[发明专利]一种面向辐射源个体的开集识别方法

说明书

本发明属于信号处理技术领域，具体的说是涉及一种面向辐射源个体的开集识别方法。实际应用场景中，辐射源个体识别系统面对的是开放电磁环境，接收到未被数据库收录的未知类别辐射源信号不可避免，因此辐射源开集识别具有重要的研究意义。本发明是在利用深度神经网络作为辐射源信号特征提取器的基础上，首先设计兼顾分类和聚类效果的联合损失函数，保证神经网络提取的信号深度特征具有良好的分类特性和聚类特性，然后利用训练数据得到的特征向量构造极值分布模型，确定判别阈值，实现判别算法，完成对辐射源信号的高准确率开集识别。

技术领域

本发明涉及信号处理技术领域，具体的说是涉及一种面向辐射源个体的开集识别方法。

背景技术

辐射源个体识别是利用接收到的辐射源信号提取外部发射器的固有特征，进而实现对通信辐射源设备的识别。随着通信技术飞速发展，通信环境日益复杂，辐射源个体识别在军事通信，通信安全等领域有着广泛的应用前景和重要的研究价值。传统的辐射源个体识别技术需要提前设计专家特征用于分类识别，但专家特征严重依赖于接收信号类型等先验信息，应用场景有较大局限性。近年来，随着深度学习在计算机视觉等领域取得很多突破，深度神经网络被利用于辐射源个体识别并获得了出色的表现。但大部分方法集中在闭集识别，即假定需要分类的辐射源信号样本一定属于辐射源数据库中的某个已知类。然而在实际应用场景中，辐射源个体识别系统面对的是开放电磁环境，接收到未被数据库收录的未知类别辐射源信号不可避免。针对辐射源个体的开集识别不仅可以正确分类已知辐射源，还能拒绝未知的辐射源个体，因而更符合辐射源个体识别的实际应用需求，更具有研究意义。

针对开集识别问题，一种常见方法是先利用训练数据集对分类神经网络，如卷积神经网络进行训练得到闭集分类器，再对测试样本通过分类器得到的类别概率设定阈值，如果最大概率小于阈值则判定为未知类别，否则分类为最大概率对应的已知类。然而由于卷积神经网络是通过归一化得到类别概率，所以可能会输出不正确的高预测概率导致识别系统崩溃。针对传统神经网络的缺陷，Bendale等人提出Openmax结构，利用Weibull分布，从卷积神经网络输出的闭集概率向量中重构出测试样本属于未知类别的概率。然而利用Openmax实现开集识别需要已知类别样本在特征空间中有良好的聚类效果，即类间距离较大，类内距离较小。对于指纹特征差异细微的辐射源信号，用分类神经网络作为特征提取器无法得到聚类效果良好的特征，所以Openmax用于辐射源个体开集识别时准确率较低，性能较差。

发明内容

鉴于上述分析，为了解决辐射源个体开集识别准确率较低，性能较差的问题，本发明提出了一种基于深度神经网络和极值理论的辐射源个体开集识别方案。本发明核心技术有两部分：一是针对辐射源信号设计兼顾分类性能和聚类性能的联合损失函数，将联合损失函数应用于ResNet11卷积神经网络，利用辐射源训练集对网络进行训练，将得到的神经网络作为特征提取器；二是基于训练样本和极值理论提出判别算法，对测试样本进行判别及分类。

为实现上述方法，本发明技术方案实现如下：

一种面向辐射源个体的开集识别方法，步骤如下：

步骤1：获取辐射源信号样本集及各辐射源信号样本对应的类别，得到训练集；

步骤2：使用训练集，基于设计的联合损失函数，训练ResNet11卷积神经网络模型，将训练好的模型作为特征提取器；所述损失函数记为joint_loss，具体表达式为：

joint_loss＝CE+α*Tripletloss

CE表示交叉熵损失函数，用以保证神经网络提取得到的特征的分类性能，具体表达式为：

其中K表示训练集中需要分类的类别数，t_K表示训练样本的正确标签，y_K表示训练样本通过神经网络后的输出结果；