基于對抗的一致性正則半監(jiān)督輻射源個體識別方法

王天池,俞 璐,赫德軍

(陸軍工程大學(xué) 通信工程學(xué)院,南京 210007)

0 引言

在現(xiàn)代戰(zhàn)場上，作為“千里眼、順風(fēng)耳”的通信偵察技術(shù)早已是各國爭相進(jìn)行研究與攻關(guān)的關(guān)鍵領(lǐng)域，在實際通信對抗中，更是可以決定戰(zhàn)場勝負(fù)的關(guān)鍵環(huán)節(jié)。輻射源個體識別作為通信偵察的一種技術(shù)偵察手段，在通信偵察乃至整個戰(zhàn)場上發(fā)揮著至關(guān)重要的作用。輻射源個體識別技術(shù)在識別敵方設(shè)備、分析敵方目標(biāo)個體、分析戰(zhàn)場電磁態(tài)勢、獲取有價值的情報等方面，均有著十分重要的應(yīng)用，同時對提高己方戰(zhàn)備防御能力也非常關(guān)鍵。

不同輻射源個體之間，制造工藝、電子元件非線性的差異及信號調(diào)制方式的不同，導(dǎo)致了同一輻射源所發(fā)射信號的內(nèi)在特征的不同。輻射源個體識別就是通過提取通信輻射源發(fā)出的信號中攜帶的個體細(xì)微特征信息，來識別不同的通信輻射源個體的方法[1-2]。隨著深度學(xué)習(xí)的不斷發(fā)展，輻射源個體識別技術(shù)由復(fù)雜繁瑣的人工提取特征逐漸向深度神經(jīng)網(wǎng)絡(luò)提取特征發(fā)展，利用深度神經(jīng)網(wǎng)絡(luò)的優(yōu)勢提取區(qū)分不同輻射源個體的指紋特征，從而最終完成輻射源個體識別任務(wù)[3-4]，相較于人工提取，往往精度更高速度更快。

由于傳統(tǒng)深度學(xué)習(xí)依賴先驗知識，而在戰(zhàn)場實際環(huán)境中針對性采集輻射源信號十分困難，這就造成了帶標(biāo)簽樣本較少和無標(biāo)簽樣本較為充足的現(xiàn)實困難，最終影響深度神經(jīng)網(wǎng)絡(luò)模型的識別精度。半監(jiān)督學(xué)習(xí)作為一種經(jīng)典的機(jī)器學(xué)習(xí)方法，可以有效緩解標(biāo)簽較少造成的識別精度問題。因此，也已被用來解決信號樣本標(biāo)簽較少導(dǎo)致的輻射源個體識別精度下降問題[5-6]，并取得了不錯的效果。但是，在實際場景中，待識別目標(biāo)信號往往因為不同信道的干擾，信號數(shù)據(jù)發(fā)生不同方式和不同程度的畸變，導(dǎo)致與前期采集到的信號樣本數(shù)據(jù)分布發(fā)生不一致。因為傳統(tǒng)的深度學(xué)習(xí)方法要求訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)分布一致，所以信號數(shù)據(jù)畸變的問題將最終導(dǎo)致由前期采集到的信號樣本訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，在待識別目標(biāo)信號上識別精度的大幅下降。域適應(yīng)方法作為遷移學(xué)習(xí)[7]最近幾年的一個重點(diǎn)研究方向，提出了可以在具有分布差異的兩個不同的數(shù)據(jù)“域”之間尋找“域不變”特征的具體方法，以緩解因為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)分布不一致導(dǎo)致的模型精度下降，也就是最終實現(xiàn)數(shù)據(jù)“域”之間知識遷移。對于原采集信號和待識別信號之間數(shù)據(jù)分布不一致的問題，域適應(yīng)方法理論上提供了一個可行的解決方案，并在通信輻射源個體識別任務(wù)上也有了相應(yīng)的應(yīng)用[8-9]。

綜上所述，在實際環(huán)境中，輻射源個體識別精度不高往往是由于標(biāo)簽較少和信道變化這兩個具體原因造成的，因此本文從問題本身出發(fā)，著眼基于一致性正則的半監(jiān)督學(xué)習(xí)和基于對抗的域適應(yīng)學(xué)習(xí)兩個方向展開研究，并設(shè)計一種新的模型，同時解決上述兩個問題，增強(qiáng)輻射源個體識別模型魯棒性，從而最終提升輻射源個體識別精度。

1 相關(guān)工作

1.1 一致性正則半監(jiān)督模型

半監(jiān)督學(xué)習(xí)可以有效避免標(biāo)簽樣本過少導(dǎo)致的模型過擬合的問題，基于一致性正則的半監(jiān)督學(xué)習(xí)模型作為半監(jiān)督學(xué)習(xí)的一個重要研究方向，已經(jīng)出現(xiàn)很多成熟的具體模型。因此，本節(jié)主要介紹一致性正則以及3種基于一致性正則的半監(jiān)督模型。

一致性正則是指模型對擾動的數(shù)據(jù)輸出的分布預(yù)測一致性，也就是最小化訓(xùn)練過程中模型預(yù)測標(biāo)簽和實際標(biāo)簽之間的差異，通過縮小差異的過程讓模型更易學(xué)習(xí)到樣本內(nèi)在的不變性[10]。一致性正則半監(jiān)督模型對無標(biāo)簽樣本進(jìn)行多次預(yù)測，并最小化結(jié)果之間的差值，同時利用有標(biāo)簽樣本有監(jiān)督地訓(xùn)練分類網(wǎng)絡(luò)，實現(xiàn)對于一個固定樣本的輸入，即使受到了噪聲的擾動，模型對其預(yù)測的結(jié)果趨于一致，從而提升預(yù)測準(zhǔn)確率?；谝恢滦哉齽t的半監(jiān)督模型通用結(jié)構(gòu)如圖1所示。

圖1 基于一致性正則的半監(jiān)督模型通用結(jié)構(gòu)

該模型通過均方誤差計算一致性損失Lconsistency，同時利用源域種有標(biāo)簽的樣本監(jiān)督訓(xùn)練標(biāo)簽分類器，得到標(biāo)簽分類損失Llabel。該模型的目標(biāo)是最小化一致性損失Lconsistency和標(biāo)簽分類損失Llabel，模型總體損失函數(shù)為：

Loss=Lconsistency+ωLlabel

(1)

式中,ω是人工設(shè)置權(quán)重系數(shù)，平衡一致性損失和標(biāo)簽分類損失的訓(xùn)練權(quán)重。

本文主要介紹3種比較經(jīng)典的一致性正則半監(jiān)督模型：π模型、時序組合模型、師生模型。

π模型[11]是通過對同一個無標(biāo)簽樣本分別進(jìn)行兩次數(shù)據(jù)增強(qiáng)，在π模型每一輪訓(xùn)練中，同一樣本向前傳播兩次，由于隨機(jī)擾動產(chǎn)生不同預(yù)測，通過最小化同一樣本的兩次預(yù)測差值，達(dá)到一致性正則的目標(biāo)。π模型網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 π模型網(wǎng)絡(luò)結(jié)構(gòu)

時序組合模型[12]在π模型基礎(chǔ)上進(jìn)行了創(chuàng)新，在一個迭代周期中，π模型對同一無標(biāo)簽樣本預(yù)測兩次，而在時序組合模型中，一個迭代周期只需要預(yù)測一次。時序組合模型引入EMA(exponential moving average，指數(shù)移動平均)將當(dāng)前迭代周期之前的所有周期預(yù)測結(jié)果加權(quán)平均，并通過偏差校正提高較近迭代周期預(yù)測值比重，最終得到的預(yù)測結(jié)果與當(dāng)前迭代周期預(yù)測結(jié)果計算一致性損失Lconsistency，有標(biāo)簽樣本同樣被用作產(chǎn)生標(biāo)簽分類損失Llabel。時序組合模型網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 時序組合模型網(wǎng)絡(luò)結(jié)構(gòu)

π模型和時序組合模型使用單一網(wǎng)絡(luò)對無標(biāo)簽樣本產(chǎn)生多個預(yù)測結(jié)果，與它們不同的是，師生模型[13]則是通過構(gòu)建一個擁有兩個深度網(wǎng)絡(luò)的“教師-學(xué)生”模型，實現(xiàn)對無標(biāo)簽樣本產(chǎn)生不同的預(yù)測結(jié)果，再結(jié)合一致性正則化，達(dá)到半監(jiān)督訓(xùn)練的目標(biāo)，師生模型網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 師生模型網(wǎng)絡(luò)結(jié)構(gòu)

師生模型的核心思想是學(xué)生網(wǎng)絡(luò)利用教師網(wǎng)絡(luò)產(chǎn)生的不同預(yù)測進(jìn)行學(xué)習(xí)進(jìn)而提高識別準(zhǔn)確度，教師網(wǎng)絡(luò)不通過反向傳播進(jìn)行參數(shù)更新，而是通過學(xué)生網(wǎng)絡(luò)之前迭代周期中的參數(shù)加權(quán)平均進(jìn)行參數(shù)更新，整個模型形成一個師生知識傳遞和反饋的循環(huán)，最終提升分類準(zhǔn)確率。

1.2 基于對抗的域適應(yīng)方法

近些年來，GAN[14](generative adversarial network，生成對抗網(wǎng)絡(luò))受到國內(nèi)外研究人員廣泛關(guān)注并取得了很多有意義的成果。GAN由生成模型G和判別模型D構(gòu)成，生成模型G提取數(shù)據(jù)特征并生成數(shù)據(jù)，判別模型D通過預(yù)測二分類標(biāo)簽來區(qū)分樣本來自于生成模型G還是訓(xùn)練數(shù)據(jù)集。GAN通過最小化生成模型G的對比損失，同時最大化判別模型D的判別損失來優(yōu)化整個網(wǎng)絡(luò)，這種對抗思想在信號處理領(lǐng)域已有廣泛應(yīng)用，比如孿生網(wǎng)絡(luò)[15]。

域適應(yīng)方法是遷移學(xué)習(xí)的一個熱門方向，它的關(guān)鍵是從不同分布的源域和目標(biāo)域數(shù)據(jù)樣本中學(xué)習(xí)到“域不變”也就是和“域”本身無關(guān)的特征表示，通過這些特征表示，最小化域間差異帶來的影響，使得即使是在源域數(shù)據(jù)樣本上訓(xùn)練的分類器依然可以在不同分布的目標(biāo)域數(shù)據(jù)樣本上使用。受到GAN中對抗思想的啟發(fā)，域適應(yīng)方法結(jié)合GAN中域?qū)沟乃枷耄ㄟ^最大化混淆域鑒別器的方式提取特征表示，目的是通過深度網(wǎng)絡(luò)提取的特征表示，無法根據(jù)其分清樣本來自于源域還是目標(biāo)域，此時的特征表示與“域”本身的差異無關(guān)，也就是“域不變”特征，從而實現(xiàn)域適應(yīng)。該類域適應(yīng)方法結(jié)合GAN中對抗的思想，因此稱為基于對抗的域適應(yīng)方法。

Ganin 等人[16]證明了在域適應(yīng)過程中，若無法分辨由神經(jīng)網(wǎng)絡(luò)提取的特征是源域樣本還是目標(biāo)域樣本，那么該特征更能體現(xiàn)類別特征而不是域特征，即“域不變”特征的假設(shè)；其次提出了DANN(domain adversarial neural networks，基于對抗的深度遷移網(wǎng)絡(luò))模型。該模型通過利用特征提取器對源域和目標(biāo)域樣本進(jìn)行特征提取，之后域鑒別器判斷經(jīng)過特征提取的源域和目標(biāo)域樣本特征到底是來自源域還是目標(biāo)域，同時利用源域樣本有監(jiān)督地訓(xùn)練標(biāo)簽分類器，模型結(jié)構(gòu)如圖5所示。

圖5 基于對抗的深度遷移網(wǎng)絡(luò)

該模型通過域鑒別器計算域鑒別損失Ldomain，引入梯度反轉(zhuǎn)使得Ldomain向相反方向傳播，達(dá)到混淆域鑒別器的目的，同時通過標(biāo)簽分類器對源域進(jìn)行有監(jiān)督的訓(xùn)練，得到分類損失Llabel。該模型的訓(xùn)練目標(biāo)就是最大化域鑒別損失Ldomain和最小化標(biāo)簽分類損失Llabel。模型總體損失函數(shù)為：

Loss=Llabel-λLdomain

(2)

(3)

式(3)中，參數(shù)γ為可人為調(diào)整，以控制訓(xùn)練的傾向性，參數(shù)ρ為當(dāng)前訓(xùn)練輪數(shù)與訓(xùn)練總輪數(shù)的比值。參數(shù)λ的目的是讓 DANN 在訓(xùn)練初期將更多的注意力放到學(xué)習(xí)源域特征上，使模型更好地收斂。

DANN首次將域適應(yīng)方法與GAN中對抗的思想相結(jié)合，作為基于對抗的域適應(yīng)方法的開端，后續(xù)研究都是建立在該思想之上進(jìn)行改進(jìn)。Wang 等人[17]系統(tǒng)歸納了基于對抗的域適應(yīng)方法，并根據(jù)是否使用生成器將基于對抗的域適應(yīng)方法分為兩類：有生成模型、無生成模型，根據(jù)本文著眼解決的問題，主要關(guān)注的是無生成模型與一致性正則半監(jiān)督模型的結(jié)合。

2 模型設(shè)計

2.1 模型改進(jìn)

通過分析一致性正則半監(jiān)督模型和基于對抗的域適應(yīng)方法的原理，提出在一致性正則半監(jiān)督模型的基礎(chǔ)上加入基于對抗的域適應(yīng)方法的改進(jìn)思想，并設(shè)計出適合本文場景下輻射源個體識別任務(wù)的基于對抗的一致性正則半監(jiān)督模型。

(4)

(5)

f(x)和f′(x)是樣本x模型通過不同方式對樣本x的兩個預(yù)測值。

(6)

結(jié)合上述3個部分損失，定義模型總體損失函數(shù)：

Loss=Llabel+ωLconsistency-λLdomain

(7)

參數(shù)ω是人工設(shè)置權(quán)重系數(shù)，平衡一致性損失和標(biāo)簽分類損失的訓(xùn)練權(quán)重。參數(shù)λ的目的是讓模型在訓(xùn)練初期將更多的注意力放到學(xué)習(xí)源域特征上，使模型對目標(biāo)域也有一定的的識別精度，從而使模型更好地收斂，與式(3)定義相同。

2.2 模型結(jié)構(gòu)

根據(jù)3.1節(jié)對一致性半監(jiān)督模型的改進(jìn)，設(shè)計適合本文場景下輻射源個體識別任務(wù)的基于對抗的一致性正則半監(jiān)督模型網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 基于對抗的一致性正則半監(jiān)督模型

基于對抗的一致性正則半監(jiān)督模型的訓(xùn)練過程具體如下：

1)將源域中少量帶標(biāo)簽信號樣本輸入到模型，得到預(yù)測標(biāo)簽，利用交叉熵計算得到預(yù)測標(biāo)簽和真實標(biāo)簽的分類損失Llabel。

2)將源域中不帶標(biāo)簽的信號樣本輸入到模型，通過經(jīng)典的一致性正則半監(jiān)督模型得到兩個預(yù)測標(biāo)簽，利用均方誤差計算一致性損失Lconsistency。

3)將目標(biāo)域中的信號樣本輸入到模型，經(jīng)過特征提取器提取出目標(biāo)域特征分布，結(jié)合(1)中對源域帶標(biāo)簽信號樣本提取的源域特征分布，利用域鑒別器對兩部分特征分布進(jìn)行域鑒別，通過交叉熵得到域?qū)箵p失Ldomain。

4)將三部分損失通過系數(shù)加權(quán)求和，得到模型總體損失，梯度反向傳播更新網(wǎng)絡(luò)參數(shù)(若是改進(jìn)的師生模型，則教師網(wǎng)絡(luò)不通過反向傳播進(jìn)行參數(shù)更新，而是通過學(xué)生模型之前迭代周期中參數(shù)加權(quán)的平均進(jìn)行參數(shù)更新)。

5)重復(fù)步驟1)～4)，直至網(wǎng)絡(luò)訓(xùn)練結(jié)束。

3 實驗與分析

本章主要介紹實驗條件，包括數(shù)據(jù)集準(zhǔn)備和深度模型訓(xùn)練過程中參數(shù)的設(shè)置，通過實驗比較不同源域和目標(biāo)域訓(xùn)練集設(shè)置條件下的不同模型的性能，并分析實驗結(jié)果。本文實驗硬件配置CPU為Intel(R) Xeon(R) Silver 4210 CPU @2.20 GHz，GPU為Nvidia Geforce RTX 2080 Ti，內(nèi)存為DDR48G×2，使用PyTorch(1.7.1)平臺和PyCharm開發(fā)軟件。

3.1 數(shù)據(jù)集準(zhǔn)備和參數(shù)設(shè)置

ORACLE射頻指紋數(shù)據(jù)集[18]被廣泛地作為輻射源識別研究的實驗數(shù)據(jù)[19-20]，該數(shù)據(jù)集對16臺USRP X310無線電發(fā)射器的原始IQ樣本進(jìn)行無線采集。16臺USRP X310無線電發(fā)射器發(fā)射的是MATLAB WLAN系統(tǒng)工具箱生成的符合IEEE 802.11a標(biāo)準(zhǔn)的幀。生成的數(shù)據(jù)幀包含隨機(jī)有效載荷但具有相同的地址字段，然后流向選定的SDR(Software Defined Radio，軟件定義無線電)進(jìn)行無線傳輸。接收器SDR以5 MS/s的采樣速率對輸入信號進(jìn)行采樣，Wi-Fi信號的中心頻率為2.45 GHz。

本文在ORACLE射頻指紋數(shù)據(jù)集中隨機(jī)選取10臺USRP X310無線電發(fā)射器產(chǎn)生的IQ數(shù)據(jù)進(jìn)行處理，根據(jù)輻射源的個數(shù)對信號數(shù)據(jù)進(jìn)行類別標(biāo)號，設(shè)置10類標(biāo)簽值。將信號數(shù)據(jù)按照一定比例分為源域和目標(biāo)域，以及按照一定比例將源域分為有標(biāo)簽樣本集及無標(biāo)簽樣本集，并對目標(biāo)域內(nèi)信號數(shù)據(jù)添加高斯噪聲用于模擬信道環(huán)境，測試集與目標(biāo)域數(shù)據(jù)同分布。

每個樣本由200個IQ兩路載波信號數(shù)據(jù)點(diǎn)構(gòu)成，圖7所繪制的是一臺輻射源設(shè)備產(chǎn)生的一個樣本的數(shù)據(jù)波形圖，橫坐標(biāo)為接收機(jī)采樣次數(shù)。

圖7 一臺輻射源設(shè)備產(chǎn)生的一個樣本的數(shù)據(jù)波形圖

源域中無標(biāo)簽樣本在輸入模型前通過隨機(jī)的數(shù)值遮擋進(jìn)行數(shù)據(jù)增強(qiáng)，圖8所繪制的是上文同一樣本經(jīng)過數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)波形圖。

圖8 同一樣本數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)波形圖

最終根據(jù)實驗需要按照不同比例劃分，完成樣本數(shù)據(jù)集的建立。

本文所有實驗在深度網(wǎng)絡(luò)訓(xùn)練過程中，統(tǒng)一設(shè)置迭代次數(shù)為1 000次、batch_size為1 000、Adam優(yōu)化器學(xué)習(xí)率為0.000 1。

3.2 不同模型性能對比

很多研究已經(jīng)證明了師生模型在輻射源個體識別任務(wù)上的有效性[5]，但其場景與本文場景有所不同，為了驗證改進(jìn)后的師生模型在本文場景下更具有優(yōu)勢，為后續(xù)實驗奠定基礎(chǔ)，本節(jié)將改進(jìn)后的3種一致性正則半監(jiān)督模型與全監(jiān)督方法、改進(jìn)前的一致性正則半監(jiān)督模型進(jìn)行對比。3種一致性正則半監(jiān)督模型包括：π模型、時序組合模型、師生模型。

因為有標(biāo)簽樣本和無標(biāo)簽樣本的比例很大程度影響一致性正則半監(jiān)督模型的性能，所以設(shè)置實驗環(huán)境為源域有標(biāo)簽樣本和無標(biāo)簽樣本3種不同比例條件下，源域包含10 000個帶標(biāo)簽樣本以及若干無標(biāo)簽樣本，目標(biāo)域包含10 000個無標(biāo)簽樣本，目標(biāo)域信噪比為6 dB，測試集為與目標(biāo)域同分布的2 000個樣本，實驗結(jié)果如圖9所示，其中帶*的為改進(jìn)后的一致性正則半監(jiān)督模型。

圖9 不同模型改進(jìn)前后性能對比

圖10 全監(jiān)督、師生模型以及本文模型輸出的混淆矩陣

從圖9可以看出，在3種源域有標(biāo)簽樣本和無標(biāo)簽樣本比例下，師生模型相較于其它兩種模型在輻射源個體識別任務(wù)上呈現(xiàn)更好的性能。經(jīng)過改進(jìn)后的π模型、時序組合模型、師生模型相較于改進(jìn)之前的模型識別性能均得到了提升，且經(jīng)過改進(jìn)后師生模型性能最好。

圖10則給出了在源域有標(biāo)簽樣本和無標(biāo)簽樣本比例為1:1、目標(biāo)域信噪比為6 dB的條件下，全監(jiān)督模型、師生模型以及改進(jìn)后的師生模型輸出的混淆矩陣。全監(jiān)督模型以及師生模型的混淆矩陣存在比較明顯的錯誤，改進(jìn)后的師生模型輸出的混淆矩陣明顯更加接近于單位矩陣，進(jìn)一步直觀體現(xiàn)了本文提出的改進(jìn)對分類結(jié)果帶來的明顯改善。

總結(jié)得到，師生模型在改進(jìn)前后均實現(xiàn)了較好的性能。因此在后續(xù)實驗中，將改進(jìn)后的師生模型作為本文提出的改進(jìn)模型，簡稱本文模型，與全監(jiān)督模型和改進(jìn)前的師生模型，進(jìn)行在目標(biāo)域不同信噪比條件下的性能對比實驗。

3.3 不同信噪比條件下模型性能

為了觀察在目標(biāo)域不同信噪比條件下全監(jiān)督模型、師生模型和本文模型的模型性能，以及不同信噪比環(huán)境對模型性能的影響，設(shè)置實驗環(huán)境為源域包含10 000個帶標(biāo)簽樣本和10 000個無標(biāo)簽樣本，目標(biāo)域包含10 000個無標(biāo)簽樣本，依次給目標(biāo)域樣本添加7種不同信噪比的高斯噪聲，測試集為與目標(biāo)域同分布的2 000個樣本，做7組對比實驗，實驗結(jié)果如圖11所示。

圖11 目標(biāo)域不同信噪比條件下模型性能

從圖11可以看出在不同信噪比條件下，本文模型相較于師生模型，識別性能均得到了提升。實驗得出，在目標(biāo)域信噪比12 dB時，本文模型相較師生模型提升性能0.41%，隨著目標(biāo)域信噪比的降低，模型性能逐漸提升，在信噪比0 dB條件下，本文模型性能相較于師生模型最高提升1.84%。因此，可以得出在目標(biāo)域信噪比較低的環(huán)境下，本文模型相較于師生模型能夠取得更好的性能提升的結(jié)論。

4 結(jié)束語

本文主要從輻射源個體識別任務(wù)在實際場景中前期采集信號樣本標(biāo)簽數(shù)量少以及待識別信號與前期采集信號信道不一致的兩個具體問題出發(fā)，分析了問題的根本原因，對相關(guān)領(lǐng)域展開研究，最終針對性的提出了解決方案。本文首先介紹了一致性正則的基本原理以及3種經(jīng)典的一致性正則半監(jiān)督模型，接著介紹了基于對抗的域適應(yīng)方法的由來以及發(fā)展現(xiàn)狀，并創(chuàng)新性地在一致性正則半監(jiān)督方法中引入了基于對抗的域適應(yīng)方法的思想，提出了基于對抗的一致性正則半監(jiān)督方法的構(gòu)想，并最終設(shè)計出一種基于對抗的一致性正則半監(jiān)督輻射源個體識別模型。

本文在ORACLE射頻指紋開源數(shù)據(jù)集上對模型的思想進(jìn)行了充分的驗證，并展開了模型性能的實驗。通過在10臺USRP X310無線電發(fā)射器數(shù)據(jù)上的分類性能的對比分析，可以看出經(jīng)過基于對抗的域適應(yīng)思想改進(jìn)后的一致性正則半監(jiān)督模型分類性能相較于傳統(tǒng)方法有了明顯的提升，驗證了本文方法的有效性。接著，比較了在源域有標(biāo)簽和無標(biāo)簽樣本3種不同比例下模型識別精度的實驗結(jié)果，發(fā)現(xiàn)改進(jìn)后的師生模型性能相較于該進(jìn)前的傳統(tǒng)師生模型有顯著提升，證明了基于對抗的域適應(yīng)思想對提升師生模型在輻射源個體識別性能的可行性。最后，分別在目標(biāo)域不同信噪比條件下，模型分類性能的對比實驗。實驗結(jié)果表明，在目標(biāo)域較低信噪比的環(huán)境下，本文模型可以獲得更好的性能提升。