[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

说明书

本发明属于信号识别技术领域，具体涉及一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法。本发明通过构造类内、类间离差矩阵，设计离差损失，融合四元组和中心聚类损失，使得损失函数的构建更具可靠性；通过设计自适应黑蜘蛛猴算法对损失函数权重寻优，构建改变搜索方向的标志，利用螺旋优化搜索，扩大搜索范围，引入探索和平衡开发因子，使权重随迭代次数改变，减少了权重变化的盲目性，增强了辐射源个体识别方法的泛化性、准确性和适应性。本发明不仅能提高网络收敛速度，增加网络的泛化性和可靠性，还能准确实现辐射源个体识别，具备较好的适用性。

技术领域

本发明属于信号识别技术领域，具体涉及一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法。

背景技术

传统的辐射源个体识别方法通常是提取辐射源特征，输入到神经网络中进行分类，获得识别结果。随着电磁环境和调制方式的日益复杂，传统方法已经无法满足实际应用对辐射源个体识别的需求，基于异常数据检测和基于度量学习的特征提取与识别方法应运而生。

对辐射源进行异常检测可以基于模型、邻近度或密度来发现离群点，这种方法往往依赖专家经验确定阈值，导致适应性弱，泛化能力差。度量学习使用特征空间中的样本距离实现分类，增强了适应性，但分类界限模糊，存在可靠性差和识别效率低的问题。

汪清在其申请的专利“基于深度学习的开放集辐射源个体识别方法”(专利号：CN202010723991.1)中通过构造开集和闭集激活向量，提取类间差异特征和类内共同特征，实现了已知辐射源分类和未知辐射源判别，但该方法采用的损失函数存在类内聚集程度不高的缺陷，导致辐射源个体识别性能差。林万杰在论文《基于深度学习的未知辐射源个体识别的研究》中改进了三元组损失函数，优化了梯度下降方向，但该方法仅采用样本类间距离获得分类界限，可靠性不够。若在构建损失函数时能对样本多种关系进行权重化使用，且设计智能算法对其权重智能寻优，则可增强网络的泛化性和适应性，有效提高辐射源个体识别的准确性。

发明内容

本发明的目的在于提供一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法。

一种基于自适应黑蜘蛛猴算法的辐射源个体识别方法，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；