【技术实现步骤摘要】
本专利技术涉及辐射源个体识别，具体涉及基于知识蒸馏与图模型的小样本增量辐射源个体识别方法。
技术介绍
1、物联网(iot)的快速发展和移动设备的广泛应用，导致大量无线设备的集成，同时也带来了物联网和5g网络等新技术的出现。然而，在这些设备上部署多种无线技术带来了巨大的安全和隐私挑战，因为物联网设备固有的广播特性造成了可能被恶意用户利用的漏洞。因此，为这些物联网设备管理和分发加密密钥变得异常具有挑战性。因此，迫切需要一种新颖、防篡改和安全的设备验证方法。
2、辐射源个体识别(rffi)是指通过从接收信号中提取包含发射设备个人信息的微妙特征来识别不同辐射源的过程。这些细微特征被称为射频指纹(rff)，归因于射频设备中存在的容差效应。这些效应导致设备响应中的非线性特征，而这些非线性特征的变化又能区分不同的辐射源设备。与人类指纹类似，rff是区分射频设备的基础，可用作设备身份验证的安全方法[1]。
3、最近，深度学习已成为解决rffi问题的主流解决方案。然而，基于深度学习的数据驱动方法在rffi中的性能受到了限制，因为在非合作场景中无法获得大量标记的信号样本。小样本学习(fsl)作为一种小实例深度学习范式，已被经验证明在有限数据的图像识别任务中非常有效。它旨在解决典型分类方法泛化不足和对稀有类别适应性差的问题。它能缓解因缺乏标记样本而导致的严重性能下降。现有的基于fsl的rffi方法可以有效地解决训练样本较少的封闭集的rffi问题。zhang等人[2]提出了一种数据增强(da)辅助的少量学习方法，提高了识别准确率
4、rffi可以持续捕获新类别目标的射频信号，这些信号在训练阶段是未知的，自然会被误判为已知类别。为了确保识别的可靠性，传统的rffi模型需要针对新旧类别进行再训练。虽然在非开放场景中添加训练数据进行再训练对rffi模型的性能影响不大，但重复训练之前的训练样本会导致大量时间消耗和存储资源浪费，这对于实时rffi任务来说并不合理。此外，直接丢弃旧目标的训练样本，用新目标对训练好的模型进行微调，会造成灾难性遗忘，导致旧目标识别能力下降。因此，有必要开发新的rffi范式，并在开放场景中设计模型，使其能够快速适应更新的数据，并在保持原有分类能力的同时学习新类别的有效知识。
5、类增量学习是一种先进的开放场景目标识别技术。首先使用基础类对模型进行训练，然后通过提供相应的训练数据来添加新的类。然后，只使用新类别对模型进行增量训练，从而实现对基础类别和新类别的统一识别。最近的研究表明，基于类增量学习的rffi方法可以节省计算资源，避免灾难性遗忘，同时避免重复训练和存储旧类。liu等人[3]总结了一种通用的rffi框架，并提出了一种有效减少基于增量学习的rffi所需旧数据量的方法，从而节省了训练时间和存储空间。liu等人[4]提出了一种利用增量学习解决射频指纹识别问题的分布式传感器系统，该系统可以显著减少训练时间并适应流式数据。大量实验表明，该方法计算效率高，识别准确率令人满意，尤其是在信噪比较低的情况下。zhou等人[5]提出了一种基于知识提炼的增量学习的rffi方法，该方法利用连续数据流不断更新识别模型。liu等人[6]提出了一种新的不使用历史数据的通道分离方案，这是一种在不同学习阶段自动分离设备指纹并避免潜在冲突的策略。
6、在上述挑战的激励下，本专利技术提出了一种基于类增量学习的新rffi方法，该方法能够以高效、及时的计算方式在少量训练样本的情况下适应新的类别。rffi在小样本类增量学习[7]，[8]中面临的主要挑战是，少量的标记样本会导致对新目标的严重过拟合和对旧样本的灾难性遗忘。
7、[1]zhang j,woods r,sandell m,et al.radio frequency fingerprintidentification for narrowband systems,modelling and classification[j].ieeetransactions on information forensics and security,2021,16:3974–3987.
8、[2]zhang x,wang y,zhang y,et al.data augmentation aided few-shotlearning for specific emitter identification[c].in 2022ieee 96th vehiculartechnology conference(vtc2022-fall),
9、2022:1–5.
10、[3]wang c,fu x,wang y,et al.few-shot specific emitter identificationvia hybrid data augmentation and deep metric learning[j].arxiv preprintarxiv:2212.00252,2022.
11、[4]liu d,liu c,yuan m.incremental learning for radio frequencyfingerprint identification[c].in 2021 18th international computer conferenceon wavelet active media technology and information processing(iccwamtip),2021:326–329.
12、[5]liu m,wang j,zhao n,et al.radio frequency fingerprintcollaborative intelligent identification using incremental learning[j].ieeetransactions on network science and engineering,2022,9(5):3222–3233.
13、[6]zhou j,peng y,gui g,et al.a novel radio frequency fingerprintidentification method using incremental learning[c].in 2022ieee 96thvehicular technology conference(vtc2022-fall),2022:1–5.
14、[7]tao x,hong x,chang x,et al.few-shot class-incremental learning[c].in 2020ieee/cvf conference on computer vision and pattern recognition(cvp本文档来自技高网...
【技术保护点】
1.一种基于知识蒸馏与图模型的小样本增量辐射源个体识别方法，其特征是，首先使用已知的辐射源数据进行训练，通过不断优化交叉熵损失得到一个骨干网络；随后进行伪类增量训练：使用已知的辐射源数据为虚拟增量类和虚拟基础类分别划分支持集和查询集，支持集用于学习不同类别的分类器权重，而查询集用于计算优化损失，使用支持集为虚拟基础类和虚拟增量类分别建立两个分类器，随后，将这两个分类器分别连接同一自适应图模型分类器，通过训练对自适应图模型分类器进行参数更新，借助更新后的自适应图模型分类器，对虚拟基础类和虚拟增量类的查询集进行预测，进而计算损失以优化自适应图模型分类器，优化好的自适应图模型分类器与骨干网络进行连接；然后进入增量训练阶段，一方面，冻结所述的骨干网络作为教师网络，同时对其复制并通过新增的少量辐射源个体对复制的骨干网络进行训练，得到学生网络，利用教师网路对学生网络进行知识蒸馏，最终完成蒸馏的学生网络即作为训练好的骨干网络，该学生网络也复制冻结为教师网络，用于进行下一次增量训练，即每出现新增的少量辐射源个体即进行增量训练；另一方面，已经训练完成的自适应图模型分类器会根据新出现的少量辐射源个体
2.如权利要求1所述的基于知识蒸馏与图模型的小样本增量辐射源个体识别方法，其特征是，知识蒸馏具体步骤如下：
3.如权利要求1所述的基于知识蒸馏与图模型的小样本增量辐射源个体识别方法，其特征是，骨干网络及其连接的自适应图模型，具体连接模式如下：
...【技术特征摘要】
1.一种基于知识蒸馏与图模型的小样本增量辐射源个体识别方法，其特征是，首先使用已知的辐射源数据进行训练，通过不断优化交叉熵损失得到一个骨干网络；随后进行伪类增量训练：使用已知的辐射源数据为虚拟增量类和虚拟基础类分别划分支持集和查询集，支持集用于学习不同类别的分类器权重，而查询集用于计算优化损失，使用支持集为虚拟基础类和虚拟增量类分别建立两个分类器，随后，将这两个分类器分别连接同一自适应图模型分类器，通过训练对自适应图模型分类器进行参数更新，借助更新后的自适应图模型分类器，对虚拟基础类和虚拟增量类的查询集进行预测，进而计算损失以优化自适应图模型分类器，优化好的自适应图模型分类器与骨干网络进行连接；然后进入增量训练阶段，一方面，冻结所述的骨干网络作为教师网络，同时对其复制并通过新增的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。