吕昊远，俞 璐

（陆军工程大学，江苏 南京，210007）

0 引言

通信辐射源个体识别技术通过获取到的辐射源信号样本，检测由于辐射源个体不同而导致的细微特征差异，提取所需的反映辐射源目标身份的信息，从而准确区分辐射源个体，针对性地把握目标属性特征，并实施有效的监控。该技术在通信网络结构分析和电子设备管制等方面发挥着巨大作用[1]。

深度学习具有强大表征能力，在多个领域中得以快速发展和应用，也为通信辐射源个体识别问题开辟了新的研究道路，即无需任何先验知识的深度网络可以直接在一个整体框架内端到端地对获取的信号样本进行特征提取和分类识别[2]。基于深度学习的通信辐射源个体识别方法不仅大大节约了科研成本，还有效地提升了识别准确率；因此，吸引了众多科研人员的关注。但通信方式在多数情况下都是非合作的，所以实际的电磁环境中存在少量的有标签信号样本和大量的无标签信号样本，这严重阻碍了有监督深度学习个体识别方法的发展[3]。如何根据现有的信号数据研究出基于深度框架的半监督个体识别方法就显得尤为重要。

伪标签半监督通信辐射源个体识别方法在面对“小样本”问题时取得了一定的效果，但此方法中深度模型性能会受伪标签质量的影响而产生较大波动。本文提出基于协同训练Tri-net 的半监督通信辐射源个体识别方法，增加深度网络数目，并采取轮次标签的伪标签赋值有效提升信号样本伪标签的质量。……