一种基于生成对抗网络的小样本辐射源个体开集识别方法

本发明涉及信号处理，具体涉及一种基于生成对抗网络的小样本辐射源个体开集识别方法。

背景技术：

1、辐射源个体识别与精细化分析是认知电子战的关键任务。面对日益复杂的电磁背景及非合作强对抗的战场环境，传统辐射源个体识别方法可靠性不足，无法满足现实需求；深度学习等人工智能方法虽然取得了一定的成果，但其受大数据驱动，与实际工程中的小样本现实相矛盾。另外，之前的辐射源个体识别研究，大多数基于一个闭集假设，即要识别的辐射源类型在训练样本中全部出现过。在实际的分类任务中，尤其是在非合作的场景下，样本采集变的尤为困难，在通常情况下，收集的样本集将远无法覆盖所有的辐射源类别，闭集假设将不再成立。因此，小样本条件下的辐射源个体开集识别技术不仅需要对数据进行正确处理，还要能够在正确实现已知类别识别的情况下，拒绝未知样本，这更具有研究意义。

2、目前，国内外针对辐射源个体的开集识别研究相较于闭集识别研究较少，对于开集识别问题，这些研究大体可以分为两类：基于判别模型的开集识别和基于生成模型的开集识别。然而，基于判别模型的开集识别方式对于判别阈值的依赖性较强，阈值的选择好坏会对开集识别性能造成较大的影响；基于生成模型的开集识别方式生成的未知样本往往是对训练样本的重采样，不能充分表征未知样本的拟合分布。

技术实现思路

1、鉴于上述分析，为了解决小样本辐射源个体开集识别的问题，本发明提出了一种基于生成对抗网络的小样本辐射源个体开集识别方法。本发明核心技术有两部分：一是针对小样本的问题，构建了具有样本重构功能的生成对抗网络，通过生成对抗网络生成已知样本，通过显式和隐式特征拼接生成未知样本，实现了数据扩增；二是针对开集识别问题，结合生成的未知类样本和生成对抗网络的重构功能，训练基于最大损失的自注意力resnet18网络，输出结果与设定阈值对比，实现了开集识别。

2、本发明的技术方案为：

3、一种基于生成对抗网络的小样本辐射源个体开集识别方法，包括以下步骤：

4、步骤1：获取不同辐射源个体的时序数据，利用短时傅里叶变将时序数据换转换为时频图，由时频图构建时频图数据集，所述变换采用汉宁窗，生成时频图作为生成对抗网络和分类网络的输入。

5、步骤2：首先将时频图进行rgb通道归一化，再将其输入到由编码器、解码器和鉴别器构成的生成对抗网络中，进行重构训练，直至模型收敛。

6、训练过程为：首先冻结鉴别器的网络参数，解冻编码器、解码器的网络参数，将原时频图输入编码器、解码器，得到重构后的时频图，计算损失函数，进行反向梯度传播，对编码器、解码器的网络参数进行更新。然后，冻结编码器、解码器的网络参数，解冻鉴别器的网络参数，将重构后的时频图输入鉴别器，得到映射后的特征向量，计算损失函数，进行反向梯度传播，对鉴别器的网络参数进行更新。以上所述过程循环进行，编码器、解码器组成的单元和鉴别器进行对抗训练，直至模型收敛。

7、编码器的基本单元由谱归一化的卷积层和leakyrelu层级联组成；解码器的基本单元由谱归一化的反卷积层、批归一化层和relu层级联组成；鉴别器的基本单元由谱归一化的卷积层和leakyrelu层级联组成，在训练时利用梯度惩罚策略，提高模型训练稳定度。

8、其中，在编码器和鉴别器的最后两个基本单元后加入了自注意力层，在解码器的最后第二、第三个基本单元后加入了自注意力层；编码器将256×256×3的时频图像压缩为一维长度为128的向量；鉴别器网络结构在编码器的基础上，使用两个全连接层分别与最后一个自注意力层连接，将自注意力层输出的特征分别映射成一维长度为1和一维长度为n的向量进行损失计算。

9、生成对抗网络网络训练损失包括四部分：时频图像重构前后的像素级损失、时频图像重构前后通过vgg19预训练模型所提取特征的特征级损失、鉴别器判定重构图像是否为真的监督对抗损失和鉴别器判断样本分类结果的交叉熵分类损失。

10、时频图像重构前后的像素级损失的计算方法为：将原始时频图像素与原始时频图通过生成对抗网络重构后的时频图像素进行l1范数计算，求取批次平均值。时频图像重构前后通过 vgg19 预训练模型所提取特征的特征级损失的计算方法为：将原始时频图通过vgg19预训练模型提取的特征向量与原始时频图通过生成对抗网络重构后的时频图通过vgg19预训练模型提取的特征向量进行l1范数计算，求取批次平均值。鉴别器判定重构图像是否为真的监督对抗损失的计算方法为：将原始时频图通过鉴别器输出的一维长度为1的特征向量与原始时频图通过生成对抗网络重构后的时频图通过鉴别器输出的一维长度为1的特征向量进行批次平均值的wasserstein距离计算。鉴别器判断样本分类结果的交叉熵分类损失的计算方法为：将原始时频图通过生成对抗网络重构后，再通过鉴别器输出的一维长度为n的特征向量和通过独热码编码的样本标签进行交叉熵计算，求取批次平均值。

11、步骤3：利用训练后的生成对抗网络生成已知样本和未知样本，实现样本数量的扩充。

12、已知样本生成方式为：随机选择时频图，乘以一个预设范围的随机权重因子，将其输入到训练后的生成对抗网络中，通过编码器、解码器生成重构已知样本，直至生成样本扩充至所要求数量。

13、未知样本生成包括两种方案：一为将两个不同类的时频图同时进行水平分割，分别取两个图像的上部分和下部分，拼接成完整的时频图；将两个不同类的时频图同时进行竖直分割，分别取两个图像的左部分和右部分，拼接成完整的时频图；二为获得四个不同类样本的时频图通过编码器输出的特征向量，分别计算四个特征向量的均值和方差，将四个符合对应均值和方差的高斯噪声进行加权叠加，输入到解码器中，重构成未知类的样本，

14、未知样本扩充结束后，需要对样本进行清洗，即将生成的未知样本输入到生成对抗网络中，得到重构后的样本，分别将原未知样本和重构后的样本输入到鉴别器中，得到鉴别器的输出差值作为重构损失，再去重构损失不匹配的样本。

15、步骤4：将已知样本和未知样本加入到时频图数据集进行扩充，并采用已知样本对生成对抗网络进行微调训练。由于已知样本扩充，需要将其加入到原数据集中，采用较小的学习率，对模型进行再次训练。

16、步骤5：将扩充后的时频图数据集输入到基于最大损失的自注意力resnet18网络中，结合生成对抗网络输入和输出的重构损失实现辐射源的开集识别。

17、由于扩充后的样本包括已知样本和未知类样本，因此将已知样本归为前n类样本，未知类归为第n+1类样本，从而将开集识别问题转为伪闭集问题，将扩充后的时频图数据集输入到基于最大损失的自注意力resnet18网络中进行训练。网络训练的损失包括两部分：交叉熵分类损失和最大损失，从而分别实现标签样本匹配和类内特征聚类、不同类特征疏远的作用，提高网络分类性能。

18、在识别阶段，首先将时频图输入到生成对抗网络中，得到样本通过编码器、解码器后的输出结果。通过将原时频图和解码后得到的时频样本分别输入到鉴别器中，计算鉴别器的输出差值，得到生成对抗网络重构前后图像的重构误差。设定重构判定阈值上下限，如果误差大于阈值上限或误差小于阈值下限，则样本识别为未知样本；否则，说明该样本与训练样本的相似性较大，将时频样本输入到基于最大损失的自注意力resnet18网络中，获得分类结果，从而实现了开闭集目标的识别。

19、本发明与现有技术相比有以下优点：

20、本发明构建的结合自注意力机制、谱归一化、梯度惩罚策略的生成对抗网络具有生成样本质量高，训练稳定等特点，其具有样本重构和样本生成功能。通过编码器输出向量的特征处理实现了已知、未知样本的生成，在一定程度上解决了辐射源个体识别中的小样本问题和开集识别问题。其通过将开集问题转换为伪闭集问题，并且通过伪闭集分类网络的训练和生成对抗网络的联合置信判断，更好的实现了辐射源的开集识别。