[发明专利]基于深度学习的开放集辐射源个体识别方法

权利要求书

1.一种基于深度学习的开放集辐射源个体识别方法，其特征是，在训练阶段，通过卷积神经网络提取训练集的类间差异特征，生成闭集激活向量CS-AV(Closed Set ActivationVectors)用于已知集合分类，以及类内共同特征用于计算已知类基准向量即平均激活向量MAV，和构建威布尔模型，从而建立已知信息的整体量化模型；在测试阶段，通过威布尔累积分布函数CDF(Cumulative Distribution Function)计算开集激活向量OS-AV(Open SetActivation Vectors)，通过开集激活向量OS-AV定量表示测试样本不同于已知类的特异性特征，并估计样本的开集概率。

2.如权利要求1所述的基于深度学习的开放集辐射源个体识别方法，其特征是，模型包含4个卷积层和2个全连接层，卷积层采用线性整流函数ReLU(Rectified Linear Unit)作为激活函数，其中第一个卷积层提取基本特征，随后的卷积层提取设备物理层指纹特征，每个卷积层之后是批量归一化层，以加速收敛并避免过拟合现象，第一个全连接层用采用ReLU作为激活函数，将提取的特征连接成激活向量AV(Activation Vectors)，最后一个全连接层采用Softmax激活函数，计算闭集的分类概率。

3.如权利要求1所述的基于深度学习的开放集辐射源个体识别方法，其特征是，构建威布尔模型具体步骤如下：

(1)数据处理

挑选各类判断正确的训练样本的激活向量Right AV(Right Activation vector)，取均值计算其基准向量得到各类判别范围的中心，即平均激活向量MAV(Mean Activationvector)，随后计算各训练样本激活向量v_i,j，与其对应平均激活向量MAVμ_i之间的距离s_i,j，i＝1,2…α,α为已知类个数，j＝1,2,…m,m为判断正确的样本个数，作为每类样本的判别范围；

(2)模型拟合

通过拟合样本激活向量与MAV之间的距离s_i,j分布，建立各已知类的威布尔模型ρ_i,i＝1,2…α,α为已知类个数，威布尔模型ρ：

其中，k为尺度参数，λ为形状参数，x为卷积特征，在得到已知类的威布尔模型后，训练阶段结束，在随后的测试阶段，计算测试集中样本的开集概率。

4.如权利要求1所述的基于深度学习的开放集辐射源个体识别方法，其特征是，计算开集概率具体步骤：在训练阶段得到的威布尔模型表征的是已知类样本的先验信息，在测试阶段通过构造开集激活向量，表征样本的未知类特征,从而计算开集概率。

5.如权利要求4所述的基于深度学习的开放集辐射源个体识别方法，其特征是，详细步骤如下：

(1)构造开集激活向量

首先利用威布尔模型的累积分布函数CDF计算修正参数ω_i：

其中，k、λ为之前所求尺度参数与形状参数，修正参数ω_i表征的是样本属于该已知类的概率，而后，通过构造开集激活向量定量化描述样本的未知类特征，定义未知类为第0类，即i＝0，因此i＝0,1,2,…α；

(2)计算开集概率

得到测试集样本开集激活向量后，将其输入Openmax函数，计算其概率分布：

其中，y为样本预测标签值。