一种基于自适应识别网络的有源干扰识别方法技术

本发明专利技术涉及一种基于自适应识别网络的有源干扰识别方法，属于有源干扰识别技术领域。所述方法包括：1)利用时频变换构建有源干扰信号模拟数据集；2)划分有源干扰信号模拟数据集得到样本集、查询集、支持集和测试集；3)搭建输入为样本对，输出关系分数的AJSARNet；4)对AJSARNet进行初始化；5)基于样本集和查询集对4)初始化后的AJSARNet进行训练，得到训练好的AJSARNet；6)基于支持集和测试集对训练好的AJSARNet进行测试，得到性能测试结果。所述方法提高了鲁棒性或泛化能力，AJS识别精度和效率。率。率。

【技术实现步骤摘要】
一种基于自适应识别网络的有源干扰识别方法


[0001]本专利技术涉及一种基于自适应识别网络的有源干扰识别方法，属于有源干扰识别


技术介绍

[0002]有源干扰(active jamming，AJ)识别是指通过分析电子支援测量(electronic support measurement,ESM)系统截获的有源干扰的特征参数，来实时地辨认出发射此信号的干扰机类型，进而分析干扰机的发射机工作模式并评估相应的威胁级别的技术。有源干扰识别技术在雷达目标探测、雷达抗干扰领域中发挥着越来越重要的作用，在近年来受到了研究人员的广泛关注。
[0003]随着机器学习技术特别是深度学习的快速发展，相较于早期的信号参数匹配法和专家系统法等传统有源干扰识别方法，基于机器学习的方法从结构上改善了有源干扰识别方法，有效地提高了有源干扰信号的识别性能，逐渐成为了有源干扰识别领域的主要技术手段。
[0004]然而，面对当前日益复杂的电磁环境，基于机器学习的有源干扰识别也面临着诸多挑战：1)由于军事或商业机密，有源干扰样本采集困难，并且采集过程需要耗费大量的时间和成本，导致用于训练、测试与评估有源干扰识别模型的数据集规模有限，从而使得模型在训练过程中容易发生过拟合现象，降低有源干扰识别的准确度；2)电磁环境复杂，来自电子设备和外部信号源的噪声会对有源干扰产生污染，严重降低有源干扰的识别性能，机器学习模型尤其容易受到影响，模型输入的一个噪声点就可能改变模型参数的优化方向，使模型产生错误的输出，即基于机器学习的有源干扰识别方法通常具有鲁棒性较低的弱点；3)有源干扰识别模型通常具有复杂的网络结构，其中包括大量需要训练优化的参数，计算复杂度大，时间成本高。

技术实现思路

[0005]本专利技术的目的在于低干噪比(JNR)的前提下，解决有源干扰识别准确率低、实时性差的问题，提出了一种基于自适应识别网络的有源干扰识别方法，该方法依托于一种基于元迁移学习策略和小样本学习(few
‑
shot learning,FSL)的新型端到端有源干扰自适应识别网络AJSARNet，通过泛化和类比模仿人类的学习能力，从少数样本中获取知识，实现有源干扰识别。
[0006]为了达到上述目的，本专利技术采取如下技术方案。
[0007]所述基于自适应识别网络的有源干扰识别方法依托于AJS自适应识别网络模型即AJSARNet；
[0008]所述AJSARNet由嵌入式模块和关系模块级联构成；
[0009]其中，嵌入式模块的输入即AJSARNet的输入，该嵌入式模块学习输入样本对的高维特征表达，输出有效嵌入向量；
[0010]关系模块包括两个卷积层和两个全连接层，最后一个全连接层输出关系分数，以确定最终的识别结果；
[0011]所述关系模块的输入即嵌入式模块的输出，即：有效嵌入向量；所述关系模块学习嵌入式模块输出的有效嵌入向量与输入样本对的关系分数之间的映射；
[0012]所述识别方法，包括如下步骤：
[0013]步骤1：利用时频变换，构建一个有源干扰信号模拟数据集；
[0014]其中，有源干扰信号，即active jamming signal，简写为AJS；
[0015]具体的，步骤1生成的有源干扰信号模拟数据集，用于对AJS识别模型进行训练、测试与评估，共包含N
×
S
×
M个样本，每个样本由两部分组成：1)AJS信号经过时频变换后生成的二维时频谱图；2)AJS信号的标签，即该信号的AJS识别结果真值；
[0016]其中，N指的是所构建的AJS模拟数据集中AJS信号的类型数量；S指的是每类AJS信号所含样本共包括S个不同的干噪比水平；M指的是每类AJS信号的每个干噪比水平下共包含M个样本；
[0017]其中，干噪比指信号与噪声的能量比，即Jamming
‑
to
‑
noise ratio，简写为JNR，由式(1)定义：
[0018][0019]其中，P
j
和P
n
分别为干扰功率和噪声功率；
[0020]步骤1，具体包括如下子步骤：
[0021]步骤1.1构建AJS模拟数据集，具体为：根据AJS识别任务的要求，仿真出N
×
S
×
M个AJS信号，生成AJS信号集；
[0022]其中，AJS信号的仿真，具体通过调制方式和载波频率、脉冲宽度、带宽及采样频率确定，包括如下子步骤：
[0023]步骤1.1A选择N种不同的调制方式，确定AJS信号的N种类型；
[0024]步骤1.1B根据步骤1.1A确定的AJS信号的N种类型，使用N种不同调制对每种类型的AJS信号设置不同的信号参数，各产生S
×
M个AJS模拟信号，生成原始AJS信号集；
[0025]步骤1.1C设置S个干噪比水平，根据式(1)，为步骤1.1B生成的原始AJS信号集中的AJS信号，添加S种幅度的白噪声，生成AJS信号集；
[0026]具体的，为每种类型AJS信号的每M个信号样本，添加同一幅度的白噪声，每种类型的AJS信号包含统一的S个不同的干噪比水平；
[0027]步骤1.2对步骤1.1输出的AJS信号集中的每一个AJS信号，进行时频变换，生成对应的二维时频谱图，并以该AJS信号的类型作为其标签，用AJS二维时频谱图和其标签共同构成有源干扰信号模拟数据集；
[0028]步骤2：根据所设C
‑
way K
‑
shot的识别问题，对步骤1输出的有源干扰信号模拟数据集进行划分，得到AJS识别模型的样本集、查询集、支持集和测试集；
[0029]其中，C
‑
way K
‑
shot的识别问题，具体指元学习中构建的分类任务；样本集和查询集共同构成训练集，用于对AJS识别模型进行训练；支持集和测试集用于对AJS识别模型进行测试，且支持集中，共含有C类数据，每一类数据由K个样本组成；C类数据，具体指步骤1输出的AJS模拟数据集中，AJS信号的类型和干噪比水平都相同的样本构成的集合；
[0030]对步骤1输出的有源干扰信号模拟数据集进行划分，具体包括如下几个子步骤：
[0031]步骤2.1在步骤1输出的有源干扰信号模拟数据集中随机选择C类AJS信号，对其进行划分，形成支持集和测试集；
[0032]具体的划分方法为：对C类AJS信号中的每一类，都随机选择K个样本，生成支持集，剩下的样本生成测试集；
[0033]步骤2.2将步骤1输出的有源干扰信号模拟数据集中，属于步骤2.1生成的支持集或测试集的样本除去，剩下的样本形成训练集；
[0034]步骤2.3对步骤2.2输出的训练集进行划分，形成样本集和查询集；
[0035]具体的划分方法为：对步骤2.2输出的训练集中的每一类，都随机选择K个样本，生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应识别网络的有源干扰识别方法，依托于AJS自适应识别网络模型即AJSARNet；所述AJSARNet由嵌入式模块和关系模块级联构成；其中，嵌入式模块的输入即AJSARNet的输入，该嵌入式模块学习输入样本对的高维特征表达，输出有效嵌入向量；关系模块包括两个卷积层和两个全连接层，最后一个全连接层输出关系分数，以确定最终的识别结果；所述关系模块的输入即嵌入式模块的输出，即：有效嵌入向量；所述关系模块学习嵌入式模块输出的有效嵌入向量与输入样本对的关系分数之间的映射，其特征在于：包括如下步骤：步骤1：利用时频变换，构建一个有源干扰信号模拟数据集；其中，有源干扰信号，即active jamming signal，简写为AJS；步骤1生成的有源干扰信号模拟数据集，用于对AJS识别模型进行训练、测试与评估，共包含N
×
S
×
M个样本；其中，N指的是所构建的AJS模拟数据集中AJS信号的类型数量；S指的是每类AJS信号所含样本共包括S个不同的干噪比水平；M指的是每类AJS信号的每个干噪比水平下共包含M个样本；步骤1，具体包括如下子步骤：步骤1.1构建AJS模拟数据集，具体为：根据AJS识别任务的要求，仿真出N
×
S
×
M个AJS信号，生成AJS信号集；步骤1.2对步骤1.1输出的AJS信号集中的每一个AJS信号，进行时频变换，生成对应的二维时频谱图，并以该AJS信号的类型作为其标签，用AJS二维时频谱图和其标签共同构成有源干扰信号模拟数据集；步骤2：根据所设C
‑
way K
‑
shot的识别问题，对步骤1输出的有源干扰信号模拟数据集进行划分，得到AJS识别模型的样本集、查询集、支持集和测试集；其中，样本集和查询集共同构成训练集，用于对AJS识别模型进行训练；支持集和测试集用于对AJS识别模型进行测试，且支持集中，共含有C类数据，每一类数据由K个样本组成；对步骤1输出的有源干扰信号模拟数据集进行划分，具体包括如下几个子步骤：步骤2.1在步骤1输出的有源干扰信号模拟数据集中随机选择C类AJS信号，对其进行划分，形成支持集和测试集；步骤2.2将步骤1输出的有源干扰信号模拟数据集中，属于步骤2.1生成的支持集或测试集的样本除去，剩下的样本形成训练集；步骤2.3对步骤2.2输出的训练集进行划分，形成样本集和查询集；步骤3：根据AJS识别任务的要求，搭建AJSARNet；其中，AJSARNet的输入，包括两个AJS二维时频谱图所构成的样本对；AJSARNet的输出为输入样本对的关系分数；步骤4：对步骤3搭建的AJSARNet进行初始化；其中，对AJSARNet初始化，具体指为神经网络的每一个参数赋初值；步骤5：基于步骤2输出的样本集和查询集，对步骤4输出的初始化后的AJSARNet进行训练，得到训练好的AJSARNet；具体的，对步骤4输出的初始化后的AJSARNet的训练，设置L个元训练迭代单元episode；
对所设C
‑
way K
‑
shot识别任务，设置一个episode即将选定的元训练集的所有样本送入待训练网络，并对每一个样本都完成一次前向计算和反向传播的过程，具体为：在步骤2输出的样本集和查询集构成的训练集中，选择C个类，用所选C类数据的全部样本训练一次模型，更新一次模型的参数；下一个episode，再选择其他C个类训练模型；对步骤2输出的含N
×
S
‑
C类数据的样本集和查询集来说，每个epoch包含个episode；其中，当N
×
S
‑
C不能被C整除时，代表在当前epoch的最后一个episode中，没有被训练过的数据类型不足C类，此时需要在已经训练过的数据中随机选择补齐C类，进行最后一个episode的训练；具体的，每个episode的训练过程，包括如下几个子步骤：步骤5.1从步骤2输出的样本集和查询集中，分别取出类型一致的C类AJS信号，生成样本对；其中，步骤2输出的样本集和查询集，每类AJS信号所含样本数分别为K和M
‑
K；步骤5.2将步骤5.1输出的样本对，按其样本集样本的类别，依次输入待训练AJSARNet中进行计算，得到关系分数；其中，待训练AJSARNet，具体指：若本次episode为模型训练阶段的第一个episode，则为步骤4输出的初始化后的AJSARNet，否则为上一个episode输出的AJSARNet；步骤5.3将步骤5.2输出的关系分数代入损失函数公式中，计算训练损失；其中，损失函数，计算的是一个episode中输出的全部关系分数，与相应样本对类型一致度的平均差距；其中，样本对类型一致度为0、1二值的，具体为：样本对中的两个样本标签一致时为1，不一致则为0；步骤5.4基于步骤5.3输出的损失函数，利用优化方法，更新AJSARNet的各个参数；步骤6：基于步骤2输出的支持集和测试集，对步骤5输出的训练好的AJSARNet进行测试，得到网络的性能测试结果；步骤6，具体包括如下几个子步骤：步骤6.1将由步骤2输出的支持集和测试集中样本构成的样本对，输入步骤5输出的训练好的AJSARNet中，输出相应的关系分数；步骤6.2将步骤6.1输出的全部关系分数，与对应样本对的类型一致度输入损失函数的计算公式，得到测试损失；步骤6.3基于步骤6.2输出的每个样本对的关系分数，计算测试结果的MAE和MSE，得到模型的测试精度。2.根据权利要求1所述的有源干扰识别方法，其特征在于：步骤1中每个样本由两部分组成：1)AJS信号经过时频变换后生成的二维时频谱图；2)AJS信号的标签，即该信号的AJS识别结果真值。3.根据权利要求1所述的有源干扰识别方法，其特征在于：干噪比指信号与噪声的能量比，即Jamming
‑
to
‑
noiseratio，简写为JNR，由式(1)定义：
其中，P
j
和P
n
分别为干扰功率和噪声功率。4.根据权利要求1所述的有源干扰识别方法，其特征在于：步骤1.1，包括如下子步骤：步骤1.1A选择N种不同的调制方式，确定AJS信号的N种类型；步骤1.1B根据步骤1.1A确定的AJS信号的N种类型，使用N种不同调制对每种类型的AJS信号设置不同的信号参数，各产生S
×
M个AJS模拟信号，生成...

【专利技术属性】
技术研发人员：傅雄军，郎平，许沁文，冯程，卢继华，谢民，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：