本发明涉及一种不均衡辐射源信号识别方法,属于特定辐射源识别。
背景技术:
1、特定辐射源识别技术,其通过对截获的电磁信号进行特征测量来获取个体特征,继而实现对辐射源个体的唯一识别。特定辐射源识别在电子情报、电子支援、认知无线电、无线网络身份认证等领域均有重要应用,目前基于深度学习的辐射源识别是近年来研究热点,但对于不平衡条件下辐射源信号的深度特征学习和分类尚处于起步阶段。
2、在基于深度学习的辐射源信号识别方法中,现实中采集的信号数据分布往往分布极端不平衡,也称为长尾现象,这导致识别效果不佳。将长尾学习困难的本质分为以下3个方面:一是长尾分布数据集中头部、尾部类别的不平衡程度太高。二是深度模型的损失由头部类主导,使识别的特征空间超平面严重偏离尾部类。三是尾部类数据太少,类内多样性太低。
技术实现思路
1、本发明为解决由于辐射源信号不平衡性导致的深度学习模型不能很好的处理长尾辐射源识别任务的问题,进而提出一种基于解耦表征学习的不均衡辐射源信号识别方法。
2、本发明为解决上述问题采取的技术方案是:本发明的步骤如下:
3、步骤一、将不均衡辐射源信号识别过程分成两个阶段,分别是表征学习阶段和分类器学习阶段;
4、步骤二、在表征学习阶段使用卷积神经网络来学习不平衡辐射源信号数据集上的特征表示;
5、步骤三、在分类器学习阶段,同时采用逐步平衡重采样和自适应重加权策略;
6、步骤四、逐步平衡重采样根据当前的采样概率从各个子集中抽取样本,逐步调整采样概率以平衡类别分布;
7、步骤五、自适应重加权对不同类别赋予不同的自适应权值,并引入l2正则化,在解决类别不平衡问题的同时提高模型的泛化能力。
8、进一步的,步骤一中当执行两级解耦表征识别时,其包括两个基本单元:特征表示器和分类器。
9、进一步的,步骤二中在表征学习步骤期间,通过使用基于iq序列的卷积神经网络来学习不平衡辐射源信号数据集上的特征表示。以利于下面通过已学习到信号特征的网络参与分类器学习。
10、进一步的,步骤四中在每个训练迭代中,根据当前的采样概率从各个子集中抽取样本。同时,混合使用瞬时采样和类平衡采样。具体地,可以根据以下公式计算当前迭代的采样概率:
11、
12、公式(1)中pi是类别i的当前迭代采样概率,n是训练集中的总样本数,k是类别的总数,ni是类别i的样本数,pi_o是类别i在原始数据集中的概率,表示瞬时采样和类平衡采样的比例。在训练初期,设为0,表示完全使用瞬时采样;随着训练的进行,逐渐增加的值,直至达到1,表示完全使用类平衡采样。
13、进一步的,步骤五中自适应重加权采用如下公式:
14、l′(y,ypred,w)=∑[wi*li(y,ypred)]+λ*∑||wj||2 (2),
15、公式(2)中l′(y,ypred,w)是自适应重加权损失;wi是类别i的权重,根据类别的错误率进行自适应更新,li(y,ypred)表示类别i的交叉熵损失;y是真实标签,ypred是预测标签;λ是l2正则化参数,用于控制正则化项的权重;w是模型参数;wj是模型参数矩阵的第j个元素。
16、本发明的有益效果是:
17、1、本发明使用不平衡的辐射源信号数据集可以学习到更好的特征提取器,有助于分离特征提取和分类器训练,使得模型在处理不均衡数据时更具灵活性;
18、2、本发明使用逐步平衡重采样策略,混合使用瞬时采样和类平衡采样两种方法,有助于在保持数据原始分布的同时解决类别不平衡问题。
19、3、本发明使用自适应重加权进行参数更新模型,引入l2正则化,在解决类别不平衡问题的同时提高了模型的泛化能力。
1.一种基于解耦表征学习的不均衡辐射源信号识别方法,其特征在于:所述一种基于解耦表征学习的不均衡辐射源信号识别方法的具体步骤如下:
2.根据权利要求1所述的一种基于解耦表征学习的不均衡辐射源信号识别方法,其特征在于:步骤一中当执行两级解耦表示识别时,其包括两个基本单元:特征表示器和分类器。
3.根据权利要求1所述的一种基于解耦表征学习的不均衡辐射源信号识别方法,其特征在于:步骤二中在表示学习步骤期间,通过基于iq序列的卷积神经网络来学习不平衡辐射源信号数据集上的特征表示。以利于下面通过已学习到信号特征的网络参与分类器学习。
4.根据权利要求1所述的一种基于解耦表征学习的不均衡辐射源信号识别方法,其特征在于:步骤四中在每个训练迭代中,根据当前的采样概率从各个子集中抽取样本。同时,混合使用瞬时采样和类平衡采样。具体地,可以根据以下公式计算当前迭代的采样概率:
5.根据权利要求1所述的一种基于解耦表征学习的不均衡辐射源信号识别方法,其特征在于:步骤五中自适应重加权采用如下公式: