基于多鉴别器模型的新增未训练辐射源检测方法
1.本发明属于无线通信设备识别技术领域，更为具体地讲，涉及一种基于多鉴别器模型的新增未训练辐射源检测方法。
背景技术：
2.无线通信设备的识别是现代生活中不可或缺的技术之一，在各个领域都有广泛的应用。它通过每个辐射源设备的硬件特性，发射具有差异的射频信号来判断辐射源设备信息。这些差异主要是因为在生产电子元器件过程中元器件自身的电气参数与标称值之间存在着相应的差异，从而导致了电子元件之间存在因实际制作而产生的偏差，从而在不同的信号源系统内部，也相应地产生了硬件结构上的差别，由此产生了设备收发信号时不同设备之间存在误差的事实，且这种误差的存在是不可改变的。
3.在现代复杂多变的电子对抗环境下，通信电台和无人侦察机等射频信号发射设备承担着重要作用，如果能实现对我方设备训练并建立数据库，并通过该数据库准确判断敌我双方辐射源设备信息，就可以确定其工作状态和活动模式，预测其作战能力，在这个电子对战重要性不言而喻的时代，有着极其重要的作用。当然如何做到对每一个辐射源都精确的分类识别，是目前重点研究的方向。因此，射频辐射源的指纹特征提取和分类深入研究，依然是该领域的热门研究内容。
4.近年来，随着射频指纹识别技术研究的不断深入，发现现有的方法都是通过对已训练辐射源样本进行训练和测试，实现待检测辐射源的分类识别，而这样存在的问题显而易见，只能识别出训练集中已有的辐射源类别，当存在新增未训练辐射源样本的情况下，只能将其分类到已标记的其中一类，这就会产生错误的识别效果。然而在实际电子对抗战争中，无线通信设备复杂多样，敌方的设备更不可能提供提前训练的机会，因此需要设计出一种适合新增未训练辐射源检测的方法，以适应现实需要。
技术实现要素：
5.本发明的目的在于克服现有技术的不足，提供一种基于多鉴别器模型的新增未训练辐射源检测方法，使用多鉴别器模型对辐射源的信号图像进行判定，有效实现新增未训练辐射源的检测。
6.为了实现上述发明目的，本发明基于多鉴别器模型的新增未训练辐射源检测方法包括以下步骤：
7.s1：根据实际情况确定n个已标识辐射源，对于每个已标识辐射源分别采集若干时长为t的信号，然后将每个信号进行图像化，得到对应的信号图像；将每个已标识辐射源的信号图像集合φn划分为训练集αn和测试集βn，n＝1,2,...,n，将n个已标识辐射源的信号图像集合φn的合集记为信号图像集合φ
n+1
，将n个已标识辐射源的训练集αn的合集记为训练集α
n+1
，将n个已标识辐射源的测试集βn的合集记为测试集β
n+1
；
8.s2：设置一个生成器g和n+1个鉴别器dn′
，n
′
＝1,2,
…
,n+1，其中生成器g用于生成
伪信号图像，第1个至第n个鉴别器dn分别用于鉴别输入的信号图像属于第n个已标识辐射源的概率值，第n+1个鉴别器d
n+1
用于鉴别输入的信号图像属于已标识辐射源的概率值；
9.s3：依次将生成器g和每个鉴别器dn′
构建成为子生成对抗网络gann′
，对于每个子生成对抗网络gann′
，采用步骤s1中构建的训练集αn′
作为真实图像集，对子生成对抗网络gann′
进行训练，从而得到n+1个训练完成的鉴别器dn′
；
10.s4：对于步骤s3训练完成的每个鉴别器dn′
，将测试集βn′
中的每个信号图像输入鉴别器dn′
，得到输出的概率值集合，根据概率值集合确定最小概率值γn′
,min
和最大概率值γn′
,max
，从而得到判定区间[γn′
,min
,γn′
,max
]；将信号图像集合φn′
中的每个信号图像输入鉴别器dn′
，统计输出概率值位于判定区间[γn′
,min
,γn′
,max
]的比例值zn′
，令比例参数ωn′
＝λ
×zn
′
，λ为预设的常数，其取值范围为λ∈[0.5,1)；
[0011]
s5：对待鉴别辐射源采集若干时长为t的信号，按照步骤s1中的相同方法生成每个信号的信号图像，然后将每个信号图像分别输入鉴别器dn′
，统计输出概率值位于判定区间[γn′
,min
,γn′
,max
]的比例ω
′
，如果ω
′
＞ωn′
，则判定待鉴别辐射源由鉴别器dn′
鉴别通过，否则鉴别未通过；然后再按照以下规则确定待鉴别辐射源是否为新增辐射源：
[0012]
如果鉴别器d
n+1
鉴别未通过，则进一步判断鉴别器d1至dn是否全部鉴别通过，如果是则判定待鉴别辐射源为已标识辐射源，否则判定待鉴别辐射源为新增辐射源；
[0013]
如果鉴别器d
n+1
鉴别通过，则进一步判断鉴别器d1至dn是否全部鉴别未通过，如果是则判定待鉴别辐射源为新增辐射源，否则判定待鉴别辐射源为已标识辐射源。
[0014]
本发明基于多鉴别器模型的新增未训练辐射源检测方法，获取n个已标识辐射源的信号图像样本集合，并分别划分为训练集和测试集，设置一个生成器和n+1个鉴别器，依次将生成器和每个鉴别器构建成为子生成对抗网络，采用对应训练集进行训练，将测试集、图像样本集合输入训练好的鉴别器，统计得到判定区间和比例参数，将待鉴别辐射源的信号图像输入各个鉴别器，统计输出概率值位于判定区间的比例，如果比例大于比例参数，则判定待鉴别辐射源由鉴别器鉴别通过，最后按照判定规则完成新增未训练辐射源检测判定。
[0015]
本发明通过训练一个基于多鉴别器模型的生成对抗网络，利用已标识辐射源的信号图像统计出判定区间的比例参数，从而通过多鉴别器模型来对辐射源的信号图像进行判定，有效实现新增未训练辐射源的检测。
附图说明
[0016]
图1是本发明基于多鉴别器模型的新增未训练辐射源检测方法的具体实施方式流程图；
[0017]
图2是本实施例中基于分段映射的信号图像生成方法生成的信号图像示例图；
[0018]
图3是本实施例中鉴别器的结构图；
[0019]
图4是本实施例中15个鉴别器的判定区间示意图；
[0020]
图5是实施例中本发明对新增未训练辐射源检测的准确率曲线图；
[0021]
图6是本实施例中14台对讲机全部作为已标识辐射源时通过鉴别器的比例柱状图。
具体实施方式
[0022]
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
[0023]
实施例
[0024]
图1是本发明基于多鉴别器模型的新增未训练辐射源检测方法的具体实施方式流程图。如图1所示，本发明基于多鉴别器模型的新增未训练辐射源检测方法的具体步骤包括：
[0025]
s101：采集已标识辐射源信号：
[0026]
根据实际情况确定n个已标识辐射源，对于每个已标识辐射源分别采集若干时长为t的信号，然后将每个信号进行图像化，得到对应的信号图像。将每个已标识辐射源的信号图像集合φn划分为训练集αn和测试集βn，n＝1,2,...,n，将n个已标识辐射源的信号图像集合φn的合集记为信号图像集合φ
n+1
，将n个已标识辐射源的训练集αn的合集记为训练集α
n+1
，将n个已标识辐射源的测试集βn的合集记为测试集β
n+1
。
[0027]
信号图像化的具体方法可以根据需要选择，一般是通过信号的i/q数据映射得到的信号图像，为了增强图像的特征表现能力，还可以进行一些附加处理。本实施例中采用基于分段映射的信号图像生成方法，具体方法为：将时长为t的信号的i/q数据均匀划分为m段，m的值根据实际需要确定，分别将每段i/q数据映射得到子信号图像，然后将得到的m段子信号图像进行叠加，将叠加后的信号图像作为原始信号映射得到的信号图像。
[0028]
图2是本实施例中基于分段映射的信号图像生成方法生成的信号图像示例图。如图2所示，经过分段映射再叠加的方式生成的信号图像，较原始图像的特征更为丰富，能够更好地区分不同辐射源。
[0029]
s102：构建包含多鉴别器的生成对抗网络：
[0030]
为了实现辐射源检测，本发明借鉴生成对抗网络的思想，构建基于生成对抗网络的辐射源检测模型。现有技术中基于生成对抗网络的异常检测通常着重于生成器的编码解码过程，通过设定一个阈值，来检测样本通过生成器编码解码的样本差值是否达到该阈值来判断是否为异常样本，而鉴别器的作用被最小化。而本发明的目标是为了检测是否有新增未训练辐射源，与常规基于生成对抗网络的异常检测方法目标不同，所以提出一种使用多鉴别器的生成对抗网络，具体结构如下：
[0031]
设置一个生成器g和n+1个鉴别器dn′
，n
′
＝1,2,
…
,n+1，其中生成器g用于生成伪信号图像，第1个至第n个鉴别器dn分别用于鉴别输入的信号图像属于第n个已标识辐射源的概率值，第n+1个鉴别器d
n+1
用于鉴别输入的信号图像属于已标识辐射源的概率值。也就是说，鉴别器d
n+1
可以视为混合鉴别器。
[0032]
根据本发明生成对抗网络的描述可知，鉴别器是影响新增辐射源检测性能的关键模块，为了让鉴别器更快更好地提取特征标量，本实施例中还对鉴别器进行了改进，引入了自动选择卷积(selective kernel)模块。图3是本实施例中鉴别器的结构图。如图3所示，本实施例中鉴别器包括第一卷积层、自动选择卷积核模块、第二卷积层和鉴别模块，其中：
[0033]
第一卷积层用于对输入图像进行1
×
1的卷积操作，将得到的特征图像输出至自动选择卷积核模块。
[0034]
自动选择卷积核模块用于对接收的特征图像进行自动选择卷积核的卷积操作，将得到的特征图像输出至第二卷积层。采用自动选择卷积核模块可以利用其自适应调整感受野尺寸的特性，使得鉴别器根据输入数据尺寸大小自适应地修改它们的卷积层大小，从而更好地提取出信号图像特征。自动选择卷积核的卷积操作包括三个：split(拆分)，fuse(融合)和select(选择)，split操作生成具有各种卷积核大小(对应于神经元的不同感受野大小)的多个路径，fuse操作组合并聚合来自多个路径的信息，以获得选择性权重的全局和综合表示，select操作根据选择权重聚合不同大小的卷积核的特征映射。自动选择卷积核的具体原理和工作过程可以参见文献“li x,wang w,hu x,et al.selective kernel networks[j].ieee,2020.”。
[0035]
第二卷积层用于对接收的特征图像进行1
×
1的卷积操作，将得到的特征图像输出至鉴别模块。
[0036]
鉴别模块用于对接收的特征图像进行真实性判定，输出输入图像为真实图像的概率值。鉴别模块可以采用生成对抗网络中的常规鉴别器即可。
[0037]
s103：训练生成对抗网络：
[0038]
依次将生成器g和每个鉴别器dn′
构建成为子生成对抗网络gann′
，对于每个子生成对抗网络gann′
，采用步骤s101中构建的训练集αn′
作为真实图像集，对子生成对抗网络gann′
进行训练，从而得到n+1个训练完成的鉴别器dn′
。
[0039]
本发明中只采用了一个生成器，这是因为各个辐射源的信号图像之间存在一定的相似性，在前的已标识辐射源的子生成对抗网络训练好之后，其生成器的参数可以作为在后的已标识辐射源的子生成对抗网络的初始参数，以便缩短训练时间。
[0040]
s104：确定辐射源判定参数：
[0041]
在实际场景下，无法提前获取到任何新增未训练辐射源有关的先验信息，所以在进行辐射源鉴别时，必须依靠已标识辐射源确定辐射源判定参数。区分辐射源是否为新增的一种直观方法是比较待鉴别辐射源和已标识辐射源的信号图像由鉴别器得到的概率值的平均值，但是这种方法很容易导致一个已标识辐射源被识别为新增辐射源。因此，本发明通过鉴别器输出概率值的取值范围来进行辐射源判定，辐射源判定参数的确定方法如下：
[0042]
对于步骤s103训练完成的每个鉴别器dn′
，将测试集βn′
中的每个信号图像输入鉴别器dn′
，得到输出的概率值集合，根据概率值集合确定最小概率值γn′
,min
和最大概率值γn′
,max
，从而得到判定区间[γn′
,min
,γn′
,max
]。在本实施例中，最小概率值γn′
,min
和最大概率值γn′
,max
的确定方法为：首先从概率值集合中剔除异常极大值和异常极小值，然后将剩余概率值从大到小进行排序，将前k个最大值的均值作为最大概率值γn′
,max
，将最后k个最小值的均值作为最小概率值γn′
,min
，k的值根据实际需要确定。
[0043]
然而还有另外一个问题不可忽略，待判定辐射源的信号图像由鉴别器得到的概率值可能会出现和已标识辐射源重叠的情况，因此直接使用判定区间[γn′
,min
,γn′
,max
]来进行辐射源判定可能会存在较大误差。因此，本发明将信号图像集合φn′
中的每个信号图像输入鉴别器dn′
，统计输出概率值位于判定区间[γn′
,min
,γn′
,max
]的比例值zn′
，令比例参数ωn′
＝λ
×zn
′
，λ为预设的常数，其取值范围为λ∈[0.5,1)。
[0044]
然后后续即可将待鉴别辐射源的信号图像输入鉴别器dn′
得到输出概率值，统计输出概率值位于判定区间[γn′
,min
,γn′
,max
]的比例是否超过比例参数ωn′
来判定待鉴别辐射
源是否是对应的已标识辐射源。
[0045]
s105：新增辐射源检测：
[0046]
对待鉴别辐射源采集若干时长为t的信号，按照步骤s101中的相同方法生成每个信号的信号图像，然后将每个信号图像分别输入鉴别器dn′
，统计输出概率值位于判定区间[γn′
,min
,γn′
,max
]的比例ω
′
，如果ω
′
＞ωn′
，则判定待鉴别辐射源由鉴别器dn′
鉴别通过，否则鉴别未通过。然后再按照以下规则确定待鉴别辐射源是否为新增辐射源：
[0047]
如果鉴别器d
n+1
鉴别未通过，则进一步判断鉴别器d1至dn是否全部鉴别通过，如果是则判定待鉴别辐射源为已标识辐射源，否则判定待鉴别辐射源为新增辐射源。
[0048]
如果鉴别器d
n+1
鉴别通过，则进一步判断鉴别器d1至dn是否全部鉴别未通过，如果是则判定待鉴别辐射源为新增辐射源，否则判定待鉴别辐射源为已标识辐射源。
[0049]
由此可以更为准确地检测新增辐射源，避免辐射源数量过多时，出现边界模糊，概率值区间包含范围太大而无法准确检测的情况。
[0050]
为了更好地说明本发明的技术方案，采用一个具体实例对本发明进行实验验证。本实施例中使用六种不同类别的对讲机做辐射源检测，分别标记为a(a1/a2)，b(b1/b2)，c(c1/c2)，d(d1/d2)，e(e1/e2)，v(v1/v2/v3/v4)共计14台对讲机作为辐射源，对讲机数据采集设置采样率为1ms/s。采集这14台对讲机的信号样本并图像化，得到每台对讲机的信号图像集合，然后按照9：1的比例划分得到训练集和测试集。
[0051]
就生成对抗网络而言，本实施例中包含一个生成器和15个鉴别器。本实施例中所采用的生成器g主要分为三层，由生成编码器ge、生成解码器gd和编码器e组成，是一个编码解码在编码的过程，它生成伪造的图像，然后将其降采样到一个低维张量中。表1是本实施例中生成器g的结构参数表。
[0052]
[0053][0054]
表1
[0055]
本实施例中所采用的鉴别器d采用引入了自动选择卷积核模块的鉴别器。
[0056]
表2是本实施例中鉴别器d的结构参数表。
[0057][0058]
表2
[0059]
如表2所示，在自动选择卷积核模块中，有一个至关重要的参数m，该参数的作用在于决定路径的数量，即选择不同卷积核尺寸进行融合的数量。g用于控制每个路径的基数，r用于控制fuse操作中的参数数量。
[0060]
采用14台对讲机的训练集对生成对抗网络进行训练，得到15个鉴别器，然后输入测试集，确定每个鉴别器的判定区间[γn′
,min
,γn′
,max
]。图4是本实施例中15个鉴别器的判
定区间示意图。如图4所示，不同类别辐射源设备的阈值会有所重叠，如a2和b1、b2和v1等。然后再采用14台对讲机的信号图像集合输入15个鉴别器，统计输出概率值位于判定区间[γn′
,min
,γn′
,max
]的比例值，然后确定比例参数。为了便于实验，本实施例中各个鉴别器的比例参数均设置为3/4。
[0061]
在14台对讲机中，任意选择不同数量的对讲机作为已标识辐射源，剩余对讲机作为新增未训练辐射源，采用本发明进行新增未训练辐射源检测，统计检测准确率。图5是实施例中本发明对新增未训练辐射源检测的准确率曲线图。如图5所示，当已标识辐射源数量n＝1时，对其余13类新增辐射源检测效果最好，可达98％以上，这与a1的判定和其他类别的重叠最小吻合。随着已标识辐射源数量n的增加，当n在5～9这个范围，新增辐射源检测准确率稳定在86％左右，当n≥12时，对新增辐射源的检测准确率在75％以下。
[0062]
当已标识辐射源的数量n≥14时，此时为特殊情况，该条件下新增辐射源设备数量为0，需重新采集辐射源信号数据得到全新的测试数据来验证鉴别器的效果。图6是本实施例中14台对讲机全部作为已标识辐射源时通过鉴别器的比例柱状图。如图6所示，对讲机v1通过对应识别的比例不足75％，小于比例参数3/4，将会把对讲机v1误判为新增辐射源，而其余13类将识别为已标识辐射源，误判率仅为1/14。
[0063]
综上可知，本发明在已标识辐射源数量小于5的情况下可以达到90％以上的检测准确率，数量增加到12个以内仍有80％的检测准确率，证明了本发明在在新增未训练辐射源检测领域的可行性。
[0064]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
