CN117874487A - 一种未知辐射源识别方法、装置、设备及可读存储介质 - Google Patents
一种未知辐射源识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117874487A CN117874487A CN202311701877.9A CN202311701877A CN117874487A CN 117874487 A CN117874487 A CN 117874487A CN 202311701877 A CN202311701877 A CN 202311701877A CN 117874487 A CN117874487 A CN 117874487A
- Authority
- CN
- China
- Prior art keywords
- feature
- radiation source
- loss function
- vector
- 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
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 136
- 230000006870 function Effects 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 84
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 74
- 238000005457 optimization Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 230000008485 antagonism Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 108020001568 subdomains Proteins 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及辐射源识别技术领域,涉及一种未知辐射源识别方法、装置、设备及可读存储介质,所述方法包括获取辐射源信息和预设的对抗神经网络模型;将辐射源信息进行特征提取,得到特征向量;根据特征向量划分训练集和测试集,并根据训练集确定锚样本、正样本和负样本;根据锚样本、正样本和负样本对预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;根据第一损失函数、测试集和训练集对预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;将每个客户端训练后的对抗神经网络模型进行联邦学习,得到全局模型,本发明对神经网络的损失函数进行优化,提高了训练集中样本特征的聚集性,使神经网络的识别精度更高。
Description
技术领域
本发明涉及辐射源识别技术领域,具体而言,涉及一种未知辐射源识别方法、装置、设备及可读存储介质。
背景技术
随着科学技术的飞速发展,现代战争已经从冷热武器时代发展到信息时代,战争范围已经从物理空间扩展到电磁网络空间。电子战已成为一个热门话题,包括收集大量信息和根据接收到的数据分析对手的威胁级别,特定辐射源识别作为一种主要的侦察方法,越来越受到人们的关注,在现代战场上发挥着至关重要的作用,现有技术中,一般采用深度学习的方法对辐射源进行识别,但是传统的深度学习中大多数框架主要支持闭集特定辐射源识别,其中训练集中的分类类别必须与测试集中的分类分类类别完全相同。然而,在电磁网络战的背景下,闭集识别方法难以实现对未知辐射源的识别。
发明内容
本发明的目的在于提供一种未知辐射源识别方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种未知辐射源识别方法,所述方法包括:
获取辐射源信息和预设的对抗神经网络模型,所述辐射源信息为至少一个客户端接收的辐射源对应的同相正交信号;
将所述辐射源信息进行特征提取,得到特征向量;
根据所述特征向量划分训练集和测试集,并根据所述训练集确定锚样本、正样本和负样本;
根据所述锚样本、所述正样本和所述负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;
根据所述第一损失函数、所述测试集和所述训练集对所述预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;
将每个客户端所述训练后的对抗神经网络模型进行联邦学习,得到全局模型,所述全局模型用于对辐射源进行识别。
第二方面,本申请实施例提供了一种未知辐射源识别装置,所述装置包括:
获取模块,用于获取辐射源信息和预设的对抗神经网络模型,所述辐射源信息为至少一个客户端接收的辐射源对应的同相正交信号;
第一处理模块,用于将所述辐射源信息进行特征提取,得到特征向量;
第二处理模块,用于根据所述特征向量划分训练集和测试集,并根据所述训练集确定锚样本、正样本和负样本;
第三处理模块,用于根据所述锚样本、所述正样本和所述负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;
训练模块,用于根据所述第一损失函数、所述测试集和所述训练集对所述预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;
第四处理模块,用于将每个客户端所述训练后的对抗神经网络模型进行联邦学习,得到全局模型,所述全局模型用于对辐射源进行识别。
第三方面,本申请实施例提供了一种未知辐射源识别设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述未知辐射源识别方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述未知辐射源识别方法的步骤。
本发明的有益效果为:
本发明通过接受多个客户端的辐射源信号作为数据集,并将数据集进一步划分为训练集和测试集,采用第一损失函数对对抗神经网络模型的损失函数进行优化,可以提高训练集中样本特征的聚集性,使测试集的已知类样本能更精确的与训练集中样本对齐,同时减小未知类别与已知类别混合的概率,从而提高对抗神经网络模型的识别精度。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的未知辐射源识别方法流程示意图。
图2为本发明实施例中所述的未知辐射源识别装置结构示意图。
图3为本发明实施例中所述的未知辐射源识别设备结构示意图。
图中标注:901、获取模块;902、第一处理模块;903、第二处理模块;904、第三处理模块;905、训练模块;906、第四处理模块;9021、第一处理单元;9022、第二处理单元;9023、第三处理单元;9024、第四处理单元;9041、第一获取单元;9042、第一计算单元;9043、第一优化单元;9044、第二获取单元;9045、第二计算单元;9046、第三计算单元;9047、第四计算单元;9048、第五处理单元;9049、第六处理单元;90491、第七处理单元;90492、第八处理单元;90493、第二优化单元;904921、第九处理单元;904922、第十处理单元;904923、第十一处理单元;904924、第十二处理单元;800、未知辐射源识别设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种未知辐射源识别方法,可以理解的是,在本实施例中可以铺设一个场景,例如:对客户端接收到的辐射源信号进行识别的场景。
参见图1,图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5以及步骤S6,其中具体包括:
步骤S1、获取辐射源信息和预设的对抗神经网络模型,所述辐射源信息为至少一个客户端接收的辐射源对应的同相正交信号;
在本步骤中,由于传统的机器学习方法是基于集中式的,但是由于辐射源数据集的私有性,而且辐射源数据集常常分布在不同组织之间,辐射源数据集是分布式的,因此,本申请通过结合联邦学习允许多个客户端在没有数据集交换的情况下合作进行模型训练。
步骤S2、将所述辐射源信息进行特征提取,得到特征向量;
在本步骤中,对辐射源信息进行特征提取前还需要对辐射源信息进行归一化处理,本申请采用最大最小值归一化方法对辐射源信息进行归一化处理。
在所述步骤S2中还包括步骤S21、步骤S22、步骤S23以及步骤S24,其中具体包括:
步骤S21、将所述辐射源信息发送至输入层,得到第一特征向量,所述输入层包括第一卷积核和第二卷积核,所述第一卷积核大于所述第二卷积核;
在本步骤中,第一卷积核为1X7的卷积核,第二卷积核为1X5的卷积和,输入层由一个1×7与一个1×5的卷积核组成,卷积核感受野较大,可以从输入信号中提取浅层特征。
步骤S22、将所述第一特征向量发送至第一残差模块,得到第二特征向量;
在本步骤中,第一残差模块由两个1X7的卷积核连接构成,可以对信号进行降维。
步骤S23、将所述第二特征向量发送至特征提取层,得到第三特征向量,所述特征提取层包括两个连接的残差模块;
在本步骤中,两个残差模块中的第一个卷积层用于对信号进行降维,第二个卷积层用于对信号的特征进行提取。
步骤S24、将所述第三特征向量发送至第二残差模块,得到特征向量。
在本步骤中,第二残差模块与第一残差模块的结构相同。
步骤S3、根据所述特征向量划分训练集和测试集,并根据所述训练集确定锚样本、正样本和负样本;
步骤S4、根据所述锚样本、所述正样本和所述负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;
在传统的辐射源识别方法中现有的分类网络结构分类准确率不高,导致源域不能为目标域分类提供强有力的引导,因而目标域分类准确率不高。为了提升源域的分类准确率,就需要进一步提升源域不同类别样本间的可区分性,因此需要对分类器的损失函数进一步优化。
在所述步骤S4中还包括步骤S41、步骤S42以及步骤S43,其中具体包括:
步骤S41、获取预设的损失函数,所述预设的损失函数为标准交叉熵损失函数;
在本步骤预设的损失函数具体为:
上式中,M表示每批次输入网络的辐射源信号样本数目,Lcel表示标准交叉熵损失,表示训练集的第i个样本,/>表示第i个样本对应的标签,G表示分类器。
步骤S42、根据所述锚样本、所述正样本和所述负样本计算三元损失函数的损失值;
在本步骤中,利用锚样本、所述正样本和所述负样本计算三元损失函数的损失值具体为:
上式中,d(·)表示距离计算函数,f(A)为锚样本,f(p)为正样本,f(N)为负样本,margintri为一个常量,本公式的意义为负样本到锚样本的距离与正样本到锚样本的距离的差值要大于margintri,从而控制不同类别样本间的可区分性。
步骤S43、根据所述三元损失函数的损失值对所述预设的损失函数进行优化,得到第一损失函数。
在本步骤中,第一损失函数具体为:
上式中,M表示每批次输入网络的辐射源信号样本数目,Lcel表示标准交叉熵损失,G,表示分类器,表示训练集的第i个样本,/>表示第i个样本对应的标签,α为比例因子,用于平衡网络的分类性能与聚类性能,当α<1,网络更注重分类,当α>1,网络更注重聚类,Ltri(·)表示三元损失函数的损失,决定网络的聚类性能,/>表示在本批次样本中构造的三元组集合,A表示锚样、p表示正样本,N表示负样本。
在所述步骤S43之后还包括步骤S44、步骤S45、步骤S46、步骤S47、步骤S48以及步骤S49,其中具体包括:
步骤S44、获取特征空间的特征中心向量,所述特征空间的特征中心向量对应训练集中的一个样本类别;
在本步骤中,初始化一个特征向量列表,其中的特征向量表示训练集中每类样本特征空间的中心向量,如下式:
上式中,FC为特征向量列表,分别对应训练集中每类样本特征空间的中心向量。
步骤S45、对预设的对抗神经网络模型进行i次迭代训练后,计算所述特征空间的中心向量的均值,得到第一特征中心向量;
在本步骤中,训练开始前特征中心向量为一个全1的向量,在开始训练后,基于每批次训练集样本的特征向量与类标签对旧的中心向量进行更新。若将每个批次的训练当作一次迭代训练,对于第i次迭代的第k类样本,从该批次样本的特征中选出其特征向量,求均值后得到第i次迭代中第k类的特征中心向量其中具体计算过程为:
上式中,为第i次迭代中第k类的特征中心向量的均值即第一特征中心向量,mk表示第i次迭代所包含的第k类训练集样本的数目,/>表示第i次迭代特征生成器输出的训练集第j个样本的特征向量,1(·)为指示函数,在输入为true时返回1,否则返回0,/>表示第j个样本对应的标签,|Cs|表示训练集中的类别数量,K表示测试集中的第K个类别。
步骤S46、对预设的对抗神经网络模型进行i-1次迭代训练后,计算所述特征空间的中心向量的均值,得到第二特征中心向量;
在本步骤中,同理可以计算i-1次迭代训练后的第二特征中心向量,记为
步骤S47、计算所述第一特征中心向量和所述第二特征中心向量的相似度,得到相似度信息;
在本步骤中,根据相似度计算公式可以计算第一特征中心向量和第二特征中心向量/>的相似度,需要说明的是,本申请利用余弦相似度计算公式进行相似度计算。
步骤S48、根据所述相似度信息确定更新特征中心的权重并对第一特征中心向量进行更新,得到更新后的特征中心向量;
在本步骤中,更新后的特征中心向量具体计算过程为:
上式中,为更新后的特征中心向量,/>和/>分别表示第一特征中心向量和第二特征中心向量,fsim(·)表示相似度。
步骤S49、根据所述更新后的特征中心向量对第一损失函数进行优化。
在本实施例中,得到训练集每个类别的特征中心向量后,将分类器G对目标样本的分类结果作为其伪标签,并根据其分类结果对应的概率是否大于阈值T决定是否将其与训练集的相应类别对齐。设定阈值T是因为网络训练前期对样本的分类结果大多是不可靠的,若分类结果不可靠,就会将目标样本对齐到错误的训练集类别。
在所述步骤S49中还包括步骤S491、步骤S492以及步骤S493,其中具体包括:
步骤S491、根据所述更新后的特征中心向量确定特征中心向量对应的类别,得到类别信息;
在本步骤中,训练集中包括10个类别,但是测试集中包括11个类别,存在一个未知类别,因此需要根据类别为已知类别还是未知类别对损失函数进一步优化。
步骤S492、根据所述类别信息建立优化函数;
在所述步骤S492中还包括步骤S4921、步骤S4922、步骤S4923以及步骤S4924,其中具体包括:
步骤S4921、当所述类别信息为已知类别时,根据所述更新后的特征中心向量建立第一优化函数,所述第一优化函数用于减少测试集中包括的样本与更新后的特征中心向量的距离;
在本步骤中,若第K类为已知类别,可以将测试集中的第j个样本与训练集的第k类进行对齐,减小/>与更新后的特征中心向量的距离,如下式所示:
上式中,表示测试集的第j个样本,/>表示分类器对测试集的第j个样本迭代i次的结果,/>为第k类样本第i次迭代更新后的特征中心向量,fcos(·)表示相似度计算函数。
对于第i次迭代的所有分类结果可靠,且被分类为已知类的目标样本,将更新后的特征中心向量与训练集的第k类特征中心间的距离的均值作为最终的优化目标,如下式所示:
上式中,Dknow表示更新后的特征中心向量与训练集的第k类特征中心间的距离的均值,nknow表示第i次迭代所有分类结果可靠且被分类为已知类的目标样本数目,1(·)为指示函数,在输入为true时返回1,否则返回0,表示测试集的第j个样本对应的标签,d(·)表示距离计算公式,Cs表示训练集的类别数量。网络训练过程中增大Dknow的值即可。
步骤S4922、当所述类别信息为未知类别时,获取每个样本类别对应的更新后的特征中心向量;
步骤S4923、根据每个所述样本类别对应的更新后的特征中心向量建立第二优化函数,所述第二优化函数用于增加测试集中包括的样本与所有样本类别对应的更新后的特征中心向量之间的最小值;
在本步骤中,若第K类为未知类别,需要将该类样本与测试集中所有类别对应的更新后的特征中心向量之间的距离增大,即不将未知类样本对齐到训练集,防止未知类样本与已知类特征混叠,其中具体为:
上式中,d(·)表示距离计算公式,Ds表示训练集,,表示测试集的第j个样本,表示分类器对测试集的第j个样本迭代i次的结果,/>为第k类样本第i次迭代更新后的特征中心向量,Cs表示训练集的类别数量,将更新后的特征中心向量与训练集中所有类别特征中心的距离最小值的均值作为优化目标,如下式所示:
上式中,nunknow表示第i次迭代所有分类结果可靠且被分类为未知类的目标样本数目,Dunknow表示表示更新后的特征中心向量与训练集中所有类别特征中心的距离最小值的均值。
步骤S4924、根据所述第一优化函数和所述第二优化函数确定第三优化函数。
在本步骤中,第三优化函数具体为:
LCDA=max(0,Dknow-Dunknow+marginCDA)
上式中,LCDA(·)表示跨域子域对齐损失,marginCDA表示阈值常数,Dknow更新后的特征中心向量与训练集的第k类特征中心间的距离均值,Dunknow表示更新后的特征中心向量与训练集中所有类别特征中心的距离最小值的均值。
步骤S493、根据所述优化函数对所述第一损失函数进行优化,得到第二损失函数。
在本步骤中,第二损失函数具体为:
上式中,M表示每批次输入网络的辐射源信号样本数目,Lcel表示标准交叉熵损失,GF表示分类器,表示训练集的第i个样本,/>表示第i个样本对应的标签,α为比例因子,Ltri(·)表示三元损失函数的损失,/>表示在本批次样本中构造的三元组集合,A表示锚样、p表示正样本,N表示负样本,β同样为比例因子,用于控制网络关注跨域子域对齐损失的程度,LCDA(·)表示跨域子域对齐损失,ΩO表示本批次样本集合。
步骤S5、根据所述第一损失函数、所述测试集和所述训练集对所述预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;
在本步骤中,利用优化后的损失函数对预设的对抗神经网络模型进行训练,可以有效的提高辐射源识别的精度,并且实现对未知辐射源的识别。
步骤S6、将每个客户端所述训练后的对抗神经网络模型进行联邦学习,得到全局模型,所述全局模型用于对辐射源进行识别。
在本步骤中,在每一次迭代期间,服务器将模型ωt转发给所有客户端,第i个客户端基于模型和本都数据进行局部训练,以获得更新的局部模型。一旦训练完成,每个客户端将其更新的局部模型发送给服务器,服务器根据每个客户端上的局部训练数据集的大小进一步对局部模型进行加权和聚合,以获得下一次迭代的全局模型。
实施例2:
如图2所示,本实施例提供了一种未知辐射源识别装置,所述装置包括获取模块901、第一处理模块902、第二处理模块903、第三处理模块904、训练模块905以及第四处理模块906,其中具体包括:
获取模块901,用于获取辐射源信息和预设的对抗神经网络模型,所述辐射源信息为至少一个客户端接收的辐射源对应的同相正交信号;
第一处理模块902,用于将所述辐射源信息进行特征提取,得到特征向量;
第二处理模块903,用于根据所述特征向量划分训练集和测试集,并根据所述训练集确定锚样本、正样本和负样本;
第三处理模块904,用于根据所述锚样本、所述正样本和所述负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;
训练模块905,用于根据所述第一损失函数、所述测试集和所述训练集对所述预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;
第四处理模块906,用于将每个客户端所述训练后的对抗神经网络模型进行联邦学习,得到全局模型,所述全局模型用于对辐射源进行识别。
在本公开的一种具体实施方式中,所述第一处理模块902中还包括第一处理单元9021、第二处理单元9022、第三处理单元9023以及第四处理单元9024,其中具体包括:
第一处理单元9021,用于将所述辐射源信息发送至输入层,得到第一特征向量,所述输入层包括第一卷积核和第二卷积核,所述第一卷积核大于所述第二卷积核;
第二处理单元9022,用于将所述第一特征向量发送至第一残差模块,得到第二特征向量;
第三处理单元9023,用于将所述第二特征向量发送至特征提取层,得到第三特征向量,所述特征提取层包括两个连接的残差模块;
第四处理单元9024,用于将所述第三特征向量发送至第二残差模块,得到特征向量。
在本公开的一种具体实施方式中,所述第三处理模块904中还包括第一获取单元9041、第一计算单元9042以及第一优化单元9043,其中具体包括:
第一获取单元9041,用于获取预设的损失函数,所述预设的损失函数为标准交叉熵损失函数;
第一计算单元9042,用于根据所述锚样本、所述正样本和所述负样本计算三元损失函数的损失值;
第一优化单元9043,根据所述三元损失函数的损失值对所述预设的损失函数进行优化,得到第一损失函数。
在本公开的一种具体实施方式中,所述第一优化单元9043之后还包括第二获取单元9044、第二计算单元9045、第三计算单元9046、第四计算单元9047、第五处理单元9048以及第六处理单元9049,其中具体包括:
第二获取单元9044,用于获取特征空间的特征中心向量,所述特征空间的特征中心向量对应训练集中的一个样本类别;
第二计算单元9045,用于对预设的对抗神经网络模型进行i次迭代训练后,计算所述特征空间的中心向量的均值,得到第一特征中心向量;
第三计算单元9046,用于对预设的对抗神经网络模型进行i-1次迭代训练后,计算所述特征空间的中心向量的均值,得到第二特征中心向量;
第四计算单元9047,用于计算所述第一特征中心向量和所述第二特征中心向量的相似度,得到相似度信息;
第五处理单元9048,用于根据所述相似度信息确定更新特征中心的权重并对第一特征中心向量进行更新,得到更新后的特征中心向量;
第六处理单元9049,用于根据所述更新后的特征中心向量对第一损失函数进行优化。
在本公开的一种具体实施方式中,所述第六处理单元9049中还包括第七处理单元90491、第八处理单元90492以及第二优化单元90493,其中具体包括:
第七处理单元90491,用于根据所述更新后的特征中心向量确定特征中心向量对应的类别,得到类别信息;
第八处理单元90492,用于根据所述类别信息建立优化函数;
第二优化单元90493,用于根据所述优化函数对所述第一损失函数进行优化,得到第二损失函数。
在本公开的一种具体实施方式中,所述第八处理单元90492中还包括第九处理单元904921、第十处理单元904922、第十一处理单元904923以及第十二处理单元904924,其中具体包括:
第九处理单元904921,用于当所述类别信息为已知类别时,根据所述更新后的特征中心向量建立第一优化函数,所述第一优化函数用于减少测试集中包括的样本与更新后的特征中心向量的距离;
第十处理单元904922,用于当所述类别信息为未知类别时,获取每个样本类别对应的更新后的特征中心向量;
第十一处理单元904923,用于根据每个所述样本类别对应的更新后的特征中心向量建立第二优化函数,所述第二优化函数用于增加测试集中包括的样本与所有样本类别对应的更新后的特征中心向量之间的最小值;
第十二处理单元904924,用于根据所述第一优化函数和所述第二优化函数确定第三优化函数。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种未知辐射源识别设备,下文描述的一种未知辐射源识别设备与上文描述的一种未知辐射源识别方法可相互对应参照。
图3是根据示例性实施例示出的一种未知辐射源识别设备800的框图。如图3所示,该未知辐射源识别设备800可以包括:处理器801,存储器802。该未知辐射源识别设备800还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该未知辐射源识别设备800的整体操作,以完成上述的未知辐射源识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该未知辐射源识别设备800的操作,这些数据例如可以包括用于在该未知辐射源识别设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该未知辐射源识别设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,未知辐射源识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的未知辐射源识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的未知辐射源识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由未知辐射源识别设备800的处理器801执行以完成上述的未知辐射源识别方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种未知辐射源识别方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的未知辐射源识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种未知辐射源识别方法,其特征在于,包括:
获取辐射源信息和预设的对抗神经网络模型,所述辐射源信息为至少一个客户端接收的辐射源对应的同相正交信号;
将所述辐射源信息进行特征提取,得到特征向量;
根据所述特征向量划分训练集和测试集,并根据所述训练集确定锚样本、正样本和负样本;
根据所述锚样本、所述正样本和所述负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;
根据所述第一损失函数、所述测试集和所述训练集对所述预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;
将每个客户端所述训练后的对抗神经网络模型进行联邦学习,得到全局模型,所述全局模型用于对辐射源进行识别。
2.根据权利要求1所述的未知辐射源识别方法,其特征在于,所述将所述辐射源信息进行特征提取,得到特征向量,包括:
将所述辐射源信息发送至输入层,得到第一特征向量,所述输入层包括第一卷积核和第二卷积核,所述第一卷积核大于所述第二卷积核;
将所述第一特征向量发送至第一残差模块,得到第二特征向量;
将所述第二特征向量发送至特征提取层,得到第三特征向量,所述特征提取层包括两个连接的残差模块;
将所述第三特征向量发送至第二残差模块,得到特征向量。
3.根据权利要求1所述的未知辐射源识别方法,其特征在于,根据所述锚样本、正样本和负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,包括:
获取预设的损失函数,所述预设的损失函数为标准交叉熵损失函数;
根据所述锚样本、所述正样本和所述负样本计算三元损失函数的损失值;
根据所述三元损失函数的损失值对所述预设的损失函数进行优化,得到第一损失函数。
4.根据权利要求3所述的未知辐射源识别方法,其特征在于,根据所述三元损失函数的损失值对所述预设的损失函数进行优化,得到第一损失函数后,还包括:
获取特征空间的特征中心向量,所述特征空间的特征中心向量对应训练集中的一个样本类别;
对预设的对抗神经网络模型进行i次迭代训练后,计算所述特征空间的中心向量的均值,得到第一特征中心向量;
对预设的对抗神经网络模型进行i-1次迭代训练后,计算所述特征空间的中心向量的均值,得到第二特征中心向量;
计算所述第一特征中心向量和所述第二特征中心向量的相似度,得到相似度信息;
根据所述相似度信息确定更新特征中心的权重并对第一特征中心向量进行更新,得到更新后的特征中心向量;
根据所述更新后的特征中心向量对第一损失函数进行优化。
5.根据权利要求4所述的未知辐射源识别方法,其特征在于,根据所述更新后的特征中心向量对第一损失函数进行优化,包括:
根据所述更新后的特征中心向量确定特征中心向量对应的类别,得到类别信息;
根据所述类别信息建立优化函数;
根据所述优化函数对所述第一损失函数进行优化,得到第二损失函数。
6.一种未知辐射源识别装置,其特征在于,包括:
获取模块,用于获取辐射源信息和预设的对抗神经网络模型,所述辐射源信息为至少一个客户端接收的辐射源对应的同相正交信号;
第一处理模块,用于将所述辐射源信息进行特征提取,得到特征向量;
第二处理模块,用于根据所述特征向量划分训练集和测试集,并根据所述训练集确定锚样本、正样本和负样本;
第三处理模块,用于根据所述锚样本、所述正样本和所述负样本对所述预设的对抗神经网络中的分类器的损失函数进行优化,得到第一损失函数;
训练模块,用于根据所述第一损失函数、所述测试集和所述训练集对所述预设的对抗神经网络模型进行训练,得到训练后的对抗神经网络模型;
第四处理模块,用于将每个客户端所述训练后的对抗神经网络模型进行联邦学习,得到全局模型,所述全局模型用于对辐射源进行识别。
7.根据权利要求6所述的未知辐射源识别装置,其特征在于,所述第一处理模块,包括:
第一处理单元,用于将所述辐射源信息发送至输入层,得到第一特征向量,所述输入层包括第一卷积核和第二卷积核,所述第一卷积核大于所述第二卷积核;
第二处理单元,用于将所述第一特征向量发送至第一残差模块,得到第二特征向量;
第三处理单元,用于将所述第二特征向量发送至特征提取层,得到第三特征向量,所述特征提取层包括两个连接的残差模块;
第四处理单元,用于将所述第三特征向量发送至第二残差模块,得到特征向量。
8.根据权利要求6所述的未知辐射源识别装置,其特征在于,所述第三处理模块,包括:
第一获取单元,用于获取预设的损失函数,所述预设的损失函数为标准交叉熵损失函数;
第一计算单元,用于根据所述锚样本、所述正样本和所述负样本计算三元损失函数的损失值;
第一优化单元,根据所述三元损失函数的损失值对所述预设的损失函数进行优化,得到第一损失函数。
9.根据权利要求8所述的未知辐射源识别方法,其特征在于,所述第一优化单元之后,还包括:
第二获取单元,用于获取特征空间的特征中心向量,所述特征空间的特征中心向量对应训练集中的一个样本类别;
第二计算单元,用于对预设的对抗神经网络模型进行i次迭代训练后,计算所述特征空间的中心向量的均值,得到第一特征中心向量;
第三计算单元,用于对预设的对抗神经网络模型进行i-1次迭代训练后,计算所述特征空间的中心向量的均值,得到第二特征中心向量;
第四计算单元,用于计算所述第一特征中心向量和所述第二特征中心向量的相似度,得到相似度信息;
第五处理单元,用于根据所述相似度信息确定更新特征中心的权重并对第一特征中心向量进行更新,得到更新后的特征中心向量;
第六处理单元,用于根据所述更新后的特征中心向量对第一损失函数进行优化。
10.根据权利要求9所述的未知辐射源识别装置,其特征在于,所述第六处理单元,包括:
第七处理单元,用于根据所述更新后的特征中心向量确定特征中心向量对应的类别,得到类别信息;
第八处理单元,用于根据所述类别信息建立优化函数;
第二优化单元,用于根据所述优化函数对所述第一损失函数进行优化,得到第二损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311701877.9A CN117874487B (zh) | 2023-12-12 | 2023-12-12 | 一种未知辐射源识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311701877.9A CN117874487B (zh) | 2023-12-12 | 2023-12-12 | 一种未知辐射源识别方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117874487A true CN117874487A (zh) | 2024-04-12 |
CN117874487B CN117874487B (zh) | 2024-07-26 |
Family
ID=90593671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311701877.9A Active CN117874487B (zh) | 2023-12-12 | 2023-12-12 | 一种未知辐射源识别方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874487B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008842A (zh) * | 2019-03-09 | 2019-07-12 | 同济大学 | 一种基于深度多损失融合模型的行人重识别方法 |
WO2020156153A1 (zh) * | 2019-01-29 | 2020-08-06 | 腾讯科技(深圳)有限公司 | 音频识别方法、系统和机器设备 |
CN112949720A (zh) * | 2021-03-04 | 2021-06-11 | 电子科技大学 | 一种基于三元组损失的未知辐射源辨别方法 |
CN114692665A (zh) * | 2020-12-25 | 2022-07-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN115114958A (zh) * | 2022-06-28 | 2022-09-27 | 中国电子科技集团公司第十研究所 | 一种基于监督对比学习的电磁信号开集识别方法 |
CN116484206A (zh) * | 2023-04-25 | 2023-07-25 | 中国人民解放军国防科技大学 | 基于seim的未知辐射源个体识别方法及系统 |
-
2023
- 2023-12-12 CN CN202311701877.9A patent/CN117874487B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020156153A1 (zh) * | 2019-01-29 | 2020-08-06 | 腾讯科技(深圳)有限公司 | 音频识别方法、系统和机器设备 |
CN110008842A (zh) * | 2019-03-09 | 2019-07-12 | 同济大学 | 一种基于深度多损失融合模型的行人重识别方法 |
CN114692665A (zh) * | 2020-12-25 | 2022-07-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于度量学习的辐射源开集个体识别方法 |
CN112949720A (zh) * | 2021-03-04 | 2021-06-11 | 电子科技大学 | 一种基于三元组损失的未知辐射源辨别方法 |
CN115114958A (zh) * | 2022-06-28 | 2022-09-27 | 中国电子科技集团公司第十研究所 | 一种基于监督对比学习的电磁信号开集识别方法 |
CN116484206A (zh) * | 2023-04-25 | 2023-07-25 | 中国人民解放军国防科技大学 | 基于seim的未知辐射源个体识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
HONGJUN CHOI 等: "AMC-Loss: Angular Margin Contrastive Loss for Improved Explainability in Image Classification", 《COMPUTER VISION FOUNDATION》, 31 December 2020 (2020-12-31) * |
古有志: "基于深度学习的雷达辐射源个体识别技术研究", 《国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2021 (2021-02-15), pages 51 - 62 * |
Also Published As
Publication number | Publication date |
---|---|
CN117874487B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523621B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN110222170B (zh) | 一种识别敏感数据的方法、装置、存储介质及计算机设备 | |
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 | |
US7545973B2 (en) | Image matching system using 3-dimensional object model, image matching method, and image matching program | |
CN111444952A (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN110852755A (zh) | 针对交易场景的用户身份识别方法和装置 | |
CN110263133B (zh) | 基于知识图谱的问答方法、电子装置、设备及存储介质 | |
CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN117114514A (zh) | 一种基于大数据的人才信息分析管理方法、系统及装置 | |
CN109034199B (zh) | 数据处理方法及装置、存储介质和电子设备 | |
CN113947140A (zh) | 人脸特征提取模型的训练方法和人脸特征提取方法 | |
CN107291774B (zh) | 错误样本识别方法和装置 | |
CN108154031A (zh) | 伪装应用程序的识别方法、装置、存储介质和电子装置 | |
CN111414951B (zh) | 用于图像的细分类方法及装置 | |
CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN114360038A (zh) | 基于深度学习的弱监督rpa元素识别方法及系统 | |
WO2023029397A1 (zh) | 训练数据获取方法、异常行为识别网络训练方法及装置、计算机设备、存储介质、计算机程序、计算机程序产品 | |
US11367311B2 (en) | Face recognition method and apparatus, server, and storage medium | |
CN117874487B (zh) | 一种未知辐射源识别方法、装置、设备及可读存储介质 | |
CN110717817A (zh) | 贷前审核方法及装置、电子设备和计算机可读存储介质 | |
CN112016679B (zh) | 孪生网络的测试样本类别确定方法、装置及终端设备 | |
CN108924753A (zh) | 用于场景的实时检测的方法和装置 | |
CN112347320B (zh) | 数据表字段的关联字段推荐方法及装置 | |
CN114298327A (zh) | 联邦学习模型的数据处理方法、装置及存储介质 |
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 |