一种基于元学习的小样本目标识别方法、介质及装置制造方法及图纸

本发明专利技术提供一种基于元学习的小样本目标识别方法，利用孪生网络的距离判决来实现小样本目标识别，包括：S1，获取辐射源数据并预处理为训练数据集合；S2，将训练数据集合以数据对的那个是输入孪生网络中进行训练，训练完成后得到用于小样本目标识别的孪生网络模型；S3，将待判决小样本模式数据与带标签小样本模式数据形成数据对，输入到孪生网络模型中得到相应的距离度量值；S4，计算各个辐射源与所述待判决小样本模式数据对应的距离度量值的均值；S5，找到均值的最小值，并将待判决的小样本模式数据判定为该最小值对应的辐射源的小样本模式数据。本发明专利技术能够解决辐射源识别过程中某种模式数据非常稀少造成的网络无法正确判决的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于元学习的小样本目标识别方法、介质及装置


[0001]本专利技术涉及辐射源识别
，具体而言，涉及一种基于元学习的小样本目标识别方法、介质及装置。

技术介绍

[0002]现在卷积神经网络被广泛应用于通信、雷达的辐射源识别领域。卷积神经网络可以通过自身网络特征实现对信号特征的提取并加以识别，是人工智能理论在信号处理传统领域的一大广泛应用。卷积神经网络依靠大量数据样本完成信号指纹特征的提取与信号的分类任务，大量的数据是支撑卷积神经网络工作的核心要素，但是在实际应用场景中，往往难以获取到大量的数据样本，辐射源的不种模式的数据量往往不是均匀分布的，很多时候我们难以侦察、收集到辐射源的一些特定工作模式的数据，由于数据的缺乏，当这些特定的工作模式的辐射源数据到来时，神经网络难以对其实现准确的判别。
[0003]现有的比较成熟的识别未知源的方法大致分为以下几种：一种是基于传统特征提取的方法，利用传统特征提取将未知源与已知源集群分开从而实现未知的判决，方法诸如：Hilbert
‑
Huang变换、高阶谱等等。一种是基于人工智能的方法，较为常见的比如Metric Learning(度量学习)的方法，将输入空间(例如图片)映射到一个新的嵌入空间，在嵌入空间中有一个相似性度量来区分不同类，通过利用向量之间的相似性，避免了普通神经网络硬判决的问题。如：《Learning to Compare:Relation Network for Few
‑
Shot Learning》等。
[0004]现有的有关Metric Learning的方法最初场景是面向Few
‑
shot Learning(小样本学习)的，即在面对某一类源的数据量非常低的问题时，考虑将样本的特征信息最终映射为一个向量，通过卷积神经网络对样本特征映射成向量，利用向量间相似性和距离可实现小样本目标的识别问题。

技术实现思路

[0005]本专利技术旨在提供一种基于元学习的小样本目标识别方法、介质及装置，以解决小样本情境下的目标识别问题，所涉及场景为电磁信号辐射源识别，面向多源多模式的信号辐射源识别任务，某些源某些模式的数据量欠缺，无法利用普通卷积神经网络的方法进行训练识别的问题。
[0006]本专利技术提供的一种基于元学习的小样本目标识别方法，包括：
[0007]利用孪生网络的距离判决来实现小样本目标识别。
[0008]进一步的，1所述基于元学习的小样本目标识别方法，包括如下步骤：
[0009]S1，获取辐射源数据并预处理为训练数据集合；
[0010]S2，将训练数据集合以数据对的那个是输入孪生网络中进行训练，训练完成后得到用于小样本目标识别的孪生网络模型；
[0011]S3，将待判决小样本模式数据与带标签小样本模式数据形成数据对，输入到孪生
网络模型中得到相应的距离度量值；
[0012]S4，计算各个辐射源与所述待判决小样本模式数据对应的距离度量值的均值；
[0013]S5，找到步骤S4中均值的最小值，并将该待判决的小样本模式数据判定为该最小值对应的辐射源的小样本模式数据。
[0014]进一步的，所述训练数据集合中仅有微量或完全没有小样本模式数据。
[0015]进一步的，所述训练数据集合包括训练集和测试集。
[0016]进一步的，所述训练数据集合按比例划分为训练集和测试集。
[0017]进一步的，步骤S2中，训练完成是指当准确率达到要求或孪生网络已饱和。
[0018]本专利技术还提供一种计算机终端存储介质，存储有计算机终端可执行指令，所述计算机终端可执行指令用于执行上述的基于元学习的小样本目标识别方法。
[0019]本专利技术还提供一种计算装置，包括：
[0020]至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于元学习的小样本目标识别方法。
[0021]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：
[0022]本专利技术利用孪生网络的距离判决，将待判决的小样本模式数据与少量已标注标签的小样本模式数据送入孪生网络，得到对应的距离度量值，对各个标签对应的距离度量值进行比较，随后判决为均值最小值对应的所属标签，能够解决辐射源识别过程中某种模式数据非常稀少造成的网络无法正确判决的问题。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0024]图1为孪生网络框架示意图。
[0025]图2为孪生网络训练过程示意图。
[0026]图3为训练数据集合划分示意图。
[0027]图4为利用训练好的孪生网络对待判决的小样本模式数据进行判决的示意图。
具体实施方式
[0028]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0029]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]实施例
[0031]孪生网络是度量学习的常见模型框架，其框架图如图1所示。孪生网络的核心是两个共享权重的子网络，与普通卷积神经网络不同的是，输入为两组数据X1和X2，分别进入两个卷积神经网络中，经过两个卷积神经网络可以得到对应的两组向量Gw(X1)和Gw(X2)，再计算该两组向量Gw(X1)和Gw(X2)间的距离||Gw(X1)
‑
Gw(X2)||，当两组数据X1和X2为同一类时，减小其距离，当两组数据X1和X2为不同类时，增大其距离，最终训练达到饱和时，可以根据距离关系判别属于哪一类。由此，本实施例提出一种基于元学习的小样本目标识别方法，包括：利用孪生网络的距离判决来实现小样本目标识别。由此，将待判决的小样本模式数据与少量已标注标签的小样本模式数据送入孪生网络，得到对应的距离度量值，对各个标签对应的距离度量值进行比较，随后判决为均值最小值对应的所属标签，旨在解决辐射源识别过程中某种模式数据非常稀少造成的网络无法正确判决的问题。
[0032]具体地，所述基于元学习的小样本目标识别方法包括如下步骤：
[0033]S1，获取辐射源数据并预处理为训练数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习的小样本目标识别方法，其特征在于，包括：利用孪生网络的距离判决来实现小样本目标识别。2.根据权利要求1所述的基于元学习的小样本目标识别方法，其特征在于，包括如下步骤：S1，获取辐射源数据并预处理为训练数据集合；S2，将训练数据集合以数据对的那个是输入孪生网络中进行训练，训练完成后得到用于小样本目标识别的孪生网络模型；S3，将待判决小样本模式数据与带标签小样本模式数据形成数据对，输入到孪生网络模型中得到相应的距离度量值；S4，计算各个辐射源与所述待判决小样本模式数据对应的距离度量值的均值；S5，找到步骤S4中均值的最小值，并将该待判决的小样本模式数据判定为该最小值对应的辐射源的小样本模式数据。3.根据权利要求2所述的基于元学习的小样本目标识别方法，其特征在于，所述训练数据集合中仅有微量或完全没有小样本模式数据。4.根据权利要求3所述的基于元学习的小样本目标识别方法，其特征...

【专利技术属性】
技术研发人员：袁泽霖，顾杰，李鹏飞，赵耀东，张伟，高由兵，刘东升，刘轩宇，曾令华，
申请(专利权)人：中国电子科技集团公司第二十九研究所，
类型：发明
国别省市：