CN112163636B - 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 - Google Patents

Abstract

本发明公开了一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法，涉及电磁信号辐射源识别技术领域。本发明针对多源多模型场景下的电磁信号辐射源闭集识别问题，利用孪生网络的距离判决，将某已知源未知模式的数据与多个已知源已知模式输入进孪生网络中，得到对应的多个距离，随后找出多个距离中每个已知源对应的最近的几个距离之和，并对每个已知源对应的距离之和相比较，找到最小的距离之和，随后判决为其对应的所属源，从而实现未知模式的有效判决。本发明在三源三模式、三源五模式、五源五模式下均能有效完成未知模式的识别任务，显著提高平均识别成功率。

Description

基于孪生神经网络的电磁信号辐射源的未知模式识别方法

技术领域

本发明涉及电磁信号辐射源识别技术领域，具体涉及一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法。

背景技术

现在卷积神经网络被广泛应用于通信、雷达的辐射源识别领域。卷积神经网络可以通过自身网络特征实现对信号特征的提取并加以识别，是人工智能理论在信号处理传统领域的一大广泛应用。卷积神经网络依靠大量数据样本完成信号指纹特征的提取与信号的分类任务，大量的数据是支撑卷积神经网络工作的核心要素，但是在实际应用场景中，往往难以获取到大量的数据样本，辐射源的不种模式的数据量往往不是均匀分布的，很多时候我们难以侦察、收集到辐射源的一些特定工作模式的数据，由于数据的缺乏，当这些特定的工作模式的辐射源数据到来时，神经网络难以对其实现准确的判别。

未知目标的判决可分为两大类，一类是开集识别，即完全没有见过的未知数据且不属于任何一已知类，比如已知三部电台，需要识别第四部电台；二类是闭集识别，即识别从属于某一类下的未知子类，比如已知三部电台的一、二种工作模式，需要识别第三种新的工作模式。

现有的比较成熟的识别未知源的方法大致分为以下几种：一种是基于传统特征提取的方法，利用传统特征提取将未知源与已知源集群分开从而实现未知的判决，方法诸如：Hilbert-Huang变换、高阶谱等等。一种是基于人工智能的方法，较为常见的比如MetricLearning(度量学习)的方法，将输入空间(例如图片)映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类，通过利用向量之间的相似性，避免了普通神经网络硬判决的问题。如：《Learning to Compare:Relation Network for Few-Shot Learning》(C)等。

现有的有关Metric Learning的方法最初场景是面向Few-shot Learning(小样本学习)的，即在面对某一类源的数据量非常低的问题时，考虑将样本的特征信息最终映射为一个向量，通过向量的相似性进行判决属于哪个源。这个核心的思想也可以应用于未知源的判决中，通过卷积神经网络对样本特征映射成向量，利用向量间相似性和距离可实现未知源的判决。

现有常规卷积神经网络由于其数据的强烈依赖性，在数据量庞大的场景下表现优异，但是随着数据量的减少，识别效果急剧下降。在多源多模式的识别任务中，往往各个源各个模式的数据量是参差不齐的，有些常见模式的数据量充足，而某些模式的数据量不足，在经过卷积神经网络训练且网络达到饱和后，数据量充足的模式识别效果良好，而数据量欠缺模式的识别效果较差，甚至无法识别。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法，旨在解决电磁信号辐射源识别过程中某模式缺失造成的网络无法正确判决的问题。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法，包括以下步骤：

S1、获取已知电磁信号辐射源的已知模式的数据；

S2、构建孪生神经网络模型，利用步骤S1获取的已知电磁信号辐射源的已知模式的数据对孪生神经网络模型进行训练；

S3、利用步骤S2训练后的孪生神经网络模型对待识别的已知电磁信号辐射源的未知模式的数据进行识别，得到距离度量值；

S4、根据步骤S3得到的距离度量值判决待识别的已知电磁信号辐射源的未知模式类别。

优选地，所述步骤S2具体包括：

构建孪生神经网络，将步骤S1中各个已知电磁信号辐射源的各个已知模式数据以数据对的形式输入孪生神经网络，并进行训练，当模型饱和时保存孪生神经网络模型。

优选地，所述步骤S3具体包括：

将待识别的某已知电磁信号辐射源的未知模式数据分别与各个已知辐射源的各个已知模式数据以数据对的形式输入到步骤S2训练后的孪生网络模型中，计算待识别的某已知电磁信号辐射源的未知模式与各个已知电磁信号辐射源的各个已知模式之间的距离度量值，对待识别的某已知源未知模式进行识别。

优选地，所述步骤S4具体包括：

S401、选取步骤S3得到的每个已知电磁信号辐射源对应的距离度量值中最小的设定数量的距离度量值；

S402、计算步骤S401选取的每个已知电磁信号辐射源对应的设定数量的距离度量值之和；

S403、选择步骤S402计算得到的各个已知电磁信号辐射源对应的距离度量值之和中最小的距离度量值，并将其对应的已知电磁信号辐射源作为判决对象，将待识别的某已知电磁信号辐射源的未知模式判定为该已知电磁信号辐射源的未知模式。

本发明具有以下有益效果：

本发明针对多源多模型场景下的电磁信号辐射源闭集识别问题，利用孪生网络的距离判决，将某已知源未知模式的数据与多个已知源已知模式输入进孪生网络中，得到对应的多个距离，随后找出多个距离中每个已知源对应的最近的几个距离之和，并对每个已知源对应的距离之和相比较，找到最小的距离之和，随后判决为其对应的所属源，从而实现未知模式的有效判决。本发明在三源三模式、三源五模式、五源五模式下均能有效完成未知模式的识别任务，显著提高平均识别成功率。

附图说明

图1为本发明基于孪生神经网络的电磁信号辐射源的未知模式识别方法流程示意图；

图2为本发明实施例中孪生神经网络模型结构示意图；

图3为本发明实施例中孪生神经网络决策判决过程示意图；

图4为本发明实施例中基于孪生神经网络的距离选择示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，本发明实施例提供了一种基于孪生神经网络的电磁信号辐射源未知模式识别方法，包括以下步骤S1至S4：

S1、获取已知电磁信号辐射源的已知模式的数据；

本发明首先获取用于模型训练的多个已知电磁信号辐射源的已知模式的数据，再对多个已知电磁信号辐射源的已知模式的数据进行样本划分为训练集和测试集，并将各个已知电磁信号辐射源的已知模式的数据两两组合形成数据对。

S2、构建孪生神经网络模型，利用步骤S1获取的已知电磁信号辐射源的已知模式的数据对孪生神经网络模型进行训练；

上述步骤S2具体包括：

构建孪生神经网络，将步骤S1中各个已知电磁信号辐射源的各个已知模式数据以数据对的形式输入孪生神经网络，并进行训练，当模型饱和时保存孪生神经网络模型。

孪生神经网络的框架图如图2所示。

孪生神经网络的核心是两个共享权重的子网络，与普通卷积神经网络不同的是，输入为两组数据X1和X2，分别进入两个卷积神经网络中，经过网络可以得到对应的两组向量Gw(X1)和Gw(X2)，再计算两组向量间的距离||Gw(X1)-Gw(X2)||，当两组数据为同一类时，减小其距离，当两组数据为不同类时，增大其距离，最终训练达到饱和时，可以根据距离关系判别属于哪一类。

孪生神经网络的训练过程与常规卷积神经网络不同的是，卷积神经网络的数据输入是一个batch大小的单数据，而孪生神经网络的输入是一对数据即一个batch大小的数据对；孪生神经网络输入数据对的标签信息是true和false，分别代表该数据对是同一类和不是同一类；并且孪生神经网络的loss为contrastive loss(对照loss)，是由数据对映射得到的向量对而决定的，当输入数据对的标签为true时，表示属于同一类，减小loss将减小Ew，即拉近同类间的距离，当输入数据对的标签为false时，表示属于不同类，减小loss将增大Ew，即拉远异类间的距离。孪生神经网络的核心思想是拉近同类间距离，试图将同类的数据映射得到的向量足够近，异类的数据映射得到的向量足够远，孪生神经网络输入为数据对，数据对的两个数据来源可能是同一类也可能是不同类，输出为Ew，即表示该数据对的距离关系。

本发明利用度量学习的方法，使用孪生网络架构将原始数据映射成向量，并输入数据对的形式，输出得到数据对之间的距离信息。

S3、利用步骤S2训练后的孪生神经网络模型对待识别的已知电磁信号辐射源的未知模式的数据进行识别，得到距离度量值；

上述步骤S3具体包括：

将待识别的某已知电磁信号辐射源的未知模式数据分别与各个已知辐射源的各个已知模式数据以数据对的形式输入到步骤S2训练后的孪生网络模型中，计算待识别的某已知电磁信号辐射源的未知模式与各个已知电磁信号辐射源的各个已知模式之间的距离度量值，对待识别的某已知源未知模式进行识别。

S4、根据步骤S3得到的距离度量值判决待识别的已知电磁信号辐射源的未知模式类别。

上述步骤S4具体包括：

S401、选取步骤S3得到的每个已知电磁信号辐射源对应的距离度量值中最小的设定数量的距离度量值；

S402、计算步骤S401选取的每个已知电磁信号辐射源对应的设定数量的距离度量值之和；

S403、选择步骤S402计算得到的各个已知电磁信号辐射源对应的距离度量值之和中最小的距离度量值，并将其对应的已知电磁信号辐射源作为判决对象，将待识别的某已知电磁信号辐射源的未知模式判定为该已知电磁信号辐射源的未知模式。

传统的孪生网络判决使用的是门限判决法，但是由于门限判决需要人为掌控，并且数据不同会使得门限选取也不同，使得算法难以具有泛用性。因此本发明提供了一种基于孪生网络下的决策判决方法，其决策判决过程如图3所示。

具体而言，将待识别的某已知源未知模式的数据与每个已知源的已知模式数据(每个已知源选取a条数据，并包含所有该已知源已知模式)形成数据对输入到孪生神经网络模型中，得到待识别的已知源未知模式的数据与每个已知源的已知模式数据之间的距离度量值(度量值为图2中的Ew)，每个已知源对应的度量值有a个，表示该已知源的a条已知模式的数据和待识别的已知源未知模式的数据之间的a个度量值，然后选择每个已知源的a个度量值中最小的q个数(a>q，q可以更改，表示选取所有距离值中最小的q个距离值)求和得到S₁,S₂...S_n(n代表已知源数量)，并选择最小的S_m(1≦m≦n)，并将其未知模式判定为m号已知源的未知模式。

基于孪生网络的投票决策判决方法的核心思想是利用已知源已知模式的信息来弥补未知模式信息的缺失，已知源的各个模式之间虽然具有明显差异，但是由于孪生网络的距离拉近作用，每个已知源的各个已知模式的信息将成为一簇信息簇，在面对未知模式数据时候，未知模式数据将更加靠近于自身所在源的信息簇，达到识别的效果，如图4所示，图为该基于孪生网络的投票决策判决方法的核心思想示意图，图中以三个源三个已知模式为例，其中同颜色为同种模式，最开始网络未进行训练的时候数据分布为同种工作模式相似，随后孪生网络进行训练达到中间图的效果，即每个已知源内的3个模式数据之间距离足够近，源与源之间距离足够远，最后最右边为判决示意图，当一个未知模式到来时，找到已知源已知模式里距离该未知模式最近的q个距离(图中q＝3)并求和，并将其判为距离和最小的已知源的未知模式，图中距离2号源距离最近，因此将被判定为2号源的未知模式。

本发明摒弃传统孪生网络门限判决的方法，采用投票决策判决的方式，选择未知模式与各个源的已知模式之间距离中最小的前q个距离和的方式进行判决，有效地规避了门限判决带来的人为门限选择问题。

下面本发明以具体的电磁信号辐射源识别案例对本发明的识别方法进行说明。

假设有三部电台编号为A、B、C，每部电台具有五种不同的工作模式，其中每部电台的第四号工作模式数据量非常低，只有C电台有少量四号工作模式的数据，其他A、B电台完全缺失四号工作模式的数据，此外每部电台的一、二、三、五号工作模式的数据量充足。现阶段，利用卷积神经网络，能够完成每部电台的一、二、三、五号工作模式的辐射源的识别任务，但是由于四号工作模式数据量的欠缺，现有模型不能对处于四号工作模式的辐射源进行识别。

采用本发明的识别方法对四号工作模式的辐射源进行识别的流程为：

(1)对三部电台的一、二、三、五号模式的数据进行样本划分训练集、测试机，并以数据对的形式输入进孪生网络中，即孪生网络子网络1输入batch*10000，子网络2输入batch*10000，batch表示训练批次大小，10000表示单个样本数据的长度为10000个采样点表示的信号片段；

(2)训练孪生网络并使其达到饱和，训练集测试集上准确率达到要求；

(3)当未知模式来到时(即四号工作模式的数据)，将单样本未知模式数据(1*10000)与A\B\C三部电台的一\二\三\五号工作模式的数据送入孪生网络中，每部电台每个已知模式随机取10段信号样本，对应输入尺寸为120*10000(120＝3*4*10)，并将未知模式的单样本数据重复复制至与已知源已知模式数据一致，即将未知模式的数据样本(1*10000)重复复制至(120*10000)；

(4)将未知模式的数据样本分别与各部电台的各个已知模式的数据组合形成数据对输入到训练后的孪生神经网络模型中，孪生神经网络模型输出得到120个Ew，即表征该未知模式与各个电台各个已知模式之间的距离。

(5)选择每部电台随机选取的40(每部电台每个模式10个样本数据)段信号样本对应的40个Ew中最小的前q个Ew，并求和；选取将A、B、C电台对应的前q个Ew之和中最小的，并将其未知模式判定为该电台的未知模式。

本发明利用孪生网络框架和投票决策判决的方法，通过将各个源各个模式映射成向量，将未知模式和各个已知源的已知模式以数据对的形式输入进网络，最终获取到未知模式与各个已知源的已知模式之间的距离，通过选择前q个最小距离和的方法最终实现未知模式的判决问题。由试验数据表明，该方法用于未知模式的识别是有效的，在三源三模式、三源五模式、五源五模式下皆能完成未知模式的识别任务，平均识别成功率达到70％。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种基于孪生神经网络的电磁信号辐射源的未知模式识别方法，其特征在于，包括以下步骤：

S1、获取已知电磁信号辐射源的已知模式的数据；

S2、构建孪生神经网络模型，利用步骤S1获取的已知电磁信号辐射源的已知模式的数据对孪生神经网络模型进行训练；

S3、利用步骤S2训练后的孪生神经网络模型对待识别的已知电磁信号辐射源的未知模式的数据进行识别，得到距离度量值；

S4、根据步骤S3得到的距离度量值判决待识别的已知电磁信号辐射源的未知模式类别，具体包括：

S401、选取步骤S3得到的每个已知电磁信号辐射源对应的距离度量值中最小的设定数量的距离度量值；

S402、计算步骤S401选取的每个已知电磁信号辐射源对应的设定数量的距离度量值之和；

S403、选择步骤S402计算得到的各个已知电磁信号辐射源对应的距离度量值之和中最小的距离度量值，并将其对应的已知电磁信号辐射源作为判决对象，将待识别的某已知电磁信号辐射源的未知模式判定为该已知电磁信号辐射源的未知模式。

2.根据权利要求1所述的基于孪生神经网络的电磁信号辐射源的未知模式识别方法，其特征在于，所述步骤S2具体包括：

构建孪生神经网络，将步骤S1中各个已知电磁信号辐射源的各个已知模式数据以数据对的形式输入孪生神经网络，并进行训练，当模型饱和时保存孪生神经网络模型。

3.根据权利要求1所述的基于孪生神经网络的电磁信号辐射源的未知模式识别方法，其特征在于，所述步骤S3具体包括：

将待识别的某已知电磁信号辐射源的未知模式数据分别与各个已知辐射源的各个已知模式数据以数据对的形式输入到步骤S2训练后的孪生网络模型中，计算待识别的某已知电磁信号辐射源的未知模式与各个已知电磁信号辐射源的各个已知模式之间的距离度量值，对待识别的某已知源未知模式进行识别。