本研究名为“面向开放集特定辐射源识别的动态锚点协同聚类方法”，由Kangsheng Liu、Wenjun Yan、Limin Zhang和Yi Zhang共同完成。作者均来自中国烟台的海军航空大学及山东省海上与航空信息感知与处理技术重点实验室。该成果发表于IEEE Transactions on Radar Systems期刊第四卷，于2026年3月13日在线发表。
该研究属于电子战与深度学习交叉的特定辐射源识别（Specific Emitter Identification, SEI）领域。SEI技术通过提取发射机硬件在生产过程中产生的、固有的、无法复制的细微特征，即“射频指纹”，来实现对不同个体辐射源的识别。然而，现有SEI模型大多基于闭集假设，即测试阶段出现的所有类别均在训练阶段已定义。在真实战场电磁环境中，新型、未知辐射源信号层出不穷，闭集模型会将其强制误分类为已知类别，带来严重的安全风险。因此，亟需发展能够准确识别已知辐射源并有效拒识未知辐射源的开放集识别（Open-Set Recognition, OSR）方法。现有开放集SEI研究主要存在三方面局限：1）对已知类的原型学习不充分，导致未知辐射源易被误判为已知类；2）决策阈值多采用固定或经验值，在复杂多变的信号分布下缺乏最优性和自适应性；3）验证多基于仿真数据集，在真实场景下的泛化能力存疑。针对这些挑战，本文提出了一个完整的开放集识别框架，即动态锚点协同聚类开放集识别（Dynamic Anchor Collaborative Clustering for Open-Set Recognition, DACC-OSR）方法，旨在提升模型在真实开放环境中对未知辐射源的拒识能力与决策鲁棒性。
研究整体框架包含三个核心阶段：闭集模型训练、类原型学习以及开放集阈值优化。此外，还包含特征提取器的专门设计。
1. 特征提取器设计：作者首先设计了一个专门的多尺度一维卷积神经网络（Multi-scale 1-D CNN）作为深度特征提取器，以克服传统方法难以同时捕捉信号局部瞬态特征和全局时序依赖的局限。该网络由五个模块构成：多尺度特征提取模块采用三路并行的卷积结构，通过小（[3,5,7]）、中（[7,11,15]）、大（[15,21,31]）三种不同的卷积核序列，分别捕捉从信号突变到缓慢变化的精细粒度特征；残差增强模块引入六个串行的空洞残差块，在扩大感受野的同时缓解深度网络的梯度消失问题；注意力调制模块通过挤压激励（Squeeze-and-Excitation, SE）模块对特征通道进行自适应加权，增强关键通道、抑制噪声；空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）模块利用不同扩张率的并行空洞卷积，捕获脉冲级的全局多分辨率上下文信息；最后，全局特征聚合模块通过拼接全局平均池化和最大池化特征与ASPP输出，形成最终的特征向量。
2. 闭集模型训练阶段：在包含6个已知辐射源（总样本量详见表II）的训练集上，使用上述多尺度特征提取器结合分类损失进行训练，为后续开放集任务奠定稳健的特征表征基础。此阶段模型在验证集上的识别准确率稳定在约99%（图7），训练损失最终收敛，证明闭集识别模型已得到良好训练。
3. 类原型学习阶段：此阶段是本研究的关键创新点之一，提出了深度分离类锚点聚类（Deep Separation Class Anchors Clustering, DSCAC）算法来学习更具判别力的已知类特征原型。该方法首先根据每个类的特征方差，利用公式(6)动态分配锚点数量$kc$（2至6个），方差更大的类获得更多锚点以捕捉其类内多样性。锚点初始位置通过K-means聚类确定，随后通过一个复合损失函数$L{DSCAC}$进行梯度优化。该损失函数由三部分组成：(a) 类内紧凑性损失$L_{intra}$，最小化样本到本类最近锚点的距离，促使同类特征紧密聚集；(b) 类间可分离性损失$L_{inter}$，通过基于间隔的对比策略，强制不同类锚点之间的距离超过预定义阈值，构建清晰的类间边界；© 覆盖正则化损失$L_{coverage}$，惩罚未被任何样本分配的“死”锚点，确保所有锚点都在发挥作用。通过优化这三个目标的加权组合（公式7），DSCAC有效解决了传统锚点聚类随机初始化和无法充分代表类内多样性的缺陷。
4. 开放集阈值优化阶段：基于学习到的锚点集合，研究提出了置信度自适应风险优化阈值算法（Confidence-Adaptive Risk Optimization Threshold Algorithm, CAROTA）来自动确定区分已知与未知辐射源的最优决策阈值。CAROTA将阈值选择建模为一个贝叶斯风险最小化问题。它首先在包含已知与未知辐射源的验证集上，基于DSCAC模块计算每个样本的开放集分数（公式15），然后生成100个候选阈值（公式16）。其核心是定义一个总风险函数$R(\theta)$，该函数是虚警率（将未知判为已知）和漏警率（将已知判为未知）的加权和，并加入一个正则化项来惩罚极端的阈值取值。为应对实际场景中分布不确定性的挑战，CAROTA引入了两个动态机制：（a）动态代价调整，通过估计已知和未知分数分布的重叠度（巴氏系数）来动态增加高风险环境下的错误代价权重；（b）置信度加权，为每个候选阈值计算一个融合了密度权重、距离权重和样本平衡权重的置信度$w(\theta)$，以增强决策的统计可靠性。最终，算法选择使调整后总风险最小的阈值$\theta^*$作为最优决策边界（图4）。
在开放集预测阶段，测试样本输入模型后，首先提取特征，然后计算其到所有类锚点的最小欧氏距离，以此作为初步预测类别和开放集分数，最后将分数与CAROTA优化得到的最优阈值比较，高于阈值则输出已知类标签，否则输出“未知”。
算法性能验证：实验在一个包含9个同型号雷达的实采数据集上进行，其中6个作为已知辐射源，3个作为未知辐射源（表II）。在经过DSCAC和CAROTA处理后，混淆矩阵结果（图9）显示，无论在测试集中加入多少未知辐射源，所有已知辐射源均被准确识别，未知辐射源也全部被有效拒识。处理前后的特征分布t-SNE可视化图（图10和图11）直观展示了算法的效果：原始特征分布界限模糊、重叠严重，而处理后各类别内部高度紧凑、类别间清晰分离。为了排除随机性，作者进行了84次随机选择未知类的实验（表III），结果证明了算法的稳定性和鲁棒性。
对比实验：与OpenMax、G-OpenMax、Outlier Exposure及标准Softmax阈值化等经典基线算法的对比结果显示（表IV），DACC-OSR在闭集识别率和开放集拒识率上均有显著提升。在与代表主流范式的现有最佳算法对比中（表V），本算法在闭集识别率和开放集拒识率上分别比[30]中的方法高出6.97%和8.66%，仅在推理速度上略有增加，展现了优越的综合性能。
消融实验：为验证各模块有效性，分别进行了消融研究。当用标准K-means替换DSCAC模块后，对未知辐射源的拒识率骤降至67%（图12），突显了DSCAC在学习判别性原型上的关键作用。当用传统的Neyman-Pearson准则替换CAROTA后，未知类拒识率下降至90%（图13），证明了CAROTA通过自适应风险控制机制带来的决策鲁棒性提升。
环境适应性实验：在信噪比（SNR）为-5至20dB范围内的实验表明（图17），在高于10dB的高信噪比区间，闭集识别和开放集拒识准确率均保持在90%以上，即使在0dB时仍能保持约80%的准确率，显示了较强的噪声适应性。在不同开放度（Openness）测试中（表VI），算法在各种未知类比例下均保持稳定性能，验证了其良好的泛化能力。此外，在ADS-B公开数据集上的交叉验证（图18，表VII），进一步证实了算法的普适性。
本研究为解决真实开放电磁环境下的SEI难题提供了一个系统性且高效的解决方案。其核心结论是，提出的DACC-OSR框架能够使识别系统在精准分类已知辐射源的同时，有效检测并拒绝未知辐射源信号，并且这一切都在实际采集的数据上得到了验证，具备了实用化部署的潜力。
研究的科学价值在于：首先，提出了DSCAC算法，通过K-means初始化和覆盖正则化，解决了锚点学习中的初始化敏感与表征不全问题，构建了更具判别力的特征度量空间；其次，提出了CAROTA算法，将阈值确定构建为一个包含动态代价与置信度加权的风险优化框架，克服了传统固定阈值及Neyman-Pearson准则对精确分布模型的依赖，实现了自适应、鲁棒的决策边界。这两项创新为开放集识别理论提供了新的思路。
研究的应用价值在于：该算法在高拒识准确率的同时保持了优秀的实时处理性能，这对于电子侦察、频谱管理和电子对抗等军事应用场景至关重要，能够显著增强电子战系统在复杂动态战场环境下的适应能力和智能化水平。
本研究的亮点可归纳为以下几点： 1. 新颖的算法框架：创新性地将多尺度特征提取、动态多锚点原型学习和风险自适应阈值优化融合为一个端到端的开放集识别解决方案。 2. 精巧的原型学习机制：提出的DSCAC算法能根据类内数据分布的复杂程度动态调整锚点数量，并通过三重约束学习出既紧凑又可分的类原型，是其区别于其他原型学习方法的独特之处。 3. 自适应的决策边界：CAROTA算法完全摒弃了经验性阈值设定，能够根据已知与未知样本的特征分布重叠情况，动态、优化地确定最佳决策阈值，极大地提升了模型在非理想、动态环境中的判决鲁棒性。 4. 坚实的实验验证：研究在真实雷达数据集和ADS-B数据集上进行了包括信噪比变化、不同开放度设置以及多次随机组合实验在内的全面验证，使其结论具有很高的可信度和实际应用参考价值。