摘要
通信辐射源个体识别技术是指从通信信号中提取差异化特征，实现对信号发射设备的区分和识别的技术。随着人工智能理论和技术的发展，深度学习在通信辐射源个体识别领域得到广泛应用。但在实际应用场景中，面对非理想条件下的辐射源数据集，深度神经网络识别效果较差。因此本文针对复杂条件下的通信辐射源个体识别展开研究，主要成果如下： 1.为解决通信辐射源识别过程中出现类型未知辐射源的问题，实现一种基于度量学习的通信辐射源开集识别算法。该方法利用深度度量学习知识，将分类损失和聚类损失联合，保证网络训练后能够得到分类和聚类特性优异的辐射源特征向量，并将其作为辐射源深度指纹特征。之后基于特征向量分布特性设计了阈值计算方法，根据阈值判断对未知辐射源类型的识别。结果显示，本文研究的开集识别方法识别准确率相比传统开集识别方法有所提升。 2.为解决信道特性变化引起的辐射源训练和测试样本分布不一致，导致识别准确率下降的问题，研究一种基于域适应的动态信道通信辐射源识别方法。该方法将动态信道识别问题建模为域适应问题，利用深度子域适应理论搭建辐射源个体识别域适应网络。该方法通过设计信道差异损失函数参与训练过程，保证了动态信道下辐射源指纹特征的一致性。结果显示，本文研究的通信辐射源域适应分类网络在动态信道下可以缩小指纹特征差异，提高目标域的辐射源个体识别准确率。 3.为解决动态信道中辐射源测试过程中出现未知类型辐射源的问题，研究了一种基于增量学习的动态信道下辐射源开集识别模型。该方法基于类增量学习构建类扩充识别网络，将类扩充网络进行域适应训练后用于目标域通信辐射源开集识别。该方法将动态信道下的辐射源开集识别问题转化为目标域的监督分类问题进行解决，提高了模型对动态信道和开集场景的适用性。结果显示，本文研究的动态信道辐射源开集识别模型可以提高动态信道环境下已知和未知类型辐射源的识别准确率。 以上工作均通过实验验证，可以构建一套复杂条件下的通信辐射源个体识别流程方案，解决辐射源个体识别在实际应用中面对的未知类型辐射源出现、信道环境变化等问题，扩展利用深度神经网络进行通信辐射源个体识别的应用场景。
NETL