基于SEIM的未知辐射源个体识别方法及系统技术方案

本发明专利技术公开一种基于SEIM的未知辐射源个体识别方法及系统，涉及辐射源识别技术领域，该方法包括将目标辐射源信号输入至辐射源个体识别模型中，得到识别结果；若识别结果为已知类则输出所属已知类的辐射源个体名称，若识别结果为未知类则输出未知类；辐射源个体识别模型包括特征提取模块和分类识别模块；特征提取模块用于提取目标辐射源信号的语义特征；分类识别模块用于根据所述目标辐射源信号的语义特征确定识别结果；特征提取模块是以卷积神经网络为基础构建的模块；卷积神经网络中设置有注意力机制，其损失目标函数由交叉熵损失函数和中心损失函数组成。本发明专利技术解决了未知辐射源个体识别难及特征提取效率低的问题。源个体识别难及特征提取效率低的问题。源个体识别难及特征提取效率低的问题。

【技术实现步骤摘要】
基于SEIM的未知辐射源个体识别方法及系统


[0001]本专利技术涉及辐射源识别
，特别是涉及一种基于SEIM的未知辐射源个体识别方法及系统。

技术介绍

[0002]辐射源个体识别(Specific emitter identification，SEI)是指提取接收射频信号的特征来识别产生信号的辐射源个体的过程，在军事通信、频谱安全防护等领域具有重要作用。
[0003]传统的辐射源个体识别主要基于人工提取的特征来实现，主要包括瞬时频率和振幅、信号的双谱、分形维数、模糊函数切片、功率谱密度系数以及接收端的信道状态信息等特征。在传统算法中，人工提取的特征存在耗时且低效的问题，识别系统的性能依赖于专家对信号参数先验知识的理解。
[0004]近年来，深度学习技术因其能够提供从特征提取到分类的端到端解决方案而获得了广泛的普及。随着深度学习模型在图像识别、语音识别等领域的成功，人们也将其应用于信号识别领域，并证明了该技术在目标信号特征提取及分类识别上具有强大优势。Youssef等人使用支持向量机(SupportVector Mchine，SVM)和卷积神经网络(ConvolutionalNeuralNetworks，CNN)进行辐射源个体识别。Merchant等人应用深度学习检测物理层属性，用顶域复杂基带误差信号识别认知无线电设备。曲凌志等人提出了一种结合双层注意力机制和残差网络的辐射源个体识别方法，来提升低信噪比条件下模型的稳定性。但以上这些工作基本上遵循闭集假设，即上述深度学习模型只能区分已知的信号类别，并没有考虑到某些类的训练数据是不可获得的情况。

技术实现思路

[0005]鉴于此，本专利技术提供了一种基于SEIM的未知辐射源个体识别方法及系统。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]本专利技术提供了一种基于SEIM的未知辐射源个体识别方法，包括：
[0008]获取目标辐射源信号；
[0009]将所述目标辐射源信号输入至辐射源个体识别模型中，得到识别结果；
[0010]若所述识别结果为已知类则输出所属已知类的辐射源个体名称，若所述识别结果为未知类则输出未知类；
[0011]其中，所述辐射源个体识别模型包括特征提取模块和分类识别模块；
[0012]所述特征提取模块用于提取所述目标辐射源信号的语义特征；所述特征提取模块是以卷积神经网络为基础构建的模块；所述卷积神经网络中设置有注意力机制；所述卷积神经网络中的损失目标函数由交叉熵损失函数和中心损失函数组成；
[0013]所述分类识别模块用于根据所述目标辐射源信号的语义特征和已知类语义特征中心向量之间的距离确定识别结果。
[0014]可选地，在训练阶段，所述特征提取模块通过最小化损失目标函数来更新卷积神经网络参数和已知类语义特征中心向量。
[0015]可选地，所述卷积神经网络包括低隐层和高层；
[0016]所述低隐层包括多个卷积层和多个池化层，且所述卷积层和所述池化层交替分布；其中，第一个所述卷积层和最后一个所述卷积层中均设置有卷积块注意力单元；所述卷积块注意力单元包括空间注意力子单元和通道注意力子单元；
[0017]所述高层包括依次连接的第一个全连接层、第二个全连接层、第三个全连接层和一个输出层；第三个所述全连接层用于输出目标辐射源信号或者样本辐射源信号的语义特征；所述输出层用于输出样本辐射源信号的语义特征对应的预测标签。
[0018]可选地，所述分类识别模块包括：
[0019]特征聚类单元，用于对所述目标辐射源信号的语义特征进行聚类处理，得到目标聚类向量；
[0020]类别区分单元，用于：
[0021]计算所述目标聚类向量与已知类语义特征中心向量之间的欧式距离；
[0022]当所述欧式距离小于设定阈值时，将所述目标辐射源信号的类别标记为已知类，并将识别结果确定为已知类；
[0023]当所述欧式距离大于或者等于所述设定阈值时，将所述目标辐射源信号的类别标记为未知类，并将识别结果确定为未知类。
[0024]可选地，所述特征聚类单元，进一步用于采用T分布
‑
随机邻近嵌入算法对所述目标辐射源信号的语义特征进行聚类处理，得到目标聚类向量。
[0025]可选地，所述类别区分单元，进一步用于：
[0026]计算所述目标聚类向量分别与每个已知类语义特征中心向量之间的欧式距离；
[0027]当有所述欧式距离小于设定阈值时，将所述目标辐射源信号的类别标记为已知类，并将识别结果确定为已知类；
[0028]当所有所述欧式距离大于或者等于所述设定阈值时，将所述目标辐射源信号的类别标记为未知类，并将识别结果确定为未知类。
[0029]可选地，在当有所述欧式距离小于设定阈值时，将所述目标辐射源信号的类别标记为已知类方面，所述类别区分单元，用于：
[0030]当有多个所述欧式距离小于设定阈值时，将最小欧式距离对应的已知类确定为所述目标辐射源信号的类别并标记；
[0031]当只有一个所述欧式距离小于设定阈值时，将小于设定阈值的欧式距离确定为最小欧式距离，然后将最小欧式距离对应的已知类确定为所述目标辐射源信号的类别并标记。
[0032]可选地，所述设定阈值是根据用于识别异常值的三西格玛经验法则确定的。
[0033]可选地，若识别结果为已知类则输出所属已知类的辐射源个体名称，具体包括：
[0034]若识别结果为已知类则输出最小欧式距离对应的已知类的辐射源个体名称。
[0035]本专利技术还提供了一种基于SEIM的未知辐射源个体识别系统，包括：
[0036]信号获取模块，用于获取目标辐射源信号；
[0037]识别结果确定模块，用于将所述目标辐射源信号输入至辐射源个体识别模型中，
得到识别结果；
[0038]输出模块，用于若所述识别结果为已知类则输出所属已知类的辐射源个体名称，若所述识别结果为未知类则输出未知类；
[0039]其中，所述辐射源个体识别模型包括特征提取模块和分类识别模块；
[0040]所述特征提取模块用于提取所述目标辐射源信号的语义特征；所述特征提取模块是以卷积神经网络为基础构建的模块；所述卷积神经网络中设置有注意力机制；所述卷积神经网络中的损失目标函数由交叉熵损失函数和中心损失函数组成；
[0041]所述分类识别模块用于根据所述目标辐射源信号的语义特征和已知类语义特征中心向量之间的距离确定识别结果。
[0042]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0043]本专利技术首先利用卷积神经网络自动提取出样本的语义特征，在卷积神经网络中加入注意力机制，增强重要信息，减少无关信息的干扰，联合交叉熵损失函数和中心损失函数促使辐射源语义特征类内距离缩小，类外距离增大，以此提升模型分类性能，然后根据特征的距离度量进行分类。本专利技术解决了未知辐射源个体识别难及特征提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SEIM的未知辐射源个体识别方法，其特征在于，包括：获取目标辐射源信号；将所述目标辐射源信号输入至辐射源个体识别模型中，得到识别结果；若所述识别结果为已知类则输出所属已知类的辐射源个体名称，若所述识别结果为未知类则输出未知类；其中，所述辐射源个体识别模型包括特征提取模块和分类识别模块；所述特征提取模块用于提取所述目标辐射源信号的语义特征；所述特征提取模块是以卷积神经网络为基础构建的模块；所述卷积神经网络中设置有注意力机制；所述卷积神经网络中的损失目标函数由交叉熵损失函数和中心损失函数组成；所述分类识别模块用于根据所述目标辐射源信号的语义特征和已知类语义特征中心向量之间的距离确定识别结果。2.根据权利要求1所述的一种基于SEIM的未知辐射源个体识别方法，其特征在于，在训练阶段，所述特征提取模块通过最小化损失目标函数来更新卷积神经网络参数和已知类语义特征中心向量。3.根据权利要求1所述的一种基于SEIM的未知辐射源个体识别方法，其特征在于，所述卷积神经网络包括低隐层和高层；所述低隐层包括多个卷积层和多个池化层，且所述卷积层和所述池化层交替分布；其中，第一个所述卷积层和最后一个所述卷积层中均设置有卷积块注意力单元；所述卷积块注意力单元包括空间注意力子单元和通道注意力子单元；所述高层包括依次连接的第一个全连接层、第二个全连接层、第三个全连接层和一个输出层；第三个所述全连接层用于输出目标辐射源信号或者样本辐射源信号的语义特征；所述输出层用于输出样本辐射源信号的语义特征对应的预测标签。4.根据权利要求1所述的一种基于SEIM的未知辐射源个体识别方法，其特征在于，所述分类识别模块包括：特征聚类单元，用于对所述目标辐射源信号的语义特征进行聚类处理，得到目标聚类向量；类别区分单元，用于：计算所述目标聚类向量与已知类语义特征中心向量之间的欧式距离；当所述欧式距离小于设定阈值时，将所述目标辐射源信号的类别标记为已知类，并将识别结果确定为已知类；当所述欧式距离大于或者等于所述设定阈值时，将所述目标辐射源信号的类别标记为未知类，并将识别结果确定为未知类。5.根据权利要求4所述的一种基于SEIM的未知辐射源个体识别方法，其特征在于，所述特征聚类单元，进一步用于采用T分布
‑
随机...

【专利技术属性】
技术研发人员：杜奕航，张涛，孙程远，乔晓强，吴昊，张江，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：