一种基于元学习的电磁目标型号识别方法技术

本发明专利技术公开了一种基于元学习的电磁目标型号识别方法，包括以下步骤：步骤1：通过对抗生成网络，对电磁目标样本进行扩充；将电磁目标样本分为训练集、测试集和已知小样本；将数据进行归一化；步骤2：构建基于模型无关算法的分类模型；在训练集中随机抽取样本以构成多个分类任务；构建基于模型无关算法的初始模型f

【技术实现步骤摘要】
一种基于元学习的电磁目标型号识别方法


[0001]本专利技术涉及电磁目标型号识别方法，具体涉及一种基于元学习的电磁目标型号识别方法。

技术介绍

[0002]识别电磁目标型号是电子侦查的重要内容，而电子侦查是电子对抗的前提和基础。只有正确识别电磁目标型号、模式，据此研判电磁目标的功能、威胁程度和意图，才能制定对抗电磁目标的针对性措施以夺取制电磁权。然而，随着电磁目标和电子技术的迅猛发展、战争形态和战术战法的持续变革，电子侦查面临的对抗环境越来越复杂。侦查截获信号和数据呈现不完整、不充分、小样本的特点，致使电子侦查装备对抗效能急剧下降。现有的方法大都专注于迁移学习如何应用于辐射源信号类型的识别，不能满足现代电磁战场的识别需求。

技术实现思路

[0003]本专利技术针对现有技术存在的问题提供一种满足现代电磁战场识别需求的一种基于元学习的电磁目标型号识别方法。
[0004]本专利技术采用的技术方案是：一种基于元学习的电磁目标型号识别方法，包括以下步骤：
[0005]步骤1：通过对抗生成网络，对电磁目标样本进行扩充；将电磁目标样本分为训练集、测试集和已知小样本；将数据进行归一化；
[0006]步骤2：构建基于模型无关算法的分类模型；
[0007]在训练集中随机抽取样本以构成多个分类任务；
[0008]构建基于模型无关算法的初始模型f
θ
，进行多任务训练；
[0009]将已知小样本输入至训练后的模型，计算其分类损失，对参数进行微调实现知识迁移，即可得到所需分类模型；
[0010]步骤3：采用训练好的模型对电磁目标型号进行识别。
[0011]进一步的，所述步骤2中多任务训练过程包括内循环和外循环；
[0012]在训练集中随机抽取样本以构成多个分类任务用于模型训练，每个任务都随机包含训练集中的N个类别，从每个类别中分别挑选K+X个样本；其中K个已标注样本用于构成支撑集，X个样本作为询问集；
[0013]内循环过程如下：
[0014]支撑集输入至模型f
θ
，计算支撑集的交叉熵损失值；
[0015][0016]式中：x
(j)
为支撑集的第j个样本，y
(j)
为支撑集第j个样本的样本标签，T
i
为内循环中第i个任务，θ为参数；
[0017]对参数求导得到参数梯度获取此次任务的更新参数θ
′
i
；
[0018][0019]式中，α为内循环任务学习率；
[0020]将该任务下的询问集输入至更新后的网络
[0021]通过式(1)计算询问集下的分类损失
[0022]外循环过程如下：
[0023]对各任务在询问集下的分类损失进行求和，作为外循环的总体损失；利用梯度下降算法更新模型参数θ，更新后的参数作为下一次内循环的初始参数。
[0024]进一步的，所述外循环过程中对分类损失求和的过程如下：
[0025][0026]利于梯度下降算法更新模型参数过程如下：
[0027][0028]式中：β为外循环任务学习率，为外循环下总体损失对于网络参数θ的梯度。
[0029]进一步的，所述电磁目标样本为仿真雷达参数序列，每个样本脉冲数为150个，每一个脉冲由载频、脉宽、脉冲重复间隔和占空比四维参数表征；单个样本的输入形式为[150,4]的二维矩阵，矩阵的行表征脉冲序号，列为脉冲描述字参数。
[0030]进一步的，所述步骤2中对参数进行微调通过式(2)进行调整。
[0031]本专利技术的有益效果是：
[0032](1)本专利技术首先对电磁目标样本进行扩充，解决了目前截获的新型小样本不足以构建分类模型的问题；
[0033](2)本专利技术采用基于模型无关算法的元学习框架实现模型的构建，可通过多个任务的学习过程累积经验，获得泛化性能较好的初始化模型；只需少量样本就能转化为适应现有任务的识别模型，降低了分类模型在训练过程中的数据量需求。
附图说明
[0034]图1为本专利技术模型构建方法流程图。
[0035]图2为本专利技术训练集中抽取样本构成多个分类任务的示意图。
[0036]图3本专利技术模型中的多任务训练过程流程示意图。
[0037]图4为本专利技术实施例中源域数据可视化示意图。
[0038]图5为本专利技术实施例中目标域数据可视化示意图。
[0039]图6为本专利技术实施例中目标域数据分布示意图。
[0040]图7为本专利技术实施例中不同样本数量下目标域的识别精度对比示意图。
具体实施方式
[0041]下面结合附图和具体实施例对本专利技术做进一步说明。
[0042]本专利技术首先采用对抗生成网络对已有的电磁目标样本进行扩充，以满足后续元学习的数据需求。其次基于扩充后的已知电磁目标样本，利用元学习的MAML算法构建对应该数据的分类模型；最后通过新型小样本微调模型参数后，模型即可转化为适应新型待识别数据的分类模型。
[0043]小样本电磁目标数据与已知电磁目标数据具有较弱的语义关联时(型号不同)，其设定场景如下：已知A、B、C、D等多种电磁目标型号数据，待识别数据为E、F、G、H等多种新型电磁目标样本。
[0044]首先利用对抗生成网络自适应地挖掘已知电磁目标数据特点，并大量构造与其类似的电磁目标样本，使得电磁目标数据的样本量满足元学习的框架需求。其后，利用基于模型无关算法的元学习框架实现待测数据识别模型的构建。可通过多个任务的学习过程累积经验，获得一个泛化性能较好的初始化模型，使得其只需要少量样本就能将环化为适应现有任务的识别模型，降低了分类模型在训练过程中的数据量需求。
[0045]步骤1：通过对抗生成网络，对电磁目标样本进行扩充；将电磁目标样本分为训练集、测试集和已知小样本；将数据进行归一化；
[0046]电磁目标样本为仿真雷达参数序列，每个样本脉冲数为150个，每一个脉冲由载频、脉宽、脉冲重复间隔和占空比四维参数表征；单个样本的输入形式为[150,4]的二维矩阵，矩阵的行表征脉冲序号，列为脉冲描述字参数。
[0047]其中已知的相关雷达数据作为训练集，待识别的新型雷达数据作为测试集，截获的已知小样本作为先验知识。为消除量纲对于分类结果的影响，分别对训练集、测试集、已知小样本采取最大最小归一化处理，将数据映射至[
‑
1,1]区间：
[0048][0049]步骤2：构建基于模型无关算法的分类模型；该步骤包括任务划分、多任务训练、微调三个阶段。如图1所示。
[0050]在训练集中随机抽取样本以构成多个分类任务；在训练集中随机抽取样本以构成多个分类任务用于模型训练，每个任务都随机包含训练集中的N个类别，从每个类别中分别挑选K+X个样本；其中K个已标注样本用于构成支撑集，X个样本作为询问集。
[0051]支撑集用于训练一个特定于该次分类任务的识别模型。询问集则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的电磁目标型号识别方法，其特征在于，包括以下步骤：步骤1：通过对抗生成网络，对电磁目标样本进行扩充；将电磁目标样本分为训练集、测试集和已知小样本；将数据进行归一化；步骤2：构建基于模型无关算法的分类模型；在训练集中随机抽取样本以构成多个分类任务；构建基于模型无关算法的初始模型f
θ
，进行多任务训练；将已知小样本输入至训练后的模型，计算其分类损失，对参数进行微调实现知识迁移，即可得到所需分类模型；步骤3：采用训练好的模型对电磁目标型号进行识别。2.根据权利要求1所述的一种基于元学习的电磁目标型号识别方法，其特征在于，所述步骤2中多任务训练过程包括内循环和外循环；在训练集中随机抽取样本以构成多个分类任务用于模型训练，每个任务都随机包含训练集中的N个类别，从每个类别中分别挑选K+X个样本；其中K个已标注样本用于构成支撑集，X个样本作为询问集；内循环过程如下：支撑集输入至模型f
θ
，计算支撑集的交叉熵损失值；式中：x
(j)
为支撑集的第j个样本，y
(j)
为支撑集第j个样本的样本标签，T
i

【专利技术属性】
技术研发人员：余志斌，张译方，彭宇果，徐才进，韦柳幸，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：