[发明专利]一种基于三元组损失的未知辐射源辨别方法

说明书

本发明公开了一种基于三元组损失的未知辐射源辨别方法，属于辐射源识别领域，该方法通过一定规则选取合适的辐射源数据，构成三元组进行网络训练。训练出的网络能够使同一辐射源的数据在embedding特征空间中距离互相靠近，同时使不同辐射源的特征向量互相远离。测试时，将待测样本与各个已知源的特征向量计算距离，即可判断待测样本是否属于已知源或者属于哪个已知源。

技术领域

本发明涉及辐射源识别领域，具体涉及一种基于三元组损失的未知辐射源辨别方法。

背景技术

如今人工智能、深度学习被广泛应用于各式各样的分类问题。在各个领域，诸如图像、语音、文字、信号等，基于神经网络的分类算法都有着得不错的效果，并且有着广阔的研究前景。但这种方法对于开放场景下的辐射源识别有一定困难。

现阶段，在通信、雷达的辐射源识别领域，多是采用各种人工方法或直接利用神经网络提取特征，再利用分类器对特征进行分类。而目前最常用且使用最广泛的分类器就是使用交叉熵损失函数的神经网络。这类方法一般在神经网络最后一层使用softmax函数激活，并以交叉熵作为损失函数，然后利用反向传播算法对模型参数进行优化。这类方法虽然解决了已知辐射源的分类问题，但不能解决未知辐射源的判决问题，即当不能保障测试数据只包含已知辐射源时，这类方法没有办法判别待测数据是否为新的目标，是否为已知辐射源。因此在现实场景中，这类方法的适用性和有效性无法保障。

发明内容

针对现有技术中的上述不足，本发明提供的种基于三元组损失的未知辐射源辨别方法解决了现有技术对未知辐射源的无法判决的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于三元组损失的未知辐射源辨别方法，包括以下步骤：

S1、采集已知辐射源数据，构建训练集；

S2、从训练集选取一批带标签的样本，构建标准三元组，采用标准三元组对辐射源识别模型进行训练，得到训练完成的辐射源识别模型；

S3、将多个已知辐射源数据输入训练完成的辐射源识别模型中，正向传播，得到每个已知辐射源数据对应的嵌套向量；

S4、对每个已知辐射源数据对应的嵌套向量进行可视化处理，构建已知库；

S5、将待测辐射源数据输入训练完成的辐射源识别模型，正向传播，得到待测辐射源数据对应的嵌套向量；

S6、根据待测辐射源数据对应的嵌套向量和已知库，判断该待测辐射源数据为已知源或未知源。

进一步地，所述步骤S2中辐射源识别模型包括依次连接的预处理模块、信号域变换模块、神经网络模型和归一化处理模块。

进一步地，所述步骤S2包括以下分步骤：

S21、从训练集选取一批带标签的样本；

S22、将带标签的样本输入辐射源识别模型中，得到每个样本对应的嵌套向量；

S23、根据每个样本对应的嵌套向量，从带标签的样本中选取锚点、正例和负例构建标准三元组；

S24、采用标准三元组对辐射源识别模型进行训练，判断标准三元组损失函数是否收敛，若是，则得到训练完成的辐射源识别模型，若否，则跳转至步骤S21。

进一步地，所述步骤S23包括以下分步骤：

S231、从带标签的样本中随机选取锚点，选取同标签样本作为正例，选取异标签样本作为负例；

S232、将锚点、正例和负例构成原始三元组；