El reconocimiento de conjuntos abiertos (OSR) tiene como objetivo lidiar con clases desconocidas que no están incluidas en el conjunto de entrenamiento. Sin embargo, los métodos de OSR existentes se basan en redes de aprendizaje profundo que realizan aprendizaje supervisado en clases conocidas en el conjunto de entrenamiento, lo que resulta en un rendimiento deficiente cuando la clase desconocida es muy similar a la clase conocida. Dado las sutiles diferencias individuales bajo el mismo tipo en aplicaciones de identificación de emisores específicos (SEI), es difícil distinguir entre clases conocidas y desconocidas en escenarios de conjuntos abiertos. Este documento propone una red neuronal de generación y reconocimiento de señales pseudo (PSGRNN) para abordar problemas relevantes en esta situación. PSGRNN aplica operaciones de convolución de valores complejos para acomodar entradas de señales IQ. Su idea clave es utilizar muestras de clases conocidas para generar muestras pseudo de clases desconocidas. Luego, las muestras de clases conocidas y las muestras pseudo generadas de clases desconocidas se introducen conjuntamente en la red neuronal para construir una nueva tarea de clasificación para el entrenamiento. Además, la pérdida de centro se mejora agregando penalizaciones entre clases para maximizar la diferencia entre clases. Esto ayuda a aprender información útil para separar clases conocidas y desconocidas, lo que resulta en fronteras de decisión más claras entre lo conocido y lo desconocido. Experimentos extensos en varios conjuntos de datos de señales de referencia indican que el método propuesto logra resultados de clasificación de conjuntos abiertos más precisos y robustos, con una mejora promedio de precisión del 4.62%.