本发明涉及射频指纹识别，尤其涉及一种基于元学习的小样本开集增量学习的射频指纹识别方法和装置。
背景技术：
1、近年来，深度学习(dl)技术已被广泛应用于射频指纹识别，并产生了大量的公共无线安全应用，如调制识别、物联网设备认证、频谱监控和航空管理等利用dl模型强大的特征提取能力实现智能通信设备管理具有重要的应用前景。以往的研究已经探索了多种基于dl的射频指纹技术，以提高无线设备的识别效率。然而，现有的dl技术基类分类器有以下问题：可以准确地对旧类进行分类，但不能对新类进行分类；通过直接训练分类器，模型偏向于拟合新类，忘记了旧类的知识；由于小样本限制，难以确定新类的开集识别阈值。
2、建立一个结合了小样本学习(fsl)、开集识别(osr)和多阶段连续增量的广义进化模型需要克服以下挑战：灾难性的遗忘和过度适应、未知的类分布转移和未知的开集阈值。现有的少镜头类增量(fscil)算法似乎解决了上述挑战，但仍然难以确定小样本样本的开集边界。样本的缺乏使我们无法看到真实的类分布，也不知道样本在真实分布中的位置，这阻碍了对开集边界的准确估计。此外，多阶段连续增量过程加重了上述挑战，导致现有增量算法icarl、osr算法和fscil算法的效率大幅下降。
3、因此现有的技术在小样本开集增量学习的射频指纹识别方面没有取得精准预测的效果，为了解决这些问题，在当前复杂的信号环境下，迫切需要提供一种有效的射频指纹识别方法。
技术实现思路
1、为了克服现有检测方法的不足，本发明提出一种基于元学习的小样本开集增量学习的射频指纹识别方法和装置。
2、本发明解决其技术问题所采用的技术方案是：
3、本发明的第一个发明涉及一种基于元学习的小样本开集增量学习的射频指纹识别方法，所述方法包括以下步骤：
4、1)特征预训练：提取更多的信号模态信息，利用基本会话数据获得特征并嵌入网络和分类器权值；
5、2)元任务采样：将基类数据集分为支持集、多样本查询集、开集，从基础会话数据中抽取大量的模拟小样本开集增量识别任务，以模拟真实的小样本开集增量识别任务的过程；
6、3)元增量训练：将网络在新类样本和旧类样本之间进行泛化，通过基于相似性的交叉熵损失函数对增量学习进行优化，基于元学习的思想，对大量的模拟样本增量学习任务进行优化；
7、4)小样本开集识别的优化：在元任务中模拟开集场景，以优化开集识别能力，并使用聚类样本的方法来逐步减少类内差距；
8、5)自适应射频指纹开集识别机制：采用多头自注意机制，挖掘原型点之间的关系，使用注意块生成倒点，之后使用优化函数对元学习任务进行优化。
9、进一步，所述步骤1)中，特征预训练具体包括以下过程：
10、步骤101，特征提取，提取更多的信号模态信息，主要提取信号的瞬时振幅、瞬时相位、瞬时频率和中心瞬时频率信息，每个特征信息的计算公式依次如下:
11、
12、
13、
14、
15、此外，将符号x(n)定义为：
16、步骤102，模型预训练，在基类训练中训练特征嵌入网络和分类器。分类器的权值由类原型或类中最具代表性的特征的平均嵌入来表示。
17、的类原型wj可用以下公式计算得出：
18、
19、其中i(·)表示指标函数。
20、每一次基类训练对话的可能性pj计算公式如下：
21、
22、其中，sim()表示余弦相似度函数。
23、最后使用交叉损失函数作为每节基类训练对话的损失函数。
24、再进一步，步所述骤2)中，元任务采样包括以下过程；
25、步骤201，将基类数据集分为三个不重叠的数据集，
26、t＝{s,q*,qo|cs,c*,co}
27、其中为支持集，每次随机采样n个类，每个类k个样本。
28、其中为多样本查询集，每次随机采样|y0|个类，每个类k个样本其中y0是支持集s的标签空间。
29、qo为开集，每次随机采样n个类，每个类k个样本。
30、步骤202，从基础会话数据中抽取大量的模拟fsosil任务，以模拟真实的fsosil任务的过程。采样的模拟fsosil任务旨在为神经网络提供一种学习可一般化嵌入的方法。
31、所述步骤3)中，元增量训练包括以下过程：
32、步骤301，在增量会话期间，分类模型将不断接收新的会话任务，这需要网络在新类样本和旧类样本之间进行泛化。为了模拟增量会话，利用支持集和基会话中的所有类查询集，分别来表示新的类增量样本和所有类样本。在此过程中，网络首先使用等式为传入任务中的少量支持集生成新的原型，然后直接使用预先训练好的旧类权重来识别旧类。因此，任务的分类器权重将通过以下方式进行更新：
33、
34、步骤302，增量学习通过基于相似性的交叉熵损失函数进行优化，损失函数如下：
35、
36、步骤303，最后，基于元学习的思想，需要同时对大量的模拟样本增量学习任务进行优化，这样神经网络就可以学习如何适应这种环境，这种元学习优化损失如下所示：
37、
38、所述步骤4)中，小样本开集识别的优化包括以下过程：
39、步骤401，在元任务中模拟开集场景，以优化开集识别能力。为了公平地控制类原型之间的距离，在内积空间中引入了一个正交化损失。在正交空间中，所有的原型都是正交化的向量，余弦相似度为0。为了使新类的原型点与旧类正交，在元任务中施加正交损失lor，即
40、
41、
42、其中m为掩模矩阵，在每个元任务中，更新后的原型点将由元校准器t正交化，这保证了不同类的原型点之间的相似度为0。
43、步骤402，在控制了类间距离之后，需要进一步控制类内距离。使用聚类样本来逐步减少差异。这个过程可以通过下面的公式来实现
44、
45、
46、
47、le表示欧几里得距离，lc表示余弦相似性。
48、步骤403，由以下公式求得元损失，
49、
50、其中α和β代表超参数。
51、所述步骤5)中，自适应rff开集识别包括以下过程：
52、步骤501，为了适应连续增量小样本学习任务，我们添加了一个生成网络gθ，并使用大量的元任务对其进行训练，以学习如何合成倒点r。对于多样本查询集，我们提取其对应的第i类的原型点pi，并使用生成网络gθ生成倒点ri。生成器网络结构主要采用标准的多头自注意(mhsa)机制，可以有效地挖掘原型点之间的关系。我们应用pi和w之间的注意块来生成倒点r，方法如下：
53、
54、
55、
56、其中gq,gk,gv表示mhsa的参数，ri表示第i类的倒点。
57、步骤502，对于多样本查询集，得到了目标类的倒点之后，我们就可以使用二进制交叉熵函数来优化它：
58、
59、对于构造的开集样本，我们期望与非目标类原型点pi的相似性更小，而与倒点ri的相似性更高，这可以表示为：
60、
61、从而，对于一般任务，损失函数定义为：
62、
63、步骤503，最后的fsocil元学习任务损失可用以下公式计算得出：
64、
65、从而对fsocil元学习任务进行优化。
66、本发明的第二方面涉及一种射频指纹识别装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的一种基于元学习的小样本开集增量学习的射频指纹识别方法。
67、本发明的第三方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的一种基于元学习的小样本开集增量学习的射频指纹识别方法。
68、本发明提出了一种针对小样本的射频指纹识别方案，从训练集中抽取伪任务来实现环境仿真，适用于连续的增量过程，相较于传统的增量学习方法，取得了更优的识别效果。
69、本发明的技术构思是，提出了一种针对小样本的信号增强方案，基于元学习的思想，定义了fsosil元任务，并从训练集中抽取大量的伪任务来实现环境仿真。此外，利用元学习技术进行多任务训练，使神经网络在这样的环境中自适应。最后，为了解决fsosr问题，在元任务中加入了开放损失，并提出了一个开集的无阈值机制，该机制适用于连续的增量过程，并自动为小样本类生成开集阈值。
70、本发明的有益效果主要表现在：为rff识别制定了一个fsosil框架，并实现了一个广义的rff连续增量学习系统，定义了fsosil元任务，并设计了一种基于原型网络的多任务训练机制。提出了一种软正交化损耗和开放损耗来实现原型点和osr的自动校准，相较于传统的增量学习方法，取得了更优的识别效果。
1.一种基于元学习的小样本开集增量学习的射频指纹识别方法，其特征在于：具体步骤如下：
2.如权利要求1所述的一种基于元学习的小样本开集增量学习的射频指纹识别方法，其特征在于：
3.如权利要求1所述的一种基于元学习的小样本开集增量学习的射频指纹识别方法，其特征在于：
4.如权利要求1所述的一种基于元学习的小样本开集增量学习的射频指纹识别方法，其特征在于：
5.如权利要求1所述的一种基于元学习的小样本开集增量学习的射频指纹识别方法，其特征在于：
6.如权利要求1所述的一种基于元学习的小样本开集增量学习的射频指纹识别方法，其特征在于：
7.一种射频指纹识别装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-5中任一项所述的一种基于元学习的小样本开集增量学习的射频指纹识别方法。
8.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-5中任一项所述的一种基于元学习的小样本开集增量学习的射频指纹识别方法。
