CVNN-TMN：基于Mixup增强的少样本特定辐射源识别方法

摘要

特定辐射源识别（Specific emitter identification,SEI）通过分析设备信号硬件特征保障物联网数据安全。现有的深度学习方法在进行特定辐射源识别时，样本数量受限，过于依赖大量已标记样本，无法做到高区分度表征，存在识别性能差的问题。针对这些问题，提出了基于样本插值（Mixup）增强的少样本SEI方法。首先采用Mixup的增强方式来扩展无线电信号样本的数量解决标注样本不足的问题；其次，基于孪生神经网络与复数神经网络（Complex-valued neural networks,CVNN）构建变体三元组网络（Triplet margin network based on CVNN,CVNN-TMN）提高模型的泛化能力和区分度，实现了少样本场景下特定辐射源的精准识别。实验结果表明，与现有多种先进SEI方法对比，在训练集和测试集样本划分比例不同情况下，提出的CVNN-TMN识别精度整体有5%～30%的提升，表明所构建的CVNN-TMN模型在区分度上的优异表现。

关键词

特定辐射源识别 / 少样本学习 / Mixup / 复数神经网络 / 三元组损失

基金资助

国家自然科学基金项目（62361010,62462012）; 贵州省科技重大专项项目（黔科合重大专项字[2024]014）; 贵州省科技计划项目（黔科合支撑[2023]一般371）; 贵大人基合字（2022）21; 2024年先进密码技术与系统安全四川省重点实验室开放课题（SKLACSS-202414）; 密码应用技术创新与测试验证工业和信息化部重点实验室2024年创新基金（MMCXKT-2024-08）; 贵州省算力网络安全防护科技创新人才团队（黔科合人才CXTD[2025]029）