开集场景下基于多重高斯残差原型网络的辐射源个体识别OA

为解决开集场景下未知辐射源的个体识别算法鲁棒性较低、识别性能不高的问题,结合残差网络和多重高斯原型学习基本思想,提出多重高斯残差原型网络,对信号的灰度矢量图进行识别。通过生成约束,同一类别的潜在特征会紧密聚集在与之对应的高斯原型周围,增加未知类样本的存储空间;判别约束则是将不同类别的高斯原型分离开来,增加不同类别高斯原型之间的距离,提高对已知类别的分类判别能力。实验结果表明,所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能,尤其是在开集场景下,其AUC值较对比算法分别提升0.207和0.221,进一步表明所提网络模型具有较好的识别分类能力。