CN111259937A - 一种基于改进tsvm的半监督通信辐射源个体识别方法 - Google Patents

一种基于改进tsvm的半监督通信辐射源个体识别方法 Download PDF

Info

Publication number
CN111259937A
CN111259937A CN202010023372.1A CN202010023372A CN111259937A CN 111259937 A CN111259937 A CN 111259937A CN 202010023372 A CN202010023372 A CN 202010023372A CN 111259937 A CN111259937 A CN 111259937A
Authority
CN
China
Prior art keywords
label
tsvm
samples
radiation source
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010023372.1A
Other languages
English (en)
Other versions
CN111259937B (zh
Inventor
王世练
姚步泉
丁立达
张炜
王昊
胡礼
赖鹏辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010023372.1A priority Critical patent/CN111259937B/zh
Publication of CN111259937A publication Critical patent/CN111259937A/zh
Application granted granted Critical
Publication of CN111259937B publication Critical patent/CN111259937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Complex Calculations (AREA)

Abstract

本发明属于通信辐射源个体识别领域，公开了一种基于改进TSVM的半监督通信辐射源个体识别方法。本发明在传统半监督支持向量机TSVM方法的基础上，利用训练样本中各类分布比例的先验信息以及阈值调节因子，通过预置门限对上一次预测结果进行优化，根据预测结果置信度进行迭代，改进了传统TSVM基于局部组合搜索的迭代方法。本发明中的方法在通信辐射源个体识别中，当有标签的训练样本较少时，较TSVM方法，在保证识别准确率的同时，还可有效减少分类器的迭代次数，减少模型的运算量。

Description

一种基于改进TSVM的半监督通信辐射源个体识别方法
技术领域
本发明涉及通信辐射源个体识别领域，提出一种基于改进TSVM的半监督通信辐射源个体识别方法(an improved TSVM iterative algorithm based on the Confidenceof Prediction,CP-TSVM)。
背景技术
通信辐射源个体识别(Special Emitter Identification,SEI)是通过对各辐射源蕴含的独有的射频信号指纹进行提取，并且利用这些特征构造分类器从而对目标进行判别。为了充分提取出信号指纹特征，需要大量有标签的训练集，然而在实际场景下，标签的获取往往需要耗费大量的人力物力，导致难以获取到足额的有标签训练样本。如果训练样本不够多，将难以涵盖所有可能的指纹信息，识别性能必然会受到影响。由于无标签的样本获取较为容易，且与有标签的样本具有相同的指纹特征，如何利用这部分样本来提升识别性能，已成为通信辐射源个体识别领域的热点问题之一。半监督机器学习(Semi-Supervised Learning, SSL)是一种自动地利用没有标签的样本来提升学习性能的方法，近年来在个体识别领域得到越来越广泛的使用。
半监督支持向量机(Semi-Supervised Support Vector Machines,S3VM)是SSL中非常主流的一类分类器，其中最著名的是Joachim于1999年提出的直推式支持向量机(Transductive Support Vector Machine,TSVM)，求解目标为寻找既能将有标记样本分开，又能穿过数据低密度区域的超平面。但是在实际运用中TSVM 虽然解决了纯监督式SVM应用于半监督场景带来的问题，但由于TSVM的搜索策略是基于局部组合搜索，由标签开关程序引导，因此迭代次数可能会非常多，导致运算复杂度高，训练时间长。
发明内容
本发明要解决的技术问题是，针对TSVM在半监督通信辐射源个体识别中运算复杂度高、模型训练时间长，提供提出一种基于改进TSVM的半监督通信辐射源个体识别方法(CP-TSVM)。在通信辐射源个体识别中，当有标签的训练样本较少时，与经典的TSVM方法相比，在保证识别准确率的同时，还能大幅度减少分类器的运算量。
本发明在传统半监督支持向量机TSVM方法的基础上，利用训练样本中各类分布比例的先验信息，通过预置门限对上一次预测结果进行优化，利用优化后的标签重新训练分类器并再次进行预测，若两次的预测的标签结果一致，或者达到设置的迭代次数，则训练结束。在使用SVM对所有样本的预测过程中，不仅能得到每个样本的预测标签值，根据该样本点到超平面的距离，还能得到该样本预测结果的置信度，距离超平面越远的样本属于该类别的可能性就越大，置信度就越高；距离超平面越近的样本误判的可能性就越大，置信度就越低。每经过一次预测，都利用置信度对结果进行重新划分。
本发明的技术方案是：
一种基于改进TSVM的半监督通信辐射源个体识别方法，包括如下步骤：
第①步：提取待识别辐射源个体的双谱特征，对信号进行双谱变换得到二维谱，采用矩形路径积分法将二维谱变为一维谱，每一条积分路径对应一个特征值；
第②步：采用主成分分析法对特征值进行降维处理，兼顾准确率和运算效率，选取合适的主成分维数，得到通信辐射源个体的特征向量；
第③步：使用l个有标签的样本进行有监督的SVM训练，得到分类器 SVM0；
第④步：基于分类器SVM0对所有样本进行预测，得到所有样本的标签 Label0；
第⑤步：将Label0的置信度按照降序排列，高于式(1)的部分，标签判定为“+1”，低于式(2)的部分，标签判定为“-1”，中间的部分若预测值大于0，则标签设为“+1”，若预测值小于0，则标签设为“-1”，得到新的样本标签Label1；
Figure BDA0002361598250000031
Figure BDA0002361598250000032
其中，l代表有标签样本的数目，u代表无标签样本的数目，α为两种标签样本的比例，θ为阈值调节因子，θ值的确定依赖于先验知识，若事先知道训练样本和测试样本中各辐射源个体分布比例相近，θ选取为较小值，若分布比例未知或者相差较大，则θ设置为较大值，以增加自主迭代学习的能力；
第⑥步：选取Label1中的80％，Label0中的20％进行组合得到新的样本标签 temp_Label1，使用temp_Label1对样本空间重新进行训练和预测，得到样本标签 temp_Label2，对temp_Label2按照第⑤步中的方法进行更新，得到标签Label2；
第⑦步：如果Label2与Label1相等，输出Label2为预测结果，若不相同，令C2＝min{C1,2C2}，C1和C2分别为有标签样本和无标签样本的惩罚因子，继续进行迭代，令i＝i+1，直到Labeli+1与Labeli相等，或者达到所设置的最大迭代次数为止，最后一次迭代的标签即为CP-TSVM方法所预测的结果。
相比于现有技术，本发明的有益效果是，提供的基于改进TSVM的半监督通信辐射源个体识别方法，当有标签训练样本数目较少、待识别的无标签样本数目较多时，与经典的TSVM方法相比，在保证识别准确率的同时，还具有更低的运算复杂度。
附图说明
图1是通信辐射源信号双谱特征提取、降维和分类器构造主要步骤流程图；
图2是本发明提供的CP-TSVM方法流程框图；
图3是SVM、TSVM和CP-TSVM三种方法下通信辐射源个体识别率随信噪比的变化曲线图；
图4是CP-TSVM和TSVM方法训练时间对比柱状图。
具体实施方式
下面结合图1、图2详细说明本发明提供的基于改进TSVM的半监督通信辐射源个体识别方法，包括如下步骤：
第①步：提取待识别辐射源个体的双谱特征，对信号进行双谱变换得到二维谱，采用矩形路径积分法将二维谱变为一维谱，每一条积分路径对应一个特征值；
第②步：采用主成分分析法对特征值进行降维处理，兼顾准确率和运算效率，选取合适的主成分维数，得到通信辐射源个体的特征向量；
第③步：使用l个有标签的样本进行有监督的SVM训练，得到分类器SVM0；
第④步：基于分类器SVM0对所有样本进行预测，得到所有样本的标签 Label0；
第⑤步：将Label0的置信度按照降序排列，高于式(1)的部分，标签判定为“+1”，低于式(2)的部分，标签判定为“-1”，中间的部分若预测值大于0，则标签设为“+1”，若预测值小于0，则标签设为“-1”，得到新的样本标签Label1；
Figure BDA0002361598250000051
Figure BDA0002361598250000052
其中，l代表有标签样本的数目，u代表无标签样本的数目，α为两种标签样本的比例，θ为阈值调节因子，θ值的确定依赖于先验知识，若事先知道训练样本和测试样本中各辐射源个体分布比例相近，θ选取为较小值，若分布比例未知或者相差较大，则θ设置为较大值，以增加自主迭代学习的能力；
第⑥步：选取Label1中的80％，Label0中的20％进行组合得到新的样本标签 temp_Label1，使用temp_Label1对样本空间重新进行训练和预测，得到样本标签 temp_Label2，对temp_Label2按照第⑤步中的方法进行更新，得到标签Label2；
第⑦步：如果Label2与Label1相等，输出Label2为预测结果，若不相同，令C2＝min{C1,2C2}，C1和C2分别为有标签样本和无标签样本的惩罚因子，继续进行迭代，令i＝i+1，直到Labeli+1与Labeli相等，或者达到所设置的最大迭代次数为止，最后一次迭代的标签即为CP-TSVM方法所预测的结果。
利用本发明和现有的SVM、TSVM方法进行对比，验证CP-TSVM方法在有标签样本数量较小情况下的性能。每个辐射源个体采用20个样本作为有标签的训练样本，1000个样本作为测试样本，对比在不同的信噪比条件下，3种方法的识别正确率。结果如图3所示，横轴表示信噪比，纵轴表示个体识别正确率，可以发现CP-TSVM方法识别效果最好，TSVM其次，SVM方法效果最差。两种半监督方法准确率都明显高于纯监督的SVM方法，表明在有标签样本较少时，引入半监督机器学习方法确实能提升分类器的识别效果。本发明提供的 CP-TSVM方法，在不同的信噪比下，较纯监督的SVM方法，平均正确识别率提升约10％，较半监督TSVM方法，平均正确识别率提升约为3％，验证了 CP-TSVM方法的有效性。
对比本发明提供的CP-TSVM方法与传统TSVM方法的运算复杂度，统计各信噪比下两种方法的运算时间，结果如图4所示。观察可知CP-TSVM方法在各信噪比下，平均所需要的运算时间约为70s，传统的TSVM方法平均所需时间约为150s，CP-TSVM方法较传统的TSVM方法节约了近一半的运算时间，表明本发明提供的CP-TSVM方法具有更好的运算效率。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于改进TSVM的半监督通信辐射源个体识别方法,其特征在于，包括以下步骤：
第①步：提取待识别辐射源个体的双谱特征，对信号进行双谱变换得到二维谱，采用矩形路径积分法将二维谱变为一维谱，每一条积分路径对应一个特征值；
第②步：采用主成分分析法对特征值进行降维处理，兼顾准确率和运算效率，选取合适的主成分维数，得到通信辐射源个体的特征向量；
第③步：使用l个有标签的样本进行有监督的SVM训练，得到分类器SVM0；
第④步：基于分类器SVM0对所有样本进行预测，得到所有样本的标签Label0；
第⑤步：将Label0的置信度按照降序排列，高于式(1)的部分，标签判定为“+1”，低于式(2)的部分，标签判定为“-1”，中间的部分若预测值大于0，则标签设为“+1”，若预测值小于0，则标签设为“-1”，得到新的样本标签Label1；
Figure FDA0002361598240000011
Figure FDA0002361598240000012
其中，l代表有标签样本的数目，u代表无标签样本的数目，α为两种标签样本的比例，θ为阈值调节因子，θ值的确定依赖于先验知识，若事先知道训练样本和测试样本中各辐射源个体分布比例相近，θ选取为较小值，若分布比例未知或者相差较大，则θ设置为较大值，以增加自主迭代学习的能力；
第⑥步：选取Label1中的80％，Label0中的20％进行组合得到新的样本标签temp_Label1，使用temp_Label1对样本空间重新进行训练和预测，得到样本标签temp_Label2，对temp_Label2按照第⑤步中的方法进行更新，得到标签Label2；
第⑦步：如果Label2与Label1相等，输出Label2为预测结果，若不相同，令C2＝min{C1,2C2}，C1和C2分别为有标签样本和无标签样本的惩罚因子，继续进行迭代，令i＝i+1，直到Labeli+1与Labeli相等，或者达到所设置的最大迭代次数为止，最后一次迭代的标签即为CP-TSVM方法所预测的结果。
CN202010023372.1A 2020-01-09 2020-01-09 一种基于改进tsvm的半监督通信辐射源个体识别方法 Active CN111259937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023372.1A CN111259937B (zh) 2020-01-09 2020-01-09 一种基于改进tsvm的半监督通信辐射源个体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023372.1A CN111259937B (zh) 2020-01-09 2020-01-09 一种基于改进tsvm的半监督通信辐射源个体识别方法

Publications (2)

Publication Number Publication Date
CN111259937A true CN111259937A (zh) 2020-06-09
CN111259937B CN111259937B (zh) 2022-04-05

Family

ID=70948635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023372.1A Active CN111259937B (zh) 2020-01-09 2020-01-09 一种基于改进tsvm的半监督通信辐射源个体识别方法

Country Status (1)

Country Link
CN (1) CN111259937B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464713A (zh) * 2020-10-21 2021-03-09 安徽农业大学 一种基于深度学习的通信辐射源射频指纹识别方法
WO2023273249A1 (zh) * 2021-06-30 2023-01-05 国网上海市电力公司 基于tsvm模型的智能电能表自动化检定系统异常检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160210763A1 (en) * 2015-01-21 2016-07-21 California Institute Of Technology Fourier ptychographic tomography
CN110109060A (zh) * 2019-03-27 2019-08-09 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号分选方法及系统
CN110309766A (zh) * 2019-06-28 2019-10-08 中国人民解放军国防科技大学 一种基于扩展巴氏距离的复双谱对角切片特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160210763A1 (en) * 2015-01-21 2016-07-21 California Institute Of Technology Fourier ptychographic tomography
CN110109060A (zh) * 2019-03-27 2019-08-09 西安电子科技大学 一种基于深度学习网络的雷达辐射源信号分选方法及系统
CN110309766A (zh) * 2019-06-28 2019-10-08 中国人民解放军国防科技大学 一种基于扩展巴氏距离的复双谱对角切片特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
VINEETH BALASUBRAMANIAN ET AL.: "Kernel Learning for Efficiency Maximization in the Conformal Predictions Framework", 《2010 NINTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS》 *
任东方等: "基于双谱与特征选择的通信辐射源识别算法", 《信息工程大学学报》 *
王雅圣等: "基于置信学习机与近红外光谱的煤种快速分类方法", 《光谱学与光谱分析》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464713A (zh) * 2020-10-21 2021-03-09 安徽农业大学 一种基于深度学习的通信辐射源射频指纹识别方法
CN112464713B (zh) * 2020-10-21 2022-11-08 安徽农业大学 一种基于深度学习的通信辐射源射频指纹识别方法
WO2023273249A1 (zh) * 2021-06-30 2023-01-05 国网上海市电力公司 基于tsvm模型的智能电能表自动化检定系统异常检测方法

Also Published As

Publication number Publication date
CN111259937B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN110414462B (zh) 一种无监督的跨域行人重识别方法及系统
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN107515895B (zh) 一种基于目标检测的视觉目标检索方法与系统
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN108229550B (zh) 一种基于多粒度级联森林网络的云图分类方法
CN111259937B (zh) 一种基于改进tsvm的半监督通信辐射源个体识别方法
CN113326731A (zh) 一种基于动量网络指导的跨域行人重识别算法
CN111859010B (zh) 一种基于深度互信息最大化的半监督音频事件识别方法
CN105718866A (zh) 一种视觉目标检测与识别方法
JP2014026455A (ja) メディアデータ解析装置、方法、及びプログラム
JP6871658B2 (ja) 反復分類に基づく水域識別方法及び装置
CN112861695A (zh) 行人身份再识别方法、装置、电子设备及存储介质
CN113222072A (zh) 基于K-means聚类和GAN的肺部X光图像分类方法
CN105160598B (zh) 一种基于改进em算法的电网业务分类方法
CN116486172A (zh) 基于语义表征的无监督域适应图像分类方法
CN101216886B (zh) 一种基于谱分割理论的镜头聚类方法
CN116229112A (zh) 一种基于多重注意力的孪生网络目标跟踪方法
CN113449676B (zh) 一种基于双路互促进解纠缠学习的行人重识别方法
Wang et al. Multi-domain incremental learning for face presentation attack detection
CN110688880A (zh) 一种基于精简ResNet残差网络的车牌识别方法
CN112784774B (zh) 一种基于数据增强的小样本高光谱分类方法
KR101408345B1 (ko) 데이터 분류를 위한 데이터 처리 장치 및 방법, 상기 방법을 기록한 기록 매체
CN103488997B (zh) 基于各类重要波段提取的高光谱图像波段选择方法
CN111488840A (zh) 一种基于多任务学习模型的人体行为分类方法
CN113572732B (zh) 一种基于vae和聚合hmm的多步攻击建模和预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant