一种基于孪生网络的小样本辐射源个体识别方法

1.本发明属于辐射源个体识别和人工智能的交叉技术领域，具体涉及一种基于孪生网络的小样本辐射源个体识别方法，适用于小样本条件下的辐射源个体识别。


背景技术：

2.通信辐射源个体识别常应用于网络安全，身份识别等方向，可实现对用户设备的分辨。由于发射机由许多模拟器件组成，其由于设计、生产、使用而存在不同程度的差异，从而使发射信号由于这些硬件方面的差异，带有区别于其它发射机的特征，因此可接收不同通信辐射源个体的发射信号，通过特定的流程进行提取和分析，实现对辐射源的个体识别。由于通信辐射源型号众多，其指纹特征不确定，且差别细微，传统的个体识别方法主要通过对接收信号的时域，频域或时频域进行分析，这些差异进行通信辐射源个体识别具有局限性，其分辨过程较为复杂，且准确率不能让人满意，而深度学习能自动抽象的提取特征，因此常用于通信辐射源个体识别。
3.但由于实际的电磁环境复杂多变，很难获取大批量标注的信号样本数据。因此容易出现辐射源个体数据有限，持续时间短，特征不稳定等现象，导致辐射源个体识别数据量少，或获取标注数据的成本大，因此只能用少量带标注的样本进行训练。若采用深度学习方法，在小样本情况下，神经网络会严重过拟合，导致分类表现很差。在小样本条件下，本发明采用了孪生网络，其能够学习到一种特征空间，基本思想是学习数据点之间的距离函数，通过将测试样本与训练集进行比较来对其分类，测试样本标签取决于与其最接近的训练样本。


技术实现要素：

4.为了解决现有技术的不足，本发明提出了一种利用辐射源个体识别时域数据，并基于孪生网络的小样本辐射源个体识别方法。本发明的核心技术为在孪生网络损失函数基础上，引入了交叉熵损失函数，完成辐射源个体识别。
5.为了实现上述提出的方法，本发明采用的技术方案如下所述：
6.一种基于孪生网络的小样本辐射源个体识别方法，包括如下步骤：
7.s1：使用resnet分类网络构建孪生网络结构，将辐射源的所有样本随机两两分类，两样本属于同一类时，打上标签0，否则标签为1；
8.s2：将重新编排后的数据送入孪生网络进行训练，训练完成后，保存孪生网络权重；
9.s3：对于每一类样本，利用训练样本计算该类样本在特征空间的位置；
10.s4：使用已保存的网络模型，输入待识别目标，将目标样本映射至特征空间，计算其与每一类数据在特征空间的欧氏距离，取与其最近的类别作为样本预测标签，输出识别结果。
11.本发明的有益效果是：
12.本发明采用逐对训练，因此会有平方级别对的信号样本对来训练模型，即训练数据对的数量相较单个数据数量增多，使模型不易过拟合；并在网络训练阶段既考虑了不同样本间的距离关系，即聚类损失，也考虑了样本的分类损失，使特征空间的不同维度的意义更加明确；当采用孪生网络损失函数时，即使用距离度量作为损失函数时，训练过程较为不稳定，识别准确率差别较大，本发明在孪生网络基础上进一步优化了损失函数，使其训练过程更稳定，更适用于小样本条件下的辐射源分类识别任务，弥补了原有方法的不足，识别效果更优。
附图说明
13.图1为优化后的孪生网络结构图；
14.图2为优化后的损失函数对比图；
15.图3为优化后的孪生网络分类识别流程图；
16.图4为小样本条件下不同方法的识别准确率对比图，其中(a)为resnet识别混淆矩阵， (b)为孪生网络识别混淆矩阵，(c)优化的孪生网络识别混淆矩阵；
具体实施方式
17.下面结合附图说明本发明的具体实施方式：
18.s1：网络与数据集构建
19.使用resnet分类网络构建孪生网络结构，并从辐射源个体训练集 d＝{(x1,y1),(x2,y2),(x3,y3),...}中将辐射源个体的所有样本随机两两分类，设孪生网络两个输入为x1和x2，当两样本属于同一类时，标签y为0，否则为1，因此得到训练样本对(y，x1,x2)，让两个输入样本通过结构相同、共享参数的resnet网络。图中x1，x2是网络的输入，w是resnet网络共享的参数，gw(x1)，gw(x2)为resnet网络的输出，负责将原始样本向特征空间转化，然后使用绝对差分作为线性分类器的输入，计算x1和x2之间的相关性，相似性度量为映射函数的欧氏距离：
20.ew(x1,x2)＝||gw(x1)-gw(x2)||
21.s2：基于小样本训练数据进行训练
22.为使x1，x2来自同一类时ew(x1,x2)小，反之则ew(x1,x2)大，并将欧氏距离作为相似性度量函数，因此孪生网络的损失函数设为：
[0023][0024]
式中y为二进制标记，(y,x1,x2)i代表第i个样本对，m为超参数，若样本x1与样本x2属于不同类别时，y＝1，因此损失函数为1/2{max(0,m-ew(x1,x2))}2，当度量函数ew(x1,x2)大于超参数m时，则损失函数为0，代表已能完全分辨两个样本，因此无需针对这组样本对进行梯度下降，当ew(x1,x2)小于m值时，则损失函数下降的方向即为增大样本对的ew(x1,x2) 的方向；若样本x1与样本x2属于同一类别时，y＝0，损失函数为1/2(ew(x1,x2))2，梯度下降的目的即为减小样本对的ew(x1,x2)。因此，孪生网络的损失函数使相同类别样本间距减小，不同类别样本间距增大。
[0025]
本发明在孪生网络损失函数基础上，引入了交叉熵损失函数：
[0026][0027]
以及加权因子α，损失函数改写为：
[0028][0029]
式中α为超参数，用于调节交叉熵损失函数与孪生网络损失函数的权重比值；当α＝0，上式即为孪生网络损失函数，趋于聚类损失，当α≥10m，上式趋于分类损失，本发明中的联合损失函数同时兼顾了样本的距离与特征分类。
[0030]
因此，优化后孪生网络输入标签为y，y1，y2，其中y代表两个样本类别是否相同，标签y1，y2为输入样本x1，x2的类别标签。本发明优化的孪生网络结构图如图1所示，原始孪生网络损失函数与本发明优化后的损失函数对比如图2所示。
[0031]
将重新编排后的数据送入孪生网络进行训练，训练完成后，保存孪生网络权重。
[0032]
s3：特征空间映射
[0033]
将s1中的训练集辐射源个体，送入已训练完成的孪生网络结构中的resnet中进行预测，得到dense层输出，即样本映射至了新的特征空间。对于每一类样本，计算该类样本在特征空间的平均值，作为这类数据在特征空间的位置，即得到特征空间对应的映射。
[0034]
s4：个体分类识别
[0035]
如图3所示，使用s3中已保存的resnet网络模型，输入待识别的辐射源个体数据，将个体数据映射至特征空间，计算其与每一类数据在特征空间的欧氏距离值，取与其最近的类别作为样本预测标签，输出识别结果。
[0036]
采用实际电台辐射源数据作为数据集进行小样本辐射源个体识别探究，共10类电台开机 msk数据，信噪比为15db，单个样本为2*10000的iq信号，在小样本条件下采集5个作为训练集，20个作为测试集。均采用resnet11网络，初始网络参数随机，直接对小样本数据集进行分类实验的识别准确率为0.62；基于孪生网络的辐射源分类实验的识别准确率为0.83；基于改进后的孪生网络的辐射源分类实验的识别中，将超参数α取值与m一致，均为100，识别准确率为0.885，具体的识别效果如图4所示。因此实验证明了基于本发明的识别方法在小样本条件下的有效性。
[0037]
本发明提供了一种基于孪生网络的小样本辐射源个体识别方法，尽管以上所述的实施方案是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述的具体实施方案。在不脱离本发明精神、原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方案，均视为在本发明的保护范围内。