基于深度殘差適配網(wǎng)絡(luò)的通信輻射源個體識別

陳 浩,楊俊安,劉 輝

(國防科技大學(xué)電子對抗學(xué)院,安徽 合肥 230037)

0 引 言

隨著通信技術(shù)的不斷發(fā)展,各式各樣電臺的數(shù)目不斷增長,使得在戰(zhàn)場上對通信電臺的偵察和個體識別變得異常艱難。而作為信息化戰(zhàn)爭的關(guān)鍵環(huán)節(jié),如何高效可靠地對不同通信輻射源進(jìn)行識別,有著非常重要的意義。通信輻射源設(shè)備由大量物理元器件組成,這些元器件在制造時會存在不同程度的誤差,加上設(shè)備內(nèi)部構(gòu)造復(fù)雜,元器件對調(diào)制信號的非線性影響以及環(huán)境對器件工作參數(shù)的影響,使得即使是同廠家生產(chǎn)的同型號同批次設(shè)備,其調(diào)制信號也存在著細(xì)微差異[1]。由于信號中包含的輻射源個體信息屬于物理層特性,與發(fā)送內(nèi)容無關(guān),所以可以作為不同輻射源個體的身份標(biāo)識,被稱為指紋特征。該技術(shù)除了在軍事上是目標(biāo)跟蹤識別系統(tǒng)的重要組成部分之外,在民用領(lǐng)域的頻譜管理、無線電安全等方面也有重要應(yīng)用。

目前對于通信輻射源個體識別主要從兩個方面進(jìn)行考慮——暫態(tài)信號和穩(wěn)態(tài)信號。相較于穩(wěn)態(tài)信號而言,暫態(tài)信號含有更豐富的輻射源個體特征,可以獲得較好的識別性能[2]。但是由于暫態(tài)信號持續(xù)時間很短,難以捕獲,且其特征與噪聲信號相似,這些都會給研究帶來極大困難。相比之下,穩(wěn)態(tài)信號可獲得的數(shù)據(jù)量較多,對檢測性能要求較低,更容易在實際中得到應(yīng)用。本文就是對通信輻射源的穩(wěn)態(tài)信號進(jìn)行研究。目前對穩(wěn)態(tài)信號的研究大多是基于高階譜[3-4]、時頻分布[5]等人工特征提取方法,在某些特定的情況下也許能夠有較好的識別準(zhǔn)確率,但是實際情況一旦不滿足所需的限制條件,其識別準(zhǔn)確率將會受到很大影響。

近年來,深度學(xué)習(xí)廣泛應(yīng)用于圖像識別、語音識別、自然語言處理等領(lǐng)域,并成功顯示出了其強大的能力。同時,國內(nèi)外學(xué)者致力于將深度學(xué)習(xí)引入到通信輻射源識別上來[6-9]。文獻(xiàn)[6-8]分別使用了卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)和深度殘差網(wǎng)絡(luò)對通信輻射源進(jìn)行識別,結(jié)果也證明其有效性。文獻(xiàn)[9]利用大量無標(biāo)簽數(shù)據(jù)通過自編碼器網(wǎng)絡(luò)來提取特征,利用少量有標(biāo)簽數(shù)據(jù)進(jìn)行校準(zhǔn),在實際數(shù)據(jù)上的實驗結(jié)果驗證了其可行性和有效性。

以上研究通常都是基于兩個假設(shè)開展工作:① 訓(xùn)練數(shù)據(jù)(源域)和測試數(shù)據(jù)(目標(biāo)域)具有相同的特征分布空間;② 有足夠多的可用樣本來建立可靠的分類模型。但是,在很多實際應(yīng)用中,這些假設(shè)并不成立。遷移學(xué)習(xí)方法因能很好解決這些問題而引起廣泛關(guān)注,其可以有效地利用和遷移來自相似但不相同的標(biāo)記源域數(shù)據(jù)知識來進(jìn)行目標(biāo)域?qū)W習(xí)。遷移學(xué)習(xí)已在很多領(lǐng)域得到應(yīng)用,如圖像識別[10-11]、文本處理[12]、自動控制[13]等。也有學(xué)者把遷移學(xué)習(xí)應(yīng)用到通信輻射源識別上,如文獻(xiàn)[14]就是利用不同場景下輻射源信號的數(shù)據(jù)結(jié)構(gòu)信息,通過遷移學(xué)習(xí)方法實現(xiàn)對不同頻率輻射源個體的有效識別,但是該方法要求在源域和目標(biāo)域中均有帶標(biāo)簽的樣本。

在合作通信中,通信輻射源與通信信號的數(shù)量和種類愈發(fā)增多,對于不同的通信個體與通信信號的標(biāo)記規(guī)則與方法也多種多樣。根據(jù)不同的方法來標(biāo)記數(shù)據(jù)需要花費大量的人工與時間成本。在非合作通信中,對于不同的通信輻射源和通信信號,不能夠輕易獲取其詳細(xì)信息,進(jìn)而對于數(shù)據(jù)的標(biāo)記也是非常困難的。

為了解決傳統(tǒng)人工特征提取方法魯棒性不足和深度學(xué)習(xí)方法需要大量帶標(biāo)簽?zāi)繕?biāo)域數(shù)據(jù)的問題,本文提出一種基于深度殘差適配網(wǎng)絡(luò)(deep residual adaptation network,DRAN)的遷移學(xué)習(xí)方法來進(jìn)行通信輻射源個體識別。該方法只需要源域數(shù)據(jù)帶有標(biāo)簽,而目標(biāo)域數(shù)據(jù)無需標(biāo)簽。利用源域和目標(biāo)域數(shù)據(jù)的結(jié)構(gòu)化信息,將源域和目標(biāo)域數(shù)據(jù)特征映射到同一特征空間中,對其進(jìn)行特征分布對齊,以解決不同數(shù)據(jù)分布情況下的通信輻射源識別問題。對實際采集的通信輻射源數(shù)據(jù)集進(jìn)行了相關(guān)實驗,結(jié)果證明了該方法的可行性和有效性。

1 基于DRAN的輻射源個體識別

本文將深度適配網(wǎng)絡(luò)[15](deep adaptation network,DAN)的適配思想引入到通信輻射源識別領(lǐng)域中,提出了基于DRAN的通信輻射源個體識別方法。該方法將殘差神經(jīng)網(wǎng)絡(luò)[16](residual neural network,ResNet)與DAN的適配思想結(jié)合以解決傳統(tǒng)的人工特征提取方法魯棒性不足的問題。同時,該方法只需要帶標(biāo)簽的源域數(shù)據(jù),目標(biāo)域數(shù)據(jù)無需標(biāo)簽。首先通過預(yù)處理將原始通信輻射源信號從時域變換成時頻域數(shù)據(jù),然后將其輸入DRAN網(wǎng)絡(luò)進(jìn)行特征提取,把信號的隱藏表示嵌入到再生核希爾伯特空間(reproducing kernel Hilbert space,RKHS)中,通過多核最大均值差異(multi-kernel maximum mean discrepancy,MK-MMD)來衡量源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的差異,作為源域和目標(biāo)域的分布距離,再將其與交叉熵?fù)p失函數(shù)的和作為優(yōu)化目標(biāo),通過對目標(biāo)函數(shù)的不斷優(yōu)化,得到最后的分類模型。算法流程如圖1所示。

圖1 基于DRAN的輻射源個體識別算法流程Fig.1 Algorithm flow of transmitter individual identification based on DRAN

1.1 相關(guān)知識

1.1.1 希爾伯特空間嵌入

在希爾伯特空間嵌入分布中,每個分布由RKHS中的一個元素表示。X定義為具有域Ω和分布P(X)的一個隨機變量,其中x表示X中的一個個體。Hk定義為在域Ω中具有特征核k的RKHS,是具有內(nèi)積<·,·>Hk的函數(shù)f:Ω→R的希爾伯特空間,其元素k(x,·)滿足再生性:H=f(x)。換句話說,k(x,·)可被視為一個隱式特征映射φ(x),其中k(x,x′)=<φ(x),φ(x′)>H。核函數(shù)可以被定義在向量空間、圖形、時間序列和結(jié)構(gòu)化對象上以處理各種應(yīng)用程序。

通過由核k賦予的RKHS中的元素來表示概率分布P的過程叫做核嵌入,具體的公式為

(1)

式(1)具有以下特性:RKHS中的任意函數(shù)f的期望都可以用H中的內(nèi)積來表示,即?f∈H,<μx,f>H?Ex[f(X)]。在實際情況下P(X)難以獲得,可以利用有限的樣本來估計μx:

(2)

該理論已經(jīng)廣泛應(yīng)用于許多任務(wù),包括特征提取、密度估計、雙樣本測試等。

1.1.2 MMD

(3)

式中，f(·)是H中的任意函數(shù)。研究表明,若RKHSH中的函數(shù)類別足夠豐富,則可以區(qū)分任意兩個分布,MMD表示的是其嵌入均值之間的距離。當(dāng)且僅當(dāng)P=Q時,dH(P,Q)=0。實際上,MMD的估計值將經(jīng)驗核嵌入均值之間的平方距離作比較,表示為

(4)

MMD可以在高維空間中刻劃概率分布的任意階統(tǒng)計量,如一階統(tǒng)計量均值和二階統(tǒng)計量方差。也就是說,最小化MMD能將訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的概率分布P和Q通過各階統(tǒng)計量進(jìn)行充分適配[18]。

1.1.3 Wasserstein距離

Wasserstein距離又稱為Earth-Mover距離,是由Yossi Rubner提出用于衡量兩個分布之間距離的量[19]。定義為

(5)

式中，x和y為聯(lián)合分布服從γ的樣本；∏(P1,P2)代表P1和P2分布所有可能的聯(lián)合分布的集合,在所有可能的聯(lián)合分布中能夠?qū)κ?5)中的期望值取到的下界就是Wasserstein距離。簡單地說,就是將一個分布搬移到另一個分布的最小距離。

1.2 DRAN

1.2.1 MK-MMD

域適應(yīng)面對的挑戰(zhàn)主要是因為目標(biāo)域不存在標(biāo)簽。為了解決這個問題,許多方法希望通過將源域誤差加上源域和目標(biāo)域之間的偏差度量來限制目標(biāo)域的誤差。本文主要專注于MMD的多核變體——MK-MMD[15],其通過多核來構(gòu)造總的核,對于不同的情況可以通過調(diào)整不同核的權(quán)重占比來進(jìn)行更好的適配。

MK-MMD的定義由MMD引申而來,將概率分布p和q之間的MK-MMD記為dk(p,q),被定義為p和q的嵌入均值之間的RKHS距離,則MK-MMD的平方公式可定義為

(6)

與MMD不同的是,與特征映射φ,k(xs,x)=<φ(xs),φ(xt)>相關(guān)的特征核不是一個單個核,而是被定義為m個核{(lán)ku}的凸組合,即

(7)

其中,對系數(shù){βu}施加約束以確保生成更適合的多核k。Gretton等人的一項研究顯示,適用于p和q嵌入均值的核是確保低測試誤差的關(guān)鍵[17]。多核k可以利用不同的核來增強MK-MMD的能力,這就是優(yōu)化核選擇的原理方法。本文主要是利用MK-MMD來增強特征表示的遷移能力。

1.2.2 模型和優(yōu)化目標(biāo)

本文通過基于MK-MMD的適應(yīng)性學(xué)習(xí)思想,來學(xué)習(xí)深度網(wǎng)絡(luò)中的可轉(zhuǎn)移特征,并將其用于通信輻射源個體識別。從深度卷積神經(jīng)網(wǎng)絡(luò)開始,主要挑戰(zhàn)是目標(biāo)域沒有或只有很少的標(biāo)簽信息,因此直接將CNN通過微調(diào)應(yīng)用到目標(biāo)域上是不太合理并且很容易過擬合的。于是通過DRAN來降低數(shù)據(jù)帶來的限制,這個網(wǎng)絡(luò)既可以利用有標(biāo)簽的源域數(shù)據(jù),也可以利用無標(biāo)簽的目標(biāo)域數(shù)據(jù)。

研究表明,深層網(wǎng)絡(luò)可以學(xué)習(xí)到比傳統(tǒng)人工特征更適合遷移的特征。本文通過深度神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)通信輻射源信號的可遷移特征以解決其無監(jiān)督域適應(yīng)的問題。從零開始的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練量巨大,所以本文采用已存在預(yù)訓(xùn)練模型來解決,選用ResNet-50來提取深度特征。本文提出方法的模型如圖2所示。

圖2 DRAN模型Fig.2 Model of DRAN

CNN分類器f(x)在源域標(biāo)記數(shù)據(jù)Dxs上的經(jīng)驗誤差為

(8)

研究表明,深度特征可以減少但是不能消除跨域分布差異,標(biāo)準(zhǔn)CNN的深度特征在網(wǎng)絡(luò)中總會從一般特征最終轉(zhuǎn)變?yōu)樘囟ㄌ卣?并且特征和分類器的可遷移性會隨著域差異的增加而降低。換句話說,全連接層是針對源任務(wù)而訓(xùn)練出來的,其在目標(biāo)任務(wù)上的性能并不理想,因此不能通過有限目標(biāo)監(jiān)督的微調(diào)來直接遷移到目標(biāo)域。本文在有標(biāo)記的源域樣本上微調(diào)CNN,并要求源域樣本和目標(biāo)域樣本的分布在全連接層的隱藏表示下變得相似。這可以通過將基于MK-MMD的多層自適應(yīng)正則化器添加到CNN風(fēng)險中來實現(xiàn)：

(9)

通過對DRAN風(fēng)險函數(shù)(式(9))的優(yōu)化,可以學(xué)習(xí)從源域到目標(biāo)域的可遷移特征,既可以從CNN受益,又可以通過MK-MMD來增強特征的可遷移性,從而達(dá)到最終遷移的目的。

1.2.3 核參數(shù)學(xué)習(xí)策略

本文采用MK-MMD的無偏估計：

(10)

計算復(fù)雜度為O(n)。

對β的學(xué)習(xí)主要是通過最大化雙樣本測試功效的同時，最小化II類誤差來優(yōu)化：

(11)

(12)

2 實驗結(jié)果與分析

2.1 實驗設(shè)置

為了評估基于DRAN的深度學(xué)習(xí)方法在通信輻射源個體識別領(lǐng)域的可行性和有效性,本文對實際的電臺通信信號進(jìn)行了實驗,并與傳統(tǒng)的人工特征方法和一般的深度學(xué)習(xí)方法進(jìn)行了比較。

實驗所采用的數(shù)據(jù)是在實際情況下由同一臺接收設(shè)備采集得到的,分別來自5個相同型號的輻射源個體,信號分為I-Q兩路。信號的具體參數(shù)如表1所示。

表1 信號參數(shù)Table 1 Signal parameters

2.1.1 數(shù)據(jù)預(yù)處理

先對接收信號按照固定長度分段,本文采用的分段長度為8 192個采樣點,再對分段信號進(jìn)行篩選,舍棄靜默信號,然后對每個分段信號進(jìn)行標(biāo)準(zhǔn)化處理(見圖3),再對處理后的信號作連續(xù)小波變換(continuous wavelet transform,CWT)得到尺度譜(見圖4),用于表示信號的時頻能量分布,最后對每個尺度譜進(jìn)行標(biāo)準(zhǔn)化處理。

圖3 分段標(biāo)準(zhǔn)化后的I/Q信號數(shù)據(jù)Fig.3 I/Q signal data after segmented standardization

圖4 CWT后的尺度譜Fig.4 Scale spectrum after CWT

2.1.2 實驗相關(guān)設(shè)置

經(jīng)過預(yù)處理后,能夠得到兩個信號載頻下的每個輻射源個體有600個樣本,5個輻射源總共6 000個樣本。在DRAN算法的實驗過程中,對源域數(shù)據(jù)每個輻射源選取500個帶標(biāo)簽的樣本,目標(biāo)域數(shù)據(jù)每個輻射源選取500個未標(biāo)記的樣本,兩者一起作為訓(xùn)練集,一共5 000個樣本。將剩余的目標(biāo)域數(shù)據(jù)作為測試集,一共500個樣本。在訓(xùn)練過程中,使用了帶有標(biāo)簽的源域數(shù)據(jù)及其標(biāo)簽和未標(biāo)記的目標(biāo)域數(shù)據(jù),沒有用到目標(biāo)域數(shù)據(jù)的標(biāo)簽。所有的訓(xùn)練集和測試集均為隨機選取。

將數(shù)據(jù)輸入DRAN中,根據(jù)算法更新網(wǎng)絡(luò)參數(shù)。本文網(wǎng)絡(luò)模型采用的是ResNet-50模型,優(yōu)化算法采用的是動量隨機梯度下降法,學(xué)習(xí)率lr=0.001,momentum=0.9,weight_decay=5×10-4，懲罰系數(shù)λ=1,激活函數(shù)為ReLU函數(shù)。

2.1.3 對比實驗

對照算法采用基于經(jīng)驗?zāi)B(tài)分解[21](empirical mode decomposition,EMD)、變分模態(tài)分解[22](variational mode decomposition,VMD)和固有時間尺度分解[5](intrinsic time-scale decomposition,ITD)的人工特征提取方法,遷移成分分析[23](transfer component analysis,TCA)、ResNet[8]算法和長短期記憶(long short-term memory,LSTM)算法[7]。

其中,EMD、VMD和ITD提取的特征一致,所采用的分類器均為是支持向量機(support vector machine,SVM)分類器;TCA方法是傳統(tǒng)的遷移學(xué)習(xí)算法,所用特征為上述3種人工特征;ResNet算法是僅使用ResNet網(wǎng)絡(luò)加上全連接層進(jìn)行分類識別。

具體的實驗訓(xùn)練集與測試集劃分與第2.1.2節(jié)中的一致,ResNet算法中的相關(guān)參數(shù)設(shè)置也與DRAN算法中的參數(shù)設(shè)置一致。其中EMD、VMD、ResNet和LSTM方法由于自身限制,訓(xùn)練數(shù)據(jù)僅為帶標(biāo)簽的源域數(shù)據(jù),未用到目標(biāo)域數(shù)據(jù),測試數(shù)據(jù)為目標(biāo)域數(shù)據(jù),是未進(jìn)行遷移的方法。TCA方法是輸入為經(jīng)過提取的人工特征的傳統(tǒng)遷移方法。

2.2 結(jié)果與分析

對第2.1節(jié)中處理后的數(shù)據(jù)進(jìn)行實驗,并與相關(guān)對照算法進(jìn)行對比,得到不同方法的識別性能,如表2所示。表2中的左列表示源域數(shù)據(jù)載頻為450 MHz,目標(biāo)域數(shù)據(jù)載頻為512 MHz,右列表示源域數(shù)據(jù)載頻為512 MHz,目標(biāo)域數(shù)據(jù)載頻為450 MHz,箭頭表示遷移的方向?？梢钥吹?DRAN的遷移學(xué)習(xí)方法相較于利用人工特征進(jìn)行TCA遷移方法具有更高的識別準(zhǔn)確率,表明深度特征相較于人工特征具有更好的可遷移性。同時,經(jīng)過TCA遷移之后的準(zhǔn)確率要低于僅利用SVM進(jìn)行分類的結(jié)果,表明人工特征的可遷移性很差甚至不具備可遷移性。

表2 不同方法實驗結(jié)果對比Table 2 Experimental results comparison of different methods %

其中的LSTM和ResNet算法在源域數(shù)據(jù)上進(jìn)行訓(xùn)練和測試能夠達(dá)到99%以上的精度,但是將訓(xùn)練好的模型在目標(biāo)域數(shù)據(jù)上測試會發(fā)現(xiàn)識別精度明顯降低,尤其是LSTM算法,說明了深度學(xué)習(xí)網(wǎng)絡(luò)自身的泛化能力不足,導(dǎo)致當(dāng)數(shù)據(jù)存在分布差異時,識別準(zhǔn)確率顯著降低。將DRAN與未進(jìn)行遷移的ResNet和LSTM算法進(jìn)行結(jié)果比較,可以看出利用DRAN方法有利于解決數(shù)據(jù)分布差異的問題。原因是遷移學(xué)習(xí)方法雖然不需要利用目標(biāo)域標(biāo)簽,但是通過度量函數(shù)可以將目標(biāo)域數(shù)據(jù)信息輔助訓(xùn)練,而非遷移方法在訓(xùn)練階段完全用不到目標(biāo)域的數(shù)據(jù)信息。此外,DRAN在兩個方向上的遷移識別準(zhǔn)確率都達(dá)到了90%以上,證明了其對于不同頻點下通信輻射源識別的可行性和有效性。

為了說明深度學(xué)習(xí)對于標(biāo)簽的依賴性,本文將目標(biāo)域數(shù)據(jù)加入DRAN模型進(jìn)行了訓(xùn)練與測試,實驗結(jié)果如表3所示。

表3 目標(biāo)域有無標(biāo)簽實驗結(jié)果對比Table 3 Comparison of experimental results with and without tags in target domain %

表3是最后的實驗結(jié)果,可以看到,當(dāng)加入目標(biāo)域標(biāo)簽進(jìn)行訓(xùn)練時,不管遷移方向如何變化,識別準(zhǔn)確率都能夠達(dá)到99%以上。經(jīng)分析,原因是將目標(biāo)域標(biāo)簽加入原模型中進(jìn)行訓(xùn)練,就相當(dāng)于在同一個域上進(jìn)行有監(jiān)督的訓(xùn)練和測試,所以識別準(zhǔn)確率接近完美是在可預(yù)見范圍之內(nèi)的。但是,同時可以看到目標(biāo)域標(biāo)簽的使用與否對于輻射源個體的識別準(zhǔn)確率還是存在著一定的影響。如果缺乏目標(biāo)域的標(biāo)簽,將會對最后的識別精度產(chǎn)生一定的損失。

2.2.1 特征可視化

為了進(jìn)一步了解本文提出方法所提取特征的可遷移性,本文還對ResNet和DRAN兩個網(wǎng)絡(luò)中學(xué)習(xí)到的深度特征(源域數(shù)據(jù)為450 MHz,目標(biāo)域數(shù)據(jù)為512 MHz)進(jìn)行了可視化,如圖5和圖6所示。其中,圖5是由ResNet提取特征的可視化圖,圖6是由DRAN提取特征的可視化圖。通過圖5和圖6可以觀察到:ResNet的特征中,源域和目標(biāo)域之間的類別沒有很好地對齊,相較之下,DRAN特征域之間的類別對齊得更好,可以將目標(biāo)域的通信輻射源目標(biāo)更好地分類識別出來,說明DAN的適配思想對于通信輻射源識別的有效性,同時也可以看出DRAN可以學(xué)習(xí)可遷移特征,從而進(jìn)行有效的領(lǐng)域適應(yīng)。

圖5 ResNet的特征可視化Fig.5 ResNet feature visualization

圖6 DRAN的特征可視化Fig.6 DRAN feature visualization

2.2.2 Wasserstein距離

為了進(jìn)一步說明DRAN算法對源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)進(jìn)行遷移的有效性,本文對未進(jìn)行遷移和遷移之后源域與目標(biāo)域的域間距離進(jìn)行了計算和比較。結(jié)果如圖7所示。

圖7 Wasserstein距離Fig.7 Wasserstein distance

圖7中分別是ResNet和DRAN兩種方法中源域(512 MHz)和目標(biāo)域(450 MHz)的Wasserstein距離,可以觀察到DRAN網(wǎng)絡(luò)的特征距離小于ResNet網(wǎng)絡(luò)中的特征距離,說明了經(jīng)過DRAN的網(wǎng)絡(luò)適配之后,能夠有效降低不同域之間的分布距離,使其在不同載頻的通信輻射源識別上表現(xiàn)很好。

2.2.3 分析與討論

以上的實驗結(jié)果說明了本文提出的DRAN算法對于通信輻射源個體識別是有效的,可以解決在缺乏目標(biāo)域標(biāo)簽的情況下,傳統(tǒng)人工特征方法數(shù)據(jù)分布差異和識別準(zhǔn)確率低下的問題。DRAN通過源域向目標(biāo)域進(jìn)行遷移,從而不需要目標(biāo)域數(shù)據(jù)的標(biāo)簽,節(jié)省了人工標(biāo)注數(shù)據(jù)的成本,可以為目標(biāo)信號的跟蹤關(guān)聯(lián)等方面的研究提供一些啟發(fā)和思路。

DRAN算法也存在一定的局限性,雖然不需要目標(biāo)域標(biāo)簽,但是需要在訓(xùn)練時用到目標(biāo)域數(shù)據(jù)來衡量與源域數(shù)據(jù)之間的差異,只能做到標(biāo)簽上的無監(jiān)督學(xué)習(xí)。此外,該方法的前提是源域和目標(biāo)域數(shù)據(jù)分布具有一定的相似性,如果差異過大,可能出現(xiàn)負(fù)遷移的現(xiàn)象。在后續(xù)的研究發(fā)展中,可以進(jìn)一步嘗試降低對于目標(biāo)域數(shù)據(jù)的使用和依賴。

3 結(jié) 論

本文將DAN的適配思想引入通信輻射源識別領(lǐng)域,提出了一種基于DRAN的通信輻射源個體識別方法,該方法只需要利用源域數(shù)據(jù)和無標(biāo)簽的目標(biāo)域數(shù)據(jù)進(jìn)行學(xué)習(xí),從而實現(xiàn)由源域到目標(biāo)域遷移的目的。對實際通信數(shù)據(jù)的實驗結(jié)果表明,深度特征相較于人工特征具有更強的魯棒性和可遷移性,本文中提出方法的識別準(zhǔn)確率能夠達(dá)到90%以上,相較于傳統(tǒng)通信輻射源識別領(lǐng)域的人工特征方法對于不同頻點的輻射源具有更好的分類識別效果。