基于混合数据增强与深度度量学习的少样本特定辐射源识别
信号处理
2022-12-02 v1
摘要
特定辐射源识别（SEI）是一种潜在的物理层认证技术，是上层认证最关键的补充之一。基于射频指纹（RFF）的 SEI 通过来自电子元件的不可变射频特征来区分不同辐射源。由于深度学习（DL）在提取隐藏特征与进行分类方面的强大能力，其可从海量信号样本中提取高可分性特征，从而实现 SEI。考虑到训练样本有限的条件，我们提出了一种基于混合数据增强与深度度量学习（HDA-DML）的新型少样本 SEI（FS-SEI）方法，摆脱了对辅助数据集的依赖。具体而言，设计了由旋转与 CutMix 组成的 HDA 以增加数据多样性，并利用 DML 提取高判别性语义特征。所提出的基于 HDA-DML 的 FS-SEI 方法在一个开源大规模真实世界广播式自动相关监视（ADS-B）数据集和一个真实世界 WiFi 数据集上进行了评估。两个数据集的仿真结果表明，相较于五种最新 FS-SEI 方法，所提方法取得了更优的识别性能与更高的特征判别性。
引用
@article{arxiv.2212.00252,
title = {Few-Shot Specific Emitter Identification via Hybrid Data Augmentation and Deep Metric Learning},
author = {Cheng Wang and Xue Fu and Yu Wang and Guan Gui and Haris Gacanin and Hikmet Sari and Fumiyuki Adachi},
journal= {arXiv preprint arXiv:2212.00252},
year = {2022}
}