辐射源的识别方法及装置

1.本公开涉及数据处理技术领域，尤其涉及一种辐射源的识别方法及装置。


背景技术：

2.特定辐射源识别是指从接收信号中提取细微差异用于关联单个辐射源的技术。随着物联网应用的大规模普及和物联网接入设备数量的迅速增长，高效、安全、稳定的物联网设备认证方案是防范恶意攻击、确保用户隐私安全的关键。
3.近年来，深度学习技术凭借强大的抽象特征检索能力在特定辐射源识别的应用中表现出巨大潜力，现有技术中，基于深度学习的特定辐射源识别方案往往是在各类样本数量基本平衡的情况下进行有监督学习。
4.在实际应用中，辐射源数据的各个类别之间数据数量不平衡的现象大量存在，在类不平衡数据集中，大量数据属于少数类别，而多数类别中只包含少量样本，样本表现为偏斜分布。这就导致在深度学习模型的训练过程中，多数类样本将主导损失更新和梯度下降的方向；而对于少数类样本，深度学习模型难以获得充分的特征实现输入和输出之间的非线性映射，导致模型倾向于将其判别为多数类而逃避因错误分类带来的惩罚，导致对偏斜类别分布的辐射源数据的识别率不高。


技术实现要素：

5.本公开提供了一种辐射源的识别方法及装置，其主要目的在于解决辐射数据偏斜类别分布导致辐射源的识别不准确的问题。
6.根据本公开的第一方面，提供了辐射源的识别方法，包括：
7.将噪声向量输入至预设辐射源识别模型中的生成网络；
8.经过所述预设辐射源识别模型的卷积操作后输出信号样本，用以蒙蔽所述预设辐射源识别模型中的判别网络；
9.基于判别网络对生成网络输出样本和无标记样本进行二分类；
10.基于偏斜分布损失函数及标记样本对二分类结果进行评估。
11.可选的，在将噪声向量输入至预设辐射源识别模型中的生成网络之前，所述方法还包括：
12.构建生成式对抗网络模型，所述生成式对抗网络模型至少包括：生成网络及判别网络，用于通过半监督训练方式优化生成网络和判别网络的网络参数。
13.可选的，基于偏斜分布损失函数及标记样本对二分类结果进行评估，所述方法还包括：
14.将残差网络融入所述判别网络；
15.配置尺度拓扑结构融合信号在不同尺度下的分辨率特征。
16.可选的，所述方法还包括：
17.将所述判别网络划分为无监督部分和监督部分；
18.所述监督部分对应的损失函数为标记样本与二分类结果的标准交叉熵；
19.用于处理平衡数据集的标准交叉熵(cross entropy，ce)函数通常表示为：
20.式中，yi∈(0,1)为置信概率，为预测概率，n为样本类别，ce损失通过假设损失权重与所属类别频率的无关性以实现训练误差的最小化。
21.可选的，所述基于偏斜分布损失函数及标记样本对二分类结果进行评估包括：
22.基于下述偏斜分布损失函数进行评估：
[0023][0024][0025][0026]
式中，η、χ和μ为超参数。l
fl
为焦点损失、l
ci
为类不平衡损失，用于处理类不平衡数据。
[0027]
根据本公开的第二方面，提供了一种辐射源的识别装置，包括：
[0028]
输入单元，用于将噪声向量输入至预设辐射源识别模型中的生成网络；
[0029]
输出单元，用于经过所述预设辐射源识别模型的卷积操作后输出信号样本，用以蒙蔽所述预设辐射源识别模型中的判别网络；
[0030]
分类单元，用于基于判别网络对生成网络输出样本和无标记样本进行二分类；
[0031]
评估单元，用于基于偏斜分布损失函数及标记样本对二分类结果进行评估。
[0032]
可选的，所述装置还包括：
[0033]
构建单元，用于在输入单元将噪声向量输入至预设辐射源识别模型中的生成网络之前，构建生成式对抗网络模型，所述生成式对抗网络模型至少包括：生成网络及判别网络，用于通过半监督训练方式优化生成网络和判别网络的网络参数。
[0034]
可选的，所述评估单元还包括：
[0035]
融入模块，用于将残差网络融入所述判别网络；
[0036]
配置模块，用于配置尺度拓扑结构融合信号在不同尺度下的分辨率特征。
[0037]
可选的，所述装置还包括：
[0038]
划分单元，用于将所述判别网络划分为无监督部分和监督部分；
[0039]
所述监督部分对应的损失函数为标记样本与二分类结果的标准交叉熵；
[0040]
用于处理平衡数据集的标准交叉熵(cross entropy，ce)函数通常表示为：
[0041]
式中，yi∈(0,1)为置信概率，为预测概率，n为样本类别，ce损失通过假设损失权重与所属类别频率的无关性以实现训练误差的最小化。
[0042]
可选的，所述评估单元，还用于基于下述偏斜分布损失函数进行评估：
[0043][0044][0045][0046]
式中，η、χ和μ为超参数。l
fl
为焦点损失、l
ci
为类不平衡损失，用于处理类不平衡数据。
[0047]
本公开提供的辐射源的识别方法及装置，在执行识别辐射源的识别时，首先，将噪声向量输入至预设辐射源识别模型中的生成网络；其次，经过所述预设辐射源识别模型的卷积操作后输出信号样本，用以蒙蔽所述预设辐射源识别模型中的判别网络；基于所述判别网络对生成网络输出样本和无标记样本进行二分类；最后，基于偏斜分布损失函数及标记样本对二分类结果进行评估。与相关技术相比，本技术实施例基于预设辐射元识别模型对辐射信号进行训练，识别其辐射源，并根据偏斜分布损失函数来抵消由于样本类别不均匀所导致的梯度失衡，从而提高少类样本对于总损失的贡献度，实现了对偏斜类别分布数据的辐射源的识别。
[0048]
应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0049]
附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0050]
图1为本公开实施例所提供的一种辐射源的识别方法的流程示意图；
[0051]
图2为本公开实施例所提供的一种单跳通信场景的示意图；
[0052]
图3为本公开实施例所提供的一种对分类结果的评估方法的流程示意图；
[0053]
图4为本公开实施例所提供的一种基于多尺度拓扑结构和残差单元构建的判别网络示意图；
[0054]
图5为本公开实施例所提供的一种基础神经元结构示意图；
[0055]
图6为本公开实施例提供的一种辐射源的识别装置的结构示意图；
[0056]
图7为本公开实施例提供的一种辐射源的识别装置的结构示意图。
具体实施方式
[0057]
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0058]
下面参考附图描述本公开实施例的辐射源的识别方法及装置。
[0059]
图1为本公开实施例所提供的一种辐射源的识别方法的流程示意图。
[0060]
步骤101，将噪声向量输入至预设辐射源识别模型中的生成网络。
[0061]
本技术实施例应用于，面向偏斜样本分布的辐射源识别框架(semi-supervised gan for skewed class di stribution,s3cdgan)，以改善在样本类别分布不均衡、标签有限情况下的辐射源个体分类性能。
[0062]
在s3cdgan中，生成器的输入为噪声向量z，生成网络的优化目标表示为：
[0063][0064]
式中v(g,d)表示待优化函数，z～pz(z)为输入噪声，d(x)表示判别网络对于真实样本的正确判别概率，g(z)表示生成网络输出，ε(
·
)表示期望算子。
[0065]
在执行本步骤之前，建立辐射源信号模型，对预设辐射源识别模型进行训练；建立一个由至少一个单工辐射源、信道和单个接收机存在的通信场景，为了便于理解本技术实施例所述的单跳通信场景，请参阅图2，该场景下的辐射源信号是分时接收的，因此无需考虑盲源分离。辐射源的物理层特征主要来源于功率放大网络的非线性系统响应，输入功放的高频待辐射信号s(nt)可表示为：
[0066][0067]
式中m(nt)表示来自基带的已调制信号，fc和fs分别表示载频和采样频率，引入泰勒多项式对功放的特异性进行描述，单跳场景下的功放输出t(i)(
·
)可表示为：
[0068][0069]
式中为泰勒多项式系数，m为多项式的阶数，接收机截获的来自第i个辐射源的采样信号r(i)(nt)可表示为：
[0070]
r(i)(nt)＝t(i)(s(nt))*h(i)(nt) w(i)(nt),n＝1,2,...,n,i＝1,2,...,k
[0071]
式中h(i)(nt)为发射端到接收机的信道衰落系数，w(i)(nt)为信道加性噪声，接收信号r(i)(nt)可表示为：
[0072][0073]
步骤102，经过所述预设辐射源识别模型的卷积操作后输出信号样本，用以蒙蔽所述预设辐射源识别模型中的判别网络。
[0074]
在s3cdgan中，生成器的输入为噪声向量z，经过卷积操作后输出信号样本用以蒙蔽判别器。判别网络则同时接收生成器输出、标记样本(x,y)～pdata(x,y)和无标记样本x～pdata(x)，判别网络的监督部分和无监督部分共享除输出层之外的权重和参数，以充分利用无标记样本的特征分布更新自身参数。
[0075]
步骤103，基于所述判别网络对生成网络输出样本和无标记样本进行二分类。
[0076]
判别网络通过训练不断提高对于真实样本和虚假样本的判别能力，因此优化目标为
[0077][0078]
(6)x～p
data
(x)表示服从真实样本分布，d(g(z))表示判别网络将生成网络的输出
样本预测为真实样本的概率。网络优化的本质是二者的博弈，其损失函数可表示为：
[0079][0080]
生成网络和判别网络在对抗过程中不断调整优化，当生成网络输出和真实样本匹配时达到纳什均衡，此时v(g,d)为全局最优解。
[0081]
判别网络则同时接收生成网络输出、标记样本(x,y)～pdata(x,y)和无标记样本x～pdata(x)，判别网络的监督部分和无监督部分共享除输出层之外的权重和参数，以充分利用无标记样本的特征分布更新自身参数。在k个辐射源存在的半监督分类任务中，对于生成网络输出g(z)和无标记样本x～pdata(x)，预设辐射源识别模型利用输出层的sigmoid函数完成二分类：
[0082][0083]
式中xi为二分类矢量中的输出元素。在监督部分中，生成网络输出g(z)被作为第k 1类，并与k类的标记样本共同利用sofmtax层实现k 1维的监督分类，将输出向量转换为类别概率：
[0084][0085]
式中xi为k维分类矢量中的输出。
[0086]
步骤104，基于偏斜分布损失函数及标记样本对二分类结果进行评估。
[0087]
特别地，预设反射源生成网络将生成网络的输出g(z)作为第k 1类的“伪样本”。在预设辐射源识别模型中，生成网络的优化函数lg可表示为最大化g(z)被判断为第k 1类的概率
[0088][0089]
为了提高生成网络的稳定性，防止在当前判别网络的过度训练，我们向上式中引入特征匹配损失l
fm
[0090][0091]
式中f(
·
)表示判别网络中的特征提取层，改进后的优化函数可表示为
[0092]
式中τ定义为匹配系数。判别网络的优化函数ld被划分为无监督部分v(d)
uns
和监督部分v(d)
sup
，无监督部分的损失函数表示为：
[0093][0094]
样本类别均衡分布情况下的监督损失函数v(d)
sup
为真实类标签与预测类标签的标准交叉熵：
[0095][0096]
判别网络的总体目标函数为：
[0097][0098]
因此预设辐射源识别模型的损失函数可以用零和博弈形式表示为：
[0099][0100]
本公开提供的辐射源的识别方法，在执行识别辐射源的识别时，首先，将噪声向量输入至预设辐射源识别模型中的生成网络；其次，经过所述预设辐射源识别模型的卷积操作后输出信号样本，用以蒙蔽所述预设辐射源识别模型中的判别网络；基于所述判别网络对生成网络输出样本和无标记样本进行二分类；最后，基于偏斜分布损失函数及标记样本对二分类结果进行评估。与相关技术相比，本技术实施例基于预设辐射元识别模型对辐射信号进行训练，识别其辐射源，并根据偏斜分布损失函数来抵消由于样本类别不均匀所导致的梯度失衡，从而提高少类样本对于总损失的贡献度，实现了对偏斜类别分布数据的辐射源的识别。
[0101]
作为对上述申请实施例的扩展，在构建预设辐射源识别模型时，可采用下述方式：所述生成式对抗网络模型(gan)至少包括：生成网络及判别网络，用于通过半监督训练方式优化生成网络和判别网络的网络参数。由于原始的gan只能对真实样本进行无监督扩充，且无法有效利用标记数据和无标记数据的互相关信息，对抗训练过程中的模式崩塌难以避免。为此，申请实施例将半监督学习引入gan中，构建预设辐射源识别模型
[0102]
图3为本技术实施例所提供的一种对分类结果的评估方法的流程示意图，包括：
[0103]
步骤201，将残差网络融入所述判别网络。：
[0104]
步骤202，配置尺度拓扑结构融合信号在不同尺度下的分辨率特征。
[0105]
请参阅图4，图4为本技术实施里所提供的一种基于多尺度拓扑结构和残差单元构建的判别网络示意图。本技术实施例将残差网络引入判别网络以提高前后特征传递的效率，并设计多尺度拓扑结构融合信号的在不同尺度下的分辨率特征。如图4所示，判别网络的输入为1
×
1000维的时域信号，经过全连接层和维度变换后输出2
×
512
×
1的三维张量便于进行2d卷积操作。对于一维信号包络r(i)(nt)而言，其本身附加的非线性功放失真使得
其在时域内存在互相关特性。在多尺度拓扑结构中，通过设置不同大小的一维卷积核(1
×
7,1
×
5和1
×
3)，多尺度拓扑结构能够从多个尺度纵向提取r(i)(nt)的时间跨域关联信息，而添加的三个并联支路则从横向维度丰富通道信息，从而提高分类网络的多维表征能力；跨越连接则将前端初始特征直接传递至后端感受野，传递原始时域信号的细节信息，避免因为卷积层的堆叠而导致的细微特征丢失和梯度爆炸。每个残差单元均由3个卷积层构成，卷积层后加入批归一化(batch normalization,bn)层和修正线性单元(rectified linear unit,relu)层以防止梯度爆炸，卷积步长设置为1用于保留高维特征映射。四个残差单元的卷积核个数分别为128、64、32和16。特征向量经过展平操作后分别由softmax层和sigmoid层输出判别网络的监督分类概率和无监督判别概率。生成网络的输入为1
×
100的采样高斯白噪声，每个卷积层后添加批归一化层和泄露修正线性单元(leaky rectified linear unit,lrelu)层，卷积核大小为1
×
3，步长设置为1，卷积层6的加入是为了对前端特征图进行降维，减少连接节点数量。
[0106]
作为本技术实施例的一种可实现方式，基于偏斜分布损失函数及标记样本对二分类结果进行评估时，可采用偏斜分布损失函数进行评估，用于处理平衡数据集的标准交叉熵函数通常表示为：
[0107][0108]
式中yi∈(0,1)为置信概率，为预测概率，n为样本类别。ce损失通过假设损失权重与所属类别频率的无关性以实现训练误差的最小化，即对于容易分类的多数类样本和分类困难的少数类样本具有相等的权重。但这将导致多数类误导梯度的下降方向，因此需要有足够平衡的类别频率样本才能实现类别间分离边界模型的泛化。为此我们创新性地提出偏斜类别分布损失，其定义为：
[0109][0110]
式中η、χ和μ为超参数。焦点损失l
fl
和类不平衡损失l
ci
用于处理类不平衡数据，分别表示为：
[0111][0112]
式中υ和λ分别表示超参数。
[0113]
需要说明的是，上述偏移分布损失函数为可导函数，通过迭代得到损失函数的最小值或鞍点，从而确定当前数据集所对应的最佳非线性映射。考虑一个存在i个神经元的网络，可参见图5，图5为本技术实施例所提供的一种基础神经元结构示意图，图中b表示偏置项，σ(
·
)表示激活函数，第i个神经元的输出zi可表示为：
[0114]
[0115]
其中w
ij
表示第i个神经元的第j个权重值，选取softmax激活后的输出ai表示为：
[0116][0117]
在预设辐射源识别模型中，判别网络的监督部分利用偏斜分布损失实现k 1维的分类，根据链式求导法则，损失函数l对于第i个神经元的输出的梯度可表示为：
[0118][0119]
且有
[0120]
通过上述两个式子，可得到：
[0121][0122]
令则有
[0123]
可表示为
[0124][0125]
式中与i无关，可视为常数c；又有mi＝yi·
(pi qi)，因此最终可化简为：
[0126]
式中ai表示预测值，η和c表示常数，是关于预测值ai的函数，用来调节不同类频率样本引起的权重变化速率。因此网络对于神经元输出的梯度存在，即通过比较真实值yi与网络预测值ai的加权误差，网络能够依靠梯度的反向传播收敛至全局最优解。
[0127]
综上所述，预设辐射源识别模型的核心是充分利用无标记样本训练判别网络从而实现前端权重的共享，因此判别网络的参数设置对于识别性能具有重要影响，本技术实施例选取识别准确率对网络性能进行衡量。举例而言，损失函数设置为ce，batch-size为128，信噪比为16db，训练集的标记比为0.6，其中，当残差单元内的卷积层数为2时，识别准确率随单元数量的增加而显著提高；而卷积层数为3或4时，识别准确率分别达到89％和90％以上，此时单元数量的变化对于网络性能的影响不大。这说明s3cdgan(面向偏斜样本分布的辐射源识别框架)的识别精度与卷积层数和单元数量呈非线性的正比例关系；而且卷积层数为3时，判别器能够获得最佳的特征映射能力。因此后续采用3个卷积层、4个单元数的参数组合设置。
[0128]
深层的神经网络往往需要从大量的标注数据中学习现有样本特征分布，本技术实施例对标准训练集进行均匀随机采样，从而验证训练样本数量nt对于网络性能的影响。举例而言，训练集标记比为0.6，损失函数设置为ce，根据仿真结果可知，各个snr下的识别率随nt的增加而稳定提升，当snr为0db～10db时，不同nt条件下的识别准确率相差不大，nt为2400时的识别率高于nt＝1200大约10％，即nt缺失50％情况下识别准确率降低10％左右；当snr高于12db时，这一指标最高上升至20％，主要由于判别器的卷积层数过多，在nt＝1200的少样本情况下发生过拟合，可以考虑通过调整网络参数改善识别率。总的来说，算法能够利用现有的网络结构，在不同nt情况下表现出较强的鲁棒性，适用于真实电子侦察场景。
[0129]
验证本技术实施例提出的预设辐射源识别模型在不同标记样本数nl下的识别性
能，首先定义标记比为标记样本数nl与训练样本数nt的比值，并按标记比在标准训练集和训练集三上随机抽取标记样本训练半监督分类器，最后在标准测试集上获得监督识别精度。举例而言，损失函数设置为sdl，snr分别选择为16db和20db，根据结果可知，预设辐射源识别模型在标准训练集3类标记比下的识别准确率分别为95.4％、94.8％和90.9％，在训练集三3类标记比下的识别准确率分别为75.8％、74.2％和72.4％，说明标记样本数nl的增加能够一定程度上改善网络的识别性能。在标记样本数相差40％的情况下，两种数据集的识别准确率仅相差了4.5％和3.4％，说明s3cdgan(面向偏斜样本分布的辐射源识别框架)能够利用较少的标签信息实现较高的识别性能，网络在nl缺失的情况下也能快速收敛，对于标签信息表现出较强的鲁棒性。
[0130]
本技术实施例在标准训练集上，ce损失、fl损失和sdl损失的识别准确率差别不大，fl损失和sdl损失未表现出明显优势，这是由于标准训练集中的样本类别呈现均匀分布，因此fl损失和sdl损失无法根据置信概率对梯度进行加权，识别率的波动主要来自于网络的随机参数更新。而对于四类偏斜数据集，fl损失的识别性能高于ce损失，sdl损失在大多数情况下表现出最高的识别准确率，由此验证了fl损失和sdl损失均能够通过难易分类样本的置信概率自适应地调整损耗值，对于易分类的多类样本附加向下的加权速率。在四类偏斜数据集上，sdl损失的总体平均识别准确率相比于ce损失和fl损失分别提高5.34％和2.69％，验证了所提出的sdl损失处理偏斜分布样本的有效性。
[0131]
与上述的辐射源的识别方法相对应，本发明还提出一种辐射源的识别装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
[0132]
图6为本公开实施例提供的一种辐射源的识别装置的结构示意图，如图6所示，包括：
[0133]
输入单元31，用于将噪声向量输入至预设辐射源识别模型中的生成网络；
[0134]
输出单元32，用于经过所述预设辐射源识别模型的卷积操作后输出信号样本，用以蒙蔽所述预设辐射源识别模型中的判别网络；
[0135]
分类单元33，用于基于所述判别网络对生成网络输出样本和无标记样本进行二分类；
[0136]
评估单元34，用于基于偏斜分布损失函数及标记样本对二分类结果进行评估。
[0137]
进一步地，在本实施例一种可能的实现方式中，如图7所示，，所述装置还包括：
[0138]
构建单元35，用于在输入单元将噪声向量输入至预设辐射源识别模型中的生成网络之前，构建生成式对抗网络模型，所述生成式对抗网络模型至少包括：生成网络及判别网络，用于通过半监督训练方式优化生成网络和判别网络的网络参数。
[0139]
本公开提供的辐射源的识别装置，在执行识别辐射源的识别时，首先，将噪声向量输入至预设辐射源识别模型中的生成网络；其次，经过所述预设辐射源识别模型的卷积操作后输出信号样本，用以蒙蔽所述预设辐射源识别模型中的判别网络；基于所述判别网络对生成网络输出样本和无标记样本进行二分类；最后，基于偏斜分布损失函数及标记样本对二分类结果进行评估。与相关技术相比，本技术实施例基于预设辐射元识别模型对辐射信号进行训练，识别其辐射源，并根据偏斜分布损失函数来抵消由于样本类别不均匀所导致的梯度失衡，从而提高少类样本对于总损失的贡献度，实现了对偏斜类别分布数据的辐
射源的识别
[0140]
进一步地，在本实施例一种可能的实现方式中，如图7所示，，所述评估单元34包括：
[0141]
融入模块341，用于将残差网络融入所述判别网络；
[0142]
配置模块342，用于配置尺度拓扑结构融合信号在不同尺度下的分辨率特征。
[0143]
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述装置还包括：
[0144]
划分单元36，用于将所述判别网络划分为无监督部分和监督部分；
[0145]
所述监督部分对应的损失函数为标记样本与二分类结果的标准交叉熵；
[0146]
用于处理平衡数据集的标准交叉熵(cross entropy，ce)函数通常表示为：
[0147]
式中，yi∈(0,1)为置信概率，为预测概率，n为样本类别，ce损失通过假设损失权重与所属类别频率的无关性以实现训练误差的最小化。
[0148]
进一步地，在本实施例一种可能的实现方式中，如图7所示，所述评估单元34，还用于基于下述偏斜分布损失函数进行评估：
[0149][0150][0151][0152]
式中，η、χ和μ为超参数。l
fl
为焦点损失、l
ci
为类不平衡损失，用于处理类不平衡数据。
[0153]
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
[0154]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0155]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。