CN117150265B - 一种低信噪比条件下鲁棒的射频信号开集识别方法 - Google Patents

一种低信噪比条件下鲁棒的射频信号开集识别方法 Download PDF

Info

Publication number
CN117150265B
CN117150265B CN202311044511.9A CN202311044511A CN117150265B CN 117150265 B CN117150265 B CN 117150265B CN 202311044511 A CN202311044511 A CN 202311044511A CN 117150265 B CN117150265 B CN 117150265B
Authority
CN
China
Prior art keywords
sample
feature
ood
distance
class
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.)
Active
Application number
CN202311044511.9A
Other languages
English (en)
Other versions
CN117150265A (zh
Inventor
朱磊
陈昱帆
俞璐
程凯欣
郑翔
曾维军
周星宇
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202311044511.9A priority Critical patent/CN117150265B/zh
Publication of CN117150265A publication Critical patent/CN117150265A/zh
Application granted granted Critical
Publication of CN117150265B publication Critical patent/CN117150265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/21—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (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)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种低信噪比条件下鲁棒的射频信号开集识别方法。首先训练ResNet‑18模型，并选取其倒数第二层作为特征提取器；取样本点大于1000的随机噪声输入特征提取器，并取噪声特征的均值为特征空间奇点FSS；计算训练数据中所有已知类别的子空间；实际应用中，首先得到接收样本的特征，计算与已知子空间的最小距离；计算接收样本的特征到FSS的距离；用最小距离与特征到FSS的距离做比值并与预设阈值进行比较，大于阈值为OOD样本，小于则为ID样本。本发明提出一种有效的OOD打分函数：FSS‑IDS，该方法的比值设计巧妙地提高了ID样本和OOD样本特征在所提打分函数上的区分度；更为重要的是，本发明在低信噪比下相较于现有方法更为鲁棒，且不会影响ID类别的识别准确率。

Description

一种低信噪比条件下鲁棒的射频信号开集识别方法
技术领域
本发明属于射频信号检测识别技术领域，特别是涉及一种低信噪比条件下鲁棒的射频信号开集识别方法。
背景技术
射频信号识别在军事电子对抗和民用认知无线电中具有广泛的应用价值。射频信号识别可以实现远距离，非视距检测预警，因此研究射频信号智能识别技术对军事安全具有重要意义。基于深度学习的射频信号识别相较于传统方法，能够实现更准确、高效的识别。然而深度学习方法往往假设训练数据与测试数据共享相同的分布，即闭集假设，但实际场景中，不能假设射频识别系统面临的信号均属于训练数据中包含的类别，往往会面临分布外的信号数据，但基于闭集假设的深度学习模型会将分布外数据预测为已知类别，这可能会导致巨大的损失。因此实际场景给基于深度学习的射频信号识别方法带来了严峻的挑战。除此之外，射频信号识别系统往往担负着远距离预警的重任，远距离通常意味着接收信号的信噪比较低，因此本发明能够赋予射频信号识别系统在低信噪比条件下自动检测分布外样本的能力。
近年来，开集识别技术在通信信号处理领域也已经得到了关注，2021年信号处理国际顶级期刊“IEEE Transactions on Signal Processing”发表了一篇射频信号开集识别的相关研究工作：“DongY,Jiang X,Zhou H,et al.SR2CNN:Zero-Shot Learning forSignal Recognition[J].2020.DOI:10.1109/TSP.2021.3070186.”该工作考虑了实际场景中有未知类别的射频信号出现时如何检测和分类。2023年文献“An Open-Set ModulationRecognition Scheme with Deep Representation Learning[J].IEEE CommunicationsLetters,2023.”从信号特征空间的角度设计了一种基于极值理论的方法，能够实现可靠的射频信号开集识别。然而，现有研究大多在高信噪比条件下开展，这些方法在低信噪比场景下往往难以取得令人满意的性能。但实际场景中射频信号识别系统往往需要工作在低信噪比条件下，因此这些算法难以满足实用化的需求，本发明着眼于这一实际问题，从相关交叉领域出发，提出了一种简单有效且能够工作在低信噪比条件下的开集识别方法。定义下文中分布内(In-distribution，ID)样本为ID样本，分布外(Out-of-distribution，OOD)样本为OOD样本。
开集识别算法的核心是通过捕捉ID样本和OOD样本的不同属性，从而尽可能在某一距离度量下区分它们。受文献“Feature Space Singularity for Out-of-DistributionDetection”的启发，本发明深入研究了ID样本和OOD样本在神经网络中间层的特征表示，发现使用一个训练完成的深度学习模型进行测试时，OOD样本的特征聚集于“特征空间奇点”附近，而ID样本不具有这种特性，且该特性对信噪比不敏感。因此本发明利用了OOD样本距离其最近的ID类别子空间的距离大于该ID类别样本到其子空间的距离，而OOD样本到特征空间奇点的距离小于ID样本到特征空间奇点的距离这两种特性，巧妙地进行了比值设计，提出了一种新颖的射频信号开集识别算法。同时，特征空间奇点距离对信噪比不敏感，因此本发明在低信噪比条件下也有着鲁棒的性能。本方法涉及到特征空间奇点于子空间距离，因此定义该方法为FSS-IDS。
发明内容
本发明目的在于解决实际应用中，现有射频信号开集识别算法在低信噪比条件下性能差的问题，提供一种在低信噪比条件下鲁棒的射频信号开集识别方法。
为了实现本发明目的，本发明公开了一种低信噪比条件下鲁棒的射频信号开集识别方法，所提方法是一种简单有效的，事后分析的方案，不需要对中间层的特征进行任何的处理，因此不会影响已知类别的识别准确率，包括以下步骤：
步骤1、初始化深度残差网络ResNet-18参数，训练完成后，得到参数固定的深度残差网络模型，并选取该模型的倒数第二层作为特征提取器；
步骤2、取样本点大于1000的随机噪声输入进入模型的倒数第二层，并取噪声特征的均值为特征空间奇点；
步骤3、计算训练数据中所有已知类别的特征中心；
步骤4、通过主成分分析法PCA计算所有已知类别的子空间转换矩阵；
步骤5、实际应用过程中，通过神经网络得到接收样本的特征，计算与每个已知类别的子空间的距离，并得到最小距离；
步骤6、计算传感器接收样本产生的特征到特征空间奇点之间的距离；
步骤7、用步骤5中得到的最小距离与步骤6中得到的特征到特征空间奇点之间的距离做比值，将比值与预先设定的阈值进行比较，大于阈值则为OOD样本，小于阈值则为ID样本。
进一步地，步骤1具体为：初始化深度残差网络参数，通过训练数据X对分类器进行训练，训练完成后，得到参数固定的深度残差网络模型，并选取该模型得倒数第二层f作为特征提取器，该层参数为θ1。
进一步地，步骤2中，取N个随机噪声xnoise输入进入f，得到特征空间奇点为N个随机噪声特征的均值具体计算过程为：
进一步地，步骤3中，计算训练数据中所有已知类别的特征中心，即得到第i类的特征中心为μi，具体计算过程为：
其中，ni表示第i类训练数据的样本总数，表示第i类训练数据的第j个样本，/>表示该样本的特征。
进一步地，步骤4中，通过主成分分析法计算所有已知类别的子空间转换矩阵，即得到第i类的特征子空间转换矩阵为Pi。
进一步地，步骤5中，实际应用过程时，传感器接收到的样本为xte，输入进入f，并计算与每个已知类别的子空间的距离dsub，并得到最小距离；计算距离时，需要减去每个已知类别的均值特征，以消除特征向量在子空间上的平移分量的影响：
其中，为测试样本xte在经过消除平移分量之后得到的特征，μi表示第i类的特征中心。
测试样本特征到第i类别子空间的距离能够计算为：
其中，Pi为第i类别子空间转换矩阵。
进一步地，计算xte产生的特征到特征奇点之间的距离dFSSd为：
其中，为特征空间奇点，通过公式(1)得到。
进一步地，步骤7中，用步骤5中得到的dsub并求其最小距离与步骤6中得到的dFSSd做比值得到xte样本的OOD得分，并于预先设定的阈值进行比较，大于阈值则为OOD样本，小于阈值则为ID样本，具体计算公式为：
其中，dFSS-IDS为本发明提出的OOD打分函数，表示消除了在第c类子空间上平移分量的特征，Pc表示第c类子空间的特征转换矩阵。分母部分为dFSSd；
进一步根据预先设定的阈值t来判断样本xte是否为OOD样本：
其中J(xte；t)为判决函数，当测试样本xte输出打分函数得到的值大于t时，判断该样本为OOD样本，小于阈值则为ID样本。
与现有技术相比，本发明的显著进步在于：1)本发明结合OOD样本与ID样本在特征空间中的两种不同特性：OOD样本距离其最近的ID类别子空间的距离大于该ID类别样本到其子空间的距离，而OOD样本到特征空间奇点的距离小于ID样本到特征空间奇点的距离，提出一种简单有效的OOD打分函数：FSS-IDS；FSS-IDS中的比值设计进一步提高了ID样本和OOD样本特征在所提打分函数上的区分度；更为重要的是，本发明在低信噪比下相较于现有方法更为鲁棒；2)本发明为简单有效的事后处理方案，不需要对神经网络的中间层特征进行任何的处理，因此不会影响ID类别的识别准确率。
为更清楚说明本发明的功能特性以及结构参数，下面结合附图及具体实施方式进一步说明。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是测试样本特征到已知类特征子空间和到特征中心的距离示意图；
图2是在信噪比为0dB条件下的接受者操作特征曲线示意图；
图3是在信噪比为0dB条件下的召回率-精度曲线示意图；
图4是使用图像数据集对本发明的验证示意图，图示为接受者操作特征曲线；
图5是使用含噪图像数据集对本发明的验证示意图，图示为接受者操作特征曲线；
图6是本发明整体流程示意图。
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。
如图6所示，一种低信噪比条件下鲁棒的射频信号开集识别方法，包括以下步骤：
步骤1、初始化深度残差网络ResNet-18参数，训练完成后，得到参数固定的深度残差网络模型，并选取该模型的倒数第二层作为特征提取器；
步骤2、取样本点大于1000的随机噪声输入进入模型的倒数第二层，并取噪声特征的均值为特征空间奇点；
步骤3、计算训练数据中所有已知类别的特征中心；
步骤4、通过主成分分析法PCA计算所有已知类别的子空间转换矩阵；
步骤5、实际应用过程中，通过神经网络得到接收样本的特征，计算与每个已知类别的子空间的距离，并得到最小距离；
步骤6、计算传感器接收样本产生的特征到特征空间奇点之间的距离；
步骤7、用步骤5中得到的最小距离与步骤6中得到的特征到特征空间奇点之间的距离做比值，将比值与预先设定的阈值进行比较，大于阈值则为OOD样本，小于阈值则为ID样本。
进一步地，步骤1具体为：初始化深度残差网络参数，通过训练数据X对分类器进行训练，训练完成后，得到参数固定的深度残差网络模型，并选取该模型得倒数第二层f作为特征提取器，该层参数为θ1。
进一步地，步骤2中，取N个随机噪声xnoise输入进入f，得到特征空间奇点为N个随机噪声特征的均值具体计算过程为：
进一步地，步骤3中，计算训练数据中所有已知类别的特征中心，即得到第i类的特征中心为μi，具体计算过程为：
其中，ni表示第i类训练数据的样本总数，表示第i类训练数据的第j个样本，/>表示该样本的特征。
进一步地，步骤4中，通过主成分分析法计算所有已知类别的子空间转换矩阵，即得到第i类的特征子空间转换矩阵为Pi。
进一步地，步骤5中，实际应用过程时，传感器接收到的样本为xte，输入进入f，并计算与每个已知类别的子空间的距离dsub，并得到最小距离；计算距离时，需要减去每个已知类别的均值特征，以消除特征向量在子空间上的平移分量的影响：
其中，为测试样本xte在经过消除平移分量之后得到的特征，μi表示第i类的特征中心。
测试样本特征到第i类别子空间的距离能够计算为：
其中，Pi为第i类别子空间转换矩阵。
进一步地，计算xte产生的特征到特征奇点之间的距离dFSSd为：
其中，为特征空间奇点，通过公式(1)得到。
进一步地，步骤7中，用步骤5中得到的dsub并求其最小距离与步骤6中得到的dFSSd做比值得到xte样本的OOD得分，并于预先设定的阈值进行比较，大于阈值则为OOD样本，小于阈值则为ID样本，具体计算公式为：
其中，dFSS-IDS为本发明提出的OOD打分函数，表示消除了在第c类子空间上平移分量的特征，Pc表示第c类子空间的特征转换矩阵。分母部分为dFSSd；
进一步根据预先设定的阈值t来判断样本xte是否为OOD样本：
其中J(xte；t)为判决函数，当测试样本xte输出打分函数得到的值大于t时，判断该样本为OOD样本，小于阈值则为ID样本。
步骤1中提到的使用网络的倒数第二层作为特征提取器是合理的。OOD检测的研究主要通过捕获ID和OOD样本在某一特征域内的不同特性来实现。因此方法一般分为三大类：基于Softmax概率向量的方法，基于Logit的方法和基于特征空间的方法。其中Softmax层为神经网络的分类层，通过对Logit进行Softmax操作来得到。Logit是通过一个全连接层将倒数第二层的特征进行降维转换得到。因此基于特征空间的方法保留了有效的特征信息，这些信息对于区分OOD和ID样本是有利的。所以本发明利用倒数第二层提取的特征进行操作。
结合图1，对权利要求书中使用测试样本到最近邻子空间的距离的动机进行解释：
步骤5中提到计算测试样本到最近的已知类的子空间距离作为构成本发明方法的一个要素是合理的。如图1所示，如果这个测试样本为ID样本，但是其距离特征中心较远，而另一个测试样本为OOD样本，其距离特征中心较近，那么如果只使用到特征中心的距离会将OOD样本判断为ID样本，则会出现漏警的现象。但即使该OOD样本到特征中心的距离较近，其难以位于ID子空间上，即距离ID子空间较远。因此计算测试样本到最近的已知类的子空间距离更为合理，能够避免产生漏警。
如图2所示，图2是本发明方法得到的在信噪比为0dB条件下的接受者操作特征曲线以及与现有几种方法的对比。其中横轴False Positive Rate表示假阳性率，纵轴TruePositive Rate表示真阳性率。
曲线包围的面积越大，则表示性能越好，由图2可见，在多种先进方法对比中，本发明所提方法效果最优。0dB条件下，FSS-IDS性能优于对比方法，本发明所提FSS-IDS方法利用了特征空间奇点距离对信噪比不敏感的优势，在低信噪比条件下取得了更为鲁棒的性能。
如图3所示，图3是本发明方法得到的召回率-精度曲线以及与现有几种方法的对比。其中横轴recall表示召回率，纵轴precision表示精度。
召回率-精度曲线展示了开集识别方法在不同阈值下的精准率和召回率，在类别不均衡的情况下该指标能够更加准确地衡量不同开集识别的性能，曲线包围面积越大，证明性能越好。由图3可见，在多种先进方法对比中，本发明所提方法效果最优。
为了保证发明的通用性，在图像开源数据集MNIST和Fashion MNIST上对方法进行了进一步验证，其中训练集为Fashion MNIST，多次随机选择MNIST中的类别作为未知样本，即OOD样本，展示的结果为多次实验的平均值。
如图4所示，图4是本发明方法在图像数据集上得到的接受者操作特征曲线以及与现有几种方法的对比。其中横轴False Positive Rate表示假阳性率，纵轴True PositiveRate表示真阳性率。
由图4可见，在多种先进方法对比中，本发明所提方法效果最优。证明了本发明在图像数据集上的有效性，也证明了本发明的通用性。
如图5所示，图5是本发明方法在含噪声图像数据集上得到的接受者操作特征曲线以及与现有几种方法的对比。其中横轴false positive rate表示假阳性率，纵轴truepositive rate表示真阳性率。
由图5可见，在含噪声的图像数据集中，本发明所提方法仍优于现有方法。进一步证明了本发明在图像数据集上的有效性和通用性。
最后，发明人在不同信噪比下将发明与现有方法进行比较，结果如表1所示。
表1在不同信噪比下多种方法的性能对比示意表
如表1所示，本发明在低信噪比条件下仍获得最优的性能，而对比方法在低信噪比条件下不够鲁棒。射频信号识别一般应用于远距离检测预警任务中，因此通常需要工作在低信噪比条件下，因此本发明相较于现有方法更实用。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种低信噪比条件下鲁棒的射频信号开集识别方法，其特征在于，包括以下步骤：
步骤1、初始化深度残差网络ResNet-18参数，训练完成后，得到参数固定的深度残差网络模型，并选取该模型的倒数第二层作为特征提取器；
步骤2、取样本点大于1000的随机噪声输入进入模型的倒数第二层，并取噪声特征的均值为特征空间奇点；
步骤3、计算训练数据中所有已知类别的特征中心；
步骤4、通过主成分分析法PCA计算所有已知类别的子空间转换矩阵；
步骤5、通过神经网络得到接收样本的特征，计算与每个已知类别的子空间的距离，并得到最小距离；
步骤6、计算传感器接收样本产生的特征到特征空间奇点之间的距离；
步骤7、用步骤5中得到的最小距离与步骤6中得到的特征到特征空间奇点之间的距离做比值，将比值与预先设定的阈值进行比较，大于阈值则为OOD样本，小于阈值则为ID样本；
步骤1具体为：初始化深度残差网络参数，通过训练数据X对分类器进行训练，训练完成后，得到参数固定的深度残差网络模型，并选取该模型得倒数第二层f作为特征提取器，该层参数为θ1；
步骤2中，取N个随机噪声xnoise输入进入f，得到特征空间奇点为N个随机噪声特征的均值具体计算过程为：
步骤3中，计算训练数据中所有已知类别的特征中心，即得到第i类的特征中心为μi，具体计算过程为：
其中，ni表示第i类训练数据的样本总数，表示第i类训练数据的第j个样本，表示该样本的特征；
步骤4中，通过主成分分析法计算所有已知类别的子空间转换矩阵，即得到第i类的特征子空间转换矩阵为Pi；
步骤5中，实际应用过程时，传感器接收到的样本为xte，输入进入f，并计算与每个已知类别的子空间的距离dsub，并得到最小距离；计算距离时，需要减去每个已知类别的均值特征，以消除特征向量在子空间上的平移分量的影响：
其中，为测试样本xte在经过消除平移分量之后得到的特征，μi表示第i类的特征中心；
测试样本特征到第i类别子空间的距离能够计算为：
其中，Pi为第i类别子空间转换矩阵。
2.根据权利要求1所述的一种低信噪比条件下鲁棒的射频信号开集识别方法，其特征在于，步骤6中，计算xte产生的特征到特征奇点之间的距离dFSSd为：
其中，为特征空间奇点。
3.根据权利要求2所述的一种低信噪比条件下鲁棒的射频信号开集识别方法，其特征在于，步骤7中，用步骤5中得到的dsub并求其最小距离与步骤6中得到的dFSSd做比值得到xte样本的OOD得分，并于预先设定的阈值进行比较，大于阈值则为OOD样本，小于阈值则为ID样本，具体计算公式为：
其中，dFSS-IDS为OOD打分函数，表示消除了在第c类子空间上平移分量的特征，Pc表示第c类子空间的特征转换矩阵；分母部分为dFSSd；
进一步根据预先设定的阈值t来判断样本xte是否为OOD样本：
其中J(xte；t)为判决函数，当测试样本xte输出打分函数得到的值大于t时，判断该样本为OOD样本，小于阈值则为ID样本。
CN202311044511.9A 2023-08-17 2023-08-17 一种低信噪比条件下鲁棒的射频信号开集识别方法 Active CN117150265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311044511.9A CN117150265B (zh) 2023-08-17 2023-08-17 一种低信噪比条件下鲁棒的射频信号开集识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311044511.9A CN117150265B (zh) 2023-08-17 2023-08-17 一种低信噪比条件下鲁棒的射频信号开集识别方法

Publications (2)

Publication Number Publication Date
CN117150265A CN117150265A (zh) 2023-12-01
CN117150265B true CN117150265B (zh) 2024-05-17

Family

ID=88885906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311044511.9A Active CN117150265B (zh) 2023-08-17 2023-08-17 一种低信噪比条件下鲁棒的射频信号开集识别方法

Country Status (1)

Country Link
CN (1) CN117150265B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052126A (zh) * 2021-04-08 2021-06-29 北京理工大学 一种基于深度学习的双阈值开集信号调制识别方法
CN113705446A (zh) * 2021-08-27 2021-11-26 电子科技大学 一种面向辐射源个体的开集识别方法
KR102415975B1 (ko) * 2021-07-23 2022-06-30 국방과학연구소 다중 레이블 아웃라이어 검출 방법 및 신호 송출원 식별 모델 확장 방법
CN115687998A (zh) * 2022-10-27 2023-02-03 常州大学 一种基于信号的开集增量识别模型的轴承状态监测方法
CN115913850A (zh) * 2022-11-18 2023-04-04 中国电子科技集团公司第十研究所 一种基于残差网络的开集调制识别方法
CN116113952A (zh) * 2020-08-25 2023-05-12 华为技术有限公司 用于图像的属于分布内度量的分布之间的距离
CN116578913A (zh) * 2023-03-31 2023-08-11 中国人民解放军陆军工程大学 一种面向复杂电磁环境的可靠无人机检测识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116113952A (zh) * 2020-08-25 2023-05-12 华为技术有限公司 用于图像的属于分布内度量的分布之间的距离
CN113052126A (zh) * 2021-04-08 2021-06-29 北京理工大学 一种基于深度学习的双阈值开集信号调制识别方法
KR102415975B1 (ko) * 2021-07-23 2022-06-30 국방과학연구소 다중 레이블 아웃라이어 검출 방법 및 신호 송출원 식별 모델 확장 방법
CN113705446A (zh) * 2021-08-27 2021-11-26 电子科技大学 一种面向辐射源个体的开集识别方法
CN115687998A (zh) * 2022-10-27 2023-02-03 常州大学 一种基于信号的开集增量识别模型的轴承状态监测方法
CN115913850A (zh) * 2022-11-18 2023-04-04 中国电子科技集团公司第十研究所 一种基于残差网络的开集调制识别方法
CN116578913A (zh) * 2023-03-31 2023-08-11 中国人民解放军陆军工程大学 一种面向复杂电磁环境的可靠无人机检测识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Boosting Open-Set RF Signal Recognition Under Low SNR Condition in Feature Space;Yufan Chen et.al;IEEE COMMUNICATIONS LETTERS;20240111;627-631 *
Feature Space Singularity for Out-of-Distribution Detection;Haiwen Huang et.al;arXiv:2011.14654v2 [stat.ML];20201216;1-10 *
基于卷积原型网络的通信辐射源 个体开集识别方法;刘人玮 等;信息工程大学学报;20230430;第24卷(第2期);140-149 *

Also Published As

Publication number Publication date
CN117150265A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN111649817A (zh) 一种分布式光纤振动传感器系统及其模式识别方法
CN109002848B (zh) 一种基于特征映射神经网络的弱小目标检测方法
CN111144522B (zh) 一种基于硬件本征差异的电网nfc设备指纹认证方法
CN108198561A (zh) 一种基于卷积神经网络的翻录语音检测方法
CN108924756A (zh) 基于WiFi双频带的室内定位方法
CN109871805B (zh) 一种电磁信号开集识别方法
CN108197581B (zh) 一种基于改进AC-WGANs的无人机信号识别检测方法
CN110290466B (zh) 楼层判别方法、装置、设备及计算机存储介质
CN113052126B (zh) 一种基于深度学习的双阈值开集信号调制识别方法
CN115546608A (zh) 一种无人机数据链电磁干扰分类和威胁评估方法
CN113191224A (zh) 一种无人机信号提取和识别方法、系统
CN115508821A (zh) 一种多源融合无人机智能探测系统
CN110764152B (zh) 一种无人机快速检测与识别的装置及方法
KR102407834B1 (ko) 긴 펄스 레이더 신호의 속성 기반 분류 방법 및 장치
Medaiyese et al. Semi-supervised learning framework for UAV detection
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN118151119A (zh) 一种面向检索任务的毫米波雷达开集步态识别方法
CN117150265B (zh) 一种低信噪比条件下鲁棒的射频信号开集识别方法
CN111934797B (zh) 基于协方差特征值和均值漂移聚类的协作频谱感知方法
CN117095254A (zh) 基于分层自编码器的开放集射频指纹识别方法
CN114168788A (zh) 音频审核的处理方法、装置、设备及存储介质
CN116227172A (zh) 一种基于卷积神经网络的滚动轴承性能退化评估方法
CN114818845A (zh) 一种噪声稳健的高分辨距离像特征选择方法
CN112712046A (zh) 一种基于设备硬件指纹的无线充电设备认证方法
CN112529035A (zh) 识别不同电台个体种类的智能识别方法

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