基于多尺度残差原型学习网络的通信辐射源个体识别方法

1.本发明属于空间态势感知及电子对抗技术领域，具体涉及基于多尺度残差原型学习网络的通信辐射源个体识别方法。


背景技术：

2.随着各种类型的通信辐射源(例如wifi，zigbee等)数目的增加，有限的频谱资源管理正在变得越来越困难。恶意频谱的接入严重影响主用户对频谱资源的正常使用及体验。此外，恶意发射机可能被用于欺骗用户以影响无线信息的安全传输。因此，我们需要采取有效措施以识别可信任的，有害的和新的通信辐射源。然而，如何对海量辐射源个体进行有效感知和识别是一个难点问题。
3.现有的辐射源个体识别方法主要以经验驱动和数据驱动为主，经验驱动首先依赖于人工对辐射源信号提取具有直观性和可靠性的专家特征，然后将这些特征与辐射源特征库中的所有模板进行匹配，相似度最高的模板属性即为识别结果。专家特征主要分为调制域特征和波形域特征，调制域特征主要为小规模硬件级缺陷造成的接收信号的i/q幅度和相位失衡，载波频率偏移和调制偏移等。常见的波形域特征包括压缩双谱、分形盒维数、多尺度近似熵、希尔伯特-黄变换、经验模态分解和变分模态分解等。然而，经验驱动一方面依赖于信号的先验知识和现有的信号处理工具，另一方面提取的专家特征很容易受到噪声的影响，从而导致识别精度波动较大，在实际应用中，经验驱动往往受制于现实环境，很难达到令人满意的效果。
4.随着深度学习理论体系的发展以及gpu提供的并行和快速运算支持，利用数据驱动识别辐射源个体已经成为研究热点。基于深度学习算法的智能识别技术通过网络结构设计可以实现对辐射源信号特征的自动提取并能够以海量数据的训练获取具有适应性的模型。然而，该领域大多数深度学习工作的本质仍然仅仅是提高辐射源信号特征的类间分离性。它们往往忽略了增强辐射源信号特征的类内紧凑性。此外，真实环境的开放性可能使得现有的闭集识别方法无法检测和拒绝新的未知辐射源，这大大增加了通信辐射源的识别难度。


技术实现要素：

5.本发明的目的是解决上述问题，提供基于多尺度残差原型学习网络的通信辐射源个体识别方法，对已知辐射源进行准确分类的同时也可以检测和拒绝未知辐射源。
6.为实现上述目的，本发明提供如下技术方案：基于多尺度残差原型学习网络的通信辐射源个体识别方法，该方法由信号预处理模块、网络训练和特征提取模块、存储模块以及识别模块构成，所述信号预处理模块与网络训练和特征提取模块连接，所述网络训练和特征提取模块和存储模块连接，所述存储模块和识别模块连接；
7.所述信号预处理模块对采集的原始通信辐射源的中频信号进行预处理，包括信号检测与子带信号分离、切片、去噪、使用希尔伯特变换获取iq两路信号、功率归一化/标准正
态化、设置标签和构建三维样本数据集，所述三维样本数据集包括训练集、验证集和测试集；
8.所述网络训练和特征提取模块采用多尺度残差原型学习网络(msrplnet)进行训练并完成通信辐射源个体信号特征的自动提取，所述多尺度残差原型学习网络由输入层、卷积层、批量归一化层、平均池化层、relu激活层、丢包层、多尺度残差块、展平层和全连接层构成，并采用基于原型学习的策略进行训练；
9.所述存储模块用于将已经训练好的msrplnet参数文件存储在计算机上以供后续使用；
10.所述识别模块使用联合决策方法对新的数据样本进行身份认证，识别的结果有两种：分别为已知通信辐射源及其对应类别，新通信辐射源或未知通信辐射源。
11.进一步的：所述msrplnet的输入为经过标准正态化后的中频i/q信号切片，输入层首先使用大小为1
×
9的卷积核对原始数据进行特征提取；批量归一化层用于对每个通道的数据进行标准化处理以促使网络每层的数据分布稳定，加快网络的学习速度；平均池化层大小设为2
×
2，能够将每个通道内的特征合并为一路，且数目变为原来的四分之一；激活层(relu)用于将上层神经元的输出进行非线性处理并传递到下层神经元；丢包层(dropout)通过丢弃部分神经元以防止模型过拟合，然后将提取的浅层特征输入至多个连续的多尺度残差块中。
12.进一步的：在所述多尺度残差块中，第一路特征由两个大小为1
×
7的卷积核提取，第二路特征由两个大小为1
×
5的卷积核提取，第三路特征由两个大小为1
×
3的卷积核提取，第四路特征为原始特征，由两个大小为1
×
1的卷积核提取。
13.进一步的：为了进一步强特征的类间分离性和类内紧凑性，msrplnet引入了原型学习策略作为模型训练方法，在训练过程中，msrplnet会为每个类别维护和学习原型，将原型记为m
ij
，其中i∈{1,2,...,m}表示类别索引，m表示类别数目，j＝{1,2,...,k}表示每个类中原型的索引，k表示每个类中原型的个数；
14.基于原型学习的joint loss由距离交叉熵损失(distance cross entropy loss,dce loss)和原型损失(prototype loss,pl loss)加权得到，令f(
·
)为精心设计的特征提取器，由于距离可以用来衡量相似关系，因此样本x属于原型m
ij
的概率用距离进行表征，即
[0015][0016]
与softmax loss相同，dce loss同样使用softmax函数计算输出概率，即
[0017]
p(x∈m
i,j
|x,f)＝softmax[-d(f(x),m
ij
)/γ]
ꢀꢀ
(2)
[0018]
式中代表样本特征f(x)与原型m
ij
之间的欧氏距离，γ是一个用于控制距离硬度的超参数，因此，样本x属于第y类的dce loss可以表示为
[0019][0020]
考虑到直接优化dce损失可能导致模型过拟合，通过引入pl loss作为正则化项以提高模型的泛化能力，则pl loss定义为：
[0021]
[0022]
式中m
yj
代表f(x)对应类别y的最近原型，通过对dce loss和pl loss进行加权，得到joint loss：
[0023]
l
joint
((x,y)；f；m)＝l
dce
((x,y)；f；m)+λ
·
l
pl
((x,y)；f；m)
ꢀꢀ
(5)
[0024]
式中λ是一个用于平衡dce loss和pl loss的超参数。
[0025]
进一步的：在所述联合决策方法中，假设每个类别仅有1个原型，令样本x通过msrplnet提取的特征为f(x)，与f(x)之间的欧氏距离最小的原型为mi，mi对应的第i类的中心特征为ci，ci由验证集中每类正确识别的样本特征取平均值得到，给定阈值δ1和δ2，当f(x)分别与mi和ci的距离满足如下关系时
[0026][0027]
则认为x属于原型表示mi对应的第i类，反之，则判定为未知辐射源样本。
[0028]
与现有技术相比，本发明的有益效果在于：
[0029]
本发明提出的通信辐射源个体识别方法通过使用多尺度残差原型学习网络对通信辐射源个体信号提取特征，然后利用联合决策方法识别通信辐射源个体的属性。在该框架中，msrplnet通过增强学习特征的类间分离性和类内紧凑性为未知辐射源目标识别奠定了基础。msrplnet彻底放弃了softmax层并将基于概率的判别转变为基于距离或相似性的判别，解决了softmax层存在的封闭问题，msrplnet中的原型可以联合网络参数一起学习，无需预定义规则进行更新，原型的可学习性大大增强了对类特征的表示能力。此外，与传统的神经网络(例如cnn)学习特征不同，msrplnet并未对整个特征空间进行划分，而是将样本特征投影到原型附近。因此，基于原型学习的msrplnet对于未知样本具有更好的检测和拒绝能力。现有的开集识别方法大多基于概率阈值和生成对抗网络，概率阈值一般很难确定，往往依赖于经验，同一个阈值很难适应不同的数据，生成对抗网络训练过程太过复杂，很难满足相关领域的实时性要求，而基于原型距离和中心距离的空间目标联合判别方法可以自动设置阈值，该阈值直接根据数据的特征得到而无需人为设置。此外，当辐射源个体信号的数据分布发生变化时，阈值可以自适应调整，进一步提高了联合识别方法的泛化能力。
附图说明
[0030]
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述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，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的附图。
[0031]
图1为本发明整体框架图；
[0032]
图2为本发明多尺度残差原型学习网络msrplnet示意图；
[0033]
图3为本发明多尺度残差快示意图；
[0034]
图4为本发明联合决策方法示意图；
具体实施方式
[0035]
为了使本领域技术人员更好地理解本发明的技术方案能予以实施，下面结合具体
实施例对本发明作进一步说明，但所举实施例只作为对本发明的说明，不作为对本发明的限定。
[0036]
如图1所示的基于多尺度残差原型学习网络的通信辐射源个体识别方法，该方法由信号预处理模块、网络训练和特征提取模块、存储模块以及识别模块构成，所述信号预处理模块与网络训练和特征提取模块连接，所述网络训练和特征提取模块和存储模块连接，所述存储模块和识别模块连接。
[0037]
所述信号预处理模块对采集的原始通信辐射源中频信号进行预先处理，包括信号检测与子带信号分离，信号检测与子带信号分离与信号接收模块连接，将传送数据进行切片、去噪、使用希尔伯特变换获取iq两路信号、功率归一化/标准正态化、设置标签和构建三维样本数据集，所述三维样本数据集包括训练集、验证集和测试集。
[0038]
所述网络训练和特征提取模块对本发明的多尺度残差原型学习网络(multi-scale residual prototype learning network,msrplnet)进行训练并完成空间通信辐射源信号特征的自动提取。如图2所示，多尺度残差原型学习网络msrplnet主要由输入层、卷积层、批量归一化层、平均池化层、relu激活层、丢包层、多尺度残差块、展平层和全连接层构成并采用基于原型学习的策略进行训练。其中，不同尺度的卷积核用于学习类间分离特征。残差网络架构一方面用于缓解梯度消失和模型退化问题，另一方面用于融合不同尺度的特征。通过优化基于原型学习的联合损失不仅能够增强特征的类间可分离性，还能够进一步增强特征的类内紧凑性。
[0039]
msrplnet的输入为经过标准正态化后的中频i/q信号切片。它首先使用大小为1
×
2的卷积核对原始数据进行特征提取，较大的卷积核拥有较大的感受野，可以更好地观察数据包含的信息并提取全局特征。所述批量归一化层用于对每个通道的数据进行标准化处理以促使网络每层的数据分布稳定，加快网络的学习速度，考虑到后续使用展平层将所提特征拉成一维后的维度过大，所以在前期对特征图采取平均池化操作以减少计算量和所需内存，池化大小设为2
×
2，意味着每个通道内的特征将会合并为一路且数目变为原来的四分之一。所述激活层(relu)用于将上层神经元的输出进行非线性处理并传递到下层神经元。所述丢包层(dropout)通过丢弃部分神经元以防止模型过拟合，然后将提取的浅层特征输入至多个连续的多尺度残差块中。
[0040]
如图3所示，多尺度残差块的构造相同，它们的设计灵感来源于残差神经网络中的残差单元，在多尺度残差块中，第一路特征由两个大小为1
×
7的卷积核提取；第二路特征由两个大小为1
×
5的卷积核提取；第三路特征由两个大小为1
×
3的卷积核提取；第四路特征为原始特征，其可以认为由两个大小为1
×
1的卷积核提取。不同大小的卷积核拥有不同的感受野，它们可以捕获更具差异性的分级特征。不同尺度的四路特征通过add层得到输出特征。一方面，add层继承了残差单元的优点，可以用于缓解梯度消失和模型退化问题。另一方面，add层将四路特征进行融合，可以得到更具类间可分离性的特征。
[0041]
在经过几个连续的多尺度残差块后，msrplnet可以提取出不同空间辐射源信号的深层特征。多尺度残差块的使用个数依据网络学习情况而定，最后利用展平层和三个不同神经元数目的全连接层将提取的抽象特征进行整合以得到最终的输出特征。在msrplnet的训练过程中，adam优化器用于优化基于原型学习的joint loss以更新网络参数和原型表示。
[0042]
为了进一步增强特征的类间分离性和类内紧凑性，msrplnet引入了原型学习策略作为模型训练方法。在训练过程中，msrplnet会为每个类别维护和学习几个原型。将原型记为m
ij
，其中i∈{1,2,...,m}表示类别索引，m表示类别数目，j＝{1,2,...,k}表示每个类中原型的索引，k表示每个类中原型的个数，原型表示可以看作是特征的抽象表示并可以随特征一起学习。基于原型学习的joint loss由距离交叉熵损失(distance cross entropy loss,dce loss)和原型损失(prototype loss,pl loss)加权得到。dce loss与分类交叉熵损失(classification cross entropy loss,softmax loss)非常相似，不同之处在于softmax loss优化的是特征与真实标签之间的相似性而dce loss优化的是特征与真实原型之间的相似性。
[0043]
令f(
·
)为精心设计的特征提取器，由于距离可以用来衡量相似关系，因此样本x属于原型m
ij
的概率可以用距离进行表征，即
[0044][0045]
与softmax loss相同，dce loss同样使用softmax函数计算输出概率，即
[0046]
p(x∈m
i,j
|x,f)＝softmax[-d(f(x),m
ij
)/γ]
ꢀꢀ
(2)
[0047]
式中代表样本特征f(x)与原型m
ij
之间的欧氏距离，γ是一个用于控制距离硬度的超参数。因此，样本x的属于第y类的dce loss可以表示为
[0048][0049]
考虑到直接优化dce损失可能导致模型过拟合，通过引入pl loss作为正则化项以提高模型的泛化能力。pl loss定义为：
[0050][0051]
式中m
yj
代表f(x)对应类别y的最近原型；
[0052]
通过对dce loss和pl loss进行加权，进一步可以得到joint loss：
[0053]
l
joint
((x,y)；f；m)＝l
dce
((x,y)；f；m)+λ
·
l
pl
((x,y)；f；m)
ꢀꢀ
(5)
[0054]
式中λ是一个用于平衡dce loss和pl loss的超参数。
[0055]
dce loss和pl loss对于原型和网络参数均是可导的，这意味着在训练过程中，原型和网络参数可以通过优化joint loss进行联合学习。dce loss继承了softmax loss的特性，它可以用于学习类间分离特征；pl loss通过惩罚特征与其对应原型间的距离增强了类内紧凑性。此外，由于原型是可学习的，因此当msrplnet训练结束后，在高维特征空间中能够找到最优的原型分布，这对通信辐射源个体识别效果的提高起到决定性作用。
[0056]
所述存储模块用于将已经训练好的msrplnet参数文件存储在计算机上以供后续使用。当对新的数据样本进行识别时，直接调用参数文件进行测试即可。
[0057]
所述识别模块使用联合决策方法对新数据样本进行身份认证，识别的结果有两种：1.已知通信辐射源及其对应类别；2.新通信辐射源/未知通信辐射源。
[0058]
如图4所示为联合决策方法示意图，假设每个类仅有1个原型，令样本x通过msrplnet提取的特征为f(x)，与f(x)之间的欧氏距离最小的原型为mi，mi对应的第i类的中心特征为ci。ci可由验证集中每类正确识别的样本特征取平均值得到。给定阈值δ1和δ2，当f
(x)分别与mi和ci的距离满足如下关系时
[0059][0060]
可以认为x属于原型表示mi对应的第i类。反之，该样本被判定为未知辐射源样本。
[0061]
关于如何确定阈值δ1和δ2，给出以下方法设置阈值：
[0062]
(1)当网络验证精度达到预期后，可视为网络训练完成；对于验证集中任一识别正确的样本x，输出其对应的特征f(x)及最近的原型mi并将其归为第i类；
[0063]
(2)归类完成后，计算第i类辐射源样本的中心特征ci；
[0064]
(3)找出每类正确识别的样本中距离其原型最远的样本并计算对应的原型距离
[0065]
(4)找出每类正确识别的样本中距离其中心最远的样本并计算对应的中心距离
[0066]
(5)令可以从数据中自动获取阈值δ1和δ2；
[0067]
在测试阶段，首先利用msrplnet提取测试样本z的特征f(z)，然后计算f(z)到其最近原型之间的距离d
mb
和f(z)到其最近中心之间的距离d
cb
，若
[0068]dmb
≤δ1andd
cb
≤δ2ꢀꢀ
(7)
[0069]
则测试样本属于已知空间辐射源且归为第b类；其它任何情况均判定测试样本属于未知类。
[0070]
本发明提出的空间通信辐射源识别框架通过使用多尺度残差原型学习网络对通信辐射源信号提取特征，然后利用联合决策方法识别通信辐射源的属性。在该框架中，msrplnet通过增强学习特征的类间分离性和类内紧凑性为未知空间通信辐射源识别奠定了基础，它彻底放弃了softmax层并将基于概率的判别转变为基于距离或相似性的判别，解决了softmax层存在的封闭问题，msrplnet中的原型可以联合网络参数一起学习，无需预定义规则进行更新，原型的可学习性大大增强了对类特征的表示能力。此外，与传统的神经网络(例如cnn)学习特征不同，msrplnet并未对整个特征空间进行划分，而是将样本特征投影到原型附近。因此，基于原型学习的msrplnet对于未知样本具有更好的检测和拒绝能力，现有的开集识别方法大多基于概率阈值和生成对抗网络，概率阈值一般很难确定，往往依赖于经验，同一个阈值很难适应不同的数据，生成对抗网络训练过程太过复杂，很难满足相关领域的实时性要求。基于原型距离和中心距离的空间通信辐射源联合判别方法可以自动设置阈值，该阈值直接根据数据的特征得到而无需人为设置。此外，当空间通信辐射源信号的数据分布发生变化时，阈值可以自适应调整，进一步提高了联合识别方法的泛化能力。
[0071]
本发明中未做详细描述的内容均为现有技术。
[0072]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。

技术特征：
1.基于多尺度残差原型学习网络的通信辐射源个体识别方法，其特征在于：该方法由信号预处理模块、网络训练和特征提取模块、存储模块以及识别模块构成，所述信号预处理模块与网络训练和特征提取模块连接，所述网络训练和特征提取模块和存储模块连接，所述存储模块和识别模块连接；所述信号预处理模块对采集的原始通信辐射源的中频信号进行预处理，包括信号检测与子带信号分离、切片、去噪、使用希尔伯特变换获取iq两路信号、功率归一化/标准正态化、设置标签和构建三维样本数据集，所述三维样本数据集包括训练集、验证集和测试集；所述网络训练和特征提取模块采用多尺度残差原型学习网络(msrplnet)进行训练并完成通信辐射源个体信号特征的自动提取，所述多尺度残差原型学习网络由输入层、卷积层、批量归一化层、平均池化层、relu激活层、丢包层、多尺度残差块、展平层和全连接层构成，并采用基于原型学习的策略进行训练；所述存储模块用于将已经训练好的msrplnet参数文件存储在计算机上以供后续使用；所述识别模块使用联合决策方法对新的数据样本进行身份认证，识别的结果有两种：分别为已知通信辐射源及其对应类别；新的通信辐射源或未知通信辐射源。2.根据权利要求1所述的基于多尺度残差原型学习网络的通信辐射源个体识别方法，其特征在于：所述msrplnet的输入为经过标准正态化后的中频i/q信号切片，所述输入层首先使用大小为1
×
9的卷积核对原始数据进行特征提取；所述批量归一化层用于对每个通道的数据进行标准化处理以促使网络每层的数据分布稳定，加快网络的学习速度；所述平均池化层大小设为2
×
2，将每个通道内的特征合并为一路，且数目变为原来的四分之一；所述激活层(relu)用于将上层神经元的输出进行非线性处理并传递到下层神经元；所述丢包层(dropout)通过丢弃部分神经元以防止模型过拟合，然后将提取的浅层特征输入至多个连续的多尺度残差块中。3.根据权利要求1所述的基于多尺度残差原型学习网络的通信辐射源个体识别方法，其特征在于：在所述多尺度残差块中，第一路特征由两个大小为1
×
7的卷积核提取，第二路特征由两个大小为1
×
5的卷积核提取，第三路特征由两个大小为1
×
3的卷积核提取，第四路特征为原始特征，由两个大小为1
×
1的卷积核提取。4.根据权利要求1～3任一项所述的基于多尺度残差原型学习网络的通信辐射源个体识别方法，其特征在于：为了进一步增强学习特征的类间分离性和类内紧凑性，msrplnet引入了原型学习策略作为模型训练方法，在训练过程中，msrplnet会为每个类别维护和学习原型，将原型记为m
ij
，其中i∈{1,2,...,m}表示类别索引，m表示类别数目，j＝{1,2,...,k}表示每个类中原型的索引，k表示每个类中原型的个数；基于原型学习的joint loss由距离交叉熵损失(distance cross entropy loss,dce loss)和原型损失(prototype loss,pl loss)加权得到，令f(
·
)为精心设计的特征提取器，由于距离可以用来衡量相似关系，因此样本x属于原型m
ij
的概率用距离进行表征，即与softmax loss相同，dce loss同样使用softmax函数计算输出概率，即p(x∈m
i,j
|x,f)＝softmax[-d(f(x),m
ij
)/γ] (2)
式中代表样本特征f(x)与原型m
ij
之间的欧氏距离，γ是一个用于控制距离硬度的超参数，因此，样本x属于第y类的dce loss可以表示为考虑到直接优化dce损失可能导致模型过拟合，通过引入pl loss作为正则化项以提高模型的泛化能力，则pl loss定义为：式中m
yj
代表f(x)对应类别y的最近原型，通过对dce loss和pl loss进行加权，得到joint loss：l
joint
((x,y)；f；m)＝l
dce
((x,y)；f；m)+λ
·
l
pl
((x,y)；f；m) (5)式中λ是一个用于平衡dce loss和pl loss的超参数。5.根据权利要求1所述的基于多尺度残差原型学习网络的通信辐射源个体识别方法，其特征在于：在所述联合决策方法中，假设每个类别仅有1个原型，令样本x通过msrplnet提取的特征为f(x)，与f(x)之间的欧氏距离最小的原型为m
i
，m
i
对应的第i类的中心特征为c
i
，c
i
由验证集中每类正确识别的样本特征取平均值得到，给定阈值δ1和δ2，当f(x)分别与m
i
和c
i
的距离满足如下关系时x属于原型表示m
i
对应的第i类，反之，则判定为未知辐射源样本。

技术总结
本发明涉及一种基于多尺度残差原型学习网络的通信辐射源个体识别方法，该方法由信号预处理模块、网络训练和特征提取模块、存储模块以及识别模块构成，所述信号预处理模块与网络训练和特征提取模块连接，所述网络训练和特征提取模块和存储模块连接，所述存储模块和识别模块连接。本发明通过使用多尺度残差原型学习网络对通信辐射源个体信号提取特征，然后利用联合决策方法识别辐射源个体信号的属性。在该方法中，MSRPLNet通过增强学习特征的类间分离性和类内紧凑性为通信辐射源个体信号特征的识别奠定了基础。的识别奠定了基础。的识别奠定了基础。


技术研发人员：赵航 刘鹏飞 郭丽姝 商鹏 褚梓樾 卢晓春
受保护的技术使用者：中国科学院国家授时中心
技术研发日：2023.05.25
技术公布日：2023/8/16