基于主动学习的特定辐射源识别
人工智能
2026-01-09 v1
摘要
随着无线通信的快速增长，特定辐射源识别 (SEI) 对通信安全具有重要意义。然而，其模型训练严重依赖大规模标注数据，这些数据的获取既昂贵又耗时。为了应对这一挑战，我们提出了一种由主动学习 (AL) 增强的 SEI 方法，该方法遵循三阶段半监督训练方案。在第一阶段，采用具有动态字典更新机制的自监督对比学习，从大量未标注数据中提取鲁棒表示。在第二阶段，在小规模标注数据集上进行监督训练，其中联合优化对比损失和交叉熵损失，以改善特征可分性并强化分类边界。在第三阶段，AL 模块根据不确定性和代表性准则，从未标注数据中选择最有价值的样本进行标注，进一步增强了有限标注预算下的泛化能力。在 ADS-B 和 WiFi 数据集上的实验结果表明，所提出的 SEI 方法在有限标注条件下显著优于传统的监督和半监督方法，以更低的标注成本实现了更高的识别准确率。
引用
@article{arxiv.2601.04502,
title = {Specific Emitter Identification via Active Learning},
author = {Jingyi Wang and Fanggang Wang},
journal= {arXiv preprint arXiv:2601.04502},
year = {2026}
}