[发明专利]基于孪生神经网络的电磁信号辐射源的未知模式识别方法

说明书

本发明公开了一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法，涉及电磁信号辐射源识别技术领域。本发明针对多源多模型场景下的电磁信号辐射源闭集识别问题，利用孪生网络的距离判决，将某已知源未知模式的数据与多个已知源已知模式输入进孪生网络中，得到对应的多个距离，随后找出多个距离中每个已知源对应的最近的几个距离之和，并对每个已知源对应的距离之和相比较，找到最小的距离之和，随后判决为其对应的所属源，从而实现未知模式的有效判决。本发明在三源三模式、三源五模式、五源五模式下均能有效完成未知模式的识别任务，显著提高平均识别成功率。

技术领域

本发明涉及电磁信号辐射源识别技术领域，具体涉及一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法。

背景技术

现在卷积神经网络被广泛应用于通信、雷达的辐射源识别领域。卷积神经网络可以通过自身网络特征实现对信号特征的提取并加以识别，是人工智能理论在信号处理传统领域的一大广泛应用。卷积神经网络依靠大量数据样本完成信号指纹特征的提取与信号的分类任务，大量的数据是支撑卷积神经网络工作的核心要素，但是在实际应用场景中，往往难以获取到大量的数据样本，辐射源的不种模式的数据量往往不是均匀分布的，很多时候我们难以侦察、收集到辐射源的一些特定工作模式的数据，由于数据的缺乏，当这些特定的工作模式的辐射源数据到来时，神经网络难以对其实现准确的判别。

未知目标的判决可分为两大类，一类是开集识别，即完全没有见过的未知数据且不属于任何一已知类，比如已知三部电台，需要识别第四部电台；二类是闭集识别，即识别从属于某一类下的未知子类，比如已知三部电台的一、二种工作模式，需要识别第三种新的工作模式。

现有的比较成熟的识别未知源的方法大致分为以下几种：一种是基于传统特征提取的方法，利用传统特征提取将未知源与已知源集群分开从而实现未知的判决，方法诸如：Hilbert-Huang变换、高阶谱等等。一种是基于人工智能的方法，较为常见的比如MetricLearning(度量学习)的方法，将输入空间(例如图片)映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类，通过利用向量之间的相似性，避免了普通神经网络硬判决的问题。如：《Learning to Compare:Relation Network for Few-Shot Learning》(C)等。

现有的有关Metric Learning的方法最初场景是面向Few-shot Learning(小样本学习)的，即在面对某一类源的数据量非常低的问题时，考虑将样本的特征信息最终映射为一个向量，通过向量的相似性进行判决属于哪个源。这个核心的思想也可以应用于未知源的判决中，通过卷积神经网络对样本特征映射成向量，利用向量间相似性和距离可实现未知源的判决。

现有常规卷积神经网络由于其数据的强烈依赖性，在数据量庞大的场景下表现优异，但是随着数据量的减少，识别效果急剧下降。在多源多模式的识别任务中，往往各个源各个模式的数据量是参差不齐的，有些常见模式的数据量充足，而某些模式的数据量不足，在经过卷积神经网络训练且网络达到饱和后，数据量充足的模式识别效果良好，而数据量欠缺模式的识别效果较差，甚至无法识别。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法，旨在解决电磁信号辐射源识别过程中某模式缺失造成的网络无法正确判决的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法，包括以下步骤：

S1、获取已知电磁信号辐射源的已知模式的数据；

S2、构建孪生神经网络模型，利用步骤S1获取的已知电磁信号辐射源的已知模式的数据对孪生神经网络模型进行训练；

S3、利用步骤S2训练后的孪生神经网络模型对待识别的已知电磁信号辐射源的未知模式的数据进行识别，得到距离度量值；