[发明专利]一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法

权利要求书

1.一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法，其特征在于，包括以下步骤：

步骤1：获取已知辐射源信号构成训练集sample＝{sig₁(t),sig₂(t),...,sig_i(t),...,sig_N(t)}；获取包含未知辐射源的信号构成测试集test＝{signal₁(t),signal₂(t),...,signal_i(t),...,signal_N(t)}；

其中，sig_i(t)为sample集中第i个信号，signal_i(t)为test集中第i个信号，i＝1,2,...,N，N为辐射源信号个数，t表示时域；

步骤2：对训练集sample中的辐射源信号做短时傅里叶变换，得到每个辐射源信号对应的时频图，记作TF＝{TF₁,TF₂,...,TF_i,...,TF_N}；对测试集test中的辐射源信号做短时傅里叶变换，得到每个辐射源信号对应的时频图，记作TTF＝{TTF₁,TTF₂,...,TTF_i,...,TTF_N}；

步骤3：搭建CNN网络作为特征提取模块，对训练集中已知辐射源信号的时频图进行特征提取，得到每个已知辐射源信号对应的嵌入向量，构成向量分布E＝{e₁,e₂,...,e_i,...,e_N}；e_i为TF_i对应的嵌入向量；

步骤4：将E按辐射源类别分为k个子集，记为E＝{E₁,E₂,...,E_c,...,E_k}，c＝1,2,...,k，E_c为属于第c类辐射源的向量集合；将E中全部N个嵌入向量构造成N/2个四元组；

四元组的构成规则为：随机取某个子集E_c中的两个不同向量，分别设置为固定样本a和正样本p，然后随机取任意其它子集的两个不同向量，作为负样本n₁和n₂，构成一个a,p,n₁,n₂四元组；

步骤5：构造训练阶段损失函数Loss，通过自适应黑蜘蛛猴算法，对Loss的超参数权重λ₁、λ₂、λ₃寻优，获得最优参数组合；

损失函数Loss为：

Loss＝λ₁loss_Quadruplet+λ₂loss_Center+λ₃loss_Dispersion

其中，λ₁、λ₂、λ₃为[0,1]的超参数权重，且λ₁+λ₂+λ₃＝1；

loss_Quadruplet为四元组损失；

其中，loss_Quad为第Quad个四元组的损失；D_a,p为四元组中a和p之间的欧氏距离，D_a,p＝||a-p||₂；为四元组中a和n₁之间的欧氏距离，为四元组中n₁和n₂之间的欧氏距离，max(·)表示最大值函数；α和β为设置的阈值；

loss_Center为中心聚类损失；

其中，为每个E_c中向量的均值矢量；

loss_Dispersion为离差损失；

其中，Tr[·]为求矩阵的迹；表示对S_W求逆，S_W为总类内离差阵，为每个E_c的类内离差阵，S_D为总离差阵，S_D＝S_W+S_B；S_B为总类间离差阵，C_all为全部向量的均值矢量，

步骤6：将TF＝{TF₁,TF₂,...,TF_i,...,TF_N}作为训练集，对步骤3搭建的CNN网络进行训练，利用步骤5中构造的损失函数Loss得到最优模型；

步骤7：将TF＝{TF₁,TF₂,...,TF_i,...,TF_N}输入到训练好的CNN网络中，得到E＝{e₁,e₂,...,e_i,...,e_N}；计算每个向量e_i到向量中心的欧式距离确定每个向量e_i对应最小欧氏距离，将e_i分到此类，实现对已知辐射源个体进行分类，同时将得到的所有欧式距离的最大值设置为距离最大阈值threshold；

其中，e_b为子集E_c中第b个样本，b＝1,2,..,m_c，m_c为子集E_c中样本数量；||·||₂为L2范数操作；

步骤8：将TTF＝{TTF₁,TTF₂,...,TTF_i,...,TTF_N}输入到训练好的CNN网络中，得到测试集嵌入向量分布，计算任意向量到已知类向量中心的欧氏距离，通过与距离最大阈值threshold比较，判别得到未知辐射源个体；

步骤8.1：将TTF＝{TTF₁,TTF₂,...,TTF_i,...,TTF_N}输入到训练好的CNN网络中，得到测试集嵌入向量分布E_test：

E_test＝{e_1t,e_2t,...,e_it,...,e_Nt}

其中，e_it为TTF_i对应的嵌入向量；

步骤8.2：计算向量e_it到已知类向量中心的欧式距离

步骤8.3：若则判定signal_i(t)为未知辐射源个体：

步骤8.4：采用凝聚层次聚类法实现最终未知辐射源个体识别。