面向非均衡类别的半监督辐射源识别方法

针对辐射源个体识别(SEI)中样本标签不完整和数据类别分布不平衡导致分类准确率下降的问题,该文提出了一种基于代价敏感学习和半监督生成式对抗网络(GAN)的特定辐射源分类方法。该方法通过半监督训练方式优化生成器和判别器的网络参数,并向残差网络中添加多尺度拓扑模块融合时域信号的多维分辨率特征,赋予生成样本额外标签从而直接利用判别器完成分类。同时设计代价敏感损失缓解优势样本导致的梯度传播失衡,改善分类器在类不平衡数据集上的识别性能。在4类失衡仿真数据集上的实验结果表明,存在40%无标记样本的情况下,该方法对于5个辐射源的平均识别率相比于交叉熵损失和焦点损失分别提高5.34%和2.69%,为解决数据标注缺失和类别分布不均条件下的特定辐射源识别问题提供了新思路。      

多网络联合识别辐射源个体的优化方法

针对辐射源指纹特征间差异细微且受噪声干扰容易导致识别率下降的问题,提出了一种基于stacking方法集成多个异构网络识别结果的辐射源个体识别优化算法。利用不同网络结构在低信噪比条件下提取指纹特征的差异性,多个异构网络集成各自的预测结果能够提升对指纹特征的提取能力。同时为避免分类准确率提高造成模型规模过大,本文使用网络规模小且结构差异较大的EfficientNets系列异构网络作为基础网络。实验首先在高斯信道条件下验证了基础网络能够有效识别功率放大器杂散噪声,之后利用stacking等优化算法改进模型整体的性能。结果表明,本方法能够进一步利用信号指纹特征之间差异,与其他方法相比对辐射源个体有更高的识别率。      

面向小样本SAR图像自动目标识别的孪生自监督学习方法

现有的自监督学习算法对小样本合成孔径雷达（Synthetic Aperture Radar,SAR）图像表征能力不足，无法充分地满足自动目标识别（Automatic Target Recognition,ATR）性能的需求。因此，本文提出了一种基于孪生自监督学习的SAR ATR方法。首先，将无标注SAR数据通过孪生特征提取网络模块中的数据增强方式建立正负样本对；其次，通过孪生自监督学习模块中的对比学习头部网络和特征冗余降低头部网络，依据无监督对比学习损失函数和特征信息冗余损失函数进行联合优化，进而得到具有较好表征能力的预训练网络；最后，将自监督预训练网络权重加载到下游网络中，并通过交叉熵损失对下游网络进行小样本SAR图像有监督识别。实验结果表明，对于运动与静止目标获取和识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集，本文的方法仅在3.13%的训练数据上可达82.95%准确率。本文所提方法可在无标注数据中获得较好的表征能力，有效地改善小样本SAR图像识别的过拟合问题。     

基于孪生网络的肺部图像识别

针对临床上肺部图像识别准确率低、效果差等问题,提出一种基于孪生VGGNet的图像分类技术,以提高临床肺部图像检测的准确率。首先,使用VGGNet模型（包括VGGNet11、VGGNet13和VGGNet16）对比图像处理的准确率,结果表明,VGGNet模型处理图像准确率低,分类效果差。在此基础上,给VGG模型加入孪生网络,将两个输入图像经过共享的卷积神经网络模型进行特征提取,通过比较两个特征向量的距离或相似度来进行分类或识别,将模型的准确率提高到95%以上。根据实验结果,加入孪生网络后,提高了图像识别的准确性和鲁棒性,为医学领域提供了便利。     

一种基于复数残差网络的通信辐射源个体识别方法

在复杂电磁环境的通信辐射源个体识别任务中,针对传统特征提取识别方法分类效果不佳和低信噪比环境下基于实数神经网络的方法识别准确率不高的问题,本文提出了一种基于复数残差网络的通信辐射源个体识别方法。将实际采集的I路和Q路电台数据组合成复数作为输入,根据电台数据集特点选取复数初始化方法、复数激活函数,以改进的复数残差块为基础构建复数残差网络,进一步调整和优化网络结构并运用到辐射源个体识别任务中。通过实验证明,相比于实数残差网络和人工特征提取方法,复数残差网络的性能更优,并且在低信噪比的条件下,基于复数残差网络的方法鲁棒性更强。      

空地协同场景下通信干扰智能识别方法

针对现有通信干扰智能识别方法在小样本条件下识别精度低、网络模型欠拟合的问题,并形成通信干扰识别的空中与地面布设能力,该文提出一种空地协同场景下基于孪生网络的通信干扰智能识别方法。首先在空中无人机与地面设备之间构建空地协同的通信干扰认知架构,并通过提取所接收的通信干扰信号的时频图、分数阶傅里叶变换和星座图,对通信干扰信号进行智能表征,以作为网络的输入。然后搭建基于密集连接网络的网络结构,并设计双输入权值共享的孪生网络。最后,利用随机样本对孪生网络进行训练,并通过孪生单边网络构建基准通信干扰类型特征库进而实现通信干扰的智能识别。该方法通过度量两个样本之间的特征距离来判断样本的相似性,并通过相似度度量扩大了训练样本数量并训练了孪生网络模型。仿真结果表明,所提方法不但在较小数据集的条件下可有效地实现通信干扰的智能识别,而且相比现有的智能识别方法,所提方法的识别性能显著提升。     

主动太赫兹成像中的多目标分割与检测识别方法

针对主动太赫兹成像中存在的图像品质差以及藏匿物品类别多样、训练样本稀缺且类别不平衡等问题,提出了基于用条件生成对抗网络构建的Mask-CGANs模型的目标分割网络和基于RetinaNet的目标检测识别网络,实现了太赫兹图像中藏匿物品的多目标分割和检测识别。针对分割任务提出的约束损失函数和网络结构,使模型在召回率和虚警率之间达到平衡且降低了对训练样本规模的要求。针对检测任务采用的损失函数提高了训练样本不平衡条件下的检测精度。     

面向ADS-B信号辐射源个体识别的轻量化模型设计

针对辐射源个体识别高精确度、轻量化、实时性的现实应用需求,提出了面向广播式自动相关监测(ADS-B)信号辐射源个体识别的轻量化模型设计方法。根据信号数据特点进行解码处理,并对不均衡样本进行权重调节,改善样本质量;通过分组卷积获取不同维度的细微特征,与初始特征拼接,实现多维互补特征融合,并联同步进行提高识别效率。利用Ghost bottleneck结构实现网络模型压缩与跨层连接,在融合多维特征的同时节省计算资源。实验结果表明,本文算法结构精简,计算量低,识别率达到95.2%,并在不同容量的样本识别中效果稳定。本文算法较好地平衡了辐射源个体识别精确度、轻量化与高时效的需求。     

基于深度自编码器的辐射源个体开集识别

为实现对城市用频设备的精确管控,针对特定辐射源开集识别问题,构建了一套基于深度学习的辐射源个体开集识别处理流程,核心在于指纹特征有效区间筛选与基于深度自编码器的开集识别模型。一方面,通过使用Grad-CAM实现对深度网络激活可视化,筛选出信号对网络激活贡献较高的部分,在不损失过多指纹信息的情况下进行信号区间筛选;另一方面,建立基于半监督对抗自编码器的辐射源个体开集识别模型,实现对电磁环境中出现的未知辐射源个体的有效识别。实验表明此开集识别模型能够在不损失闭集识别率的条件下实现高精确度的开集识别。     

一种基于深度置信网络的通信辐射源个体识别方法

针对复杂电磁环境下通信辐射源个体识别问题，提出了一种小样本条件下基于深度置信网络的通信辐射源个体识别方法.首先分析通信辐射源信号频带内互调干扰信号的幅度和相位特性，建立基于互调干扰信号的通信辐射源个体特征；然后对辐射源信号进行预处理得到通信辐射源信号的矩形积分双谱，再采取对比散度的方法，利用高阶谱自底向上训练每个受限玻尔兹曼机，通过多次迭代得到合适的权重、隐藏层的偏差和可见层的偏差，从而提取出辐射信号的互调干扰信号特征；最后使用softmax分类器对训练模型进行微调，获得面向通信辐射源细微特征识别的深度学习网络.通过计算机的仿真得到了超过80%的识别率，进一步验证了该方法的有效性.     

利用小波变换特征提取的通信辐射源个体识别方法

为解决非协作通信条件下对通信辐射源的个体识别问题,提出了一种基于小波变换特征提取的个体识别方法。该方法对非协同通信的接收信号进行小波变换,通过计算类间分离度筛选最优小波基提取特征向量,并根据特征分布选取特定小波基下的小波系数复杂度作为信噪比参考值辅助个体识别。仿真结果表明,在信噪比变化的环境中及通信辐射源个体差异较小的情况下有较好的识别效果,从而验证了该方法的有效性。      

基于自适应加权Fisherface算法的人脸识别

提出了一种改进的Fisherface算法。算法首先利用Karhunen-Loeve（K-L）变换降维,在降维的子空间内,根据样本与同类样本间的距离赋予该样本一权值,再用加权后的样本求取类均值,以新的类均值重建类内散布矩阵和类间散布矩阵,从而改进Fisher判别函数。在ORL和Yale人脸库上的实验结果表明,该算法优于传统的主成分分析（PCA）方法和Fisherface方法,并能有效解决小样本情况下训练样本类均值偏离类中心的问题。     

辐射源个体识别的一种可解释性测试架构

由于射频信号种类多,电磁环境复杂,特征提取难度大,现有的基于人工特征的射频辐射源个体识别方法的鲁棒性、适用性难以满足应用需求。数据驱动的深度学习方法虽然可以提供更灵活的辐射源个体识别模式,但深度学习方法自身可解释性差,而且缺乏通用测试模式来评价一个深度学习方法的优劣。本文在电磁大数据非凡挑战赛目标个体数据集的基础上,探索了基于该数据集的深度学习模型测试方法,提出面向辐射源个体识别神经网络模型的通用测试系统架构。该构架通过信号特征遮掩、生成对抗网络(GAN)、欺骗信号汇集、信道模拟等方法构造仿真测试样本,并把测试样本与原样本数据导入深度模型进行识别结果对比测试。基于测试结果分析了深度模型聚焦的信号关键特征位置,分析模型的鲁棒性,揭示信道环境对识别性能的影响,从而解释了深度学习网络模型的性能。     

自监督双流融合的小样本雷达辐射源识别方法

针对实际场景中辐射源数据稀缺造成的小样本问题，提出了一种基于自监督和双流融合的小样本雷达辐射源识别方法。首先利用高斯分布噪声、莱斯多径衰落、设计时钟偏移信号等减损方法，基于有限数量的真实样本构建类均衡辐射源信号样本集。基于增强数据集，提出一种信号时间序列与时频图的双流特征融合模型。采用对比学习方法构建双流特征融合模型的自监督上游任务，以提升在有限标签数据情况下信号多域特征的表征能力与泛化能力。实验结果证明，该方法在小样本条件下能够有效地实现较好的辐射源类型识别能力，在目标域每个类别100个样本限制下，识别精度达到97.1%,与传统一维特征方法和基于长短期记忆(Long Short Term Memory, LSTM)的方法相比均有较大提升。     

Discriminative common vector based finger knuckle recognition

The main issue in personal authentication systems for military, security, industrial and social applications is accuracy. This paper presents a finger knuckle print (FKP) recognition approach to identity authentication. It applies a discriminative common vectors (DCV) based method to obtain the unique feature vectors, called discriminative common vectors, and the Euclidean distance as matching strategy to achieve the identification and verification tasks. The recognition process can be divided into the following phases: capturing the image; pre-processing; extracting the discriminative common vectors; matching and, finally, making a decision. In order to test and evaluate the proposed approach both the most representative FKP public databases and an established non-uniform FKP database were used. Experiments with these databases confirm that the DCV-based FKP recognition method achieves the authentication tasks effectively. The results showed the performance of the system in terms of the recognition rate had 100% accuracy for both training data and unseen test data.     

结合卷积神经网络和随机森林的辐射源个体识别

为提高辐射源个体识别准确度,解决工程化应用问题,同时避免在信号样本有限的情况下单一识别算法的局限性,提出了一种结合卷积神经网络和随机森林的辐射源个体识别方法.该方法分别利用卷积神经网络和随机森林训练生成两组个体识别模型,然后采用识别概率统计法生成不同辐射源个体的综合权值向量,最后根据权重向量形成针对不同辐射源个体的综合...     

Approach based on combination of vector neural networks for emitter identification

To deal with the problem of emitter identification caused by the measurement uncertainty of emitter feature parameters, this study proposes a new identification algorithm based on combination of vector neural networks (CVNN), which is deduced from the backpropagation vector neural network and can realise the nonlinear mapping between the interval-value input data and the interval-value output emitter types. The key idea of CVNN is to adopt a combination of multiple multi-input/single-output neural networks to construct an identification system; each of the networks can only realise the identification function between two emitter types. Through quantitative analysis, it can be concluded that the proposed algorithm requires less computational load in the training stage. A number of simulations are presented to demonstrate the identification capability of the CVNN algorithm for emitter signals with and without additive noise. Simulation results show that the proposed algorithm not only has better identification capability, but also is relatively more insensitive to noise.     

一种稳健的通信辐射源个体识别方法

通信辐射源个体识别是目前通信对抗领域研究热点与难点问题,相对于雷达辐射源,通信辐射源信号弱、瞬时特征不明显导致个体识别更复杂、更困难。利用通信辐射源信号的长时谱统计特性,提取信号功率谱峰值特征和包络模板,构造通信辐射源个体特征向量,通过朴素贝叶斯分类算法与个体特征矢量相结合,在训练样本数目足够大的条件下可进行有效识别。测试实验表明,识别方法稳健有效,可在信噪比5 d B情况下实现93.7%的正确识别概率。     

基于改进TSVM的通信辐射源个体识别

为了解决通信辐射源个体中标签获取难问题,引入半监督机器学习理论,提出了一种基于预测置信度进行迭代的半监督学习算法(Improved Transductive Support Vector Machine Iterative Algorithm Based on the Confidence of Prediction,CP-TSVM)。该方法在TSVM算法的基础上,充分利用无标签样本,根据预测结果置信度进行迭代,能够大幅度减少分类器的运算量。计算机仿真表明,在有标签样本数目占总样本2%的情况下,CP-TSVM较TSVM算法在保证识别准确率的同时,模型训练时间缩短近60 s。