CN117113061A - 跨接收机辐射源指纹识别方法和装置 - Google Patents
跨接收机辐射源指纹识别方法和装置 Download PDFInfo
- Publication number
- CN117113061A CN117113061A CN202311186987.6A CN202311186987A CN117113061A CN 117113061 A CN117113061 A CN 117113061A CN 202311186987 A CN202311186987 A CN 202311186987A CN 117113061 A CN117113061 A CN 117113061A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- information
- radiation source
- training
- 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
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims description 83
- 238000009826 distribution Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种跨接收机辐射源指纹识别方法和装置,所述方法包括:利用第一接收机获取源域数据集,利用第二接收机获取目标域数据集;所述源域数据集,包括若干个与辐射源对应的源域信号和对应的标签信息;所述目标域数据集,包括若干个与辐射源对应的目标域信号;利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型;利用所述源域数据信息和目标域数据信息,对所述第二神经网络模型进行迭代训练,得到第四神经网络模型;利用所述第四神经网络模型对所述第二接收机的接收信号进行处理,得到辐射源指纹识别信息;本发明实现了跨时间甚至跨接收机的场景下,对辐射源信号的准确高效识别。
Description
技术领域
本发明涉及辐射源识别技术领域,尤其涉及一种跨接收机辐射源指纹识别方法和装置。
背景技术
电磁频谱在军事和民用领域中已成为不可或缺的资源。随着电磁设备的爆炸性增长,需要更好地认识并管理频谱占用者。对于合作通信,可以通过采用认证机制实现上述目标,但对于非合作应用,通常难以获取对手身份。为应对这个问题,射频指纹识别或特定发射机识别方法被提出,其通过分析射频波形中的“指纹”来识别发射机。发射机的指纹主要来自设备的非理想特性,例如D/A、滤波器、混频器和放大器,这些特性引入了细微的非线性调制,为每个发射机产生独特的指纹,即使它们来自同一制造商的同一批次,不同的发射机也具有不同的指纹。因此,通过分析射频波形的唯一特征,可以推断信号的来源。
在早期阶段,射频指纹识别主要依靠专业知识,手动提取信号中的特征并构建决策统计信息。随着硬件制造技术的进步和电磁环境的复杂化,手动判别射频波形中细微的差异变得更具挑战性。基于深度学习的分类器可以自动从射频信号中提取精细特征并对发射机进行分类,以实现最先进的识别性能。但是,当前深度学习方法的卓越性能建立在一个假设的基础上,即训练和测试信号来自同一个接收器。然而在实际应用中,这种情况往往难以实现。
在实际应用环境中,面向辐射源指纹识别的神经网络,在离线训练时的场景和线上部署场景往往会有差异,从而导致算法的性能急剧下降。最常见的情况之一就是部署时换了接收机,辐射源的指纹特征可能会被新的接收机的非线性特征所掩盖,此外还有部署时信道已经缓变等场景。常规的基于深度学习的辐射源指纹识别算法并没有考虑到这样的测试集分布和训练集不一样的问题,所以它们的性能在这一场景下往往较低。
发明内容
针对跨接收机场景下常规深度学习方法辐射源识别性能低下的问题,本发明公开了一种跨接收机辐射源指纹识别方法和装置,包括:
S1,利用第一接收机获取源域数据集,利用第二接收机获取目标域数据集。所述源域数据集,包括若干个与辐射源对应的源域信号和对应的标签信息;所述目标域数据集,包括若干个与辐射源对应的目标域信号。
S2,利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型;
S3,利用所述源域数据信息和目标域数据信息,对所述第二神经网络模型进行迭代训练,得到第四神经网络模型;
S4,利用所述第四神经网络模型对所述第二接收机的接收信号进行处理,得到辐射源指纹识别信息。所述辐射源指纹识别信息,用于指示所述第二接收机的接收信号所对应的辐射源信息。
所述利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型,包括:
S21,建立第一神经网络模型;所述第一神经网络模型,包括特征提取模块、分类器模块和散度估计模块;所述特征提取模块与分类器模块进行连接,所述特征提取模块与散度估计模块进行连接。
S22,利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型。
所述利用所述源域数据信息和目标域数据信息,对所述第二神经网络模型进行迭代训练,得到第四神经网络模型,包括:
S31,利用所述第二神经网络模型的特征提取模块,对所述源域数据集和目标域数据集分别进行特征提取操作,得到源域特征信息和目标域特征信息;
S32,保持所述第二神经网络模型的特征提取模块和分类器模块的参数不变,利用所述源域特征信息和目标域特征信息,对所述第二神经网络模型的散度估计模块进行训练,得到更新的散度估计模块;
S33,利用所述更新的散度估计模块,对所述第二神经网络模型的散度估计模块进行替换处理,得到第三神经网络模型;
S34,保持所述第三神经网络模型的散度估计模块的参数不变,利用所述源域数据集和目标域数据集,对所述第三神经网络模型的特征提取模块和分类器模块进行训练,得到更新的特征提取模块和分类器模块;
S35,利用所述更新的特征提取模块和分类器模块,对所述第三神经网络模型的相应的特征提取模块和分类器模块,分别进行替换处理,得到第四神经网络模型。
所述利用所述源域特征信息和目标域特征信息,对所述第二神经网络模型的散度估计模块进行训练,得到更新的散度估计模块,包括:
S321,利用所述散度估计模块,对所述源域特征信息和目标域特征信息进行处理,得到散度函数值;
S322,以所述散度函数值最大为目标,对所述第二神经网络模型的散度估计模块进行参数更新,得到更新的散度估计模块;
所述散度函数值的计算表达式为:
其中,θT表示所述第二神经网络模型的散度估计模块的参数,表示所述源域数据集的第i个源域信号,ns表示所述源域数据集所包含的源域信号的个数,/>表示所述目标域数据集的第j个目标域信号,nt表示所述目标域数据集所包含的目标域信号的个数,表示将/>输入所述第二神经网络模型的特征提取模块的输出,/>表示将/>输入所述第二神经网络模型的特征提取模块的输出,/>表示将/>输入所述第二神经网络模型的散度估计模块的输出,/>表示将/>输入所述第二神经网络模型的散度估计模块的输出。
所述利用所述源域数据集和目标域数据集,对所述第三神经网络模型的特征提取模块和分类器模块进行训练,得到更新的特征提取模块和分类器模块,包括:
S341,设置训练阈值,对训练次数进行初始化;
S342,利用所述第三神经网络模型的特征提取模块,对所述源域数据集和目标域数据集分别进行处理,得到第一特征信息和第二特征信息;
S343,利用所述第三神经网络模型的散度估计模块,对所述第一特征信息和第二特征信息进行处理,得到第一损失量;
S344,对所述目标域数据集进行自适应阈值的标签预测处理,得到高置信度伪标签库和类权重向量;利用所述第三神经网络模型的分类器模块对所述高置信度伪标签库进行处理,得到第三特征信息;基于所述类权重向量,对所述第三特征信息和高置信度伪标签信息进行加权交叉熵计算,得到第二损失量;所述高置信度伪标签库,包括若干个高置信度伪标签信息;
S345,利用所述第三神经网络模型的分类器模块,对所述源域数据集进行处理,得到第四特征信息;对所述第四特征信息和所述源域数据集的标签信息,进行交叉熵计算,得到第三损失量;
S346,对第一损失量、第二损失量第三损失量进行累加处理,得到总损失量;
S347,以总损失量最小化为目标,对所述第三神经网络模型的特征提取模块和分类器模块的参数进行优化求解,得到更新的特征提取模块和分类器模块。
S348,使训练次数加1,判断所述训练次数,是否超过所述训练阈值,若未超过,执行S342;若超过,完成对所述第三神经网络模型的特征提取模块和分类器模块的训练。
所述对所述目标域数据集进行自适应阈值的标签预测处理,得到高置信度伪标签库和类权重向量,包括:
设置概率门限;
随机生成抽取比例,对所述目标域数据集随机抽取所述抽取比例的数据,得到本训练轮次的训练样本集合;所述训练样本集合,包括若干个样本数据;
利用所述第三神经网络模型的特征提取模块,对所述训练样本集合进行特征提取操作,得到训练特征集合;利用所述第三神经网络模型的分类器模块,对所述训练特征集合进行分类操作,得到预测概率向量集合;所述预测概率向量集合,包括每个样本数据的预测概率向量;所述样本数据的预测概率向量,用于表征所述样本数据对应于每个辐射源的发生概率;
对每个样本数据的预测概率向量进行检索处理,确定出其最大概率值对应的辐射源信息;利用所确定的辐射源信息和对应的概率值,构建得到所述样本数据的普通伪标签数据;
对每个样本数据进行高置信度判别处理,得到对应的高置信度伪标签数据;
所述对每个样本数据进行高置信度判别处理,得到对应的高置信度伪标签数据,包括:
判断所述训练次数是否大于1,若所述训练次数大于1时,根据各类辐射源信息的样本分布概率,确定所述各类辐射源信息的类概率门限;根据所述样本数据的普通伪标签数据的辐射源信息,确定其对应的类概率门限;判断所述样本数据的普通伪标签数据的概率值,是否大于所述类概率门限,若大于所述类概率门限,确定所述样本数据的普通伪标签数据,为高置信度伪标签数据;若小于所述类概率门限,不进行操作;
若所述训练次数等于1时,判断所述样本数据的普通伪标签数据的概率值,是否大于所述概率门限,若大于所述概率门限,确定所述样本数据的普通伪标签数据,为高置信度伪标签数据;若小于所述预设概率门限,不进行操作;
利用所有样本数据的高置信度伪标签数据,构建得到高置信度伪标签库;利用所有样本数据的普通伪标签数据,构建得到普通伪标签库;
根据各类辐射源信息,对所述普通伪标签库进行统计处理,得到各类辐射源信息在所述普通伪标签库中的出现概率值;
利用每类辐射源信息的先验概率值,除以该类辐射源信息在所述普通伪标签库中的出现概率值,得到该类辐射源信息的权重值;
利用所有辐射源信息的权重值,构建得到类权重向量;
所述根据各类辐射源信息的样本分布概率,确定所述各类辐射源信息的类概率门限,包括:
根据各类辐射源信息,对所述高置信度伪标签库进行统计处理,得到各类辐射源信息在所述高置信度伪标签库的出现概率值;
确定出所有类辐射源信息的最大出现概率值;
利用每类辐射源信息的出现概率值,除以所述最大出现概率值,得到该类辐射源信息的动态门限因子,利用所述动态门限因子与所述概率门限相乘,得到该类辐射源信息的类概率门限;
本发明公开了一种用于跨接收机辐射源指纹识别的数据处理装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行所述的跨接收机辐射源指纹识别方法。
本发明公开了一种计算机可存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行所述的跨接收机辐射源指纹识别方法。
本发明公开了一种信息数据处理终端,所述信息数据处理终端用于实现所述的跨接收机辐射源指纹识别方法。
本发明的有益效果为:
本发明主要针对的是深度学习在跨接收机场景下辐射源识别精度大大下降的问题,同时也能兼顾跨时间和标签分布不均匀等场景。首先,现有的辐射源指纹识别方案中,很多方法忽略了部署场景与离线训练的场景不一致的问题,这就会导致这些算法泛化能力较为欠缺,在实践部署时几乎不可用,缺乏实际意义。而本发明可以对齐离线环境与当前部署环境的分布差异,提高辐射源的识别精度。
其次,本发明提出了一种新的域分布对齐的范式,既有高有效性的总体分布对齐,还有噪声可控的条件分布对齐。前者使用了基于采样的对抗式KL散度估计模块,比其他总体对齐方式更平滑也更稳健;后者主要依靠了CPL方法,可以提供比现有方法噪声更低的伪标签,同时使用了类加权技术,进一步抑制噪声的同时还可以抵抗标签分布不均匀的情况,这也是现有方法没有考虑的。
附图说明
图1为本发明方法的实施流程图;
图2为本发明利用神经网络模型的实现流程图;
图3本发明的域对齐过程示意图。
具体实施方式
为了更好的了解本发明内容,这里给出一个实施例。
图1为本发明方法的实施流程图;图2为本发明利用神经网络模型的实现流程图;图3本发明的域对齐过程示意图。
本发明公开了一种跨接收机辐射源指纹识别方法,包括:
S1,利用第一接收机获取源域数据集,利用第二接收机获取目标域数据集。所述第一接收机,可以是雷达接收机或通信接收机,所述第二接收机,可以是雷达接收机或通信接收机。所述源域数据集,包括若干个与辐射源对应的源域信号和对应的标签信息;所述目标域数据集,包括若干个与辐射源对应的目标域信号。所述辐射源,可以是雷达发射机或通信发射机。所述利用第一接收机获取源域数据集,是利用第一接收机接收各类辐射源的辐射信号,然后对所接收的各类辐射源的辐射信号进行打标签处理,然后对辐射信号和标签信息进行整合处理,得到源域数据集。第二接收机的接收过程,与第一接收机类似。
S2,利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型;
S3,利用所述源域数据信息和目标域数据信息,对所述第二神经网络模型进行迭代训练,得到第四神经网络模型;
S4,利用所述第四神经网络模型对所述第二接收机的接收信号进行处理,得到辐射源指纹识别信息。所述辐射源指纹识别信息,用于指示所述第二接收机的接收信号所对应的辐射源信息。所述第二接收机的接收信号,是利用第二接收机,对各类辐射源的发射信号进行接收操作得到。
所述利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型,包括:
S21,建立第一神经网络模型;所述第一神经网络模型,包括特征提取模块、分类器模块和散度估计模块;所述第一神经网络模型,可以采用ResNet-18网络,其卷积网络为1维卷积网络。所述特征提取模块与分类器模块进行连接,所述特征提取模块与散度估计模块进行连接。特征提取模块、分类器模块和散度估计模块,可分别表示为E、C和T。特征提取模块,用于进行特征提取操作,得到特征信息;所述分类器模块,用于对所述特征信息进行分类,得到输入神经网络信号的所属的辐射源信息;所述散度估计模型,用于计算输入信号的散度值。
所述特征提取模块和分类器模块,均可以采用ResNet-18网络中的特征提取模块和分类器模型来实现。
S22,利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型。
所述预训练,可以是松弛预训练,所述松弛预训练,可以在早停与Labelsmoothing训练模型上使用平滑损失函数的梯度空间来实现。
步骤S2所述的在源域数据上的松弛预训练,主要是为了防止模型在源域数据上的过拟合,同时又确保了一个比较好的初始化点。
所述利用所述源域数据信息和目标域数据信息,对所述第二神经网络模型进行迭代训练,得到第四神经网络模型,包括:
S31,利用所述第二神经网络模型的特征提取模块,对所述源域数据集和目标域数据集分别进行特征提取操作,得到源域特征信息和目标域特征信息;
S32,保持所述第二神经网络模型的特征提取模块和分类器模块的参数不变,利用所述源域特征信息和目标域特征信息,对所述第二神经网络模型的散度估计模块进行训练,得到更新的散度估计模块;
S33,利用所述更新的散度估计模块,对所述第二神经网络模型的散度估计模块进行替换处理,得到第三神经网络模型;
S34,保持所述第三神经网络模型的散度估计模块的参数不变,利用所述源域数据集和目标域数据集,对所述第三神经网络模型的特征提取模块和分类器模块进行训练,得到更新的特征提取模块和分类器模块;
S35,利用所述更新的特征提取模块和分类器模块,对所述第三神经网络模型的相应的特征提取模块和分类器模块,分别进行替换处理,得到第四神经网络模型。
所述利用所述源域特征信息和目标域特征信息,对所述第二神经网络模型的散度估计模块进行训练,得到更新的散度估计模块,包括:
S321,利用所述散度估计模块,对所述源域特征信息和目标域特征信息进行处理,得到散度函数值;
S322,以所述散度函数值最大为目标,对所述第二神经网络模型的散度估计模块进行参数更新,得到更新的散度估计模块;
所述散度函数值的计算表达式为:
其中,θT表示所述第二神经网络模型的散度估计模块的参数,表示所述源域数据集的第i个源域信号,ns表示所述源域数据集所包含的源域信号的个数,/>表示所述目标域数据集的第j个目标域信号,nt表示所述目标域数据集所包含的目标域信号的个数,表示将/>输入所述第二神经网络模型的特征提取模块的输出,/>表示将/>输入所述第二神经网络模型的特征提取模块的输出,/>表示将/>输入所述第二神经网络模型的散度估计模块的输出,/>表示将/>输入所述第二神经网络模型的散度估计模块的输出。
所述以所述散度函数值最大为目标,对所述第二神经网络模型的散度估计模块进行参数更新,可以采用最陡下降法、平滑凸优化方法、非平滑凸优化方法等来实现。
所述利用所述源域数据集和目标域数据集,对所述第三神经网络模型的特征提取模块和分类器模块进行训练,得到更新的特征提取模块和分类器模块,包括:
S341,设置训练阈值,对训练次数进行初始化;
S342,利用所述第三神经网络模型的特征提取模块,对所述源域数据集和目标域数据集分别进行处理,得到第一特征信息和第二特征信息;
S343,利用所述第三神经网络模型的散度估计模块,对所述第一特征信息和第二特征信息进行处理,得到第一损失量;
所述S343的第一损失量的计算公式,可以采用S322中的散度函数值的计算公式。
S344,对所述目标域数据集进行自适应阈值的标签预测处理,得到高置信度伪标签库和类权重向量;利用所述第三神经网络模型的分类器模块对所述高置信度伪标签库进行处理,得到第三特征信息;基于所述类权重向量,对所述第三特征信息和高置信度伪标签信息进行加权交叉熵计算,得到第二损失量;所述高置信度伪标签库,包括若干个高置信度伪标签信息;
所述S344,使用伪标签动态地调整各个类(信号的辐射源分类结果)的置信度,用以筛选高可信度的样本并给予其伪标签,并且使用该轮训练中已经被训练过的目标域样本的标签分布与先验标签分布计算出类权重,将影响目标域交叉熵损失的计算,能进一步抑制伪标签噪声。所述加权交叉熵计算,是在交叉熵函数计算基础上,增加了加权处理过程。
S345,利用所述第三神经网络模型的分类器模块,对所述源域数据集进行处理,得到第四特征信息;对所述第四特征信息和所述源域数据集的标签信息,进行交叉熵计算,得到第三损失量;
S346,对第一损失量、第二损失量第三损失量进行累加处理,得到总损失量;
S347,以总损失量最小化为目标,对所述第三神经网络模型的特征提取模块和分类器模块的参数进行优化求解,得到更新的特征提取模块和分类器模块。
所述更新的特征提取模块和分类器模块的参数,是以总损失量最小化为目标,对所述第三神经网络模型的特征提取模块和分类器模块的参数进行优化求解所得到的参数。
所述S347,可以是,以总损失量最小化为目标,得到所述第三神经网络模型的特征提取模块和分类器模块的参数更新值;利用所述参数更新值,对所述第三神经网络模型的特征提取模块和分类器模块进行更新;重复参数更新过程,直到参数更新值小于预设值时,得到更新的特征提取模块和分类器模块。
S348,使训练次数加1,判断所述训练次数,是否超过所述训练阈值,若未超过,执行S342;若超过,完成对所述第三神经网络模型的特征提取模块和分类器模块的训练。
所述S347中的以总损失量最小化为目标,得到所述第三神经网络模型的特征提取模块和分类器模块的参数更新值,可以对总损失量求偏导数,将得到的偏导数,作为参数更新值。
所述预设的训练阈值,可以是1000。
所述对所述目标域数据集进行自适应阈值的标签预测处理,得到高置信度伪标签库和类权重向量,包括:
设置概率门限;
随机生成抽取比例,对所述目标域数据集随机抽取所述抽取比例的数据,得到本训练轮次的训练样本集合;所述训练样本集合,包括若干个样本数据;
利用所述第三神经网络模型的特征提取模块,对所述训练样本集合进行特征提取操作,得到训练特征集合;利用所述第三神经网络模型的分类器模块,对所述训练特征集合进行分类操作,得到预测概率向量集合;所述预测概率向量集合,包括每个样本数据的预测概率向量;所述样本数据的预测概率向量,用于表征所述样本数据对应于每个辐射源的发生概率;预测概率向量中的数值,表征所述样本数据属于某个辐射源的概率。
对每个样本数据的预测概率向量进行检索处理,确定出其最大概率值对应的辐射源信息;利用所确定的辐射源信息和对应的概率值,构建得到所述样本数据的普通伪标签数据;
对每个样本数据进行高置信度判别处理,得到对应的高置信度伪标签数据;
所述对每个样本数据进行高置信度判别处理,得到对应的高置信度伪标签数据,包括:
判断所述训练次数是否大于1,若所述训练次数大于1时,根据各类辐射源信息的样本分布概率,确定所述各类辐射源信息的类概率门限;根据所述样本数据的普通伪标签数据的辐射源信息,确定其对应的类概率门限;判断所述样本数据的普通伪标签数据的概率值,是否大于所述类概率门限,若大于所述类概率门限,确定所述样本数据的普通伪标签数据,为高置信度伪标签数据;若小于所述类概率门限,不进行操作;
若所述训练次数等于1时,判断所述样本数据的普通伪标签数据的概率值,是否大于所述概率门限,若大于所述概率门限,确定所述样本数据的普通伪标签数据,为高置信度伪标签数据;若小于所述预设概率门限,不进行操作;
利用所有样本数据的高置信度伪标签数据,构建得到高置信度伪标签库;利用所有样本数据的普通伪标签数据,构建得到普通伪标签库;所述高置信度伪标签库,包括所有的高置信度伪标签数据、以及对应数据样本的辐射源信息和对应的概率值;所述普通伪标签库,包括所有伪标签数据、所有样本数据的辐射源信息,以及对应的概率值;
根据各类辐射源信息,对所述普通伪标签库进行统计处理,得到各类辐射源信息在所述普通伪标签库中的出现概率值;
利用每类辐射源信息的先验概率值,除以该类辐射源信息在所述普通伪标签库中的出现概率值,得到该类辐射源信息的权重值;
利用所有辐射源信息的权重值,构建得到类权重向量;
所述根据各类辐射源信息的样本分布概率,确定所述各类辐射源信息的类概率门限,包括:
根据各类辐射源信息,对所述高置信度伪标签库进行统计处理,得到各类辐射源信息在所述高置信度伪标签库的出现概率值;
确定出所有类辐射源信息的最大出现概率值;
利用每类辐射源信息的出现概率值,除以所述最大出现概率值,得到该类辐射源信息的动态门限因子,利用所述动态门限因子与所述概率门限相乘,得到该类辐射源信息的类概率门限;
所述每类辐射源信息的先验概率值,可设定为均匀分布概率,或根据辐射源信息的先验分布函数得到。所述先验分布函数,可通过对源域数据进行处理得到。
本发明公开了一种用于跨接收机辐射源指纹识别的数据处理装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行所述的跨接收机辐射源指纹识别方法。
本发明公开了一种计算机可存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行所述的跨接收机辐射源指纹识别方法。
本发明公开了一种信息数据处理终端,所述信息数据处理终端用于实现所述的跨接收机辐射源指纹识别方法。
本发明要解决跨接收机时辐射源的识别问题,核心问题就是如何稳健地去矫正或对齐两个域之间的分布,同时要尽量对齐两个域之间的条件分布。
本发明方法试图将在大规模的有标签的源域上训练的模型直接应用于另一个没有标签的目标域,其面临的挑战是,由于存在域偏移(domain shift),即数据集分布的偏差,模型直接迁移到目标域的表现通常不好。简而言之,本发明就是有了源域的有标签数据和没有标签的目标域数据/>后,希望训练一个深度学习模型,使其在源域尤其是目标域上获取不错的成绩。本发明采用的伪标签,能高效地利用大量的未标注数据去提升模型性能,然而模型训练产生的伪标签往往伴随着大量错误。很多算法为了抑制噪声而设定了一个高而固定的阈值来选取那些置信度高的伪标签。这种固定高阈值的伪标签算法存在一定问题:第一,不同类别在不同时期的学习难度是不同的,固定高阈值会导致简单的类被频繁选中,导致模型偏科精度不佳;第二,高阈值会使简单类以外的数据被过滤,减慢模型收敛。伪标签提出了阈值动态变化的进行伪标签标注的方式,根据类别难度给每个类不同的阈值,而且这些阈值可以随着模型的学习情况实时调整。
本发明基于概率论方法,建模了域差异与模型性能的关系,理论分析指出,想要获得源域与目标域上的加权经验风险最小化,需要分别最小化两个域各自的经验风险,同时需要最小化两个域的分布差异。据此,本发明设计了两大模块:域对齐模块和伪标签模块。前者先从数据采样中学习到的散度度量能力后,再去指导编码器学习域不变的特征空间,即在粗粒度上对齐两个域的分布差异;后者将源域中学到的知识适应到目标域数据上,在细粒度上对齐两个域的条件分布,为了进一步动态抑制伪标签的噪声还引入了类加权方法,它还可以对抗标签分布不均匀的问题。总体方案可以见图2,两个域的数据通过预训练初始化的特征提取器后,由域对齐模块指导特征提取器学习域不变特征,由伪标签模块给目标域数据动态地提供低噪声伪标签,最终这两部分的损失结合源域有标签数据共同进行反向传播更新模型。
两个域的数据经过特征提取器E(18层ResNet1D)后,将得到它们在特征空间中的表示。本发明提出用T函数用神经网络模拟,将上确界操作用训练求最大值代替,再代入两个域的特征可得具体可实现的散度估计,其计算表达式为:
其中θ表示此部分的可学习参数,T表示KL估计网络,和/>分别为源域数据集与目标域数据集。两个域的数据xs,xt进入网络E后先会训练T固定数量的epoch,期望网络输出的KL度量值越大越好;T的损失函数除了上式以外还可以加入梯度惩罚(GradientPenalty,GP)来提升稳定性。
散度估计网络T训练结束后需要固定其参数,可以将其视为一个损失函数,促使特征提取器E学习到使KL尽量小的参数。显然这个模块是一种对抗式的任务,可以综合表示为下式:
该模块的作用可以见图2,一定范围内,随着其权重变大两个域的总体分布差距在变小。
目标域的数据(分组)通过分类器网络C后,可以得到当前训练轮次中每个样本的伪标签和对应的置信度,但是该伪标签是否要去计算交叉熵损失取决于每个类各自的动态阈值。
根据已经打上的伪标签,按类别统计数量,再将各类别数除以最多的类的数量,即做一个最大值归一化,视为各个类的阈值比例;
每个类的接受阈值为一个固定置信度阈值(如80%)乘以该类的阈值比例。如此做,只有被打上了最多标签的类的阈值较高,难学习的类将会接收更多样本,防止模型偏科并加速收敛。该训练轮次中被打上高置信度伪标签的样本后会加入全局的标签库中,每个训练轮次的动态阈值都会受到之前训练轮次的影响,但是该全局库会在每个epoch开始时被清空。
根据被打上伪标签的样本及其伪标签,此时可以计算一个交叉熵损失。为了进一步抑制伪标签中的噪声,本发明又提出了类加权方法,即计算交叉熵损失值时每个样本按其所属类别进行加权:
/>
当前训练轮次数l下第c类的权重ωl(c)为该类的先验分布比例pprior(c)除以当前被分为该类的数量占已训练的目标域样本总数的比例即注意,被分为该类的统计独立于上述被打上伪标签的统计,该信息被存于另一个全局库中。
在获得散度损失后,根据获得的类权重和目标域中被打上伪标签的部分样本,再加上源域的数据及其标签,可以计算得到两个域的交叉熵损失,且二者都需要类权重的加权。综合可以表示为:
表1为本发明在多个数据集上和现有方法的性能对比,图中数据为辐射源的正确识别结果。
表1本发明在多个数据集上和现有方法的性能对比表
由表1可见,在现实数据集中,该发明在多种数据集上的准确率表现都优于已有的多种方法。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种跨接收机辐射源指纹识别方法,其特征在于,包括:
S1,利用第一接收机获取源域数据集,利用第二接收机获取目标域数据集;所述源域数据集,包括若干个与辐射源对应的源域信号和对应的标签信息;所述目标域数据集,包括若干个与辐射源对应的目标域信号;
S2,利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型;
S3,利用所述源域数据信息和目标域数据信息,对所述第二神经网络模型进行迭代训练,得到第四神经网络模型;
S4,利用所述第四神经网络模型对所述第二接收机的接收信号进行处理,得到辐射源指纹识别信息;所述辐射源指纹识别信息,用于指示所述第二接收机的接收信号所对应的辐射源信息。
2.如权利要求1所述的跨接收机辐射源指纹识别方法,其特征在于,所述利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型,包括:
S21,建立第一神经网络模型;所述第一神经网络模型,包括特征提取模块、分类器模块和散度估计模块;所述特征提取模块与分类器模块进行连接,所述特征提取模块与散度估计模块进行连接;
S22,利用所述源域数据集对第一神经网络模型进行预训练,得到第二神经网络模型。
3.如权利要求1所述的跨接收机辐射源指纹识别方法,其特征在于,所述利用所述源域数据信息和目标域数据信息,对所述第二神经网络模型进行迭代训练,得到第四神经网络模型,包括:
S31,利用所述第二神经网络模型的特征提取模块,对所述源域数据集和目标域数据集分别进行特征提取操作,得到源域特征信息和目标域特征信息;
S32,保持所述第二神经网络模型的特征提取模块和分类器模块的参数不变,利用所述源域特征信息和目标域特征信息,对所述第二神经网络模型的散度估计模块进行训练,得到更新的散度估计模块;
S33,利用所述更新的散度估计模块,对所述第二神经网络模型的散度估计模块进行替换处理,得到第三神经网络模型;
S34,保持所述第三神经网络模型的散度估计模块的参数不变,利用所述源域数据集和目标域数据集,对所述第三神经网络模型的特征提取模块和分类器模块进行训练,得到更新的特征提取模块和分类器模块;
S35,利用所述更新的特征提取模块和分类器模块,对所述第三神经网络模型的相应的特征提取模块和分类器模块,分别进行替换处理,得到第四神经网络模型。
4.如权利要求3所述的跨接收机辐射源指纹识别方法,其特征在于,所述利用所述源域特征信息和目标域特征信息,对所述第二神经网络模型的散度估计模块进行训练,得到更新的散度估计模块,包括:
S321,利用所述散度估计模块,对所述源域特征信息和目标域特征信息进行处理,得到散度函数值;
S322,以所述散度函数值最大为目标,对所述第二神经网络模型的散度估计模块进行参数更新,得到更新的散度估计模块;
所述散度函数值的计算表达式为:
其中,θT表示所述第二神经网络模型的散度估计模块的参数,表示所述源域数据集的第i个源域信号,ns表示所述源域数据集所包含的源域信号的个数,/>表示所述目标域数据集的第j个目标域信号,nt表示所述目标域数据集所包含的目标域信号的个数,/>表示将/>输入所述第二神经网络模型的特征提取模块的输出,/>表示将/>输入所述第二神经网络模型的特征提取模块的输出,/>表示将/>输入所述第二神经网络模型的散度估计模块的输出,/>表示将/>输入所述第二神经网络模型的散度估计模块的输出。
5.如权利要求3所述的跨接收机辐射源指纹识别方法,其特征在于,所述利用所述源域数据集和目标域数据集,对所述第三神经网络模型的特征提取模块和分类器模块进行训练,得到更新的特征提取模块和分类器模块,包括:
S341,设置训练阈值,对训练次数进行初始化;
S342,利用所述第三神经网络模型的特征提取模块,对所述源域数据集和目标域数据集分别进行处理,得到第一特征信息和第二特征信息;
S343,利用所述第三神经网络模型的散度估计模块,对所述第一特征信息和第二特征信息进行处理,得到第一损失量;
S344,对所述目标域数据集进行自适应阈值的标签预测处理,得到高置信度伪标签库和类权重向量;利用所述第三神经网络模型的分类器模块对所述高置信度伪标签库进行处理,得到第三特征信息;基于所述类权重向量,对所述第三特征信息和高置信度伪标签信息进行加权交叉熵计算,得到第二损失量;所述高置信度伪标签库,包括若干个高置信度伪标签信息;
S345,利用所述第三神经网络模型的分类器模块,对所述源域数据集进行处理,得到第四特征信息;对所述第四特征信息和所述源域数据集的标签信息,进行交叉熵计算,得到第三损失量;
S346,对第一损失量、第二损失量第三损失量进行累加处理,得到总损失量;
S347,以总损失量最小化为目标,对所述第三神经网络模型的特征提取模块和分类器模块的参数进行优化求解,得到更新的特征提取模块和分类器模块;
S348,使训练次数加1,判断所述训练次数,是否超过所述训练阈值,若未超过,执行S342;若超过,完成对所述第三神经网络模型的特征提取模块和分类器模块的训练。
6.如权利要求5所述的跨接收机辐射源指纹识别方法,其特征在于,所述对所述目标域数据集进行自适应阈值的标签预测处理,得到高置信度伪标签库和类权重向量,包括:
设置概率门限;
随机生成抽取比例,对所述目标域数据集随机抽取所述抽取比例的数据,得到本训练轮次的训练样本集合;所述训练样本集合,包括若干个样本数据;
利用所述第三神经网络模型的特征提取模块,对所述训练样本集合进行特征提取操作,得到训练特征集合;利用所述第三神经网络模型的分类器模块,对所述训练特征集合进行分类操作,得到预测概率向量集合;所述预测概率向量集合,包括每个样本数据的预测概率向量;所述样本数据的预测概率向量,用于表征所述样本数据对应于每个辐射源的发生概率;
对每个样本数据的预测概率向量进行检索处理,确定出其最大概率值对应的辐射源信息;利用所确定的辐射源信息和对应的概率值,构建得到所述样本数据的普通伪标签数据;
对每个样本数据进行高置信度判别处理,得到对应的高置信度伪标签数据;
利用所有样本数据的高置信度伪标签数据,构建得到高置信度伪标签库;利用所有样本数据的普通伪标签数据,构建得到普通伪标签库;
根据各类辐射源信息,对所述普通伪标签库进行统计处理,得到各类辐射源信息在所述普通伪标签库中的出现概率值;
利用每类辐射源信息的先验概率值,除以该类辐射源信息在所述普通伪标签库中的出现概率值,得到该类辐射源信息的权重值;
利用所有辐射源信息的权重值,构建得到类权重向量。
7.如权利要求6所述的跨接收机辐射源指纹识别方法,其特征在于,所述对每个样本数据进行高置信度判别处理,得到对应的高置信度伪标签数据,包括:
判断所述训练次数是否大于1,若所述训练次数大于1时,根据各类辐射源信息的样本分布概率,确定所述各类辐射源信息的类概率门限;根据所述样本数据的普通伪标签数据的辐射源信息,确定其对应的类概率门限;判断所述样本数据的普通伪标签数据的概率值,是否大于所述类概率门限,若大于所述类概率门限,确定所述样本数据的普通伪标签数据,为高置信度伪标签数据;若小于所述类概率门限,不进行操作;
若所述训练次数等于1时,判断所述样本数据的普通伪标签数据的概率值,是否大于所述概率门限,若大于所述概率门限,确定所述样本数据的普通伪标签数据,为高置信度伪标签数据;若小于所述预设概率门限,不进行操作。
8.如权利要求7所述的跨接收机辐射源指纹识别方法,其特征在于,所述根据各类辐射源信息的样本分布概率,确定所述各类辐射源信息的类概率门限,包括:
根据各类辐射源信息,对所述高置信度伪标签库进行统计处理,得到各类辐射源信息在所述高置信度伪标签库的出现概率值;
确定出所有类辐射源信息的最大出现概率值;
利用每类辐射源信息的出现概率值,除以所述最大出现概率值,得到该类辐射源信息的动态门限因子,利用所述动态门限因子与所述概率门限相乘,得到该类辐射源信息的类概率门限。
9.一种用于跨接收机辐射源指纹识别的数据处理装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1至8中任一项所述的跨接收机辐射源指纹识别方法。
10.本发明公开了一种计算机可存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1至8中任一项所述的跨接收机辐射源指纹识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186987.6A CN117113061B (zh) | 2023-09-14 | 2023-09-14 | 跨接收机辐射源指纹识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186987.6A CN117113061B (zh) | 2023-09-14 | 2023-09-14 | 跨接收机辐射源指纹识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113061A true CN117113061A (zh) | 2023-11-24 |
CN117113061B CN117113061B (zh) | 2024-02-23 |
Family
ID=88812795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311186987.6A Active CN117113061B (zh) | 2023-09-14 | 2023-09-14 | 跨接收机辐射源指纹识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113061B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544507A (zh) * | 2013-10-15 | 2014-01-29 | 中国矿业大学 | 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法 |
CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
CN112446423A (zh) * | 2020-11-12 | 2021-03-05 | 昆明理工大学 | 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法 |
CN112887243A (zh) * | 2021-01-12 | 2021-06-01 | 中国人民解放军火箭军工程大学 | 一种基于信号导频的射频指纹识别方法及系统 |
CN114943246A (zh) * | 2022-04-07 | 2022-08-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于双谱特征提取的半监督特定辐射源识别方法 |
CN115146670A (zh) * | 2022-05-30 | 2022-10-04 | 西安交通大学 | 基于数据增强和对比学习的射频指纹识别方法及系统 |
CN115169469A (zh) * | 2022-07-18 | 2022-10-11 | 中国人民解放军国防科技大学 | 基于深度子领域自适应的辐射源个体识别方法 |
US20230055760A1 (en) * | 2021-08-17 | 2023-02-23 | Maplebear Inc.(dba Instacart) | Training a classification model using labeled training data that does not overlap with target classifications for the classification model |
CN115935015A (zh) * | 2022-12-02 | 2023-04-07 | 京东科技信息技术有限公司 | 模型训练方法及装置、图分类方法及装置 |
US11657280B1 (en) * | 2022-11-01 | 2023-05-23 | Plusai, Inc. | Reinforcement learning techniques for network-based transfer learning |
CN116257750A (zh) * | 2022-11-09 | 2023-06-13 | 南京大学 | 一种基于样本增强和深度学习的射频指纹识别方法 |
-
2023
- 2023-09-14 CN CN202311186987.6A patent/CN117113061B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544507A (zh) * | 2013-10-15 | 2014-01-29 | 中国矿业大学 | 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法 |
CN111709315A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 一种基于领域适配的水声目标辐射噪声识别方法 |
CN112446423A (zh) * | 2020-11-12 | 2021-03-05 | 昆明理工大学 | 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法 |
CN112887243A (zh) * | 2021-01-12 | 2021-06-01 | 中国人民解放军火箭军工程大学 | 一种基于信号导频的射频指纹识别方法及系统 |
US20230055760A1 (en) * | 2021-08-17 | 2023-02-23 | Maplebear Inc.(dba Instacart) | Training a classification model using labeled training data that does not overlap with target classifications for the classification model |
CN114943246A (zh) * | 2022-04-07 | 2022-08-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 一种基于双谱特征提取的半监督特定辐射源识别方法 |
CN115146670A (zh) * | 2022-05-30 | 2022-10-04 | 西安交通大学 | 基于数据增强和对比学习的射频指纹识别方法及系统 |
CN115169469A (zh) * | 2022-07-18 | 2022-10-11 | 中国人民解放军国防科技大学 | 基于深度子领域自适应的辐射源个体识别方法 |
US11657280B1 (en) * | 2022-11-01 | 2023-05-23 | Plusai, Inc. | Reinforcement learning techniques for network-based transfer learning |
CN116257750A (zh) * | 2022-11-09 | 2023-06-13 | 南京大学 | 一种基于样本增强和深度学习的射频指纹识别方法 |
CN115935015A (zh) * | 2022-12-02 | 2023-04-07 | 京东科技信息技术有限公司 | 模型训练方法及装置、图分类方法及装置 |
Non-Patent Citations (3)
Title |
---|
XIONG ZHA等: "Unsupervised Radio Frequency Fingerprint Identification Based on Curriculum Learning", IEEE COMMUNICATIONS LETTERS, vol. 27, no. 4, pages 1170, XP011939243, DOI: 10.1109/LCOMM.2023.3248127 * |
杜贵琪: "基于人工智能的射频指纹识别技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 136 - 389 * |
袁杨鑫: "基于深度学习的无线设备射频指纹识别技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 136 - 202 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113061B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN109450834B (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
CN111444951B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
Shi et al. | Active deep learning attacks under strict rate limitations for online API calls | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
KR102073935B1 (ko) | 전파신호 변조인식시스템 | |
CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
CN113205140B (zh) | 基于生成式对抗网络的半监督式特定辐射源个体识别方法 | |
Gong et al. | Multi-task based deep learning approach for open-set wireless signal identification in ISM band | |
CN114764577A (zh) | 一种基于深度神经网络的轻量级调制识别模型及其方法 | |
Zhang et al. | A hybrid method for classification and identification of emitter signals | |
AGHABEIKI et al. | Machine-learning-based spectrum sensing enhancement for software-defined radio applications | |
CN117113061B (zh) | 跨接收机辐射源指纹识别方法和装置 | |
Zhang et al. | Machine learning based protocol classification in unlicensed 5 GHz bands | |
Baboukani et al. | Estimation of directed dependencies in time series using conditional mutual information and non-linear prediction | |
CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN114511760B (zh) | 一种样本均衡方法、装置、设备及存储介质 | |
Chen et al. | SVM and decision stumps based hybrid AdaBoost classification algorithm for cognitive radios | |
CN115170838A (zh) | 一种数据筛选方法及装置 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
CN114912482A (zh) | 辐射源的识别方法及装置 | |
Liu et al. | Specific emitter identification at different time based on multi-domain migration | |
Bezruk et al. | Detection and recognition of signals in HF radio monitoring |
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 |