通过边缘模式检测和增量开放世界的学习来识别特定的发射器
IEEE transactions on pattern analysis and machine intelligence
|September 29, 2025
概括
本研究引入了一个增量开放世界学习 (IOWL) 框架,用于特定排放者识别 (SEI). 该方法不断识别新的无线设备信号,在现实世界中表现优于现有算法.
科学领域:
- 计算机科学 计算机科学
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 特定发射者识别 (SEI) 使用无线设备信号来识别个人.
- 深度学习 (DL) 模型自动学习SEI的时间域信号的特征.
- 现有的模型在与开放世界的场景作斗争,随着时间的推移,新的设备类别会出现.
研究的目的:
- 提出一个增量开放世界学习 (IOWL) 框架,用于在SEI中不断识别和学习新类.
- 增强开放集识别 (OSR) 并保持在不断变化的环境中识别能力.
主要方法:
- 为IOWL开发了一种新的样本选择和概括机制.
- 使用边缘模式检测 (EPD) 和对抗性转移生成了一个伪未知数据集,以改进OSR.
- 实施了混合类增量学习方法,与边界示例生成保持先前知识.
主要成果:
- 拟议的IOWL框架有效地识别和逐步学习新类.
- 理论分析证实了这种方法的概括误差极限和好处.
- 在真实数据上的数值结果显示,与基线算法相比,性能优越.
结论:
- IOWL框架为SEI在动态,开放世界的环境中提供了一个强大的解决方案.
- 新的样本选择和概括机制显著提高了性能.
- 这种方法可以在SEI系统中不断适应和学习新的设备类.
