基于并行原型网络的小样本雷达辐射源信号识别方法技术

本发明专利技术提供了基于并行原型网络的小样本雷达辐射源信号识别方法，包括以下步骤：数据集的获得：仿生形成已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集；分别将获取的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集进行傅里叶变换，得到元训练集、元测试集以及测试集；分别依次构建时域和频域的特征提取模块和度量模块，然后将时域和频域的度量模块组合，形成识别模块，以上述模块组合，形成初始并行原型网络；将元训练集和元测试集先后进行训练，得到载有最终权重的并行原型网络；将测试集中获取的测试任务，输入到并行原型网络中，获取得到雷达信号的识别测试结果。获取得到雷达信号的识别测试结果。获取得到雷达信号的识别测试结果。

【技术实现步骤摘要】
基于并行原型网络的小样本雷达辐射源信号识别方法


[0001]本专利技术属于信号处理
，特别涉及一种雷达信号识别方法，可用于电子情报侦察、电子支援和威胁告警系统。

技术介绍

[0002]随着电子信息领域的发展，电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用，雷达辐射源信号识别是电子对抗中的重要环节。
[0003]现阶段的雷达调制信号识别多是通过深度学习技术来实现，但是深度学习存在一个严重的问题，即需要大量的数据来支撑网络的训练。然而，新体制雷达的不断涌现和电磁环境的复杂化，导致大量高质量的辐射源信号标注样本难以获得，因此，如何在仅具有少量样本的情况下对同类型辐射源信号进行识别成为了目前学术界的热门研究方向。
[0004]当今小样本识别受到大量学者的关注，然而其主要集中在图像领域上，而雷达辐射源识别领域应用资料文献较少。其中，丁辰伟等人在2021年发表《基于小样本条件的雷达辐射源个体识别算法》，该方法对信号进行图像增强后利用对抗生成网络和卷积网络对其进行训练识别，该方法中数据的预处理部分包括短时傅里叶变换获得时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，包括以下步骤：数据集的获得：利用仿生软件，仿生形成时频数据形式的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集；所述已知雷达辐射信号数据集包括CW、LFM、NLFM和BPSK四类信号数据集，所述样本雷达辐射信号数据集和待识别雷达射频信号数据集均包括BFSK、QPSK和QFSK三类信号数据集；元训练集、元测试集以及测试集的生成：分别将获取的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集进行傅里叶变换，得到时域数据集和频域数据集共同构成的元训练集D
a
、元测试集D
b
以及测试集D
c
；初始并行原型网络的生成：分别依次构建时域和频域的特征提取模块和度量模块，然后将时域和频域的度量模块组合，形成识别模块，以识别模块、2个所述度量模块以及2个所述特征提取模块组合，形成初始并行原型网络；并行原型网络的训练和测试：将元训练集在初始并行原型网络中进行元训练任务的训练，得到第一权重，然后将元测试集在载有第一权重的训练并行原型网络上进行元测试集的继续训练，得到第二权重，用第二权重覆盖第一权重，得到训练好的并行原型网络；信号识别：将测试集中获取的测试任务，输入到载有第二权重的并行原型网络中，获取得到雷达信号的识别测试结果。2.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述数据集的获取中，统一信噪比下，每类已知雷达辐射信号数据集、每类样本雷达辐射信号数据集和每类待识别雷达射频信号数据集的信号数量分别是1500
‑
2500个、8
‑
12个以及700
‑
1300个。3.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述元训练集、元测试集以及测试集的生成步骤中，还包括标准化处理，所述标准化处理具体为采用z
‑
score标准化方法对元训练集、元测试集及测试集的数据进行预处理，获得均值为0、标准差为1的预处理后的元训练集、元测试集及测试集。4.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述并行原型网络的生成中，所述时域特征提取模块包括四个卷积单元和平坦层，四个所述卷积单元中，前3个卷积层均包括卷积层、激活层、批量归一化层和最大池化层，第4个卷积层包括卷积层、激活层和批量归一化层。5.根据权利要求4所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述初始并行原型网络的生成中，时域和频域的特征提取模块的工作过程为：所述元训练集或元测试集输入任务的时域/频域支持集和时域/频域查询集，输出时域/频域支持集和时域/频域查询集的特征信号。6.根据权利要求5所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述初始并行原型网络的生成中，所述度量模块的构建具体为：选择欧几里得距离作为度量方法，具有一个激活函数为softmax的激活层，输入时域/频域支持集和时域/频域查询集的信号特征，输出时域/频域查询集的每个信号所属时域/频域支持集每个信号类别的概率。7.根据权利要求6所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述识别模块的形成具体为：通过平均时域与频域识别类别概率，并选取查询集每
条信号所述支持集各类别概率中的最大概率作为查询集该条信号的所属类别进行输出。8.根据权利要求7所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述初始并行原型网络的生成之后，并行原型网络的元训练和...

【专利技术属性】
技术研发人员：武斌，李鹏，李晓虎，黄静，徐璞，
申请(专利权)人：西安晟昕科技发展有限公司，
类型：发明
国别省市：