基于半监督对比学习的未知辐射源个体识别方法及系统

本技术涉及辐射源个体识别，更具体地说，涉及基于半监督对比学习的未知辐射源个体识别方法及系统。

背景技术：

1、辐射源个体识别（specific emitter identification，sei）利用不同辐射源之间的硬件指纹差异，从物理层信号中提取特征，实现用频设备的识别与监管。随着无线通信和物联网设备的普及，电磁空间日益复杂，对合法用户的识别与非法用户的发现提出了更高要求。

2、相关技术中，基于深度学习的sei方法大多基于闭集假设，即假设测试样本均属于训练集中已出现的类别。这一假设与真实的开放电磁环境不符，实际环境中会不断出现未知的新类别辐射源。尤其是在仅有有限标注数据可用，同时存在大量无标注数据和未知信号类别的情况下，现有方法无法同时处理已知类别的精确识别与未知新类别的有效发现。

技术实现思路

1、基于此，有必要针对上述问题，提供基于半监督对比学习的未知辐射源个体识别方法及系统，提高对已知类别辐射源个体识别的准确率，并实现对未知新类别的辐射源个体的识别及分类。

2、本技术提供了基于半监督对比学习的未知辐射源个体识别方法，包括：

3、获取第一样本集和第二样本集；第一样本集包含具有标签的第一辐射源信号样本；第二样本集包含无标签的第二辐射源信号样本；

4、在统一的潜在空间中，为第一样本集中标签对应的各个已知类别分配已知原型向量，并分配预设数量的未知原型向量，以表征第二样本集中潜在的未知类别；

5、通过第一样本集以及第二样本集，训练特征提取网络；

6、利用训练后的特征提取网络提取待识别辐射源信号的特征向量，根据特征向量与各个原型向量的相似度，确定待识别辐射源信号所属的类别；

7、其中，在特征提取网络的训练过程中，特征提取网络的模型参数以及已知原型向量根据第一辐射源信号样本的有监督学习结果进行更新；特征提取网络的模型参数以及未知原型向量根据第二样本集对应的无监督学习结果进行更新。

8、在一种可选的实施方式中，通过第一样本集以及第二样本集，训练特征提取网络，包括：

9、根据特征提取网络对第一辐射源信号样本的处理结果以及第一辐射源信号样本的标签，获得有监督损失函数值；

10、根据特征提取网络对多个第二辐射源信号样本的处理结果，获得无监督损失函数值；

11、根据有监督损失函数值以及无监督损失函数值，获得目标损失函数值；

12、根据目标损失函数值，对特征提取网络进行参数更新。

13、在一种可选的实施方式中，根据特征提取网络对第一辐射源信号样本的处理结果以及第一辐射源信号样本的标签，获得有监督损失函数值，包括：

14、通过特征提取网络对第一辐射源信号样本进行处理，获得第一特征向量；

15、根据第一特征向量与各个已知原型向量之间的相似度确定第一原型向量；

16、根据第一原型向量对应的类别以及第一辐射源信号样本的标签获取有监督损失函数值。

17、在一种可选的实施方式中，根据第一原型向量对应的类别以及第一辐射源信号样本的标签获取有监督损失函数值，包括：

18、根据第一原型向量对应的类别以及第一辐射源信号样本的标签获取第一损失函数值；

19、根据多个第一辐射源信号样本中具有相同标签的样本所对应的特征向量之间的相似度，以及具有不同标签的样本所对应的特征向量之间的差异，构建第二损失函数值；

20、根据第一损失函数值以及第二损失函数值，获得有监督损失函数值。

21、在一种可选的实施方式中，根据特征提取网络对多个第二辐射源信号样本的处理结果，获得无监督损失函数值，包括：

22、对第二辐射源信号样本进行增强，获得增强信号；

23、通过特征提取网络对第二辐射源信号样本进行处理，获得第二特征向量；

24、通过特征提取网络对增强信号进行处理，获得第三特征向量；

25、根据第二特征向量与已知原型向量/未知原型向量之间的相似度确定第二原型向量；

26、根据第二特征向量与第三特征向量之间的差异，获取第三损失函数值；

27、根据第三损失函数值以及第四损失函数值，获取无监督损失函数值；第四损失函数值用于指示第二特征向量与同训练批次中其他样本对应的原型向量之间的差异。

28、在一种可选的实施方式中，根据第三损失函数值以及第四损失函数值，获取无监督损失函数值之前，还包括：

29、通过softmax函数对第二特征向量进行处理，获得第一类别预测向量；

30、通过softmax函数对第三特征向量进行处理，获得第二类别预测向量；

31、根据第一类别预测向量与第二类别预测向量之间的差异，获取第四损失函数值。

32、在一种可选的实施方式中，根据有监督损失函数值以及无监督损失函数值，获得目标损失函数值，包括：

33、根据有监督损失函数值、无监督损失函数值以及重构损失函数值，获得目标损失函数值；

34、其中，重构损失函数值为根据重构信号样本与输入特征提取网络的原始信号样本之间的差异得到的；重构信号样本为通过解码器对特征提取网络输出的特征向量进行重构得到的。

35、在一种可选的实施方式中，基于半监督对比学习的未知辐射源个体识别方法还包括：

36、根据任意两个原型向量之间的相似度，获取原型分离损失值；

37、根据原型分离损失值，更新所有原型向量，以使不同原型向量之间的相似度降低。

38、又一方面，本技术还提供了基于半监督对比学习的未知辐射源个体识别系统，用于实现上述基于半监督对比学习的未知辐射源个体识别方法，系统包括：

39、样本获取模块，用于获取第一样本集和第二样本集；第一样本集包含具有标签的第一辐射源信号样本；第二样本集包含无标签的第二辐射源信号样本；

40、向量分配模块，用于在统一的潜在空间中，为第一样本集中标签对应的各个已知类别分配已知原型向量，并分配预设数量的未知原型向量，以表征第二样本集中潜在的未知类别；

41、网络训练模块，用于通过第一样本集以及所述第二样本集，训练特征提取网络；

42、识别模块，用于利用训练后的特征提取网络提取待识别辐射源信号的特征向量，根据特征向量与各个原型向量的相似度，确定待识别辐射源信号所属的类别。

43、又一方面，本技术还提供了一种电子设备，包括：

44、存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述基于半监督对比学习的未知辐射源个体识别方法。

45、相比于现有技术，本技术的优点在于：

46、本技术通过获取有标签的第一样本集和无标签的第二样本集，在统一的潜在空间中为已知类别和预设数量的未知类别分配可学习的原型向量，并利用有标签数据和无标签数据联合训练特征提取网络，通过特征向量与原型向量的相似度确定类别。这样能够在仅有少量有标签已知类数据的情况下，同时实现已知类别的准确识别和未知新类别的识别分类。本技术的特征提取网络通过联合优化有监督损失和无监督损失，能够同时从有标签数据中学习类别判别特征、从无标签数据中学习数据内在结构。本技术通过特征提取网络得到第一特征向量，根据其与已知原型向量的相似度确定第一原型向量，再根据第一原型向量与标签获取损失，使得已知原型向量在训练过程中不断向对应类别的样本特征中心靠拢，从而更准确地代表各类别的特征分布，提高已知类别的识别准确性。