本發(fā)明涉及一種輻射源個(gè)體開集識(shí)別方法及系統(tǒng)，屬于信息通信。

背景技術(shù)：

1、一種通信輻射源開集識(shí)別方法及系統(tǒng)(cn115169415a)，公開了一種通信輻射源開集識(shí)別方法及系統(tǒng)，涉及射頻信號(hào)處理技術(shù)領(lǐng)域。該方法包括：獲取待識(shí)別射頻通信信號(hào)；對(duì)所述待識(shí)別射頻通信信號(hào)進(jìn)行預(yù)處理，得到射頻指紋特征向量；基于分類-重構(gòu)網(wǎng)絡(luò)和對(duì)抗訓(xùn)練算法構(gòu)建開集識(shí)別模型；將所述射頻指紋特征向量輸入所述開集識(shí)別模型中進(jìn)行識(shí)別，得到識(shí)別結(jié)果；所述識(shí)別結(jié)果為所述待識(shí)別射頻通信信號(hào)為開集信號(hào)或所述待識(shí)別射頻通信信號(hào)為閉集信號(hào)；所述開集信號(hào)表示所述待識(shí)別射頻通信信號(hào)的通信輻射源未知；所述閉集信號(hào)表示所述待識(shí)別射頻通信信號(hào)的通信輻射源已知。本發(fā)明能夠在檢測(cè)開集信號(hào)的同時(shí)，成功識(shí)別并分類閉集信號(hào)，實(shí)現(xiàn)在開集場(chǎng)景下的通信輻射源個(gè)體識(shí)別。

2、一種面向輻射源個(gè)體的開集識(shí)別方法(cn201911302131.4)，在利用深度神經(jīng)網(wǎng)絡(luò)作為輻射源信號(hào)特征提取器的基礎(chǔ)上，首先設(shè)計(jì)兼顧分類和聚類效果的聯(lián)合損失函數(shù)，保證神經(jīng)網(wǎng)絡(luò)提取的信號(hào)深度特征具有良好的分類特性和聚類特性，然后利用訓(xùn)練數(shù)據(jù)得到的特征向量構(gòu)造極值分布模型，確定判別閾值，實(shí)現(xiàn)判別算法，完成對(duì)輻射源信號(hào)的高準(zhǔn)確率開集識(shí)別。

3、綜上所述，現(xiàn)有技術(shù)中僅考慮了高斯白噪聲的影響，未考慮實(shí)際場(chǎng)景中多徑信道對(duì)未知輻射源檢測(cè)的影響。由于無線信道的開放性，接收信號(hào)極易受到信道環(huán)境的影響，當(dāng)輻射源所處信道環(huán)境發(fā)生變化時(shí)，射頻指紋的特征空間發(fā)生扭曲變形，不僅導(dǎo)致閉集識(shí)別急劇下降，開集識(shí)別模型也極易將訓(xùn)練集中出現(xiàn)的輻射源誤識(shí)別為新增未知輻射源。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種輻射源個(gè)體開集識(shí)別方法及系統(tǒng)，以解決現(xiàn)有技術(shù)信道環(huán)境改變時(shí)，輻射源個(gè)體開集識(shí)別準(zhǔn)確率下降的缺陷。

2、第一方面：

3、一種輻射源個(gè)體開集識(shí)別方法，所述方法包括：

4、采集信號(hào)并進(jìn)行數(shù)據(jù)增強(qiáng)，得到待識(shí)別的混合數(shù)據(jù)集；

5、通過差值短時(shí)傅里葉變換對(duì)混合數(shù)據(jù)集進(jìn)行計(jì)算，得到射頻指紋特征；

6、將射頻指紋特征輸入預(yù)訓(xùn)練的特征提取神經(jīng)網(wǎng)絡(luò)中，輸出特征提取神經(jīng)網(wǎng)絡(luò)的倒數(shù)第二層特征向量；

7、將倒數(shù)第二層特征向量通過極值理論法計(jì)算，輸出開集識(shí)別結(jié)果。

8、進(jìn)一步地，所述短時(shí)傅里葉變換能夠揭示信號(hào)的時(shí)頻特征，離散短時(shí)傅里葉變換在數(shù)學(xué)上寫為：

9、

10、其中rk,m表示短時(shí)傅里葉變換后的時(shí)頻矩陣r中的元素，n和m分別為r的行數(shù)和列數(shù)，w(n)表示窗函數(shù)，k表示矩陣行序號(hào)，m表示時(shí)移的信號(hào)點(diǎn)數(shù)，n表示信號(hào)采樣點(diǎn)序號(hào)，r(n)表示接收信號(hào)。

11、進(jìn)一步地，所述短時(shí)傅里葉變換后的時(shí)頻矩陣表示為：

12、

13、其中xm＝[x1,m,x2,m,...,xn,m]t表示第m段理想信號(hào)的頻譜，hm＝[h1,m,h2,m,...,hn,m]t表示信道對(duì)第m段信號(hào)的影響，f[*]表示無意識(shí)調(diào)制，⊙表示矩陣元素積。

14、進(jìn)一步地，所述通過差值短時(shí)傅里葉變換對(duì)混合數(shù)據(jù)集進(jìn)行計(jì)算包括：

15、首先對(duì)時(shí)頻矩陣r各元素取絕對(duì)值后再求對(duì)數(shù)，最后矩陣變換為：

16、ln|r|＝[ln|h1|+ln|f1|?ln|h2|+ln|f2|?…?ln|hm|+ln|fm|]?????(3)

17、其中hm＝[h1,m,h2,m,...,hn,m]t表示信道對(duì)第m段信號(hào)的影響，f[*]表示無意識(shí)調(diào)制；

18、假設(shè)信道為慢衰落信道，在短時(shí)間內(nèi)不會(huì)發(fā)生顯著變化，因此|hm|≈|hm+1|，將第m列減第(m+1)列，處理得到差值短時(shí)傅里葉變換矩陣：

19、s＝[ln|f1|-ln|f2|?ln|f2|-ln|f3|?…?ln|fm-1|+ln|fm|]????????????(4)

20、進(jìn)一步地，所述特征提取神經(jīng)網(wǎng)絡(luò)的損失函數(shù)中加入中心損失函數(shù)，中心損失函數(shù)表示為：

21、

22、其中，表示第yi個(gè)類別的特征中心，v(x)表示神經(jīng)網(wǎng)絡(luò)激活向量，i表示激活向量序號(hào)，m表示第yi類激活向量總數(shù)，x表示神經(jīng)網(wǎng)絡(luò)輸入；原始神經(jīng)網(wǎng)絡(luò)所用的交叉熵函數(shù)為：

23、

24、其中，m為一次訓(xùn)練所抓取的數(shù)據(jù)樣本數(shù)量，n為類別總數(shù)，i為樣本序號(hào)，j為激活向量序號(hào)，vj(x)表示第j個(gè)激活向量，x表示神經(jīng)網(wǎng)絡(luò)輸入。

25、進(jìn)一步地，所述特征提取神經(jīng)網(wǎng)絡(luò)的損失函數(shù)為式(5)與式(6)之和，具體表示為：

26、

27、其中，表示第yi個(gè)類別的特征中心，λ為權(quán)重超參數(shù)，i和j表示激活向量序號(hào)，vi(x)表示第i個(gè)激活向量，x表示神經(jīng)網(wǎng)絡(luò)輸入，m為一次訓(xùn)練所抓取的數(shù)據(jù)樣本數(shù)量，n為類別總數(shù)。

28、進(jìn)一步地，所述倒數(shù)第二層特征向量通過極值理論法計(jì)算包括：

29、利用極值理論將特征提取神經(jīng)網(wǎng)絡(luò)的激活函數(shù)softmax改為多質(zhì)心openmax，多質(zhì)心openmax根據(jù)特征向量距離特征中心的距離來修正分類得分，從而區(qū)分已知類和未知類，極大值的分布服從weibull分布，其累計(jì)分布函數(shù)形式為：

30、

31、其中，x是隨機(jī)變量，λ>0是比例參數(shù)(scale?parameter)，k>0是形狀參數(shù)。

32、進(jìn)一步地，所述倒數(shù)第二層特征向量通過極值理論法計(jì)算還包括：采用k-means算法得到每類樣本特征空間的質(zhì)心集合c＝{ci,j}，其中i＝1,2,..,n表示n分類，j＝1,2,..,p表示每一類有p個(gè)質(zhì)心，樣本離質(zhì)心的距離的極大值分布變?yōu)椋?/p>

33、

34、其中αi表示權(quán)重系數(shù)且特征空間中特征向量越密集，其概率權(quán)重越大。

35、進(jìn)一步地，所述樣本離質(zhì)心的距離的極大值根據(jù)其來矯正已知類得分并計(jì)算未知類得分的計(jì)算方法如下：

36、設(shè)定參數(shù)如下：激活向量v(x)＝v1(x),v2(x),...vm(x)，質(zhì)心集合c和對(duì)應(yīng)的weibull分布概率函數(shù)fi(x；λ,k)，要修改識(shí)別概率的類別數(shù)β；

37、步驟1，令s(i)＝arg?sort(vj(x)),ws(i)＝1；

38、步驟2，for?i＝1,...,βdo；

39、步驟3，根據(jù)公式9計(jì)算激活向量調(diào)整權(quán)重ws(i)(x)；

40、步驟4，end?for；

41、步驟5，重新計(jì)算激活向量

42、步驟6，定義

43、步驟7，

44、步驟8，識(shí)別結(jié)果變?yōu)?/p>

45、步驟9，如果y*＝n+1表示待識(shí)別輻射源為未知輻射源。

46、其中，m表示激活向量總數(shù)，s(i)表示排序后的激活向量，ws(i)表示激活向量s(i)的權(quán)重系數(shù)，x表示變量，αm表示單個(gè)類別第m個(gè)質(zhì)心的weibull分布概率權(quán)重系數(shù)，i表示類別序號(hào)，表示調(diào)整權(quán)重后的激活向量，x表示神經(jīng)網(wǎng)絡(luò)輸入，n表示類別總數(shù)，表示調(diào)整后神經(jīng)網(wǎng)絡(luò)的識(shí)別概率，y*表示識(shí)別結(jié)果，j表示類別序號(hào)。

47、第二方面：

48、一種輻射源個(gè)體開集識(shí)別系統(tǒng)，所述系統(tǒng)包括：

49、信號(hào)采集模塊，用于采集信號(hào)并進(jìn)行數(shù)據(jù)增強(qiáng)，得到待識(shí)別的混合數(shù)據(jù)集；

50、計(jì)算模塊一，用于通過差值短時(shí)傅里葉變換對(duì)混合數(shù)據(jù)集進(jìn)行計(jì)算，得到射頻指紋特征；

51、特征提取模塊，用于將射頻指紋特征輸入預(yù)訓(xùn)練的特征提取神經(jīng)網(wǎng)絡(luò)中，輸出特征提取神經(jīng)網(wǎng)絡(luò)的倒數(shù)第二層特征向量；

52、計(jì)算模塊二，用于將倒數(shù)第二層特征向量通過極值理論法計(jì)算，輸出開集識(shí)別結(jié)果。

53、與現(xiàn)有技術(shù)相比，本發(fā)明所達(dá)到的有益效果：

54、本發(fā)明提出了差值時(shí)頻特征來降低信道的影響，并利用數(shù)據(jù)增強(qiáng)提高識(shí)別模型的魯棒性。差值時(shí)頻特征和數(shù)據(jù)增強(qiáng)解決了接收信號(hào)經(jīng)歷信道環(huán)境變化時(shí)，識(shí)別性能急劇下降的問題，預(yù)處理后的信號(hào)僅受硬件無意識(shí)調(diào)制的影響，包含的信道信息極少，更有利于后續(xù)特征提取和識(shí)別；

55、本發(fā)明對(duì)神經(jīng)網(wǎng)絡(luò)的損失函數(shù)進(jìn)行改進(jìn)，增大了射頻指紋特征空間的類間距離，使得每一個(gè)輻射源的特征空間更加緊致，提高了未知輻射源的檢測(cè)準(zhǔn)確率；

56、將傳統(tǒng)openmax算法改進(jìn)為多質(zhì)心openmax，通過多個(gè)子簇對(duì)每一個(gè)輻射源的射頻指紋空間進(jìn)行更加準(zhǔn)確的描述，利用多個(gè)weibull分布描述距離極大值的分布，從而計(jì)算出未知輻射源的概率，實(shí)現(xiàn)了未知輻射源個(gè)體的檢測(cè)，并且不影響已知輻射源的識(shí)別準(zhǔn)確率；

57、本發(fā)明可解決信道環(huán)境改變時(shí)，輻射源個(gè)體開集識(shí)別準(zhǔn)確率下降的問題，本方法通過從信號(hào)中提取與信道無關(guān)的差值時(shí)頻特征和數(shù)據(jù)增強(qiáng)，顯著降低了信道環(huán)境改變對(duì)識(shí)別準(zhǔn)確率的影響。同時(shí)，本發(fā)明將openmax改進(jìn)為多質(zhì)心openmax，進(jìn)一步提高了開集識(shí)別準(zhǔn)確率，可在復(fù)雜信道環(huán)境中進(jìn)行輻射源個(gè)體開集識(shí)別。