[发明专利]一种基于双谱特征提取的半监督特定辐射源识别方法

说明书

本发明公开了一种基于双谱特征提取的半监督特定辐射源识别方法，其中，该方法包括：获取发射极的辐射源信号和辐射源信号样本；将辐射源信号输入训练好的生成对抗网络半监督模型，以进行信号识别处理；其中，训练好的生成对抗网络半监督模型是基于辐射源信号样本的双谱估计作为特征表示训练得到；根据信号识别处理，对发射极的辐射源信号进行分类识别。本发明能够实现训练过程的稳定，并在三类场景中表现出卓越的半监督分类性能，能够在有限的混合样本下对发射极进行有效的训练和识别。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于双谱特征提取的半监督特定辐射源识别方法。

背景技术

特定辐射源识别(Specific emitter identification,SEI)是指利用硬件设备物理层的固有缺陷对单个发射极进行识别和唯一关联的技术。深度学习(DL)以其自动提取高维特征的独特优势近年来在SEI中表现出了巨大潜力。然而，监督式神经网络的训练效果很大程度上依赖于样本分布的泛化性和数据标签的完整性，而大多数的SEI任务往往在非合作条件下进行，如电子侦察、频谱博弈等。因此获得足够的标记样本来训练DL模型和捕获数据的潜在分布通常花费巨大。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于双谱特征提取的半监督特定辐射源识别方法，将半监督学习(SSL)引入到SEI中，期望从未标记数据和标签数据的组合中学习，以获得与监督学习等同甚至更好的性能。将信号样本的双谱估计作为信号的特征表示，并将标记数据的类别标签分布嵌入到输入隐含层中以指导GAN的训练过程。通过监督式训练和无监督训练实现对分类网络的共享权重更新，并重新定义生成模型的优化函数解决博弈原则所导致的模式崩溃问题。大量的数值实验结果表明，BFE-CGAN能够实现训练过程的稳定，并在三类场景中表现出卓越的半监督分类性能，能够在有限的混合样本下对发射极进行有效的训练和识别。

为达上述目的，本发明提出了一种基于双谱特征提取的半监督特定辐射源识别方法，包括：

获取发射极的辐射源信号和辐射源信号样本；将所述辐射源信号输入训练好的生成对抗网络半监督模型，以进行信号识别处理；其中，所述训练好的生成对抗网络半监督模型是基于所述辐射源信号样本的双谱估计作为特征表示训练得到；根据所述信号识别处理，对所述发射极的辐射源信号进行分类识别。

本发明实施例的基于双谱特征提取的半监督特定辐射源识别方法，能够实现训练过程的稳定，并在三类场景中表现出卓越的半监督分类性能，能够在有限的混合样本下对发射极进行有效的训练和识别。

本发明的有益效果为：

1)提出了一种基于GAN的半监督的SEI训练方式，使用少量标记数据x_Labled和未标记数据x_Unlabled共同对判别器的权重进行更新，提高对于训练数据和标签互相关信息的利用率。并将后端输出Softmax层的维数扩展到K+1，实现基于少量标注样本的半监督自分类。

2)从接收的稳态信号中提取双谱对角向量B_x作为鉴别特征，与预处理后的信号片段串联作为发射极的分类索引；并在GAN中引入标记数据的标签概率分布c作为条件变量，经过编码后与先验输入噪声z组成联合隐层表征，增强生成过程的可控制性。

3)为了提高GAN的稳定性和收敛速度，在最小化半监督的判别损失函数L_D的同时，向生成损失函数L_G中增加特征匹配损失用于最小化潜在数据和真实数据之间的分布差异。并定义基于正则卷积神经网络的基本模块，改善对一维时间序列的建模能力。

4)将SEI问题扩展到具有多个中继的通信转发场景当中。在该场景中，使用的等增益合并算法(EGC)对来自多个中继的支路信号进行处理，并探讨了不同中继器个数和混合调制数据对于识别效果的影响。这是第一次将SEI应用于具有多个中继器的通信场景。