基于多锚点和变分自编码器的开集辐射源识别OA
辐射源个体识别(Specific Emitter Identification,SEI)作为一种基于物理层的安全手段,能够利用射频信号中固有的硬件差异实现设备身份认证。然而,传统方法大多假设闭集场景,难以应对开放电磁环境下未知辐射源识别问题。为此,文章提出了一种基于变分自编码器(Variational Auto Encoder,VAE)的多锚点和变分自编码器(Multi-Anchor Variational Auto Encoder,MAVAE),用于开集辐射源识别。该方法利用基于复值神经网络的变分自编码器有效提取I/Q信号的幅相特征,并通过多锚点机制实现类内分布的精细表征,从而在特征空间中构建类内紧致、类间分离的特征分布,最后结合条件概率建模与阈值拒绝策略实现开集辐射源识别。实验结果表明,MAVAE方法能够在ADS-B、Wi-Fi和蓝牙这3个真实开源数据集上有效识别未知辐射源,准确率分别达到95.20%、96.70%和97.50%,显著优于SoftMax-T、OpenMax、DMAE和HyperRSI等对比方法。研究结果表明,MAVAE方法能够有效提升复杂非协作环境下开集辐射源识别的鲁棒性与泛化能力,为未来物联网及通信环境中的设备认证提供了一种高效可行的解决方案。
黄梁;王方刚;王敬一
北京交通大学电子信息工程学院,北京100044北京交通大学电子信息工程学院,北京100044北京交通大学电子信息工程学院,北京100044
信息技术与安全科学
辐射源识别开集识别变分自编码器复值神经网络
《海军航空大学学报》 2026 (5)
P.836-846,11
国家自然科学基金(62471026、62221001)中央高校基本科研业务费(2022JBQY004)中关村新曦颠覆性技术创新基金(ZZ-2024-001)。
评论