基于深度度量集成学习的少样本特定辐射源识别
信号处理
2022-07-15 v1 人工智能
摘要
特定辐射源识别（SEI）是一项极具潜力的物理层认证技术，是上层认证最关键补充之一。SEI 基于由电路差异产生的射频（RF）特征，而非密码学。这些特征是硬件电路固有的特性，难以伪造。近年来，各种基于深度学习（DL）的传统 SEI 方法被提出，并取得了先进的性能。然而，这些方法针对的是具有大量 RF 信号样本用于训练的闭集场景，在训练样本有限的条件下通常性能较差。因此，我们聚焦于通过广播式自动相关监视（ADS-B）信号进行飞机识别的少样本 SEI（FS-SEI），并提出了一种基于深度度量集成学习（DMEL）的新型 FS-SEI 方法。具体而言，所提方法由特征嵌入和分类组成。前者基于复值卷积神经网络（CVCNN）的度量学习，用于提取类内距离紧凑、类间距离可分的判别性特征，而后者由集成分类器实现。仿真结果表明，若每类样本数大于 5，我们所提方法的平均准确率高于 98%。此外，特征可视化展示了我们所提方法在判别性和泛化性方面的优势。本文代码可从 GitHub(https://github.com/BeechburgPieStar/Few-Shot-Specific-Emitter-Identification-via-Deep-Metric-Ensemble-Learning) 下载。
引用
@article{arxiv.2207.06592,
title = {Few-Shot Specific Emitter Identification via Deep Metric Ensemble Learning},
author = {Yu Wang and Guan Gui and Yun Lin and Hsiao-Chun Wu and Chau Yuen and Fumiyuki Adachi},
journal= {arXiv preprint arXiv:2207.06592},
year = {2022}
}