CN115169415A

CN115169415A - 一种通信辐射源开集识别方法及系统

Info

Publication number: CN115169415A
Application number: CN202210875321.0A
Authority: CN
Inventors: 谢存祥; 钟兆根; 张立民; 孙雪丽; 于柯远
Original assignee: Naval Aeronautical University
Current assignee: Naval Aeronautical University
Priority date: 2022-07-25
Filing date: 2022-07-25
Publication date: 2022-10-11

Abstract

本发明公开了一种通信辐射源开集识别方法及系统，涉及射频信号处理技术领域。该方法包括：获取待识别射频通信信号；对所述待识别射频通信信号进行预处理，得到射频指纹特征向量；基于分类‑重构网络和对抗训练算法构建开集识别模型；将所述射频指纹特征向量输入所述开集识别模型中进行识别，得到识别结果；所述识别结果为所述待识别射频通信信号为开集信号或所述待识别射频通信信号为闭集信号；所述开集信号表示所述待识别射频通信信号的通信辐射源未知；所述闭集信号表示所述待识别射频通信信号的通信辐射源已知。本发明能够在检测开集信号的同时，成功识别并分类闭集信号，实现在开集场景下的通信辐射源个体识别。

Description

一种通信辐射源开集识别方法及系统

技术领域

本发明涉及射频信号处理技术领域，特别是涉及一种通信辐射源开集识别方法及系统。

背景技术

通信辐射源是指根据接收到的射频通信信号的指纹特征，识别其所属的通信辐射源个体的技术。不同辐射源个体的内部硬件存在细微差异，这一差异则体现在其发射的射频信号中，并表现出唯一标识的特性，称之为射频指纹特征，基于此可识别不同的辐射源个体。这一技术被广泛应用于民用与军事领域，特别是在军事电子侦察领域，当前各国军队装备了大量生产型号、信号样式一致的电子设备，这使得传统基于信号样式识别的电子侦察在区分不同目标个体等任务面临较大困难。此外，战场环境中天然的非合作通信特性，使得这一困难被进一步加剧。因此，开展基于通信辐射源个体识别技术的通信侦察，对于区分同一生产型号与信号样式、不同个体的辐射源，进而判断作战任务中目标的数目规模，最终获取敌方的兵力部署、战场态势等情报，具有广阔的应用前景与较高的军事价值。

随着人工智能技术的发展，深度学习开始应用于通信辐射源识别中，通过神经网络能全面地、深层次地提取辐射源信号的特征，提升识别性能，是一个全新的研究方向。在《IEEE Access》期刊2020年第8期“Specific emitter identification againstunreliable features interference based on time-series classification networkstructure”一文中，Y.G.Liu提出一种由深度双向长短时记忆网络(Bidirectional LongShort-Term Memory,BiLSTM)和一维残差卷积网络组成的网络模型，该网络具有扩张卷积和挤压激励块，用于提取隐藏在基带信号中的射频指纹特征，进而完成通信辐射源个体识别任务。在《IEEE Transactions on Information Forensics and Security》期刊2020年第15期“Unsupervised specific emitter identification method using radio-frequency fingerprint embedded InfoGAN”一文中，针对特定辐射源识别多应用于非合作通信场景的现实问题，J.L.Gong提出基于信息最大化生成对抗网络(InformationMaximized Generative Adversarial Network,InfoGAN)与嵌入式射频指纹特征的特定辐射源识别方法，此方法利用信号的双谱(Bispectrum)分布作为嵌入式射频指纹特征输入InfoGAN进行训练，同时选择服从Nakagami-m分布的噪声作为InfoGAN的输入潜向量，使网络训练更能适应具有无线信道特性的辐射源信号。实验表明此方法能很好处理无监督条件下的特定辐射源识别。

基于深度学习的通信辐射源个体识别的方法一方面利用神经网络强大的拟合能力充分学习提取隐藏于射频信号中的指纹特征，提升了个体识别效率；另一方面，此类方法是近几年才开始研究的新课题，现有的研究多是针对闭集场景下的辐射源个体识别，即假设训练数据集包含了所有辐射源个体类别的射频信号。但这一假设在现实世界中很容易被违背，在识别过程中很容易出现未知类别的射频信号(即开集信号)。如何检测开集信号，同时正确识别已知类别的信号(即闭集信号)，即开展开集场景下的通信辐射源个体识别，相关研究则较少。

发明内容

本发明的目的是提供一种通信辐射源开集识别方法及系统，以实现在开集场景下的通信辐射源个体识别。

为实现上述目的，本发明提供了如下方案：

一种通信辐射源开集识别方法，所述方法包括：

获取待识别射频通信信号；

对所述待识别射频通信信号进行预处理，得到射频指纹特征向量；

基于分类-重构网络和对抗训练算法构建开集识别模型；

将所述射频指纹特征向量输入所述开集识别模型中进行识别，得到识别结果；所述识别结果为所述待识别射频通信信号为开集信号或所述待识别射频通信信号为闭集信号；所述开集信号表示所述待识别射频通信信号的通信辐射源未知；所述闭集信号表示所述待识别射频通信信号的通信辐射源已知。

可选地，所述对所述待识别射频通信信号进行预处理，得到射频指纹特征向量，具体包括：

对所述待识别射频通信信号进行双谱分析处理，得到双谱分布向量；

对所述双谱分布向量进行拉东变换处理，得到射频指纹特征向量。

可选地，所述基于分类-重构网络和对抗训练算法构建开集识别模型，具体包括：

构建分类-重构网络；所述分类-重构网络包括：编码器、解码器和分类器；所述编码器分别与所述分类器和所述解码器连接；所述编码器与所述分类器构成分类网络；所述编码器与所述解码器构成重构网络；

获取训练样本，并对所述训练样本进行预处理，得到闭集信号特征向量；

将所述闭集信号特征向量输入所述分类-重构网络中，分别对所述分类网络进行有监督闭集训练以及对所述重构网络进行重构训练，得到训练好的分类-重构网络；

根据所述训练好的分类-重构网络模拟生成开集信号特征向量；

构建开集识别网络，并将所述闭集信号特征向量及所述开集信号特征向量输入所述开集识别网络中，采用对抗训练算法进行训练，得到开集识别模型。

可选地，所述根据所述训练好的分类-重构网络模拟生成开集信号特征向量，具体包括：

将所述闭集信号特征向量输入所述训练好的分类-重构网络中，得到重构信号特征向量；

从所述重构信号特征向量中排除闭集信号特征向量，得到开集信号特征向量。

可选地，将所述闭集信号特征向量输入所述训练好的分类-重构网络中，得到重构信号特征向量，具体包括：

对所述闭集信号特征向量进行编码，得到潜向量；

对所述潜向量进行线性组合，得到组合潜向量；

对所述组合潜向量进行解码，得到重构信号特征向量。

本发明还提供一种通信辐射源开集识别系统，所述系统应用于上述方法，所述系统包括：

信号获取模块，用于获取待识别射频通信信号；

信号预处理模块，用于对所述待识别射频通信信号进行预处理，得到射频指纹特征向量；

模型构建模块，用于基于分类-重构网络和对抗训练算法构建开集识别模型；

信号识别模块，用于将所述射频指纹特征向量输入所述开集识别模型中进行识别，得到识别结果；所述识别结果为所述待识别射频通信信号为开集信号或所述待识别射频通信信号为闭集信号；所述开集信号表示所述待识别射频通信信号的通信辐射源未知；所述闭集信号表示所述待识别射频通信信号的通信辐射源已知。

可选地，所述信号预处理模块，具体包括：

双谱分析处理子模块，用于对所述待识别射频通信信号进行双谱分析处理，得到双谱分布向量；

拉东变换处理子模块，用于对所述双谱分布向量进行拉东变换处理，得到射频指纹特征向量。

可选地，所述模型构建模块，具体包括：

分类-重构网络构建子模块，用于构建分类-重构网络；所述分类-重构网络包括：编码器、解码器和分类器；所述编码器分别与所述分类器和所述解码器连接；所述编码器与所述分类器构成分类网络；所述编码器与所述解码器构成重构网络；

闭集信号特征向量确定子模块，用于获取训练样本，并对所述训练样本进行预处理，得到闭集信号特征向量；

分类-重构网络训练子模块，用于将所述闭集信号特征向量输入所述分类-重构网络中，分别对所述分类网络进行有监督闭集训练以及对所述重构网络进行重构训练，得到训练好的分类-重构网络；

开集信号特征向量生成子模块，用于根据所述训练好的分类-重构网络模拟生成开集信号特征向量；

开集识别模型构建子模块，用于构建开集识别网络，并将所述闭集信号特征向量及所述开集信号特征向量输入所述开集识别网络中，采用对抗训练算法进行训练，得到开集识别模型。

可选地，所述开集信号特征向量生成子模块，具体包括：

重构信号特征向量生成单元，用于将所述闭集信号特征向量输入所述训练好的分类-重构网络中，得到重构信号特征向量；

开集信号特征向量确定单元，用于从所述重构信号特征向量中排除闭集信号特征向量，得到开集信号特征向量。

可选地，所述重构信号特征向量生成单元，具体包括：

编码子单元，用于对所述闭集信号特征向量进行编码，得到潜向量；

线性组合子单元，用于对所述潜向量进行线性组合，得到组合潜向量；

解码子单元，用于对所述组合潜向量进行解码，得到重构信号特征向量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明基于分类-重构网络和对抗训练算法构建开集识别模型，通过对分类网络和重构网络分别进行训练，能够利用训练完成的分类-重构网络，根据闭集信号特征向量模拟生成开集信号特征向量，然后再通过将闭集信号特征向量和模拟生成的开集信号特征向量共同输入开集识别网络中，采用对抗训练算法进行训练，得到开集识别模型，能够在检测开集信号的同时，成功识别并分类闭集信号，并且使训练得到的开集识别模型具有更好的抗噪性能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的通信辐射源开集识别方法的流程图；

图2为本发明提供的分类-重构网络的网络结构图；

图3为传统的自动编码器网络结构图；

图4为本发明提供的自动编码器网络结构图；

图5为本发明提供的方法与现有算法的开集识别准确率随开集程度变化曲线的对比图；

图6为开集识别网络提取的深层特征经过t-SNE算法降维到2维平面后的散布图；

图7为开集信号类别为5、10时，本发明提供的方法与现有算法的开集识别准确率随信噪比变化曲线的对比图；

图8为本发明提供的通信辐射源开集识别系统的模块图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明提供的通信辐射源开集识别方法的流程图，如图1所示，所述方法包括：

步骤101：获取待识别射频通信信号。

步骤102：对所述待识别射频通信信号进行预处理，得到射频指纹特征向量。

步骤103：基于分类-重构网络和对抗训练算法构建开集识别模型。

步骤104：将所述射频指纹特征向量输入所述开集识别模型中进行识别，得到识别结果；所述识别结果为所述待识别射频通信信号为开集信号或所述待识别射频通信信号为闭集信号；所述开集信号表示所述待识别射频通信信号的通信辐射源未知；所述闭集信号表示所述待识别射频通信信号的通信辐射源已知。并且，当所述待识别射频通信信号为闭集信号时，所述识别结果具体为所述待识别射频通信信号所对应的通信辐射源类别。

下面对上述各步骤进行详细论述。

步骤102：对所述待识别射频通信信号进行预处理，得到射频指纹特征向量，具体包括：

步骤1021：对所述待识别射频通信信号进行双谱分析处理，得到双谱分布向量，具体公式为：

其中：B(ω₁,ω₂)表示双谱分布向量，ω₁、ω₂表示二维傅里叶变换频率，C_3x(τ₁,τ₂)表示待识别射频通信信号的三阶累积量，上标j表示复数。

步骤1022：对所述双谱分布向量进行拉东变换(即Radon变换)处理，得到射频指纹特征向量。具体地，Radon变换是在二维平面xOy上计算二维函数相对任意一条直线的线性积分，其具体公式为：

其中：R(α,ρ)表示射频指纹特征向量，α表示直线与坐标轴的夹角角度，ρ表示直线与原点的垂直距离，δ(·)表示特征函数。

步骤103：所述基于分类-重构网络和对抗训练算法构建开集识别模型，具体包括：

步骤1031：构建分类-重构网络；所述分类-重构网络包括：编码器、解码器和分类器；所述编码器分别与所述分类器和所述解码器连接；所述编码器与所述分类器构成分类网络；所述编码器与所述解码器构成重构网络。所述分类-重构网络的具体网络结构参见图2。

步骤1032：获取训练样本，并对所述训练样本进行预处理，得到闭集信号特征向量。其中，对所述训练样本进行预处理的方法与待识别射频通信信号的预处理方法相同，在此不作赘述。

步骤1033：将所述闭集信号特征向量输入所述分类-重构网络中，分别对所述分类网络进行有监督闭集训练以及对所述重构网络进行重构训练，得到训练好的分类-重构网络。

具体地，对所述分类网络进行有监督闭集训练的损失函数为：

其中：Θ_E表示编码器的网络参数，Θ_C表示分类器的网络参数，E(·)表示编码网络对应的映射函数，C(·)表示分类网络对应的映射函数，K表示闭集信号特征向量的类别，N表示每类闭集信号特征向量中包含的样本个数，y_j表示第j类闭集信号特征向量对应的类别标签，x_ij表示第j类闭集信号特征向量中的第i个样本。

对所述重构网络进行重构训练的损失函数为：

其中：Θ_D表示解码器的网络参数，L表示编码器或解码器的网络层数(即编码器与解码器的网络层数相等，均为L层)，

表示编码器的第l层中间层网络得到的第j类闭集信号特征向量，

表示解码器的第l层中间层网络得到的第j类闭集信号特征向量对应的重构信号特征向量。

步骤1034：根据所述训练好的分类-重构网络模拟生成开集信号特征向量。

其中，所述根据所述训练好的分类-重构网络模拟生成开集信号特征向量，具体包括：

将所述闭集信号特征向量输入所述训练好的分类-重构网络中，得到重构信号特征向量。

所述将所述闭集信号特征向量输入所述训练好的分类-重构网络中，得到重构信号特征向量，具体包括：

对所述闭集信号特征向量进行编码，得到潜向量

其中z_ij为中间层提取的潜向量

的集合，即

对所述潜向量进行线性组合，得到组合潜向量

其中系数s_j满足

对所述组合潜向量进行解码，得到重构信号特征向量

所述从所述重构信号特征向量中排除闭集信号特征向量，得到开集信号特征向量，具体包括：

将满足设定条件的所述重构信号特征向量作为开集信号特征向量。

所述设定条件为：

其中：

表示重构信号特征向量，

表示编码器的第l层中间层网络得到的第m类闭集信号特征向量，

表示解码器的第l层中间层网络得到的重构信号特征向量，ε表示阈值参数。

步骤1035：构建开集识别网络，并将所述闭集信号特征向量及所述开集信号特征向量输入所述开集识别网络中，采用对抗训练算法进行训练，得到开集识别模型。

具体地，对所述开集识别网络进行闭集有监督训练，闭集信号的标签为1，2，...，K，开集信号的标签为K+1。所述开集识别网络具体为K+1分类网络，且具体为卷积神经网络结构，其中，K为闭集信号特征向量的类别。

采用对抗训练算法进行训练的数学模型为：

其中：J(·)表示开集识别网络的损失函数，X表示输入向量，Δx表示扰动向量，y表示输入向量的类别，θ表示开集识别网络的参数，

表示开集识别网络的损失函数的期望值，θ_opt表示最优的开集识别网络的参数。

下面分别从信号预处理、分类-重构网络设计、开集信号特征向量的模拟生成和对抗训练四个方面对本发明展开详细论述。

1.信号预处理

双谱分析作为一种阶数最低的高阶谱分析(Higher-OrderSpectralAnalysis,HOSA)，在处理非高斯和非平稳信号方面中表现出优越性。对信号进行双谱分析的过程实质上是对信号的三阶累积量进行二维傅里叶变换得到，具体可由下式表示：

其中，ω₁、ω₂表示二维傅里叶变换频率，C_3x(τ₁,τ₂)表示三阶累积量，具体可表示为：

C_3x(τ₁,τ₂)＝E[x(t)x(t+τ₁)x(t+τ₂)] (2)

双谱分布可以很好地表征通信辐射源信号的射频指纹特征，但直接利用二维的双谱分布开展后续处理会引入巨大的计算量，降低处理效率。因此，引入Radon变换将二维双谱分布投影为一维特征向量。Radon变换是在二维平面xOy上计算二维函数相对任意一条直线的线性积分。对于双谱分布B(ω₁,ω₂)，其Radon变换可表示为：

其中，α表示直线与坐标轴所成角度，ρ表示直线与原点的垂直距离。特征函数δ定义为：

以确保积分沿着直线ρ＝ω₁cosθ+ω₂sinθ进行。这里在进行Radon变换时，取ρ＝0，α＝3π/4，即相对于直线ω₁＝ω₂进行线性积分，并将结果进行归一化处理。

2.分类-重构网络设计

图2为本发明提供的分类-重构网络的网络结构图，如图2所示，分类-重构网络由编码器(Encoder)、解码器(Decoder)、分类器(Classifier)三个子网络组成。利用已知K类信号样本预处理得到的特征向量对网络开展训练具体包括两个过程：(1)对编码器与分类器组成的分类网络开展有监督闭集训练；(2)对编码器与解码器组成的重构网络(即自动编码(AutoEncoder)网络)开展重构训练。

K类特征向量可以表示为{X₁,X₂,…,X_K}，其中X_j＝{x_1j,x_2j,…,x_Nj}，即每类特征向量包含N个样本。特征向量对应的类别标签可表示为{y₁,y₂,…,y_K}，其中y_j是独热编码(One-HotEncoding)向量。在对编码器与分类器组成的分类网络开展有监督闭集训练时，假设编码器与分类器的网络参数分别为Θ_E和Θ_C，网络训练的损失函数可表示为：

其中，E(·)和C(·)分别表示编码网络与分类网络对应的映射函数。

对编码器与解码器组成的重构网络开展重构训练时，输入的特征向量通过编码器的特征学习后，得到能表征输入向量隐含特征的潜向量{Z₁,Z₂,…,Z_K}，其中Z_j＝{z_1j,z_2j,…,z_Nj}，通过解码器得到重构特征向量

其中

重构网络训练的目的是获得最佳的潜向量Z_j，从而通过解码器最大可能地还原输入特征向量。此时的潜向量Z_j可以最优地表征输入特征向量的本质性的隐含特征。

重构网络本质是自动编码网络，其传统的网络结构与本发明所提出的网络结构分别如图3、4所示。图3为传统的自动编码器网络结构图，如图3所示，传统的网络结构需要先通过编码器的多层网络处理得到潜向量，而后通过解码器反向重构。但每一层中间层网络的处理过程存在特征丢失的风险，从而导致潜向量的表征能力弱化。图4为本发明提供的自动编码器网络结构图，如图4所示，本发明对传统的自动编码器网络结构进行网络结构改进，使编码器每一层网络均压缩提取潜向量，然后通过解码器每一层网络进行重构处理。这样能确保潜向量最大程度保留特征信息，最优地表征输入向量的本质性的隐含特征。

对于初始的特征向量样本

送入编码器进行压缩编码。对于第l层中间层网络的处理结果可表示为：

其中f_l(·)与h_l(·)分别表示编码器第l层的特征映射函数与非线性降维函数。通过编码器的每一层中间层网络提取潜向量

其中L为网络层数，然后通过解码器进行重构还原。对于解码器第l层中间层网络的处理结果可表示为：

其中g_l(·)与

分别表示解码器第l层的特征映射函数与非线性升维函数。

训练重构网络过程中，假设解码器的网络参数为Θ_D，则重构网络的损失函数可表示为：

综上所述，分类-重构网络的训练过程的数学模型可由下式表示：

3.开集信号特征向量的模拟生成

将所有已知类样本组成的空间称为闭集空间U_c，所有未知类样本组成的空间称为开集空间U_o，如何根据闭集空间确定开集空间中的元素是本部分要解决的问题。实际上，相关的开集识别研究表明，开集空间与闭集空间中的元素包含有相同的特征量。换句话说，开集空间与闭集空间均包含于同一向量空间U＝U_c∪U_o，两者均为该向量空间的子空间。具体来说，由开集信号特征向量组成的开集信号特征空间，和由闭集信号特征向量组成的闭集信号特征空间共同属于一个更大的向量空间，即由射频信号特征向量组成的信号特征空间。两类空间具有相同的表征射频信号的特征元素。

基于上述分析，可利用不同的闭集信号特征向量的线性组合得到开集信号特征向量。但是原始信号特征向量的复杂性导致闭集空间呈现高度的非线性特性，因此其元素的线性组合势必得到不理想结果。考虑到信号特征向量经过编码压缩得到的潜向量可独立表征类别特征信息，因此对潜向量线性组合并进行解码，可能得到理想的开集信号特征向量。具体流程如下所示：

(1)利用已经训练好的分类-重构网络获得K类闭集信号特征向量的潜向量

其中z_ij为中间层提取的潜向量

的集合，即

(2)通过Z_j的线性组合得到

其中系数s_j满足

(3)将潜向量Z_u送入解码器根据式(7)得到重构信号特征向量

部分重构信号样本可能属于闭集信号空间，因此需要设法排除。假设

此时对于

需要满足以下两条件：

才可判定其属于开集信号特征空间。

4.对抗训练

现将闭集信号的特征向量与模拟生成的开集信号的特征向量共同送入开集识别网络中开展闭集有监督训练，其中闭集信号的标签为1，2，…，K，开集信号的标签为K+1。实际中，由于辐射源信号的特征差异较为细微，因此容易受到噪声干扰而出现误识别。对此采用对抗训练算法提升分类网络的抗噪性能。对于原始输入向量{X₁,X₂,…,X_K+1}，其对应的类别标签为{y₁,y₂,…,y_K+1}，此时人为添加扰动向量(对抗样本)Δx_j，即输入向量为X_j+Δx_j时，迫使分类网络输出结果仍为y_j，从而训练分类网络在有噪声干扰情况下已经能取得正确分类结果。最理想的Δx应使网络损失值最大，基于此训练的网络对噪声鲁棒性最强。综上，对抗训练的数学模型可由式(12)表示：

其中，θ为开集识别网络的参数，J(·)为开集识别网络的损失函数。由于最理想的Δx_opt应使网络损失值最大，因此可通过梯度原理构造最优细微扰动：

Δx＝▽_XJ(X,y；θ)(13)

其中▽_XJ表示损失值J(X,y；θ)对输入向量X的梯度，是J(X,y；θ)上升最快的方向，此时的Δx可以使得J(X+Δx,y；θ)最大。为确保Δx为细微扰动，要对式(13)归一化处理：

下面以一个具体实施例对本发明所提供的方法进行进一步验证。

(1)选取5台同一型号的USRP设备作为通信辐射源个体，同时选1台USRP作为接收设备，同时连接一台PC。PC端通过GNURadio定义通信系统的收发，最终接收获取5类闭集射频信号数据。另采集10台同一型号的USRP产生的射频信号，作为10类开集射频信号数据。发射端信号的工作频率设置为2.4GHz，接收端以16MHz的采样频率对接收信号进行采样。同时设置信号调制方式为QPSK，带宽1.2MHz。每一类信号采集数据进行分帧处理，对于闭集信号获取20000帧信号分帧，随机选取80％为训练样本，10％为验证样本，10％为测试样本，其中每一帧包含256个采样数据点。对于开集信号获取2000帧信号分帧，全部作为测试样本。

(2)对每一帧信号数据进行双谱分析得到二维的双谱分布，然后通过Radon变换将二维的双谱分布投影为一维特征向量，进而完成信号预处理。

(3)将特征向量送入分类-重构网络中，按照式(5)、(8)、(9)计算其损失函数，开展网络训练。训练结束后获得能够最优化表征各类闭集信号隐含特征的潜向量，然后将潜向量线性组合并重构模拟生成开集信号特征向量。

(4)最后将已知闭集信号与开集信号的特征向量共同送入开集识别网络开展有监督训练，并采用对抗训练算法提升网络的抗噪性能。训练完成的开集识别网络能检测开集信号样本的同时，可以成功识别分类闭集信号。

图5为本发明提供的方法与现有算法的开集识别准确率随开集程度变化曲线的对比图。其中，现有算法为《系统工程与电子技术》期刊2019年第41期“基于生成对抗网络的信号调制方式的开集识别”所提算法。这里首先定义“开放性”(Openness)用以描述开集识别的开集程度，具体定义如式(15)所示：

其中C_TR、C_TE分别表示训练集和测试集中数据类别的集合。然后将准确率(Accuracy)作为开集识别性能的评估指标，绘制算法的Accuracy-Openness关系曲线。实验中C_TR固定为5，C_TE分别取5、6、7、8、9、10。由图5可得，随着开集程度Openness的提高，本发明的开集识别准确率保持在较高水平，即使开集信号类增加至10时，算法的识别准确率仍能达到90％以上，展现出良好的开集识别性能。同时，与现有开集识别算法相比，在不同开集程度下的算法的识别准确率取得最高值，并且相比现有算法平均提升5％～15％。此外，随着开集程度的提高，本发明的识别准确率与现有算法相比优势差距更加明显。这表明，本发明能更好地适应开集场景下的通信辐射源个体识别任务。

为了更直观地观测本文算法的开集识别性能，采用t分布领域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)算法来降维显示开集识别网络提取的深层特征。图6为开集识别网络提取的深层特征经过t-SNE算法降维到2维平面后的散布图。图6显示了开集信号类别数目为5时，开集识别网络提取的深层特征经过t-SNE算法降维到2维平面后的散布图，图中的横坐标和纵坐标分别为降维后特征的两个不同维度。由图6可得出，对于5类闭集信号，其深层特征经降维后在2维散布图的分布呈现为5组不同的团簇，并且表现出类内聚集、类间区分的特性。同时，开集信号的深层特征经降维后在2维散布图的分布呈现为一组大的团簇，且与其余5组团簇相互分离。这一方面表明，训练完成的开集识别网络能够有效区分不同类别的闭集信号，具有良好的闭集信号分类识别能力；另一方面，本发明所提算法生成了较为理想的模拟开集信号样本，送入开集识别网络训练后能够使该网络成功区分开集信号与其他各类闭集信号，具有良好的开集信号检测识别能力。

图7为开集信号类别为5、10时，本发明提供的方法与现有算法的开集识别准确率随信噪比变化曲线的对比图。图7中，将采集到的原始信号数据送入MATLAB中添加高斯白噪声，并设置信噪比分别为0dB、3dB、……、24dB。实验过程中，设置开集信号类别数目分别为5和10，在两种不同的开集程度下测试算法对噪声的鲁棒性。由图7可得出，当开集信号类别为5时，本发明在3dB信噪比下开集识别准确率达到80％以上，在9dB信噪比下开集识别准确率达到90％以上，这表明本发明提供的方法在低信噪比环境下即可达到较高的开集识别准确率。当开集信号类别为10时，本发明在6dB信噪比下开集识别准确率达到80％以上，在15dB信噪比下开集识别准确率达到90％以上。由于开集信号类别增加，对开集识别带来更大难度，致使达到相同识别准确率所对应的信噪比后移。但在此情况下，本发明在3dB信噪比下开集识别准确率达到75％以上，在9dB信噪比下开集识别准确率达到85％以上，仍能获得相对较高的开集识别性能。同时，相比于现有算法，本发明在不同信噪比环境下均取得了最高的识别准确率。特别是在低信噪比环境下，现有算法的开集识别性能出现了不同程度的恶化，但本发明的识别准确率下降不明显，能保持在70％的相对较高水平。这展现出本发明提供的方法的识别性能对噪声有良好的鲁棒性。

本发明还提供一种通信辐射源开集识别系统，所述系统与上述方法相对应。图8为本发明提供的通信辐射源开集识别系统的模块图，如图8所示，所述系统包括：

信号获取模块801，用于获取待识别射频通信信号。

信号预处理模块802，用于对所述待识别射频通信信号进行预处理，得到射频指纹特征向量。

模型构建模块803，用于基于分类-重构网络和对抗训练算法构建开集识别模型。

信号识别模块804，用于将所述射频指纹特征向量输入所述开集识别模型中进行识别，得到识别结果；所述识别结果为所述待识别射频通信信号为开集信号或所述待识别射频通信信号为闭集信号；所述开集信号表示所述待识别射频通信信号的通信辐射源未知；所述闭集信号表示所述待识别射频通信信号的通信辐射源已知。

进一步地，所述信号预处理模块802，具体包括：

双谱分析处理子模块，用于对所述待识别射频通信信号进行双谱分析处理，得到双谱分布向量。

进一步地，所述模型构建模块803，具体包括：

分类-重构网络构建子模块，用于构建分类-重构网络；所述分类-重构网络包括：编码器、解码器和分类器；所述编码器分别与所述分类器和所述解码器连接；所述编码器与所述分类器构成分类网络；所述编码器与所述解码器构成重构网络。

闭集信号特征向量确定子模块，用于获取训练样本，并对所述训练样本进行预处理，得到闭集信号特征向量。

分类-重构网络训练子模块，用于将所述闭集信号特征向量输入所述分类-重构网络中，分别对所述分类网络进行有监督闭集训练以及对所述重构网络进行重构训练，得到训练好的分类-重构网络。

开集信号特征向量生成子模块，用于根据所述训练好的分类-重构网络模拟生成开集信号特征向量。

进一步地，所述开集信号特征向量生成子模块，具体包括：

重构信号特征向量生成单元，用于将所述闭集信号特征向量输入所述训练好的分类-重构网络中，得到重构信号特征向量。

进一步地，所述重构信号特征向量生成单元，具体包括：

编码子单元，用于对所述闭集信号特征向量进行编码，得到潜向量。

线性组合子单元，用于对所述潜向量进行线性组合，得到组合潜向量。

本发明公开了一种基于分类-重构网络和对抗训练算法的通信辐射源开集识别方法及系统，该方法首先对信号开展双谱分析并进行Radon投影变换，以此得到表征射频指纹的特征向量。然后提出了一种分类-重构网络，该网络利用闭集信号的特征向量模拟生成开集信号的特征向量。最后将两者共同送入开集识别网络进行有监督训练，并提出采用对抗训练算法提升开集识别网络的抗噪性能，增强对噪声的鲁棒性。开集识别网络训练完成后能检测开集信号样本的同时，可以成功识别分类闭集信号。本发明可应用于非协作通信侦察系统，也可用于相应的软件无线电等系统。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种通信辐射源开集识别方法，其特征在于，所述方法包括：

获取待识别射频通信信号；

基于分类-重构网络和对抗训练算法构建开集识别模型；

2.根据权利要求1所述的通信辐射源开集识别方法，其特征在于，所述对所述待识别射频通信信号进行预处理，得到射频指纹特征向量，具体包括：

3.根据权利要求1所述的通信辐射源开集识别方法，其特征在于，所述基于分类-重构网络和对抗训练算法构建开集识别模型，具体包括：

4.根据权利要求3所述的通信辐射源开集识别方法，其特征在于，所述根据所述训练好的分类-重构网络模拟生成开集信号特征向量，具体包括：

5.根据权利要求4所述的通信辐射源开集识别方法，其特征在于，将所述闭集信号特征向量输入所述训练好的分类-重构网络中，得到重构信号特征向量，具体包括：

对所述闭集信号特征向量进行编码，得到潜向量；

对所述潜向量进行线性组合，得到组合潜向量；

对所述组合潜向量进行解码，得到重构信号特征向量。

6.一种通信辐射源开集识别系统，其特征在于，所述系统包括：

信号获取模块，用于获取待识别射频通信信号；

7.根据权利要求6所述的通信辐射源开集识别系统，其特征在于，所述信号预处理模块，具体包括：

8.根据权利要求6所述的通信辐射源开集识别系统，其特征在于，所述模型构建模块，具体包括：

9.根据权利要求8所述的通信辐射源开集识别系统，其特征在于，所述开集信号特征向量生成子模块，具体包括：

10.根据权利要求9所述的通信辐射源开集识别系统，其特征在于，所述重构信号特征向量生成单元，具体包括：