一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法技术

本发明专利技术属于信号识别技术领域，具体涉及一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法。本发明专利技术通过构造类内、类间离差矩阵，设计离差损失，融合四元组和中心聚类损失，使得损失函数的构建更具可靠性；通过设计自适应黑蜘蛛猴算法对损失函数权重寻优，构建改变搜索方向的标志，利用螺旋优化搜索，扩大搜索范围，引入探索和平衡开发因子，使权重随迭代次数改变，减少了权重变化的盲目性，增强了辐射源个体识别方法的泛化性、准确性和适应性。本发明专利技术不仅能提高网络收敛速度，增加网络的泛化性和可靠性，还能准确实现辐射源个体识别，具备较好的适用性。好的适用性。好的适用性。

【技术实现步骤摘要】
一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法


[0001]本专利技术属于信号识别
，具体涉及一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法。

技术介绍

[0002]传统的辐射源个体识别方法通常是提取辐射源特征，输入到神经网络中进行分类，获得识别结果。随着电磁环境和调制方式的日益复杂，传统方法已经无法满足实际应用对辐射源个体识别的需求，基于异常数据检测和基于度量学习的特征提取与识别方法应运而生。
[0003]对辐射源进行异常检测可以基于模型、邻近度或密度来发现离群点，这种方法往往依赖专家经验确定阈值，导致适应性弱，泛化能力差。度量学习使用特征空间中的样本距离实现分类，增强了适应性，但分类界限模糊，存在可靠性差和识别效率低的问题。
[0004]汪清在其申请的专利“基于深度学习的开放集辐射源个体识别方法”(专利号：CN202010723991.1)中通过构造开集和闭集激活向量，提取类间差异特征和类内共同特征，实现了已知辐射源分类和未知辐射源判别，但该方法采用的损失函数存在类内聚集程度不高的缺陷，导致辐射源个体识别性能差。林万杰在论文《基于深度学习的未知辐射源个体识别的研究》中改进了三元组损失函数，优化了梯度下降方向，但该方法仅采用样本类间距离获得分类界限，可靠性不够。若在构建损失函数时能对样本多种关系进行权重化使用，且设计智能算法对其权重智能寻优，则可增强网络的泛化性和适应性，有效提高辐射源个体识别的准确性。

技术实现思路

[0005]本专利技术的目的在于提供一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法。
[0006]一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法，包括以下步骤：
[0007]步骤1：获取已知辐射源信号构成训练集sample＝{sig1(t),sig2(t),...,sig
i
(t),...,sig
N
(t)}；获取包含未知辐射源的信号构成测试集test＝{signal1(t),signal2(t),...,signal
i
(t),...,signal
N
(t)}；
[0008]其中，sig
i
(t)为sample集中第i个信号，signal
i
(t)为test集中第i个信号，i＝1,2,...,N，N为辐射源信号个数，t表示时域；
[0009]步骤2：对训练集sample中的辐射源信号做短时傅里叶变换，得到每个辐射源信号对应的时频图，记作TF＝{TF1,TF2,...,TF
i
,...,TF
N
}；对测试集test中的辐射源信号做短时傅里叶变换，得到每个辐射源信号对应的时频图，记作TTF＝{TTF1,TTF2,...,TTF
i
,...,TTF
N
}；
[0010]步骤3：搭建CNN网络作为特征提取模块，对训练集中已知辐射源信号的时频图进行特征提取，得到每个已知辐射源信号对应的嵌入向量，构成向量分布E＝{e1,e2,...,e
i
,...,e
N
}；e
i
为TF
i
对应的嵌入向量；
[0011]步骤4：将E按辐射源类别分为k个子集，记为E＝{E1,E2,...,E
c
,...,E
k
}，c＝1,2,...,k，E
c
为属于第c类辐射源的向量集合；将E中全部N个嵌入向量构造成N/2个四元组；
[0012]四元组的构成规则为：随机取某个子集E
c
中的两个不同向量，分别设置为固定样本a和正样本p，然后随机取任意其它子集的两个不同向量，作为负样本n1和n2，构成一个<a,p,n1,n2>四元组；
[0013]步骤5：构造训练阶段损失函数Loss，通过自适应黑蜘蛛猴算法，对Loss的超参数权重λ1、λ2、λ3寻优，获得最优参数组合；
[0014]损失函数Loss为：
[0015]Loss＝λ1loss
Quadruplet
+λ2loss
Center
+λ3loss
Dispersi
on
[0016]其中，λ1、λ2、λ3为[0,1]的超参数权重，且λ1+λ2+λ3＝1；
[0017]loss
Quadruplet
为四元组损失；
[0018][0019][0020]其中，loss
Quad
为第Quad个四元组的损失；D
a,p
为四元组中a和p之间的欧氏距离，D
a,p
＝||a
‑
p||2；为四元组中a和n1之间的欧氏距离，为四元组中n1和n2之间的欧氏距离，max(
·
)表示最大值函数；α和β为设置的阈值；
[0021]loss
Center
为中心聚类损失；
[0022][0023][0024]其中，为每个E
c
中向量的均值矢量；
[0025]loss
Dispersion
为离差损失；
[0026][0027]其中，Tr[
·
]为求矩阵的迹；表示对S
W
求逆，S
W
为总类内离差阵，为每个E
c
的类内离差阵，S
D
为总离差阵，S
D
＝S
W
+S
B
；S
B
为总类间离差阵，C
all
为全部向量的均值矢量，
[0028]步骤6：将TF＝{TF1,TF2,...,TF
i
,...,TF
N
}作为训练集，对步骤3搭建的CNN网络进行训练，利用步骤5中构造的损失函数Loss得到最优模型；
[0029]步骤7：将TF＝{TF1,TF2,...,TF
i
,...,TF
N
}输入到训练好的CNN网络中，得到E＝{e1,e2,...,e
i
,...,e
N
}；计算每个向量e
i
到向量中心的欧式距离确定每个向量e
i
对应最小欧氏距离，将e
i
分到此类，实现对已知辐射源个体进行分类，同时将得到的所有
欧式距离的最大值设置为距离最大阈值threshold；
[0030][0031][0032]其中，e
b
为子集E
c
中第b个样本，b＝1,2,..,m
c
，m
c
为子集E
c
中样本数量；||
·
||2为L2范数操作；
[0033]步骤8：将TTF＝{TTF1,TTF2,.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法，其特征在于，包括以下步骤：步骤1：获取已知辐射源信号构成训练集sample＝{sig1(t),sig2(t),...,sig
i
(t),...,sig
N
(t)}；获取包含未知辐射源的信号构成测试集test＝{signal1(t),signal2(t),...,signal
i
(t),...,signal
N
(t)}；其中，sig
i
(t)为sample集中第i个信号，signal
i
(t)为test集中第i个信号，i＝1,2,...,N，N为辐射源信号个数，t表示时域；步骤2：对训练集sample中的辐射源信号做短时傅里叶变换，得到每个辐射源信号对应的时频图，记作TF＝{TF1,TF2,...,TF
i
,...,TF
N
}；对测试集test中的辐射源信号做短时傅里叶变换，得到每个辐射源信号对应的时频图，记作TTF＝{TTF1,TTF2,...,TTF
i
,...,TTF
N
}；步骤3：搭建CNN网络作为特征提取模块，对训练集中已知辐射源信号的时频图进行特征提取，得到每个已知辐射源信号对应的嵌入向量，构成向量分布E＝{e1,e2,...,e
i
,...,e
N
}；e
i
为TF
i
对应的嵌入向量；步骤4：将E按辐射源类别分为k个子集，记为E＝{E1,E2,...,E
c
,...,E
k
}，c＝1,2,...,k，E
c
为属于第c类辐射源的向量集合；将E中全部N个嵌入向量构造成N/2个四元组；四元组的构成规则为：随机取某个子集E
c
中的两个不同向量，分别设置为固定样本a和正样本p，然后随机取任意其它子集的两个不同向量，作为负样本n1和n2，构成一个<a,p,n1,n2>四元组；步骤5：构造训练阶段损失函数Loss，通过自适应黑蜘蛛猴算法，对Loss的超参数权重λ1、λ2、λ3寻优，获得最优参数组合；损失函数Loss为：Loss＝λ1loss
Quadruplet
+λ2loss
Center
+λ3loss
Dispersion
其中，λ1、λ2、λ3为[0,1]的超参数权重，且λ1+λ2+λ3＝1；loss
Quadruplet
为四元组损失；为四元组损失；其中，loss
Quad
为第Quad个四元组的损失；D
a,p
为四元组中a和p之间的欧氏距离，D
a,p
＝||a
‑
p||2；为四元组中a和n1之间的欧氏距离，之间的欧氏距离，为四元组中n1和n2之间的欧氏距离，max(
·
)表示最大值函数；α和β为设置的阈值；loss
Center
为中心聚类损失；为中心聚类损失；其中，为每个E
c
中向量的均值矢量；loss
Dispersion
为离差损失；
其中，Tr[
·
]为求矩阵的迹；表示对S
W
求逆，S
W
为总类内离差阵，为总类内离差阵，为每个E
c
的类内离差阵，S
D
为总离差阵，S
D
＝S
W
+S
B
；S
B
为总类间离差阵，C
all
为全部向量的均值矢量，步骤6：将TF＝{TF1,TF2,...,TF
i
,...,TF
N
}作为训练集，对步骤3搭建的CNN网络进行训练，利用步骤5中构造的损失函数Loss得到最优模型；步骤7：将TF＝{TF1,TF2,...,TF
i
,...,TF
N
}输入到训练好的CNN网络中，得到E＝{e1,e2,...,e
i
,...,e
N
}；计算每个向量e
i
到向量中心的欧式距离确定每个向量e
i
对应最小欧氏距离，将e
i
分到此类，实现对已知辐射源个体进行分类，同时将得到的所有欧式距离的最大值设置为距离最大阈值threshold；距离的最大值设置为距离最大阈值threshold；其中，e
b
为子集E
c
中第b个样本，b＝1,2,..,m
c
，m
c
为子集E
c
中样本数量；||
·
||2为L2范数操作；步骤8：...

【专利技术属性】
技术研发人员：高敬鹏，宋夏，叶方，赵鹏杰，江志烨，项建弘，何重航，薛晓琴，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：