基于深度子领域自适应的辐射源个体识别方法

1.本发明涉及辐射源个体识别技术领域，更具体地说，涉及一种基于深度子领域自适应的辐射源个体识别方法。


背景技术：

2.随着无线通信和物联网技术的不断发展，频谱中无线设备的数量迅速增加。无线设备由于设备公差而生成的细微特征具有难以克隆的物理特征,这种在各个设备间产生的不同细微特征被称之为射频指纹，使用射频指纹区分非法设备与合法设备是保护通信系统安全的一种新的物理层方法。
3.辐射源个体识别(specific emitter identification，sei)是提取同类辐射源信号中的射频指纹来识别不同辐射源个体的过程，sei技术在军用和民用领域有着广阔的应用前景。在民用方面，sei技术可以应用于频谱资源管控、无线网络安全和认知无线电等领域。在军事通信方面，sei技术可以在复杂的战场环境中识别特定辐射源的信号，对于敌我识别和掌握战场态势具有重要意义。
4.近年来，深度学习技术展示了其在sei应用中的巨大潜力，当待识别辐射源发送的信号的传输环境和接收机与用于训练的带标签信号完全相同时，神经网络借助其强大的非线性映射能力，可以实现对射频指纹特性的提取和抽象，达到较好的分类性能。但在实际通信场景下，由于传输环境和接收机内部噪声的变化，对于同一个辐射源而言，发送的信号被接受后的信噪比并不完全一样。当有标签训练信号与无标签待测信号的信噪比不同时，有监督的深度学习模型的识别性能将大打折扣。虽然训练信号与待测信号的信噪比存在不一致的情况，但它们携带的指纹信息是一致的。因此，在面对训练和测试数据分布之间的不匹配的情况时，如何学习这种“不变”的指纹特征信息是解决该问题的关键。


技术实现要素：

5.1.发明要解决的技术问题
6.本发明提供了一种基于深度子领域自适应的辐射源个体识别方法，旨在解决待识别辐射源信号与训练数据集的信道环境噪声不一致导致的识别模型性能下降问题。
7.2.技术方案
8.为达到上述目的，本发明提供的技术方案为：
9.本发明的一种基于深度子领域自适应的辐射源个体识别方法，包括：
10.s100、获取辐射源的ads-b信号的一维点数据，其中数据分为源域数据与目标域数据；
11.s200、将所述一维点数据转换成iq波形图，采用拼接方式将i路图像和对应的q路图像拼接到一起，形成i/q拼接图；
12.s300、采用改进的图像集预训练的resnet-50网络结构提取源域与目标域数据的通用特征；
13.s400、嵌入局部最大均值差异自适应层来对齐子领域分布，减少源域与目标域的分布差异的同时捕获近距离子类别的精细信息；
14.s500、通过局部最大均值差异与预训练的resnet-50模型构建用于辐射源个体识别的子领域自适应模型，对子领域自适应模型进行训练并将模型概率预测结果作为目标域的伪标签；通过最小化损失目标函数来学习源域与目标域共有的分类特征；
15.s600、利用构建好的子领域自适应网络对不同信噪分布的辐射源信号进行迁移识别。
16.进一步地，步骤s200在将所述一维点数据转换成iq波形图前，对数据进行归一化，所述归一化的方法包括：将辐射源的i路数据、q路数据分别进行归一化，并且将最大值变为1，归一化公式为：
[0017][0018]
其中y为归一化的结果，x为需要归一化的数据。
[0019]
进一步地，所述一维点数据转换成iq波形图包括：取m个数据点为一个数据样本，将一维iq数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到iq两路数据的二维波形图。
[0020]
进一步地，采用拼接方式将i路图像和对应的q路图像拼接到一起，形成i/q拼接图包括：
[0021]
将i路和q路二维波形图进行拼接，i路图像在左，q路图像在右。
[0022]
根据权利要求2所述的子领域自适应的辐射源个体识别方法，其特征在于，对iq拼接图像考虑加性高斯白噪声信道场景，形成含有不同噪声分布的iq拼接图像包括：
[0023]
信噪比范围为0～kdb，以2db为间隔一共含有k/2种不同噪声环境的iq拼接数据集。取其中信噪比为n db数据集为源域数据，其余k/2-1种噪声数据集为目标域数据集。
[0024]
进一步地，步骤s300所述所述预训练的resnet-50模型是在imagenet数据集中的数百万个图像上进行了训练的一个50层的残差神经网络模型，它包括49个卷积层和1个1000个节点的全连接层。将所有卷积层作为特征提取器，去除最后一个全连接层并新增一个两层的全连接层，并将第一层全连接层网络设定为自适应层，采用局部最大均值差异准则进行子领域自适应。
[0025]
进一步地，所述局部最大均值差异自适应层是在衡量源域与目标域数据之间的分布的整体差异的最大均值差异基础上进行改进，通过引入局部最大均值差异进行条件分布差异计算，在深度网络的迭代过程中使它最小化，缩小同一类别内相关子域的分布差异。
[0026]
进一步地，所述局部最大均值差异表达式为：
[0027][0028]
其中，和分别为和属于第c类的权重，计算公式为：
[0029][0030]
9.进一步地，对于源域中的样本，使用真实标签作为one-hot来计算每个样本的
权重对无标签的目标域，深度神经网络的输出是一个概率分布，采用网络预测标签作为目标域的伪标签来计算目标域的权重
[0031]
实现高层网络层的自适应，需要知道其中的激活值z
l
；给定具有ns个具有标签的源域ds，n
t
个不含标签的目标域d
t
，分别服从概率为p和q，深度神经网络将会在l层中产生和的激活值；定义子领域自适应函数为：
[0032]
式中，z
l
为第l层(l∈l＝{1,2,
…
,|l|})提取的特征。
[0033]
在模型的训练过程中，将上式中lmmd用于领域自适应的损失，从而得到网络优化的目标函数为：
[0034][0035]
其中，j(
·
,
·
)为交叉熵损失函数；为子领域自适应函数；le为总的自适应层数。
[0036]
进一步地，利用信噪比为n的源域辐射源信号的i/q拼接图样本数据训练子领域自适应模型，将待识别的k/2-1种信噪比的辐射源i/q拼接图输入到训练好的子领域自适应模型中，对目标域辐射源个体进行迁移识别。
[0037]
3.有益效果
[0038]
采用本发明提供的技术方案，与现有技术相比，具有如下有益效果：
[0039]
本发明的基于深度子领域自适应的辐射源个体识别方法，使用图像集上预训练好的深度模型resnet-50并进行微调，相比于传统的完整训练神经网络模型，能较好地对不同噪声情况下的辐射源特征进行提取；嵌入局部最大均值差异自适应层来对齐子领域分布，在减少源域与目标域的分布差异的同时通过捕获近距离类别的精细信息来提高模型识别性能，并针对目标域无标签的情况，采用训练好的网络模型概率预测结果来获得目标域的伪标签进行解决，能更准确地识别出不同噪声情况下辐射源个体的种类。
附图说明
[0040]
图1为本发明的方法流程示意图；
[0041]
图2为本发明实施例中两类辐射源的i路和q路示意图；
[0042]
图3为本发明实施例中图像拼接示意图，图3(a)为样本1中i/q拼接示意图，图3(b)为样本2中i/q拼接示意图；
[0043]
图4为本发明实施例中不同信噪比下的iq拼接示意图，图4(a)为样本1在信噪比为0db下的i/q拼接示意图，图4(b)为样本1在信噪比为10db下的i/q拼接示意图；
[0044]
图5是本发明实施例中全局领域自适应与子领域自适应的区别示意图；
[0045]
图6是本发明实施例中子领域自适应层特征对齐结构dsan示意图；
[0046]
图7是本发明实施例中迁移学习方法优化前后模型的混淆矩阵示意图，图8(a)为resnet50混淆矩阵示意图，图8(b)为dsan混淆矩阵示意图；
[0047]
图8是本发明实施例中不同模型的训练损失示意图；
[0048]
图9是本发明实施例中不同模型在源域信噪比为10db向目标域信噪比为14db迁移的特征可视化示意图。
具体实施方式
[0049]
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
[0050]
本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”等用语，亦仅为便于叙述的明了，而非用以限定可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
[0051]
本发明的一种基于深度子领域自适应的辐射源个体识别方法，包括以下步骤：
[0052]
s100、获取辐射源的ads-b信号的一维点数据，其中数据分为源域数据与目标域数据；
[0053]
s200、将所述一维点数据转换成iq波形图，采用拼接方式将i路图像和对应的q路图像拼接到一起，形成i/q拼接图；
[0054]
s300、采用改进的图像集预训练的resnet-50网络结构提取源域与目标域数据的通用特征；
[0055]
s400、嵌入局部最大均值差异自适应层来对齐子领域分布，减少源域与目标域的分布差异的同时捕获近距离子类别的精细信息；
[0056]
s500、通过局部最大均值差异与预训练的resnet-50模型构建用于辐射源个体识别的子领域自适应模型，对子领域自适应模型进行训练并将模型概率预测结果作为目标域的伪标签；通过最小化损失目标函数来学习源域与目标域共有的分类特征；
[0057]
s600、利用构建好的子领域自适应网络对不同信噪分布的辐射源信号进行迁移识别。
[0058]
具体地，对于步骤s100，获取辐射源的ads-b信号的一维点数据。
[0059]
进一步地，在将所述一维点数据转换成iq波形图前，需对数据进行归一化，归一化的方法包括：将辐射源的i路数据、q路数据分别进行归一化，并且将最大值变为1，归一化公式为：
[0060][0061]
其中y为归一化的结果，x为需要归一化的数据。
[0062]
在步骤s200中，将所述一维点数据转换成iq波形图，采用拼接方式将i路图像和对应的q路图像拼接到一起，形成i/q拼接图。其中，一维点数据转换成iq波形图包括：取m个数据点为一个数据样本，将一维iq数据，按照横轴为时间，纵轴为样本值的大小进行维度变化，得到iq两路数据的二维波形图。然后采用拼接方式将i路图像和对应的q路图像拼接到一起，形成i/q拼接图包括：将i路和q路二维波形图进行拼接，i路图像在左，q路图像在右。
[0063]
在步骤s200中，对iq拼接图像考虑加性高斯白噪声(additive white gaussian noise,awgn)信道场景，通过该过程可以形成含有不同噪声分布的iq拼接图像，包括：
[0064]
信噪比范围为0～kdb，以2db为间隔一共含有k/2种不同噪声环境的iq拼接数据集。取其中信噪比为n db数据集为源域数据，其余k/2-1种噪声数据集为目标域数据集。
[0065]
步骤s500中，通过预训练的resnet-50模型与局部最大均值差异自适应层构建用于辐射源个体识别的子领域自适应模型dsan。子领域自适应模型包括图像集预训练的通用特征提取器resnet-50模型、一层局部最大均值差异自适应层和一层全连接层。
[0066]
预训练的resnet-50模型是在imagenet数据集中的数百万个图像上进行了训练的一个50层的残差神经网络模型，它包括49个卷积层和1个1000个节点的全连接层。本发明将所有卷积层作为特征提取器，去除最后一个全连接层并新增一个两层的全连接层，并将第一层全连接层网络设定为自适应层，采用局部最大均值差异准则进行子领域自适应。
[0067]
局部最大均值差异准则(local maximum mean discrepancy,lmmd)表达式为：
[0068][0069]
其中，和分别为和属于第c类的权重，计算公式为：
[0070][0071]
其中：y
ic
为输入向量yi第c类标签。
[0072]
输入辐射源信号源域数据训练dsan模型，使用网络模型的输出作为目标域数据的伪标签根据源域标签ys和伪标签求样本类别权重求特征适应层源域与目标域训练网络的lmmd值
[0073]
对于源域中的样本，使用真实标签作为one-hot来计算每个样本的权重对无标签的目标域，深度神经网络的输出是一个概率分布，它很好地表征将xi识别为c类的概率大小，因此采用网络预测标签作为目标域的伪标签来计算目标域的权重
[0074]
实现高层网络层的自适应，需要知道其中的激活值z
l
。给定具有ns个具有标签的源域ds，n
t
个不含标签的目标域d
t
，分别服从概率为p和q，深度神经网络将会在l层中产生和的激活值。因此，子领域自适应函数为：
[0075]
式中，z
l
为第l层(l∈l＝{1,2,
…
,|l|})提取的特征。
[0076]
在模型的训练过程中，将lmmd用于领域自适应的损失，从而得到网络优化的目标函数；最小化损失目标函数l直至模型收敛或循环次数达到最大训练轮数e，损失目标函数表达式为：
[0077][0078]
其中，j(
·
,
·
)为交叉熵损失函数；为子领域自适应函数；le为总的自适应层数。
[0079]
最终利用信噪比为n的辐射源信号数据训练好的子领域自适应网络dsan对待识别的无标签的k/2-1种信噪比的辐射源信号进行迁移识别,得到其信号分类识别结果。
[0080]
作为进一步分析，对归一化的iq数据每次截取4800个点为一个数据样本，每类共截取500个数据样本。最后将所取的一维数据点变成二维的波形图，其中横轴为时间序列轴，纵轴为一维序列对应的值。图2显示了两类辐射源信号的部分iq数据波形图。
[0081]
通过对iq数据的观察发现，i路数据和q路数据会对应的变化，在同一标签数据中存在重复性，不同标签数据中存在差异性。针对重复性与个体特异性的特征，为了更好地兼顾和综合i路和q路信号的完整特征，采用拼接的方式将i、q路信号值-采样点拼接成一张图像，形成i/q拼接图，第一类中第一个数据的拼接图如图3(a)所示，第二类中第一个数据的拼接图如图3(b)所示。
[0082]
考虑加性高斯白噪声(additive white gaussian noise,awgn)信道场景，图4给出了第一类辐射源信号信噪比0db和10db下的iq拼接图图像，可见由于信噪比的差异，两种拼接图像在视觉上呈现了很大的差异，使用单一噪声条件下的样本训练的模型，很难得到统一的特征。
[0083]
领域自适应主要是通过将源域和目标域映射到一个公共特征空间以消除领域差异，重新形成具有相同分布的特征集，可以分为全局领域自适应和子领域自适应两部分，如图5所示。全局领域自适应主要是通过网络模型学习全局域移动，即对齐全局源域和目标域分布，而不考虑两个全局域中的相同子辐射源类别之间的关系，导致子域之间分布间距较小，造成误识别，如图5左半部分所示。图5右半部分表示子领域自适应(subdomain adaptation,sda)，源域与目标域子领域分布对齐的情况下，全局域分布也大致相同，可较好地提高分类精度。因此，在不同信噪比环境下利用子领域自适应，能较好地匹配源域与目标域不同辐射源个体类别的分布差异。
[0084]
如图6所示为dsan的网络结构，网络训练过程中，共享卷积层参数，但是在全连接层中，通过嵌入域自适应单元lmmd实现全连接层特征参数的对齐。
[0085]
为了对比本发明的效果，构建相应对比模型。模型一resnet50，为tcnn网络结构，其使用图像集预训练的resnet-50微调迁移学习方法，并在全局平均池化层后面增加三层全连接层；模型二deepcoral，在模型一的基础上将coral loss应用到最后一个全连接层；模型三dan，在模型一的基础上于最后第二个全连接层嵌入多核mmd度量；模型四mran，将度量准则替换为cmmd；模型五dann，借鉴生成对抗网络的思想在模型一的特征提取器后面加入一个域判别器，中间通过一个梯度反转层(gradient reversal layer，grl)连接；模型六为本文方法，通用特征提取层为图像集预训练的resnet-50，将lmmd用于领域自适应层的损失。自适应层参数与模型一中最后第二层全连接层相同，全连接层与最后一层全连接层相同。不同迁移学习模型识别精度如表1所示，迁移任务a
→
b表示a情况数据为源域，b情况数据为目标域。本文将带标签的信噪比为10db的辐射源信号作为源域，将不带标签的其他信
噪比下的信号作为目标域，设置源域数据与目标域数据的比例为5∶1，即源域数据是信噪比为10db情况下的5000个样本，目标域是信噪比为snr＝n(n＝0，2，4，6，8，10，12，14)情况下的各1000个样本。
[0086]
表1不同迁移学习模型的识别准确率
[0087]
迁移任务10
→
010
→
210
→
410
→
610
→
810
→
1010
→
1210
→
14resnet5046.854.462.772.276.288.776.779.3deepcoral61.167.272.978.982.995.682.283.4dan61.167.073.678.881.494.783.385.8mran64.070.979.783.985.196.287.887.2dann62.370.376.383.885.997.089.488.1dsan65.673.079.884.986.598.090.290.7
[0088]
由表1可知，模型dsan在8种不同信道噪声环境下的迁移任务中均获得最高的准率，表明本发明方法具有较优的泛化能力和鲁棒性。对比模型二和模型一可知，对图像集预训练的resnet-50采用微调网络方法提取指纹特征有限，采用对齐源域与目标域的领域自适应方法，缩短了其边缘分布距离，在不同数据分布情况下具有更好的特征提取能力。模型二至模型五相较于微调resnet50模型识别精度均得到提高，但由于未考虑子领域自适应，模型泛化能力有限。本文提出的模型利用深度神经网络resnet-50优异的通用特征提取能力，并采用子领域自适应度量对齐不同子类辐射源特征，展现出较好的跨信噪比无监督识别能力。由模型六与模型三可以看出，对齐源域与目标域的子领域比对齐全局域自适应效果更好，模型泛化能力、鲁棒性进一步提高。
[0089]
为比较各类辐射源信号在利用迁移学习方法后的分类识别效果，在源域信噪比为10db，目标域信噪比为14db，图7给出了仅使用微调resnet50模型方法训练与使用子领域自适应方法进行优化后的混淆矩阵。本发明算法优化前，模型的混淆矩阵存在比较明显的错误，仅第二类与第五类辐射源信号的分类识别准确率达到90％以上，而模型经过优化后，混淆矩阵明显更加接近于单位矩阵，此时仅第六类、第九类和第十类的分类识别准确率低于90％，体现了发明使用子领域自适应方法对分类结果带来的明显改善。
[0090]
为验证发明模型的收敛性，证明了dsan、dann和dan各自的收敛情况，以源域到目标域10
→
14为例，图8显示了不同模型在100轮训练下的训练损失情况。其中在相同迭代次数下，dsan相比采用多核mmd度量准则的领域自适应模型dan与利用对抗训练的领域自适应模型dann，其训练损失更低，收敛更快。dann则出现了较大的波动，且训练损失并未在最低值收敛。
[0091]
为了进一步理解本发明算法的增益，使用t-sne算法将优化前后模型的第一个全连接层的输出降到二维，并进行可视化。输入为信号预处理后的iq拼接图，源域信噪比为10db，目标域信噪比为14db，使用多核mmd度量准则的领域自适应模型dan与本文使用的子领域自适应模型dsan的可视化结果如图9所示。模型经过优化后，提取到的目标域特征可分性更好，体现在同一辐射源发送的信号的特征分布更紧密，不同辐射源发送的信号的特征分布边界更清晰。这是由于本发明方法通过减少源域与目标域子领域之间距离来增加特征样本的可区分性。通过结合resnet-50、子领域自适应的优点，将来自源域和目标域不同信噪比信号中“不变的”指纹特征更紧密地聚类在一起。
[0092]
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。