基于小样本的特定辐射源个体识别方法

潘博阳

武警指挥学院，天津 300250

摘  要：特定辐射源个体识别技术在态势感知、电子干扰等军事领域具有广泛的应用前景，然而在实际场景应用时通常面临样本匮乏的困境，因此研究小样本条件下特定辐射源个体识别成为任务部队在电磁环境中遂行作战任务亟需解决的问题。以此为背景，本文提出了一种基于一维卷积神经网络的方法来进行辐射源个体识别。首先通过加权融合和裁剪混合扩充数据多样性，而后使用一维卷积神经网络提取特征从而对辐射源个体进行识别。实验结果显示，本文提出的方法在验证集上能够达到50.5%的准确率，表明该方法的识别效果优于K近邻算法。

关键词：特定辐射源个体识别; 数据增强; 机器学习

·1·

1 引  言

特定辐射源个体识别（Specific Emitter identification, SEI）通常是指对雷达等辐射源发送的电磁信号进行建模，通过其所体现出的微小特征区分辐射源类别的技术[1]。目前特定辐射源个体识别主要分为基于人工设计特征和基于数据驱动特征两种方法。基于人工设计特征主要依赖于先验假设，具备一定的解释性。基于数据驱动特征识别的方法主要利用卷积神经网络自主学习特征。无论采用传统机器学习或者深度学习的方法都依赖于大量的标注数据，当实际环境中无法获取大量辐射源信号时，上述算法模型的精度均会产生不同程度的降低，因此如何在小样本条件下高效地实现辐射源信号个体识别成为当前研究的主要方向，同时也具有一定的工程应用价值。本文针对小样本条件下特定辐射源个体识别进行以下创新，主要包括三个方面：首先针对数据样本匮乏的情况，本文设计了两种数据增强方法有效扩充样本的多样性。而后利用一维卷积神经网络方法对辐射源个体信号进行建模。该方法与二维卷积神经网络相比不仅降低了复杂度，而且提高了准确度。为进一步提高算法效果，实验结果表明该算法相较于KNN算法其精度有较大的精度提升。

2 基于小样本的特定辐射源个体识别

本文提出的辐射源个体识别算法为首先对接收的辐射信号进行数据增强，利用算法模型对辐射信号建模，然后将模型提取的特征进行辐射源个体识别。

2.1数据增强

针对实际场景中无法获取大量辐射源信号样本的情况，本文提出了两种数据增强方法，分别为加权融合和裁剪混合，两种方法均采用在线方式在每次训练迭代过程中生成新的辐射源信号数据，从而增强信号的多样性，缓解辐射源信号稀缺的问题，下面分别介绍这两种方法。

2.1.1 加权融合

在训练过程的每个批次中，从相同类别的辐射源信号中随机抽取两组不同的辐射源信号，而后将辐射源信号按照预先设定的阈值加权生成新的辐射源信号。迭代过程中训练的时间越长，生成的辐射源信号多样性越强。

2.1.2 裁剪混合

在训练迭代过程中，从相同类别的辐射源信号中随机选取两组不同的辐射源信号，然后在一组辐射源信号中随机裁剪掉某块感兴趣区域，将其覆盖到另一组辐射源信号的对应位置上。采用裁剪混合虽然可能破坏辐射源信号的原有结构，但是由于相同类别信号的结构差异远小于不同类别的信号结构，并且卷积神经网络在处理含有噪声的数据时具有强大的容忍能力，因此缓解了辐射源信号结构被破坏的风险。

2.2特征提取

本文选择K近邻和一维卷积神经网络算法对辐射信号进行分类识别，其中K近邻 (K-Nearest Neighbors，KNN) 算法利用特征值度量完成分类过程，通过不断划分特征向量空间，将划分结果作为模型输出，该模型对异常值的容忍度较高。卷积神经网络（Convolutional Neural Network，CNN）是一种常见的深度学习网络，该方法通过权值共享的方式对数据进行建模。传统的卷积神经网络主要处理二维数据，然而雷达领域的辐射源信号属于一维数据，因此针对辐射源信号提出一种一维卷积神经网络。该算法无需人工干预，直接对原始数据进行建模，利用数据驱动的方式自动提取特征，从而提升分类模型的精度。网络的输入是经过主成分分析降维后的信号。参考ResNet[2]结构构建适用于一维数据的网络结构，主要包括一维卷积层，一维BN层，激活函数层SiLU和最大池化层。

2.3分类识别

网络的输出维度为类别数100。训练过程使用Focal Loss[3]充当损失函数，该函数能够自适应调整困难样本的重要程度从而达到优化算法的目的。

3 实验结果与分析

本文所采用算法验证平台为Ubuntu，显卡为Nvidia GTX1050Ti，显存为4G，CPU为i5-1135G7，主频2.4GHz，内存16G。为保证不同类别样本之间的平衡性，在进行一维卷积神经网络算法模型训练时，每次迭代过程中随机选取K种类别，每种类别随机选取N个样本。

3.1数据集介绍

本文的实验数据来源于无线电平台SM200B采集的自航空广播式自动相关监视系统ADS-B的辐射信号，信号采集完成后进行数据校验、归一化和脱敏等预处理操作。

3.2实验结果分析

通过表1的仿真结果发现引入数据增强(aug)策略的CNN模型与KNN模型相比，其准确率、精确率、召回率、F1均有提高。

表1辐射源个体识别结果

算法模型	准确率/%	精确率/%	召回率/%	F1得分/%
KNN	36.5	53.4	36.5	36.1
KNN+aug	45.2	57.7	45.2	44.9
CNN	48.9	54.1	49.3	48.8
CNN+aug	50.5	54.6	50.5	49.7

4 结 论

在辐射源信号样本数量匮乏的情况下，本文提出了一种基于一维卷积神经的方法对辐射源信号进行建模。首先通过加权融合和裁剪混合方法提升数据的多样性，而后基于一维卷积神经网络进行特定辐射源个体识别。实验结果显示该方法在验证集的识别率能够达到50.5%，表明本文的方法能够在小样本条件下有效进行特定辐射源个体识别，具有一定的工程应用价值。

参考文献：

[1]TALBOT K I，DULEY P R，HYATT M H. Specific emitter identification and verification[J]. Technology Re-view，2003，3: 113-133．

[2] He Kaiming, Zhang Xiangyu, Ren Shaoqing, and Sun Jian.Deep residual learning for image recognition. In CVPR,2016.

[3] Lin T Y, Priya G, Ross B, He Kaiming, and Dollar P. Focal loss for dense object detection. In ICCV, 2017.

·1·