低置信度目标域样本条件下雷达辐射源个体识别方法、装置及计算机设备

技术领域

本申请涉及通信技术领域，尤其涉及到一种低置信度目标域样本条件下雷达辐射源个体识别方法、装置及计算机设备。

背景技术

由于发射管、功放等发射机器件在制作工艺、生成环境、工人操作水平等因素影响下，雷达存在细微的固有缺陷，会引起电磁信号的脉内无意调制，无法避免、消除或伪造。雷达辐射源个体识别技术(Specific Emitter Identification，SEI)是通过对截获电磁信号进行外部特征测量来获取发射机的细微特征，将其作为雷达指纹进行分析认证，进而判定雷达载体身份。在较易环境中采集大量雷达辐射源个体数据，构建标签建立数据集作为源域，将不带标签的待测信号数据作为目标域。低置信度目标域是指该目标域基于源域建立预训练模型，识别目标域数据识别准确度很低，不能满足实际应用。

目前在标签样本数据量充足且样本分布无变动条件下可利用变分模态分解(Variational Mode Decomposition,VMD)将接收到的信号同时分解为各种时间和光谱模式，选择探索不同的光谱特征(如光谱平坦度、光谱亮度和光谱滚降)以提高识别精度。采用降维后双谱特征作为识别特征，并利用卷积神经网络压缩双谱识别特定的发射源。也可以训练一个泛化性强且分类准确度高的网络模型，对数据进行识别，但该过程对数据要求非常高，需要大量的标注数据支撑，而标注数据时间成本很高有时极难获取。在实际识别雷达辐射源场合，无法获取大量标注数据，且数据分布容易发生变动，导致网络模型需要重新训练。然而机器学习算法通常都是基于训练数据同分布和大数据这一假定，但实际应用场景中，如采集时间不同、接收机搭建平台不同，可能并不满足要求，此情况属于迁移学习的范畴。解决上述问题的一个方案是采用伪标签算法，针对图像等数据样式，可利用源域数据对搭建的神经网络进行预训练，使用该网络对目标域数据进行预测并选择预测概率最大的值所对应的标签作为数据的伪标签，最终将伪标签数据和真实标签数据混合并不断迭代，将目标域数据的特征添加到源域识别的网络中。也可采用新的半监督少镜头学习基线方法，该算法利用去噪网络改进基线，并通过迭代伪标签细化来降低噪声，最终通过混合模型学习干净和有噪声的伪标签样例的分布，提高估计伪标记样本的置信度值。图像数据的语义特征较信号特征较为简单，而雷达辐射源个体信号识别提取的是信号的细微特征，较一般信号特征更难识别。特别是在真实采集环境中，信号语义漂移严重，当源域和目标域数据分布发生变动，采集到大量的目标域无标签数据，源域预训练模型无法对其进行识别。采用上述伪标签算法，由于预测的伪标签中置信度很低，选择不正确的伪标签会给模型带来更大的噪声，并不会提高目标域的识别性能。

发明内容

本发明提供了一种低置信度目标域样本条件下雷达辐射源个体识别方法、装置及计算机设备，主要在于能够提升语义漂移严重时雷达辐射源个体的识别率。

根据本发明的第一个方面，提供了一种低置信度目标域样本条件下雷达辐射源个体识别方法，包括：

利用加性噪声信道，在目标域中确定雷达辐射源信号模型，根据信号模型提取信号多维特征；

采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；

使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；

对所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；

利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。

根据本发明的第二个方面，提供了一种低置信度目标域样本条件下雷达辐射源个体识别装置，该装置包括：

提取模块，用于根据所述目标域中确定雷达辐射源信号模型提取目标域信号的多维特征；

构造模块，用于根据所述网络轻量化及功能需求设计所述残差单元的多级跳线结构，并确定所述残差网络中的残差单元个数及全连接层个数，完成深度学习网络模型的构建；

计算模块，使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型，使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签，对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；

确定模块，利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。

根据本发明的第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；

使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；

对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；

利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。

根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；

使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；

对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；

利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。

本发明提供的一种低置信度目标域样本条件下雷达辐射源个体识别方法、装置及计算机设备，与现有技术相比，可首先采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；之后使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；进一步对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；最后利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。通过本发明的技术方案，为提高语义漂移严重情况下雷达辐射源识别概率，得到目标域样本的正负标签定义了一致性阈值，取使选择的伪标签数据多次计算无变化的识别结果作为最终结果，从而能够降低语义漂移对识别的影响，提升识别性能。

附图说明

图1示出了本发明实施例提供的一种低置信度目标域样本条件下雷达辐射源个体识别方法流程示意图；

图2示出了本发明实施例提供的另一种低置信度目标域样本条件下雷达辐射源个体识别方法流程示意图；

图3示出了本发明实施例提供的深度学习网络模型示意图；

图4示出了本发明实施例提供的基于多特征提取的SEI框架示意图；

图5示出了本发明实施例提供的源域样本数量不同时算法识别性能的示意图；

图6示出了本发明实施例提供的目标域样本数量不同时性能的示意图；

图7示出了本发明实施例提供的一种低置信度目标域样本条件下雷达辐射源个体识别方法的原理流程示意图；

图8示出了本发明实施例提供的一种低置信度目标域样本条件下雷达辐射源个体识别装置的结构示意图；

图9示出了本发明实施例提供的一种计算机设备的实体结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

为了能够降低语义漂移对雷达辐射源识别的影响，提升识别性能，本发明实施例提供了一种低置信度目标域样本条件下雷达辐射源个体识别方法，如图1所示，该方法包括：

101、采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练。

对于本案例实施的网络模型，结合附图3进行说明，考虑到模型后续的轻量化原因，网络模型采用多级跳线残差模型，模型的结构如图4所示，整个网络多级跳线残差网络包括4个残差单元和1个全连接层，每个残差单元包括4个卷积层和4个批标准化层。原始的残差网络只对前一层的特征向量进行卷积计算，因此相邻层之间的特征信息容易丢失，造成识别准确度下降。本文采用多级跳线残差网络，便于前后卷积层相关特征提取问题，并将两个跳线连接的残差定义为一个残差单元，以ResNet-18网络为基础，将网络中8个顺序残差块用跳线连接为4个残差单元，并将4个残差单元顺序串联，构建总卷积层为18层多级跳线残差网络，网络中卷积核尺寸、特征图深度和ResNet-18网络一致。

在具体的应用场景中，结合附图4进行说明，在执行本实施例步骤之前，实施例步骤还包括：便携式信号接收设备获取源域待标记数据，对数据进行指纹提取，获取源域的多维特征组合后得到训练样本，使用源域数据对网络进行预训练后得到预训练参数模型。

102、使用所述网络对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签。

103、对所述正负标签采用所述网络校准对所述预测标签置信度进行筛选。

伪标签中存在一部分标签是错误的，导致预测网络存在不确定性，采用校准来解释网络预测的不准确度，对预测结果进行修正，选择置信度较高的伪标签。

104、利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。

目标域中选择的伪标签数据和源域带标签数据构建成新数据集，输入到预训练模型中更新预训练参数模型，使用更新后的参数模型对目标域数据进行分类识别，再次选择伪标签数据，重复上述过程，直到选择的伪标签不再变化，输出对目标域数据的识别结果。

本发明实施例提供的一种低置信度目标域样本条件下雷达辐射源个体识别方法，与现有技术相比，可首先采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；之后使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；进一步对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；最后利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。通过本发明的技术方案，为提高语义漂移严重情况下雷达辐射源识别概率，得到目标域样本的正负标签定义了一致性阈值，取使选择的伪标签数据多次计算无变化的识别结果作为最终结果，从而能够降低语义漂移对识别的影响，提升识别性能。

进一步的，为了更好的说明上述低置信度目标域样本条件下雷达辐射源个体识别过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种低置信度目标域样本条件下雷达辐射源个体识别方法，如图2所示，方法包括：

201、根据雷达辐射源信号模型，通过3阶傅里叶变换获取目标域信号的双谱切片特征，通过希尔伯特变换获取目标域信号的目标域信号的时频分布，特征与原始信号一起构成信号多维特征。

提取雷达辐射源多维特征，弥补单一特征提取的不足，有利于后续雷达辐射源个体识别的准确度。本文采用双谱切片和希尔伯特黄变换提取信号特征，提取的目的是为了放大雷达辐射源之间的个体差异。

考虑一个由K个雷达辐射源组成的场景，辐射源物理层特征主要来源于功率放大器的非线性系统响应，功放的输入信号s(nT)可表示为：

其中m(nT)表示基带调制信号，f

其中

R

其中w

双谱的实质是高阶累积量，主要是因为高阶累积量能够抑制加性高斯色噪声，且能描述信号相对于高斯白噪声的偏离程度。为了方便后续计算，上式中的接收信号R

C

k阶累积量频谱可以表示为k阶累积量的第(k-1)阶傅里叶变换：

3阶高阶谱的傅里叶变换定义为双谱：

由于上式维度太大影响后续算法运行时间，因此对上式取对角线切片作为神经网络的输入特征向量。

基于该论证定理并结合图7可了解到本申请的识别原理可为：通过3阶傅里叶变换获取目标域信号的双谱切片特征S

在本申请的下述实施例步骤202至207中，结合本申请的识别原理对本申请中的技术方案进行展开说明：

202、根据网络轻量化及实现功能要求，设计所述残差单元的多级跳线结构，并确定所述残差网络中的残差单元个数及全连接层个数，构建深度学习网络模型。

对于本实施例，结合图3进行说明，整个网络多级跳线残差网络包括4个残差单元和1个全连接层，每个残差单元包括4个卷积层和4个批标准化层。原始的残差网络只对前一层的特征向量进行卷积计算，因此相邻层之间的特征信息容易丢失，造成识别准确度下降。本文采用多级跳线残差网络，便于前后卷积层相关特征提取问题，并将两个跳线连接的残差定义为一个残差单元，以ResNet-18网络为基础，将网络中8个顺序残差块用跳线连接为4个残差单元，并将4个残差单元顺序串联，构建总卷积层为18层多级跳线残差网络，网络中卷积核尺寸、特征图深度和ResNet-18网络一致。

203、使用源域数据对网络模型进行预训练，得到网络预训练参数模型。

204、使用预训练参数模型对目标域数据进行预测，基于一致性阈值得到目标域样本的正负标签。

神经网络提高识别性能的基础是有大量正确的标签数据，但是通过分析上述算法实验结果发现，预训练模型预测的伪标签更多的时候是假标签，当大量的假标签数据参与到预训练模型中，会使模型参数过拟合从而导致分类性能更差，采用负标签能更好地解决该问题，其实质是：正标签会肯定地为预测数据分配标签，例如若数据是判定为A船，正标签会给该数据标注为0，而负标签是若判定不是A船，会随机为该数据标注为1和2。因此，本文算法除了正标签还加入了负标签，学习过程包含正学习和负学习两部分。

假定λ

选择的正标签和选择的负标签，再加上源域数据重新训练预训练模型，训练过程中正学习包括正标签数据和源域标签数据，负学习包括负标签数据，正学习还是采用交叉熵的形式，可以表示为：

其中，

同理，负学习采用的负交叉熵，可以表示为：

其中，

因此，本文算法代价函数为：

205、对所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签。

伪标签中存在一部分标签是错误的导致预测网络存在不确定性，采用校准来解释网络预测的不准确度。衡量网络校准的标准度量可以用预期校准误差表示：

其中，将整个数据集划分为L个子数据集，D是每个数据集的维度，I

由于预测不确定性可以抵消网络的预测误差，因此本节算法采用基于置信度筛选的正负伪标签的雷达辐射源识别算法。在选择标签时考虑置信度的影响，选择置信度较高的伪标签：

其中，u(p)表示预测的不确定性，k

206、利用源域真实标签数据和目标域所述选择的正负伪标签数据进行混合训练，更新预训练参数模型。

伪标签数据

1.基于样本D

2.当迭代次数iter＝1,2,…,N时，其中N为最大迭代次数，基于预训练模型参数f

3.基于

4.D

5.初始化预训练模型参数，基于D

6.迭代次数iter＝iter+1，当满足D

207、选择伪标签不再变化的识别结果作为最终结果。

以下对本发明中的技术方案进行仿真分析：

采用的计算机配置是Intel(R)Xeon(R):W-2295CPU：128G内存，显卡NVIDIA RTXA6000，操作系统为Windows10。源域样本数量分别为5000、10000、20000和50000，由图5可以发现，随着源域样本数量的增加，算法识别性能不断提高，主要是因为随着源域样本数量的增加，更多的样本能够为学习算法提供更多的机会来理解输入到输出的底层映射，进而获得性能更好的模型，因此算法性能进一步提高。但是样本数量增加，算法所需要的时间也呈现上升的趋势，尽管样本数量减少算法运行时间能减少，但是当源域样本数量为5000时采用源域识别模型去识别目标域样本识别准确度仅为0.3824，不能满足实际应用场景的需求，因此源域样本个数需要根据实际情况折中选择。

以下展示目标域样本数量对算法性能的影响：

在实验中，目标域中样本为船A的样本，目标域样本数量分别为105333、20000、10000和5000，本发明算法的识别性能如图6所示，由图6可以发现，随着目标域样本数量的增加，算法识别性能提高，主要是目标域样本数量增加，通过伪标签算法不断扩充并加入预训练模型的样本数量增加，而且目标域样本和源域样本不是同分布的数据，加入的目标域样本越多，相当于加入目标域的特征到训练模型中，因此能提高算法识别准确度，这一点从图6也可以发现，当目标域样本的数量为5000时，伪标签算法对识别准确度的提升有限，识别准确率仅仅由原来68.98％提升到77％，提升了不到10％左右，而当目标域样本为105333时，识别准确率仅仅由原来72.54％提升到91％，提升了接近20％左右。

本发明实施例提供的另一种低置信度目标域样本条件下雷达辐射源个体识别方法，可首先采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；之后使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；进一步对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；最后利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。通过本发明的技术方案，可根据雷达辐射源信号模型，通过3阶傅里叶变换获取目标域信号的双谱切片特征，通过希尔伯特变换获取目标域信号的目标域信号的时频分布，特征与原始信号一起构成信号多维特征，并根据网络轻量化及实现功能要求，设计所述残差单元的多级跳线结构，并确定所述残差网络中的残差单元个数及全连接层个数，构建深度学习网络模型。使用源域数据对网络模型进行预训练，得到网络预训练参数模型。此外引入一致性阈值，判定预训练网络对目标域数据分类的正负伪标签，为提高识别准确率，对正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签，利用源域真实标签数据和目标域所述选择的正负伪标签数据进行混合训练，更新预训练参数模型，选择伪标签不再变化的识别结果作为最终结果。更进一步的，本发明的识别准确率随着源域及目标域样本数量的增加而增加。

进一步地，作为图1的具体实现，本发明实施例提供了一种低置信度目标域样本条件下雷达辐射源个体识别装置，如图8所示，装置包括：提取模块31、构造模块32、分类模块33、确定模块34。

提取模块31，可用于提取数据的多维特征；

构造模块32，可用于根据网络轻量化及实现功能要求，设计所述残差单元的多级跳线结构，并确定所述残差网络中的残差单元个数及全连接层个数，构建深度学习网络模型；

分类模块33，可用于利用源域数据和预训练网络参数模型对目标域数据进行迭代分类；

确定模块34，可用于判定伪标签是否变化，确定连续多次迭代伪标签伪变化的分类结果为最终结果。

在具体的应用场景中，在提取数据多维属性时，提取模块31，可利用雷达辐射源信号模型，通过3阶傅里叶变换获取目标域信号的双谱切片特征；通过希尔伯特变换获取目标域信号的目标域信号的时频分布特征；两个特征与原始信号一起构成信号多维特征。

在具体的应用场景中，在构建深度学习网络模型时，构造模块32，确定残差单元的多级跳线结构，并确定所述残差网络中的残差单元个数及全连接层个数。

在具体的应用场景中，在对目标域数据迭代分类时时，计算模块33，具体可用于目标域中选择的伪标签数据和源域带标签数据构建成新数据集，输入到预训练模型中更新预训练参数模型，使用更新后的参数模型对目标域数据进行分类识别，再次选择伪标签数据，重复上述过程，直到选择的伪标签不再变化。

需要说明的是，本发明实施例提供的一种低置信度目标域样本条件下雷达辐射源个体识别装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。

基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。

基于上述如图1、图2所示方法和如图8、图9所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图9所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上处理器41执行程序时实现以下步骤：采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。

本发明实施例可首先采用残差网络建立深度学习网络模型，并使用源域雷达辐射源个体样本对所述网络进行预训练，得到预训练网络参数模型；之后使用所述网络参数模型对目标域样本进行分类预测得到预测概率，并基于一致性阈值得到目标域样本的正负标签；进一步对选择的所述正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签；最后利用源域真实标签数据和目标域选择的所述正负伪标签数据进行混合训练，选择伪标签不再变化的识别结果作为最终结果。通过本发明的技术方案，可根据雷达辐射源信号模型，通过3阶傅里叶变换获取目标域信号的双谱切片特征，通过希尔伯特变换获取目标域信号的目标域信号的时频分布，特征与原始信号一起构成信号多维特征，并根据网络轻量化及实现功能要求，设计所述残差单元的多级跳线结构，并确定所述残差网络中的残差单元个数及全连接层个数，构建深度学习网络模型。使用源域数据对网络模型进行预训练，得到网络预训练参数模型。此外引入一致性阈值，判定预训练网络对目标域数据分类的正负伪标签，为提高识别准确率，对正负标签采用所述网络校准对所述预测标签置信度进行筛选，选出置信度较高的正负伪标签，利用源域真实标签数据和目标域所述选择的正负伪标签数据进行混合训练，更新预训练参数模型，选择伪标签不再变化的识别结果作为最终结果。更进一步的，本发明的识别准确率随着源域及目标域样本数量的增加而增加。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包括在本发明的保护范围之内。