[发明专利]一种基于半监督学习的动态个体识别方法

说明书

该发明公开了一种基于半监督学习的动态个体识别方法，该方法涉及辐射源个体识别技术领域。为尝试解决个体间相似的辐射源个体识别准确率低，同时有效检测未知类的问题，本发明基于信号的时频域特征，利用神经网络进行辐射源个体识别，同时对没有标签的未知个体进行检测，并自动加标签，动态迭代数据库，是针对目前辐射源个体识别相关问题的有效尝试，而且还可以检测无标签的未知个体，然后自动加标签，同时迭代更新数据库。本方法对已知类识别准确率达到99％以上，而且未知类的误差率小于0.6％。

技术领域

本发明涉及辐射源个体识别技术领域，更具体的，是涉及一种基于半监督学习，对辐射源个体进行动态识别，以及对没有标签的未知辐射源个体进行检测和自动加标签，并动态迭代数据库的方法。

背景技术

随着通信技术的飞速发展，通信信号的体制和调制样式复杂多样，对通信信号的探测与识别方法提出了更高的要求，同时信号环境日趋密集，使得常规的识别方法很难适应实际需要，无法有效地对通信信号进行识别。通信信号识别可以分为辐射源个体识别与信号调制方式识别。辐射源个体识别是通过提取设备的细微特征，从而实现识别辐射源个体的目的。该技术已经深入到各个工程技术领域，例如无线频谱管理、无线通信安全等领域。

深度学习由多层神经网络结构构成，十分擅长发现高维数据的潜在结构和模式。从浅层接收原始数据输入，每一层抽取对象的特征，随着层数加深，抽取的特征越来越抽象，最后构建出数据的高层特征。将深度学习与辐射源个体识别相结合，运用深度学习来发掘大量数据的细微特征，并以此进行分类，可以大大提高准确率，来更好地应对信息量激增与电磁环境越来越复杂的实际情况。但是深度学习方法难以应用于实时性要求高的识别场景,因为其算法是批量模式的，即假设所有的训练数据预先给定，通过最小化定义在所有训练数据上的经验误差得到分类器。这种学习方法当数据规模大时，计算复杂度高、响应慢。在线学习方法则设定训练数据是持续到来的，不断利用训练样本更新当前的模型，大大降低了学习算法的空间复杂度和时间复杂度，同时大大增强了实时性。因此将在线学习运用到辐射源个体识别中，不断对网络进行训练，可以克服网络实时性差的问题。

发明内容

针对个体之间无明显差异的辐射源个体识别准确率低，以及在未知类检测方面的问题，本发明提出一种基于神经网络的辐射源个体识别以及未知个体检测的方法。

本发明基于信号的时频域特征，利用神经网络进行辐射源个体识别，同时对没有标签的未知个体进行检测，并自动加标签，动态迭代数据库，是针对目前辐射源个体识别相关问题的有效尝试。技术方案为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，每个型号个体均可以选择相同的，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可看作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[n]是窗函数，x[n]是待变换的信号，ω是频率；由公式看出，STFT可解释为首先滤波器经e^jωn，然后对待变换信号滤波，滤波后的信号经e^-jωn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：