面向开集场景的辐射源个体识别

为解决现有开集场景下辐射源个体识别算法鲁棒性不强、识别性能较低的问题，结合原型网络提出了一种开集场景下适用于一维信号的辐射源个体识别模型。对采集的辐射源I/Q信号进行功率归一化、切片和加噪等预处理操作；设计用于识别I/Q信号的一维卷积神经网络，并在网络中加入具有注意力机制的压缩激励模块，以此提高网络中有效特征通道的权重；将该网络结构和原型学习思想相结合，利用预处理的数据集进行训练和测试。在训练过程中，利用距离交叉熵损失函数为每个类别学习一个原型，并将信号特征到原型的距离作为分类依据，同时利用原型损失函数以提高信号类内紧密度的方式增大类间距离，进一步增强分类能力；在测试过程中，利用自适应距离分类规则为每个类别学习一个自适应的距离阈值，并通过距离阈值完成对已知目标的分类和未知目标的检测。对5种ZigBee设备采集的信号进行实验，结果表明：在信噪比为-10～10 dB之间，所提模型的识别准确率比通常所用的基于极值理论的模型高8%左右。