基于多优化的双通道原型网络的小样本辐射源个体识别方法技术

本发明专利技术公开了一种基于多优化的双通道原型网络的小样本辐射源个体识别方法，包括：获取待识别的辐射源信号；将待识别的辐射源信号输入预训练的双通道原型网络，预训练的双通道原型网络中的双通道卷积网络输出待识别的辐射源信号的特征向量，预训练的双通道原型网络中的分类网络根据特征向量和各类辐射源信号的聚类中心，确定出待识别的辐射源信号所属的信号类别；其中，双通道卷积网络是根据包含多类辐射源样本信号的训练集中的支持集、查询集，以及用于更新每次训练时辐射源信号的聚类中心和用于关注分类错误的样本的损失函数训练得到的。本发明专利技术可以提高识别准确率。本发明专利技术可以提高识别准确率。本发明专利技术可以提高识别准确率。

【技术实现步骤摘要】
基于多优化的双通道原型网络的小样本辐射源个体识别方法


[0001]本专利技术属于智能识别
，具体涉及一种基于多优化的双通道原型网络的小样本辐射源个体识别方法。

技术介绍

[0002]辐射源个体识别分类是一种研究电子设备物理层认证的方法。辐射源个体识别分类方法可以根据电路中的射频特征差异对目标进行分类。电路中的射频特征源自于硬件电路的制造差异，难以仿造且具有唯一性。所以，可以预计，辐射源个体识别分类方法将会在物联网领域产生重要作用。
[0003]随着深度学习的迅猛发展，许多基于深度学习网络的辐射源个体识别方法被提出，并且取得了非常好的效果。但是，这些方法需要使用大量的标签样本进行训练，在实际情况下，训练样本往往非常有限，这样便导致了分类结果普遍不理想。因此，研究在小样本条件下的辐射源个体识别方法具有很大的现实意义。
[0004]训练网络需要大量的带标签样本，在目标样本不足的情况下，会造成训练网络的过拟合。由此，许多基于尺度学习和元学习的方法被提出用于小样本学习。这些方法可以大致分为以下步骤，使用大量无关数据对特征提取网络进行训练；利用前文学习的先验知识对少量目标样本进行分类。但是，这些方法使得网络的识别准确率仍然不高。

技术实现思路

[0005]为了解决相关技术中存在的上述问题，本专利技术提供了一种基于多优化的双通道原型网络的小样本辐射源个体识别方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供一种基于多优化的双通道原型网络的小样本辐射源个体识别方法，包括：
[0007]获取待识别的辐射源信号；
[0008]将所述待识别的辐射源信号输入预训练的双通道原型网络，所述预训练的双通道原型网络中的双通道卷积网络输出所述待识别的辐射源信号的特征向量，所述预训练的双通道原型网络中的分类网络根据所述特征向量和各类辐射源信号的聚类中心，确定出所述待识别的辐射源信号所属的信号类别；其中，所述双通道卷积网络是根据包含多类辐射源样本信号的训练集中的支持集、查询集，以及用于更新每次训练时辐射源信号的聚类中心和用于关注分类错误的样本的损失函数训练得到的。
[0009]本专利技术具有如下有益技术效果：
[0010]通过设计了一种基于双通道卷积网络的双通道原型网络，使得神经网络学习输入到嵌入空间的非线性映射，从而可以获取不同辐射源个体信号的本质特征，最终有效提高了网络的识别准确率；通过设计了一种优化网络的损失函数，目的在于关注分类效果差的样本，从而使得训练好的网络具有更好泛化能力，最终提高了辐射源个体的识别准确率；通过设计了一种优化类样本聚类中心的损失函数，通过迭代获取更好的聚类中心，从而有效
提高了网络的识别准确率。
[0011]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0012]图1为本专利技术实施例提供的基于多优化的双通道原型网络的小样本辐射源个体识别方法的一个可选的流程图；
[0013]图2为本专利技术实施例提供的示例性的双通道卷积网络的结构示意图；
[0014]图3为本专利技术实施例提供的示例性的对双通道原型网络的训练流程和测试流程示意图。
具体实施方式
[0015]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0016]在本专利技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0017]在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0018]尽管在此结合各实施例对本专利技术进行了描述，然而，在实施所要求保护的本专利技术过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0019]目前，一些相关方案如下：
[0020]1)一种基于决策理论的方法，该方法对多进制频移键控(M—ary Frequency Shift Keying，M
‑
FSK)信号的平均似然比函数进行深入研究，发现对其求平均后，得到了零阶修正贝塞尔函数的积分表达式。并且可以对其进行级数展开，进而导出基于高阶相关分析的调制制式识别算法。成功解决了M
‑
FSK信号识别问题。
[0021]2)一种基于机器学习的方法，该方法是基于高阶累积量和支持向量机(Support Vector Machine，SVM)的数字通信信号调制和识别算法，实现了对6种数字调制方式的准确识别。
[0022]3)一种基于传统深度学习的方法，该方法通过GNU Radio制作了调制信号数据集，并利用卷积神经网络(Convolutional Neural Network，CNN)在数据集上完成了11种调制
信号的识别工作，并且在信噪比(Signal to Noise Ratio，SNR)大于0dB的情况下，识别准确率较高。
[0023]4)一种基于小样本的分类器度量方案，该方法通过训练特征提取网络获取样本在嵌入空间的映射，根据同一类别样本在嵌入空间的均值来获取该类的原型。然后，通过简单地找到最近的类原型来对样本点执行分类任务。
[0024]上述方案中，基于决策理论的方法模型复杂，处理速度慢，难以适用于实际需求。基于机器学习的方法依据不同调制信号的特征来区分信号，识别性能依赖于调制信号特征的选取和分类器的设计。这两种方法建立模型需要了解部分先验信息，进而从接收数据中提取多类关键统计量，从而达到对信号的识别，并且在低信噪比下，由于受到信道环境的影响，对通信信号的识别性能较差。基于决策理论和基于机器学习的方法模型复杂且需要人工参与，传统深度学习方法则需要海量样本做支撑，这些方法都需要消耗大量的资源。
[0025]本专利技术目的是在仅有少量样本的情况下，在节省大量资源，减少人工参与的同时，实现对辐射源个体的准确分类。
[0026]图1是本专利技术实施例提供的基于多优化的双通道原型网络的小样本辐射源个体识别方法的一个可选的流程图，如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多优化的双通道原型网络的小样本辐射源个体识别方法，其特征在于，包括：获取待识别的辐射源信号；将所述待识别的辐射源信号输入预训练的双通道原型网络，所述预训练的双通道原型网络中的双通道卷积网络输出所述待识别的辐射源信号的特征向量，所述预训练的双通道原型网络中的分类网络根据所述特征向量和各类辐射源信号的聚类中心，确定出所述待识别的辐射源信号所属的信号类别；其中，所述双通道卷积网络是根据包含多类辐射源样本信号的训练集中的支持集、查询集，以及用于更新每次训练时辐射源信号的聚类中心和用于关注分类错误的样本的损失函数训练得到的。2.根据权利要求1所述的基于多优化的双通道原型网络的小样本辐射源个体识别方法，其特征在于，所述双通道卷积网络包括两个子网络，每个子网络包括：多个依次连接的卷积块，以及全连接层；每卷积块依次包括：卷积层、批规范化层、激活层、最大池化层。3.根据权利要求1所述的基于多优化的双通道原型网络的小样本辐射源个体识别方法，其特征在于，在所述将所述待识别的辐射源信号输入预训练的双通道原型网络之前，所述方法包括：每次从包含多类辐射源样本信号的训练集中获取包含支持样本的本次的支持集，以及包含查询样本的本次的查询集；将支持样本和查询样本输入本次待训练的双通道原型网络中，得到每个支持样本的第一特征向量，以及每个查询样本属于各类辐射源信号的置信度、每个查询样本的预测类别；基于预设权重系数、预设可调系数、所述第一特征向量、本次的支持集所属的每类辐射源信号的本次的聚类中心、每个查询样本的预测类别与真实类别，以及每个查询样本属于各类辐射源信号的置信度，确定本次的损失值；根据本次的损失值，分别更新所述待训练的双通道原型网络和本次的聚类中心，得到下一次待训练的双通道原型网络和本次的支持集所属的每类辐射源信号的下一次的聚类中心，如此迭代训练，直至训练结束时得到所述预训练的双通道原型网络。4.根据权利要求3所述的基于多优化的双通道原型网络的小样本辐射源个体识别方法，其特征在于，所述基于预设权重系数、预设可调系数、所述第一特征向量、各类辐射源信号的本次的聚类中心、每个查询样本的预测类别与真实类别，以及每个查询样本属于各类辐射源信号的置信度，确定本次的损失值，包括：根据本次的学习率、每个真实类别的支持样本的所述第一特征向量、每个真实类别的本次的聚类中心，确定本次的第一损失值；根据每个查询样本对应的真实类别的置信度与预测类别，以及所述预设可调系数，确定本次的第二损失值；根据所述预设权重系数、本次的第一损失值和本次...

【专利技术属性】
技术研发人员：周峰，王力，徐逸飞，谭浩月，杨鑫瑶，王常龙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：