[发明专利]一种基于半监督学习的动态个体识别方法

权利要求书

1.一种基于半监督学习的动态个体识别方法，包括以下步骤：

步骤1：将实测辐射源信号数据分类，由X种信号采集带宽、Y种传输带宽和Z种调制方式相互组合构成的X*Y*Z种工作模式发送信号；

步骤2：将所有数据样本做下采样，由于部分时间段并没有实际发送、接收信息，因此将未发送信号的空白部分过滤掉；

步骤3：对上述步骤获得的信号加窗，然后将窗函数平移，进行短时傅立叶变换，以获得时频域上的特性；

连续情况下：

其中，w(t)为窗函数，x(t)为待变换的信号，ω是频率；由公式看出，STFT为在窗函数时间内对信号进行变换，得到傅里叶频谱；

离散情况下：

其中，w[b]是窗函数，x[b]是待变换的信号，ω是频率；由公式看出，STFT解释为首先滤波器经e^jωb，然后对待变换信号滤波，滤波后的信号经e^-jωb调制得到最终结果；

步骤4：由于特征之间的量纲和取值范围不同，不利于后续进行分类，因此对步骤3得到的数据进行归一化；归一化公式为：

其中为原始数据的均值，σ为原始数据的标准差；

步骤5：构建网络模型并进行训练，网络模型共七层；

第一层为二维卷积层，第二层为池化层，第三层为Dropout层，第四层为二维卷积层，第五层为池化层，第六层为Dropout层，第七层为全连接层；

其中，第一层和第四层的二维卷积层输出矩阵的高度和宽度(h_out，w_out)由输入矩阵、权重矩阵、扫描方式所共同决定；计算公式如下：h_in代表输入矩阵高度，w_in代表输入矩阵宽度，h_kenel、w_kenel分别代表权重矩阵的高度和宽度，p代表填充像素的大小，s代表步长，

第二层和第五层的池化层是对卷积层的降维处理，减轻网络训练时的算力压力，提升训练速度；

第三层和第六层的Dropout层是对前一层的输出进行随机选择，删除一半的数据；

第七层全连接层，先对输入数据输入Flatten层进行一维化，然后进行全连接；

已知的M类进行分类识别的情况：将加了标签之后M个类全部数据的80％样本数据组成训练集，输入到构建的网络模型中，进行训练，网络训练拟合之后，使用M个类全部数据的其余的20％样本数据组成测试集，根据训练得到的网络模型进行测试，输出分类结果，输出结果测试合格即为训练完成；

步骤6：根据步骤5训练得到的网络模型，对已知的M类数据和未知类数据进行检测，并对检测出来的未知类加新标签；

将M类的已知数据步骤5训练好的网络模型，并输出，网络模型第六层输出值的平均值向量X_ave；

X_m，k表示第m个样本输出向量的第k个元素，m是样本在网络倒数第二层输出的中间值的维度，n是样本对应的输出值向量的数量；

然后将训练集的样本所对应输出值X_train按照每N个样本分组，共分成L₁组，求得每组样本和X_ave之间夹角余弦cos(θ)_train和欧氏距离最大和最小值，获得L₁个阈值和阈值

用测试集以及未知类样本对应的输出值X_test同样分别按照每N个样本分组，共分成L₂组，采用上面两公式的方法依次求每组样本的和若与前述参数组成的联合参数阈值进行比较，若第S组样本符合条件：并且则该组样本被检测为未知类对应的样本；

步骤7：将检测出来的样本自动加标签为第M+1类，和已知的M类数据一起通过步骤5的网络模型，将网络模型最后的输出层由M输出变为M+1输出，训练网络；网络更新后，按照步骤6，继续检测新的未知类，将步骤5、步骤6、步骤7循环下去，实现辐射源个体的动态识别，以及通过在线学习，更新数据库和分类器；

所述步骤6中夹角余弦计算方法为：

对于两个p维向量A(x₁₁，x₁₂，...，x_1p)与B(x₂₁，x₂₂，...，x_2p)，使用类似于夹角余弦的概念来衡量它们间的相似程度：

欧氏距离的计算方法为：两个q维向量A(x₁₁，x₁₂，...，x_1q)与B(x₂₁，x₂₂，...，x_2q)之间的欧氏距离计算如下：