摘要
随着移动通信技术的发展和信息化程度的提高，辐射源设备的种类和数目快速增长，为辐射源个体识别技术带来了广阔的发展前景。在无线安全、电磁频谱管理、军事情报等领域，辐射源个体识别技术都有着重要的应用潜力和价值。面对愈发复杂的电磁环境，传统的方法难以从辐射源信号中提取出具有高区分度的有效特征。因此，具有优秀特征提取能力的深度学习模型在辐射源个体识别领域中备受关注。为了提升辐射源个体的识别能力，并应对复杂实际应用场景，本文基于深度学习主要进行了以下研究: （1）针对实数网络无法充分利用辐射源复数数据全部信息的局限性，设计复数神经网络结构来提取信号的特征。与实数网络相比，复数神经网络保留了相位信息，具有更强的表征能力。实测数据集上的结果表明，在参数量更少的情况下，复数卷积神经网络识别能力更强，对信噪比变化、信道衰落效应等混杂因素具有更好的鲁棒性。 （2）针对标签信号样本少、大量信号未被标注的问题，提出基于对比学习的辐射源个体识别方法。该方法首先利用无标签信号样本对网络进行自监督对比预训练，使其学习具有高区分度的特征表示。之后，加入分类器对特征进行分类，并融合监督对比损失与交叉熵损失来改善特征表示的质量和提高模型的泛化能力。因此，在少量标签信号样本下，训练后的网络可以实现极高的识别准确率。实测数据集上的结果表明，仅需数十个标签样本即可达到90％的准确率，有效提高了小样本下辐射源个体识别的性能。 （3）针对训练集中辐射源种类有限、测试集中出现未知类型辐射源的问题，提出基于Openmax和基于互易点学习的开集辐射源识别算法。Openmax方法利用极值理论来重新分配已知类的预测概率并估计未知类的概率，从而扩展原Softmax层来适应开集问题。互易点学习方法利用深度度量学习知识，定义互易点为已知类类外特征空间的代表，通过已知类样本和互易点之间的对抗学习来减少已知类与未知类分布的重叠部分。实测数据集上的结果表明，所提开集识别方法优于传统开集识别方法，特别是互易点学习方法可以有效分离已知类样本和未知类样本。
NETL