⚡ electrical engineering

Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics

本文提出了一种基于增量学习的开放集无人机识别框架，通过语义特征空间分离未知信号、自适应聚类发现新类别以及基于记忆重放的增量更新机制，有效解决了现实动态空域中未知无人机导致的过置信误判与频繁重训难题。

原作者： Julie Liu, Irshad A. Meer, Cicek Cavdar, Mustafa Ozger

发布于 2026-03-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Julie Liu, Irshad A. Meer, Cicek Cavdar, Mustafa Ozger

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于**“如何教 AI 像老练的空中交通管制员一样，在天空中识别并学习新出现的无人机”**的故事。

想象一下，你正在管理一个繁忙的机场（也就是我们的无线电频谱）。

1. 以前的困境：死板的“闭眼”训练

以前的无人机识别系统就像是一个只背过“标准答案”的学生。

现状：在训练时，老师只给它看 18 种已知的无人机（比如大疆、道通等），并告诉它：“记住这 18 种，其他的都不是无人机。”
问题：一旦天空中飞来了第 19 种、第 20 种从未见过的新型无人机，这个“死板的学生”就会犯傻。它不会说“我不认识这个”，而是会强行猜一个它认识的名字（比如把第 19 种猜成第 1 种），而且猜得非常自信。这就像你看到一个没见过的动物，却自信地指着它说“这肯定是猫”，结果闹了笑话，甚至可能引发安全隐患。

2. 这篇论文的解决方案：聪明的“开放式”学习系统

作者提出了一套**“增量式开放集学习框架”。我们可以把它想象成给这个系统装上了三套超能力**，让它能应对未知的天空：

第一招：火眼金睛（开放集识别）

比喻：系统不再死记硬背，而是学会了**“看气质”**。
原理：它把无人机的无线电波（RF 信号）转化成一种“语义特征”（就像把声音转化成乐谱）。当一个新的信号出现时，系统会计算它和已知 18 种无人机的“距离”。
效果：如果这个新信号离所有已知无人机都很远（就像一只企鹅混进了猫群），系统会立刻说："等等，这个我不认识，先别归类！"它成功地把“陌生人”从“熟人”中挑了出来，避免了乱猜。

第二招：自动分班（聚类发现新类别）

比喻：把那些被挑出来的“陌生人”关进一个临时观察室，然后问：“你们里面谁和谁长得像？”
原理：系统会自动分析这些陌生信号。它不像以前那样只把它们当成“未知”，而是尝试把它们分组。比如，它发现其中一群信号像“送货无人机”，另一群像“侦察无人机”。
智能选择：系统很聪明，它会同时尝试两种分班方法（K-Means 和 GMM），然后像评委打分一样，看哪种分法最合理、最清晰，最后自动选出最好的分组方案。这样，它就能自动发现并定义出新的无人机类别。

第三招：不忘旧知（增量学习与记忆回放）

比喻：这是最关键的一步。想象系统的大脑容量有限，不能无限扩张。如果它学会了新东西，会不会把旧知识全忘了？（这叫“灾难性遗忘”）。
原理：系统采用了一种**“轻量级复习法”。当它学会了新类别后，不会把整个大脑清空重练，而是只从旧知识里挑出几本最经典的“小抄”（样本）**，和新知识放在一起快速复习。
效果：就像你学新单词时，偶尔翻翻旧单词书，既记住了新词，又没把旧词忘光。这样，系统就能在不占用太多内存的情况下，不断进化，适应新的天空环境。

3. 实验结果：真的管用吗？

作者用真实的无人机无线电数据（包含 18 种已知和 6 种未知）做了测试：

识别未知：它能准确地把那 6 种未知无人机从已知群体中“踢”出来，不瞎猜。
发现新类：它能成功把这 6 种未知无人机分成正确的几组（比如把同一种新型号聚在一起）。
稳定学习：即使加入了新类别，它对旧类别的识别率依然保持在 100%，而且只需要极少的内存空间。

总结

这篇论文的核心思想就是：别再让 AI 做只会做选择题的“死读书”学生了，要让它变成能：

认出陌生人（开放集识别）；
自动给陌生人分类（聚类发现）；
边学新东西边复习旧知识（增量学习）

的**“终身学习者”**。这对于未来在复杂、多变的空域中安全、智能地管理无人机至关重要。

基于增量学习的未知无人机 RF 信号语义开集分类技术总结

1. 研究背景与问题定义

随着民用和商用无人机（UAV）的普及，空域安全、隐私和监管需求日益增长。基于射频（RF）信号的无人机识别因其被动性和对光照条件的独立性而备受关注。然而，现有的 RF 识别方法大多基于闭集假设（Closed-Set Assumption），即训练时已知所有无人机类型。

在现实开放环境中，新的无人机型号、固件更新或硬件修改会不断出现，导致闭集模型面临以下挑战：

过自信误分类：面对未知信号，传统分类器倾向于将其强行归类为已知类别，导致安全隐患。
重新训练成本高：每出现新类别都需要重新训练整个模型，效率低下。
灾难性遗忘：在增量学习过程中，模型容易遗忘旧类别的知识。

本文旨在解决上述问题，提出一种统一的增量开集学习框架，能够在不重新训练整个模型的情况下，实现对未知无人机信号的检测、新类别的聚类发现以及模型的增量适应。

2. 核心方法论

该框架包含三个主要阶段，形成一个闭环处理流程：

2.1 语义嵌入学习 (Semantic Embedding Learning)

输入处理：将接收到的复数 I/Q 信号通过短时傅里叶变换（STFT）转换为时频图（Spectrogram），并进行归一化。
混合编码器架构：采用双分支编码器提取特征：
- 纹理提取器：基于多尺度空洞卷积（Dilated CNN），捕捉细粒度的频谱纹理和宽带时间包络。
- 位置编码器：基于 Transformer 架构，利用正弦位置编码保留时频局部性并建模长距离依赖。
特征融合：将上述特征融合并通过多层非线性层（MNL）映射为紧凑的语义嵌入向量 $z$ 。
损失函数：使用复合特征损失（包含类内紧凑性、类间间隔分离和交叉熵监督）训练编码器，确保同类信号聚类紧密，不同类信号分离明显。

2.2 开集识别 (Open-Set Recognition, OSR)

概率建模：在已知类别的语义空间中，为每个类别建立高斯分布统计量（均值 $\mu_k$ 和协方差矩阵 $\Sigma_k$ ）。
马氏距离决策：在推理阶段，计算测试样本与各类别分布的马氏距离。
自适应阈值：利用“三西格玛规则”（3-sigma rule）为每个类别动态生成距离阈值 $\tau_k$ （覆盖 99.7% 的置信区间）。
未知样本筛选：若样本到最近类别的距离超过阈值，则被判定为“未知”，进入候选池 $U$ 进行后续处理；否则归入已知类别。

2.3 基于聚类的新型类别发现 (Novel Class Discovery)

无监督聚类：对筛选出的未知样本嵌入向量进行聚类。
模型选择策略：同时运行 K-Means 和 高斯混合模型 (GMM)。
复合有效性评分：引入一个综合评分函数 $Q(k)$ ，结合轮廓系数 (Silhouette)、Calinski-Harabasz 指数、Davies-Bouldin 指数和解释方差，自动选择最优聚类数 $k^*$ 和最佳聚类算法。
过滤机制：仅保留纯度高于阈值且大小在合理范围内的簇作为新的无人机类别。

2.4 轻量级增量学习 (Incremental Learning with Replay)

记忆回放机制：维护一个受内存限制的回放缓冲区 $M$ ，存储旧类别的代表性样本。
增量更新：将新发现的类别样本与回放缓冲区中的旧样本混合，进行小批量训练。
目标：在更新模型参数以识别新类别的同时，通过回放机制防止对旧类别的灾难性遗忘，无需从头重新训练。

3. 主要贡献

统一框架：提出了首个将开集检测、基于聚类的新型类别发现和基于回放机制的增量学习整合在一起的 RF 无人机识别框架。
鲁棒的聚类策略：设计了一种基于复合有效性指标和自动模型阶数选择的聚类策略，能够在噪声 RF 环境下可靠地发现新类别。
高效的增量机制：提出了一种内存受限的回放策略，在极小的存储成本下实现了知识保留与新知识学习的平衡，有效缓解了灾难性遗忘。

4. 实验结果

实验基于包含 24 类无人机（18 类已知，6 类未知）的真实世界 RF 数据集进行验证：

开集检测性能：混淆矩阵显示，已知类别分类准确，且未知信号被成功拒绝而非误分类，证明了马氏距离边界的有效性。
聚类发现性能：
- 通过 t-SNE 可视化，预测簇与真实未知类别高度对齐。
- K-Means 在复合评分下表现优于 GMM（纯度 0.921 vs 0.906），被自动选为最优模型。
- 尽管存在少量因操作模式差异导致的过聚类或分裂现象，但整体语义一致性良好。
增量学习性能：
- 无回放（ $old\_max=0$ ）：旧类别准确率降至 0%，发生灾难性遗忘。
- 小容量回放（ $old\_max=5$ ）：旧类别准确率恢复至 100%，新类别准确率保持在 98.1%。
- 增加回放容量带来的收益边际递减，证明少量代表性样本足以稳定学习。

5. 意义与展望

实际意义：该框架解决了传统闭集模型在动态空域中失效的问题，为构建能够自我进化、适应未知威胁的无人机监测系统提供了技术基础。
技术价值：证明了在资源受限（存储和计算）的嵌入式场景下，通过语义嵌入和轻量级回放实现终身学习（Lifelong Learning）的可行性。
未来工作：计划探索更严格的序列到达设置、域不变特征提取（应对信道变化）、嵌入式实时部署以及基于联邦学习的分布式增量学习。

总结：本文提出的方法成功 bridging 了开集识别与增量学习之间的鸿沟，为开放世界环境下的 RF 信号智能分析提供了一种可扩展、鲁棒且高效的解决方案。