的单位超球面上，以利于在映射空间上计算向量内积。7.根据权利要求6所述的方法，其特征在于，所述编码网络能够是任何类型的深度神经网络；所述深度神经网络包括残差网络ResNet、稠密连接网络DenseNet、含并行连接的网络GoogleNet；所述映射网络能够是多层感知机，也能够是仅包含一个线性层的全连接网络。8.根据权利要求1所述的方法，其特征在于，训练深度神经网络采用监督对比损...

【专利技术属性】
技术研发人员：李奇真，曾翔宇，陈文洁，梁先明，幸晨杰，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：