基于超球面三元組編碼的干擾模式開集識別

高玉龍 王國強 王 鋼

(哈爾濱工業大學電子與信息工程學院 哈爾濱 150001)

1 引言

電子信息戰中敵我雙方間干擾和抗干擾的博弈過程無處不在，并且各種新型的惡意干擾樣式層出不窮。對于敵方干擾樣式的識別作為抗干擾過程當中不可或缺的一環，其重要性毋庸置疑。尤其在如今復雜的電磁頻譜環境下，不僅希望干擾識別方法能夠對于已知型干擾精確識別，同時能夠對于未知型干擾進行判決來提高通信系統的安全性。

目前干擾模式識別方法根據特征參數提取方式的不同，整體上可以分為基于專家知識和基于神經網絡的特征提取兩大類。其中基于專家知識手動特征提取的干擾模式識別方法，對于任意干擾識別任務都需要進行特定的多維度特征參數和分類器的設計。要求所設計的特征參數具有盡量小的計算復雜度，其中常用于干擾識別任務的特征參數有單頻能量聚集度、平均頻譜平坦系數、分數階傅里葉域能量聚集度、信息熵[1]和高階累積量等。對于多分類器的優化也極其重要，文獻[2]采用改進的遺傳算法優化支持向量機( Support Vector Machines, SVM)分類器存在的過早收斂和種群多樣性不足的問題。

其中基于神經網絡自動提取特征的干擾模式識別方法，為提高其神經網絡對于干擾信號的識別能力，主要改進方向在于干擾信號預處理方式、神經網絡結構以及網絡損失函數3個方面。文獻[3]首次將圖形深度學習與無線電信號識別技術相結合，將信號類型識別問題轉換為神經網絡對于信號瀑布圖的識別問題。文獻[4]在獲取到干擾信號的時頻圖像后，使用特定的圖像處理方法來對時頻圖像進行處理，使得其中的信號分量得以增強，噪點信號得以抑制。文獻[5]將注意力機制引入到卷積神經網絡(Convolutional Neural Networks, CNN)中，提高了CNN網絡識別已知型干擾時對于信號全局性特征的關注程度，并由此進一步提高了網絡的識別能力。

然而目前大多數的干擾模式識別方法雖然在已知型干擾識別任務上大都取得了不錯的分類識別效果，但是并沒有考慮未知型干擾的存在，僅有少數研究員針對這一更貼近于真實的場景展開研究并將其轉換為干擾模式開集識別問題。文獻[6]將零樣本學習作為解決未知型干擾存在性判決的思路提出了信號識別與重構卷積神經網絡 (Signal Recognition and Reconstruction Convolutional Neural Networks , SR2CNN)，可以在沒有相應訓練樣本的情況下完成對于未知型干擾的判決。文獻[7]提出了基于孿生神經網絡的開放世界識別方法，通過迫使已知型干擾的潛在分布趨近于自身特有的高斯分布，為后續的未知型干擾的判決提供條件。文獻[8]提出了一種新型的空洞卷積原型學習方法，利用基于內點的交叉熵損失和中心損失將原型更新到編碼空間的外圍，為未知型干擾樣本保留了內部空間以進行判決。

本文在總結上述干擾模式識別方法的基礎之上，同樣將未知型干擾存在時的干擾模式識別問題轉換為開集識別問題，并且從現行主流開集識別算法中尋求解決該問題的可行性。近年來開集識別問題由于其相較于傳統的閉集識別問題更為貼近現實，作為一種全新的挑戰開始受到廣泛的關注與研究。文獻[9]當中將現行主流的開集識別方法分為判別式開集識別方法和生成式開集識別方法，其中判別式開集識別方法又可分為基于傳統機器學習的開集識別方法和基于深度學習的開集識別方法。在基于機器學習的開集識別方法當中主要以文獻[10,11]提出的單類支持向量機(One-Class SVM, OCSVM)、支持向量數據描述 (Support Vector Data Description,SVDD)以及 Weibull-校正支持向量機(Weibull-calibrated SVM, W-SVM)等各種基于SVM的單分類器開集識別方法為代表。而基于深度學習的開集識別方法更是多種多樣，文獻[12]提出了一種全新的基于極值理論的openmax開集識別方法，通過openmax輸出層取代原有的softmax層，使神經網絡獲得估計輸入為未知類概率的能力。文獻[13]將開集識別問題的關鍵挑戰視為如何同時降低已知型數據上的經驗分類風險和潛在未知型數據上的開放空間風險，提出了一種名為對抗互反點學習的新學習框架，來最小化已知型數據分布和未知型數據分布的重疊，同時不損失已知型樣本數據的分類精度。在生成式開集識別方法中，其基本思想是通過變分自編碼器(Variational Auto-Encoder, VAE)或者生成對抗網絡(Generative Adversarial Network, GAN)等生成方法直接產生未知型樣本，從而將未知型干擾的判決問題轉換為一個二分類問題。依據這種思路，文獻[14]為改進傳統GAN訓練不穩定的問題提出OpenGAN方法，利用生成器生成的“假”數據來擴充訓練樣本集，以訓練OpenGAN判別器具有判決未知型樣本數據的能力。

考慮到現行開集識別方法以及干擾信號識別問題的特殊性，本文在前人研究的基礎上提出了一種基于超球面3元組編碼的干擾模式開集識別方法，本方法包含基于3元組損失的干擾信號時頻圖像超球面編碼和基于編碼結果的分類器設計兩個部分，其中超球面編碼是指基于3元組損失有監督訓練所得編碼器的編碼空間是滿足特定約束條件的超球面，這有利于提高后續的干擾模式識別任務的分類精度。而后續的分類器是基于元識別思想所設計，利用訓練集中各已知型干擾樣本擬合所得的Weibull模型，來估計輸入干擾屬于各已知型干擾類別的概率值，從而完成對于干擾模式開集識別結果的判斷。

本文分為以下4個部分，第1部分為未知型干擾存在時干擾模式識別問題的建模；第2部分對本文提出的基于超球面3元組編碼的干擾模式開集識別方法進行介紹；第3部分為仿真試驗，通過對比不同方法對于測試集干擾信號識別效果來證明算法的有效性以及其中分類器設計方法的合理性；最后一部分為結論。

2 未知型干擾存在的干擾模式開集識別模型

干擾模式識別問題是指在戰場復雜的電磁環境下，完成對于敵方的干擾樣式的識別。在這種真實開放空間當中既存在典型的干擾類型，也存在著從未見識過的新型惡意干擾類型。這些新型干擾樣式也就是所謂的未知型干擾，在進行干擾模式識別時難以甚至不可能獲得其先驗信息。在開放空間當中已知型干擾種類數K是確定的，由此可得已知型干擾類型集合Xknown={J1,J2,...,JK} ，其中J表示干擾類型。然而對于未知型干擾類型來說其數目則無法確定，可將未知型干擾類型集合建模為Xunknown={JK+1,JK+2,JK+3,...}。在實際干擾模式識別任務當中，首先需要完成對于接收干擾類型J屬于Xknown還是Xunknown的判斷，這可以抽象為一個2元分類問題，即

如果分類輸出為“1”，則需要繼續進行Xknown中K種已知型干擾類型的識別判決。

在己方接收機連續采樣識別干擾信號的過程當中，同時也可能存在敵方干擾機兩種干擾切換時相互間隔的情形或是不同干擾相互混疊的狀態。對于前者兩種干擾切換時相互間隔的情況，由于其持續時間極短，識別結果難以用于抗干擾決策且不影響后續時段的干擾模式識別，該文中不予考慮。而對于后者不同干擾混疊的情形，該文主要考慮已知型干擾和未知型干擾混疊的情況，并將其判決為未知型干擾Xunknown以進行后續針對性抗干擾處理。

所以為了更加地貼近真實的戰場場景，本文與文獻[15]一致將干擾模式識別問題建模成為開集識別問題。要求該干擾模式開集識別算法能夠保證對于Xknown中已知型干擾信號類型的準確識別的同時完成接收干擾類型J是否屬于Xunknown這一二分類問題的精確判決。

3 干擾模式開集識別算法

本文將未知型干擾存在時的干擾模式識別問題建模為干擾模式開集識別問題。在不增加神經網絡模型復雜度的前提下，以提高干擾模式開集識別效果為目標，本文提出基于超球面3元組編碼的干擾模式開集識別方法，本方法包含干擾數據預處理、超球面3元組編碼和元識別分類3個部分，下面進行詳細介紹。

本文選擇采取干擾信號的時頻圖像作為神經網絡的輸入，這是因為時頻圖像保留了區分各種干擾信號類型的關鍵信息，同時此舉能夠將卷積神經網絡對于圖像信息極強的提取能力應用到干擾信號識別問題中來。并且通過干擾數據預處理工作去除干擾信號時頻圖像上部分冗余信息，提高神經網絡的泛化能力。其中進行基于3元組損失[16]的超球面編碼工作，其主要目的在于改善數據樣本的緊致性，在編碼空間中增大不同樣本的類間距離的同時減小同類樣本類內距離，這對于干擾模式開集識別問題有很大的提升。3元組損失中引入了空白(margin)的概念，使得編碼空間中除了各已知型干擾的編碼子空間外，還存在著大量的空白空間，這為編碼在空白空間上的未知型干擾的判決提供了可能性。最后是基于元識別思想的分類器設計，此部分工作在傳統開集識別方法openmax中引入了超球面3元組編碼并直接利用擬合模型所得到的信心分數進行干擾模式開集識別。充分地利用了極值理論對于未知型輸入判決的有效性，大大提高了算法對于未知型干擾判決這一二分類問題的真陰率和假陰率識別效果。

3.1 干擾數據預處理

采樣得到的干擾信號時域波形序列數據量巨大，包含大量的冗余信息，直接在神經網絡中訓練的代價較大，不容易得到理想效果。并且由于頻譜圖缺乏時間信息，導致僅從頻域上無法完成干擾信號的識別。所以本文采取干擾信號的時頻圖像作為干擾模式開集識別算法的輸入特征，其中時頻圖像由短時傅里葉變換[17]得到，對于樣本信號r(τ)的短時傅里葉變換公式為

由于干擾模式識別與干擾信號2維短時傅里葉時頻圖像中功率譜密度的絕對值無關，所以為了提高本文方法對于干擾模式開集識別問題的泛化能力，對由短時傅里葉變換得到的2維時頻圖像進行功率譜密度歸一化操作，具體數學公式為

其中，P表示短時傅里葉變換得到的干擾信號2維時頻圖像數據,Pmin表示時頻圖像數據最小值，Pmax表示時頻圖像數據最大值，通過歸一化操作將結果值Pnormal映射到 [0～1]上。

3.2 超球面3元組編碼器設計

3元組損失(Triplet Loss)由于其強大的異類數據區分能力，經常在個體級別的細粒度識別上使用，尤其適合于不同類別間相似度較高的模式識別任務。同時在本文基于3元組損失有監督訓練所得編碼器中，其輸出端維度為 1×M并且進行L2歸一化操作，這使得編碼空間表現為一個半徑為1的M維超球面。假設訓練集中已知型干擾類別數為K，通過3元組損失當中超參數 m arg in的合理設置，可以使得隨著訓練批次的不斷增加以及損失函數值的不斷下降，K個已知型干擾樣本的樣本中心在M維超球面上趨于均勻分布。此時不同樣本中心間距離最大，并且近似于 m arg in值。這能夠最大提高輸出單位超球面編碼空間上特征分布的對齊性和均勻性[18]，對后續的干擾模式開集識別效果有很大提升。

同時3元組損失也存在著缺點，主要是組合爆炸問題[19]。假設存在N個樣本數據，softmax loss遍歷所有樣本的復雜度為O(N)，而3元組損失的復雜度卻為O(N3)，在多數任務場景難以進行遍歷以選取好的訓練樣本，尤其當訓練類別數目很大時訓練過程極其復雜。但是在干擾模式開集識別場景當中，這些問題迎刃而解。這是由于與傳統的類別數達到成千上萬種的識別問題相比，典型壓制式干擾信號類別較少并且各種干擾類型樣本數充足，在現行計算資源下完全能夠無視3元組損失本身存在的問題而發揮其優勢。

3元組損失的定義表達式為

其中，a表示基準樣本，p表 示與a同一類別的正例樣本(positive)，n表示與a不同類別的反例樣本(negative)，d則代表兩個樣本之間的編碼距離。3元組損失的計算每次選擇一個形如 (a,n,p)的3元組，3元組 (a,n,p) 根據其中d(a,p)-d(a,n)=D數值的分類公式為

其 中 easy_triplets , semi-hard_triplets 和hard_triplets分布表示簡單、一般和復雜3元組，如果輸入的 (a,n,p) 屬于 easy_triplets ，則此時L=0，當然這是所希望的優化目標但是也意味著該3元組對網絡參數的優化不再發揮作用。所以在網絡訓練階段時需要挑選出所有的 h ard_triplets 和semi-hard_triplets并使用其進行網絡的訓練。通過最小化損失L達到如圖1所示的效果，具有相同標簽的樣本的編碼在編碼空間中盡可能相近，而具有不同標簽的semi-hard_triplets樣本則編碼距離盡可能變遠。

圖1 3元組損失原理圖

3.3 基于元識別的分類器設計

元識別的核心思想是以某個分布模型來判斷分類模型失效的概率[20]，在本文中使用極值理論中3大極值分布之一的Weibull分布來判斷分類模型失敗的概率。尤其在經典開集識別算法openmax中使用到了這一理論[12]，openmax將傳統的softmax與元識別思想相結合，以各已知類樣本在神經網絡中倒數第2層的輸出作為激活向量(activation vector)，去擬合得到各已知類的Weibull模型來判斷閉集分類模型分類失敗的概率，數學表達式為[21]

其中，K為已知類類別數，x表示輸入數據，y?表示激活向量，wi為p(Ci|x,x ∈M) ，且M={C1,C2,C3,...,CK} ，第K+1類便是未知型種類。

本文在openmax基礎上做出了改進，首先將激活向量改為各類樣本通過基于3元組損失訓練的神經網絡后輸出的64 dim歸一化編碼，這有利于將超球面3元組的各種優勢引入到干擾模式開集識別問題當中。其次與openmax根據元識別的思想矯正softmax分類得分不同，本文直接使用Weibull模型對于輸入為其對應類別的信心分數wi進行干擾模式開集識別，其中信心分數=1-模型估計的分類失敗概率。如果輸入樣本通過各已知型干擾的Weibull模型后都不能得到一個較高的信心分數，則可將該樣本判決為未知型干擾。反之如果輸入樣本對于其中某一已知型干擾Weibull模型的信心分數較高超出所設置的閾值，則判斷為該已知型干擾。

最終該文基于超球面3元組編碼和元識別思想的干擾模式開集識別算法如算法1所示。

其中Weibull模型的擬合通過libMR庫[12]進行。算法中最主要的超參數為p%，其決定著訓練集中樣本數據能夠通過設定閾值的比例數，即閾值為最后一個通過判決的樣本的信心分數。這種閾值設置方法能充分利用各已知型干擾信心分數的先驗分布，并且令p%?=1能夠減小訓練集中離群點的影響，避免由于離群點存在導致閾值過低的可能發生。

4 仿真試驗

4.1 數據集產生

由于采取時頻圖作為干擾模式開集識別算法的輸入時，干擾和信號頻段不會對算法識別性能產生影響，所以該文提出的算法同樣能夠適應其他頻段的干擾模式開集識別任務。該文仿真部分以短波電臺所在頻段10～20 MHz為例進行，假設己方通信信號為信息速率為10 Mbit/s、中心頻率為15 MHz、信噪比為0 dB的 正交相移鍵控(Quadrature Phase Shift Keying, QPSK)信號，并且由于與干擾信號的時頻混合造成無法正常通信。考慮到實際場景中干擾信號能量過低無法起到干擾效果，在仿真試驗當中設置干信比(Jammer-to-Signal Ratio, JSR)范圍為-2～10 dB，且取值步長為2 dB。同時設置采樣頻率為50 MHz，采樣時間為1 ms，并且試驗中所涉及的干擾信號類型及具體參數設置如表1所示，共單音干擾(Continuous Wave, CW)、多音干擾(Multi-Tone Jamming, MTJ)、寬帶干擾(Partial Band Noise Jamming, PBNJ)、線性掃頻干擾(Linear Frequency Modulation, LFM)、正弦調頻干擾(Sinusoid Frequency Modulation, SFM)、周期脈沖噪聲干擾(Periodic Pulse Noise Jamming,PPNJ)、跳頻干擾(Frequency-Hopping Jamming,FHJ)、噪聲調頻干擾(Noise Frequency Modulation, NFM)和QPSK數字調頻干擾9種干擾。

表1 干擾信號參數設置

算法1 基于超球面3元組編碼的干擾模式開集識別算法

為驗證算法對于干擾模式的開集識別效果將上述9種干擾信號分為已知型干擾和未知型干擾兩組，其中未知型干擾不出現在干擾模式開集識別訓練集當中，僅出現在測試集當中以測試算法開集識別能力。考慮到干擾模式開集識別問題的特殊性，由于上述9種干擾信號中單音干擾、多音干擾、寬帶干擾、線性掃頻干擾和周期脈沖干擾5種干擾信號極其常見，在實際場景中容易獲得相應的數據樣本，在試驗中設置為已知型干擾。而剩余的跳頻干擾、正弦調頻干擾、噪聲調頻干擾和QPSK數字調頻干擾4種干擾信號相對較為少見，并且為了充分驗證算法的有效性、降低試驗結果的隨機性，在試驗中隨機選取這4種干擾信號中的兩種與上述5種常見干擾信號組成全部的已知型干擾，剩余的兩種則組成未知型干擾。由于在4種干擾信號中隨機挑選兩種，構成如表2所示的共=6種干擾模式開集識別試驗數據組合。并在后續試驗中除特別說明外，所有試驗結果均為6個試驗數據組合下的平均數值。

表2 干擾模式開集識別試驗數據組合

4.2 超球面3元組編碼器性能分析

超球面3元組編碼器的網絡結構如圖2所示，各層網絡輸出端均采用relu函數作為激活函數。該CNN網絡使用pytorch搭建，采用大小為1 × 256 ×256的干擾信號2維時頻圖像作為輸入，采取3元組損失( m arg in設置為1.25)作為損失函數，并設置學習率為1e-5，batch_size為16以及epoch_num為150。

圖2 超球面3元組編碼器結構圖

使用表2中干擾模式開集識別試驗數據組合1的訓練集數據完成網絡模型的訓練之后，將該訓練集數據通過網絡模型得到相應的64 dim編碼數據。再使用谷歌高維數據分析的工具Embedding Projector[22]對訓練集編碼數據集進行CUSTOM降維，得到的3元組損失聚類效果圖如圖3(b)所示，其中2維平面中的每一個點都代表著一個64維的訓練集編碼數據樣本。其中7種不同的標簽點分布代表著訓練集中7種不同干擾類型，并與基于交叉熵損失訓練的聚類效果圖3(a)相比，容易看出通過基于3元組損失訓練后樣本數據的緊致性大大提高，各類樣本數據聚類效果良好。

圖3 試驗數據組合1訓練集編碼數據CUSTOM降維效果圖

4.3 元識別分類器效果分析

完成對干擾模式開集識別試驗數據組合1的測試集數據的超球面3元組編碼后，基于元識別思想的干擾模式開集識別混淆矩陣如圖4所示。圖4中每種干擾信號的測試樣本總數為700個，可以看到對于已知型干擾除極其少量的測試樣本被誤判為未知型干擾外，其他樣本都得到正確判決，且不會誤判為其他6種已知型干擾。當p%=99.0%時，由圖4(b)可知兩種未知型干擾共1 400個測試樣本中僅14個樣本被誤判，充分說明了算法的有效性。

圖4 試驗數據組合1基于元識別分類器干擾模式開集識別混淆矩陣

為了正確評價不同分類方法的干擾模式開集識別性能，令已知型干擾樣本的真實標簽為陽性，未知型干擾樣本則為陰性，并引入真陰率(True Negative Rate, TNR)、真陽率(True Positive Rate, TPR)、精準度(Precision)以及F1分數(F1-score)，其中F1分數計算公式為

最終得到在所有試驗數據組合下的平均識別結果如表3所示。

表3 不同分類方法的干擾模式開集識別整體性能對比(%)

表3中SVDD和OCSVM是兩種經典的單分類器方法，在仿真試驗中均使用文獻[23]開發的LIBSVM進行搭建。而基于余弦距離的分類方法是指在超球面編碼空間當中，直接通過輸入樣本與各已知型干擾樣本中心的余弦距離來進行分類判決。并且由于超球面編碼空間的特殊性，在元識別分類方法當中所選取的距離類型同樣為余弦距離。

首先由表3可以直觀地看出4種分類方法都能起到較好的開集識別效果，其中F1-score值均能達到97%以上，這是由于超球面3元組編碼所帶來的識別增益。對比4種方法，元識別方法在TNR、Precision和F1-score 3個指標上均取得最高數值，在TPR上取值99.612 3%，較余弦距離方法低0.258 5%。由于超球面3元組編碼聚類效果良好，測試過程中已知型干擾之間不會發生誤判，所以僅有0.387 7%的已知型干擾被誤判為未知型干擾。而且由于元識別方法中超參數p%的存在，使得其能夠根據任務需求靈活調整閾值，得到任務所需求的開集識別真陽率和真陰率。如圖4所示當從99.9%下降到99.0%時，由圖4(b)可以顯著發現兩種未知型干擾信號的誤判數均出現下降，總體上減少26個，與此同時也犧牲了0.877 6%的真陽率。

這種靈活性是SVDD這一系列單分類器分類方法所不具備的，其不能直接通過設置訓練集通過率來改變閾值，只能通過遍歷超參數的取值范圍去尋找與所需通過率相對應的超參數取值來進行設置。但是會無端增加巨大的計算量，甚至是徒勞之舉根本無法找到。所以在該文中選取性能優異并且根據靈活穩定的元識別方法進行編碼后的分類識別任務。

4.4 干擾模式開集識別性能仿真與分析

為驗證本文提出的基于超球面3元組編碼的干擾模式開集識別方法的有效性，將其與文獻[15]中所提出的基于零樣本學習的干擾模式識別方法和openmax開集識別方法進行比較。仿真試驗中文獻[15]算法中超參數設置如下，損失函數中交叉熵損失、中心損失和重構損失的權重值分別為10,10,1，并設置判決閾值的乘法因子γk值為1。為了驗證超球面3元組編碼的有效性，排除網絡結構方面對于試驗結果的影響，在仿真試驗中所有方法編碼器部分神經網絡均相同且如圖2所示。最終3種算法在所有試驗數據組合下的平均干擾模式開集識別效果F1-score值如表3所示。

通過表4可以看到本文方法的F1-score值較文獻[15]方法和openmax開集識別方法更加穩定，在通過率p%=99.9%和p%=99.0%兩種情況下均有F1-score值大于98.5%，并在p%=99.9%時取得4種方法中的最大F1-score值。尤其在TNR指標上，本文方法遠遠高出其他兩種干擾模式開集識別方法，說明在本文方法下92%以上的未知型干擾樣本都能夠得到正確判決。

表4 不同干擾模式開集識別算法整體性能對比(%)

表4中3種干擾模式開集識別方法在相同的編碼器神經網絡結構下的干擾識別效果可以看出，本文基于超球面3元組損失訓練的編碼器和元識別分類方法更利于干擾模式開集識別任務，下面從損失函數、分類方法和編碼空間3個部分具體分析原因。(1)文獻[15]中損失函數以中心損失為主，而中心損失雖然能夠將同屬一類的樣本之間的距離拉近均往樣本中心靠攏，使其相似性變大，但其沒有把不同類別樣本之間的樣本距離拉大的能力。openmax方法中的交叉熵損失與之同樣僅能做到區分不同干擾信號。3元組損失則兼具減小類內距離、增大類間距離兩個作用，同時3元組損失通過加大不同類樣本編碼距離能夠很好地抑制通信信號對于干擾模式開集識別的影響，并通過 m arg in的設置使得在超球面上的編碼效果獲得更好的均勻性與對齊性。(2)文獻[15]方法采用訓練集中樣本信號與樣本類中心的最大距離，作為干擾模式識別任務閾值設置的基礎，這容易造成干擾樣本離群點對于分類效果的嚴重影響。而本文中元識別分類方法基于極值理論實現，能夠很好地避免離群點的影響，并且進一步通過參數p%的使用將離群點在閾值設置時排除在外。(3)采取超球面編碼對于干擾模式開集識別任務具有一定好處，超球面中當類被很好地聚集在一起時(形成球狀帽)，它們是線性可分離的。這一點對于歐幾里得空間來說并不成立[18]。

給出不同干擾模式開集識別方法在試驗數據組合2測試集數據下的接收者操作特征曲線(Receiver Operating characteristic Curve, ROC)如圖5所示。由圖5可以看出本算法的ROC曲線下面積(Area Under Curve, AUC)高達0.94，說明本算法對于干擾模式開集識別任務的識別性能非常優秀。同時在圖5中，本文方法曲線上大部分(假陽率，真陽率)坐標點靠近最優點(0,1)處，說明超球面3元組編碼大大降低了未知型干擾帶來的開放空間風險。圖中信心分數閾值為0和1分別對應(1,1)和(0,0)兩個坐標點，隨著閾值的等值逐步上升，曲線存在一段坐標點從(1,1)往(0,1)逐步左移的過程，此過程中真陽率始終保持在較高水平而假陽率變化較大，所以為了避免離群點影響造成所設信心分數閾值過小采取p%∈(99.0%,99.9%)，并且識別任務中訓練集數據樣本離群點越多，超參數p%的取值應當相對越小。同時由于超球面3元組編碼基于歐式距離進行，容易形成越靠近類中心點 MAVi聚類密度越高的編碼效果，此時聚類邊界處密度相對稀疏，所以p%在 (99.0%,99.9%)范圍內變化所帶來的信心分數閾值變化程度遠遠大于( 90%,99%)范 圍內，即p%在 (90%,99%)范圍內設置對于干擾模式開集識別效果影響較小。同時為了防止坐標點掉入曲線從右往左的劇烈下降階段，采取的超參數p% 需滿足p%＞90%，避免信心分數閾值設置過高。

圖5 試驗數據組合2下不同干擾模式開集識別算法ROC曲線圖

圖6為本文基于超球面3元組編碼的干擾模式開集識別算法在所有試驗數據組合下的平均準確率曲線圖。由圖6(a)可知設置通過率p%為99.9%時，本文方法在干信比-2～10 dB范圍內對于已知型干擾的識別準確率均超過97.5%，而對于未知型干擾的判別準確率稍顯遜色。但隨著通過率p%的下降，對應的信心分數閾值上升，如圖6(b)所示該算法對于未知型干擾判別準確率整體上升。雖然對于已知型干擾的識別準確率整體稍下降，但是總體上在干信比大于-2 dB時算法對于所有干擾樣式均有一個較高水平的識別準確率，基本均處于94%以上。

圖6 基于超球面3元組編碼的干擾模式開集識別算法準確率曲線圖

接下來對于已知型干擾和未知型干擾相互混疊的特殊情形進行討論，在本文中將已知型干擾和未知型干擾混合形成的加性復合干擾信號判決為未知型干擾視為判決正確。在此部分仿真試驗中，增加復合干擾中的子干擾個數和加大子干擾間功率差值均會降低將判決難度，所以試驗設置混合的已知型干擾和未知型干擾均為一種且平均功率相等。以試驗數據組合1為例，已知型干擾種類為7種，未知型干擾種類為2種，所得加性復合干擾種類數為7×2=14種。設置每種加性復合干擾干信比范圍為-2～10 dB，且在不同干信比下均生成測試樣本數為20個，最終得到組合1的加性復合測試樣本總數為14×7×20=1 960個。并最終得到此種情形下該文方法在不同試驗數據組合下的判決準確率如表5所示，可以看出未知型干擾與已知型干擾混合明顯提升判決難度，但本文方法在p%=99.0%時依然能夠保持77%以上的平均判決準確率。在試驗結果中由于多音干擾各音頻分立的特殊性，造成大部分的誤判均識別為多音干擾，在加性復合占主導的特殊場景下可對識別結果為多音干擾的干擾信號進一步處理以提高判決準確率。

表5 已知型干擾與未知型干擾混合情況下該文方法的判決準確率(%)

5 結論

針對目前干擾識別問題，本文提出一種基于超球面3元組編碼的干擾模式開集識別方法，其通過超球面3元組編碼成功地提取到有效區分各類干擾信號的特征值，并使用元識別分類方法準確地完成了干擾模式開集識別任務。試驗論證了元識別分類方法的有效性和靈活性，以及本文方法較基于零樣本學習的干擾模式開集識別方法和openmax干擾模式開集識別方法更高的識別準確性和穩定性。并且仿真結果表明，當p%為99.9%時，本文方法能夠保持一個不錯的未知型干擾判決準確率的同時，對于所有已知型干擾均有97.5%以上的識別準確率；當p%為99.0%時則在-2～10 dB范圍內對于各類已知型干擾和未知型干擾基本上均能達到94%以上的識別準確率，并且對于已知型干擾和未知型干擾相互混疊的特殊情形大部分能判決準確。