基于小样本雷达数据的辐射源识别方法、设备及介质技术

本发明专利技术公开了一种基于小样本雷达数据的辐射源识别方法、设备及介质，属于人工智能领域，包括步骤：S1，辐射源信号数据增强：采用数据预处理和扩增的方式在有限数量下实现样本数量扩充；S2，特征增强：对增强之后的数据进行维度转换，使得一维时序信号变为二维图像，用于深度学习模型学习时空特征；S3，建模：在数据增强和特征增强基础上，构建小样本识别模型库，用于针对不同任务实现小样本跨分布识别，小样本识别模型库包括基于迁移学习的小样本学习模型和基于原型网络的小样本辐射源识别模型；S4，辐射源识别：利用建立的模型实现辐射源识别。本发明专利技术实现了在未知场景下，面向少量标注数据的模型快速学习与泛化能力的提升。标注数据的模型快速学习与泛化能力的提升。标注数据的模型快速学习与泛化能力的提升。

【技术实现步骤摘要】
基于小样本雷达数据的辐射源识别方法、设备及介质


[0001]本专利技术涉及人工智能领域，更为具体的，涉及一种基于小样本雷达数据的辐射源识别方法、设备及介质。

技术介绍

[0002]随着科技发展，不同设备或者平台搭载的新体制雷达辐射源信号包含丰富的脉内特征信息，且具有复杂多变的特点。传统辐射源特征方法依靠已有数据积累和手动调制方法提取特征，其手工特征难以覆盖多样化新体制雷达辐射源的表征能力，存在缺少强电子对抗复杂作战环境中的普适性问题。近年来，深度学习逐渐应用在辐射源信号识别中，通过大量标注的真实数据和仿真数据集合训练出自动且有效的特征提取器，基于高层次特征进而获取具有良好分辨能力的识别模型，避免人工特征表达能力不足。同时自动特征提取促进了端到端在线辐射源识别框架的发展。
[0003]然而，深度学习模型的泛化性能严重依赖于有标签训练数据的规模。真实场景中实测雷达辐射源信号难以大量获取，其原因在于电磁态势复杂多变、种类繁多、干扰强度高、雷达辐射源信号波形复杂和参数多变，标记数据需要大量的人工成本。另一方面，由于研究方向的敏感性与局限性，该领域的开源数据集资源严重匮乏，导致了不完备的深度学习模型在真实场景中出现过拟合、欠拟合等问题，无法准确地识别出信号辐射源的发生类别。此外除了已有类别辐射源，快速发展的电磁技术导致辐射源信号数据与类型更新频繁，现有技术无法在标记样本数量严重受限的条件下有效解决开放环境下新类别辐射源信号分类识别问题。因此小样本标记数据下模型泛化问题日益严峻。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于小样本雷达数据的辐射源识别方法、设备及介质，克服已有雷达辐射源识别模型训练受限于标签数据数量的技术缺陷，从数据层面、模型层面和应用层面提供了一套面向小样本辐射源信号数据标注的辐射源分类框架。通过数据增强、特征增强和深度学习模型实现基于少量有效标注数据的模型训练，从而实现在未知场景面向下少量标注数据的模型快速学习与泛化能力提升。
[0005]本专利技术的目的是通过以下方案实现的：
[0006]一种基于小样本雷达数据的辐射源识别方法，包括以下步骤：
[0007]S1，辐射源信号数据增强：采用数据预处理和扩增的方式在有限数量下实现样本数量扩充；
[0008]S2，特征增强：对增强之后的数据进行维度转换，使得一维时序信号变为二维图像，用于深度学习模型学习时空特征；
[0009]S3，建模：在数据增强和特征增强基础上，构建小样本识别模型库，用于针对不同任务实现小样本跨分布识别，所述小样本识别模型库包括基于迁移学习的小样本学习模型和基于原型网络的小样本辐射源识别模型；
[0010]S4，辐射源识别：利用步骤S3建立的模型实现辐射源识别。
[0011]进一步地，在步骤S1中，所述数据预处理包括子步骤：在包含“0”采样点的稀疏时序数据中，采用等比降采样方式对单个样本进行缩放。
[0012]进一步地，在步骤S1中，所述扩增的方式包括子步骤：在降采样基础上，通过加入不同信噪比数据，构建不同分布的数据集。
[0013]进一步地，在步骤S2中，所述对增强之后的数据进行维度转换，具体包括：利用短时傅里叶变换实现数据升维，以提升数据的时空特征表达能力。
[0014]进一步地，在步骤S3中，构建基于迁移学习的小样本学习模型包括子步骤：
[0015]在数据增强基础上，获取预训练模型，针对目标域任务，构建基于微调的迁移学习模型，实现从源域样本到目标域样本的学习能力迁移；
[0016]在迁移过程中，冻结部分特征提取层，用于保证浅层特征稳定性；在模型更新过程中，实现多层参数微调，用于提升目标域泛化能力。
[0017]进一步地，在步骤S3中，构建基于原型网络的小样本辐射源识别模型包括子步骤：
[0018]针对目标域类别差异性问题，在扩充的数据样本集合中构建小样本典型训练范式N
‑
way，K
‑
shot训练范式；设计面向高维时序数据的时空特征提取网络和实现基于度量学习的损失计算；
[0019]在度量学习基础上，实现训练集中支撑集和查询集之间的深度度量损失计算，从而获取面向目标域小规模标注样本的泛化能力。
[0020]进一步地，所述获取预训练模型，针对目标域任务，构建基于微调的迁移学习模型，实现从源域样本到目标域样本的学习能力迁移；在迁移过程中，冻结部分特征提取层，用于保证浅层特征稳定性；在模型更新过程中，实现多层参数微调，用于提升目标域泛化能力，具体包括子步骤：
[0021]S301，预训练模型设计：预训练模型采用深度卷积神经网络，分为特征提取层F和分类层C；其中，在特征提取过程中，F包含3层CNN块，每层CNN块包含经典卷及操作、ReLu激活函数和最大池化层；在分类层C中，采用多层全连接网络，实现特征维度转化与分类信息提取，经过softmax层，获取概率，其损失函数为公式(1)所示
[0022][0023]式(1)中，N代表数据量，yi是属于{A,B,C,D}四类的数据标签，pi代表标签为yi的概率；
[0024]S302，参数微调：利用目标域数据对预训练模型的网络参数进行微调；在训练过程中，冻结F中前两层CNN block，更新剩余其他层参数。
[0025]进一步地，所述在扩充的数据样本集合中构建小样本典型训练范式N
‑
way，K
‑
shot训练范式；设计面向高维时序数据的时空特征提取网络和实现基于度量学习的损失计算；在度量学习基础上，实现训练集中支撑集和查询集之间的深度度量损失计算，从而获取面向目标域小规模标注样本的泛化能力，具体包括子步骤：
[0026]S311，原型网络模型设计：以原型网络为基础网络，经过数据增强和特征增强处理之后的二维数据，作为原型网络的输入；且原型网络分为特征提取层F和分类层C；在特征提取层F，采用卷积神经网络，其网络结构与基于微调的迁移学习模型一致；
[0027]在小样本分类方法中，构造一个由N*K个标记样本组成的支持集{(x1,y1),
…
,(x
N*K
,y
N*K
)}，其中N表示类别数量，K表示每类别下的样本数，表示每个样本的D维数据，y
i
∈{1,
…
,N*K}是样本对应的标签；S
k
表示类别为k的样本集；原型网络通过具有可学习参数φ的特征提取网络F
φ
:计算每个样本的M维特征，每个类别的原型通过该类支持集样本的特征向量计算得到公式(2)；
[0028][0029]给定一个距离函数d:原型网络基于待分类样本的特征向量与原型中心的距离对其类别进行估计：
[0030][0031]学习过程中通过最小化真实类别k的J(φ)＝
‑
logp
φ
(＝k∣x)实现模型参数的优化；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本雷达数据的辐射源识别方法，其特征在于，包括以下步骤：S1，辐射源信号数据增强：采用数据预处理和扩增的方式在有限数量下实现样本数量扩充；S2，特征增强：对增强之后的数据进行维度转换，使得一维时序信号变为二维图像，用于深度学习模型学习时空特征；S3，建模：在数据增强和特征增强基础上，构建小样本识别模型库，用于针对不同任务实现小样本跨分布识别，所述小样本识别模型库包括基于迁移学习的小样本学习模型和基于原型网络的小样本辐射源识别模型；S4，辐射源识别：利用步骤S3建立的模型实现辐射源识别。2.根据权利要求1所述的基于小样本雷达数据的辐射源识别方法，其特征在于，在步骤S1中，所述数据预处理包括子步骤：在包含“0”采样点的稀疏时序数据中，采用等比降采样方式对单个样本进行缩放。3.根据权利要求2所述的基于小样本雷达数据的辐射源识别方法，其特征在于，在步骤S1中，所述扩增的方式包括子步骤：在降采样基础上，通过加入不同信噪比数据，构建不同分布的数据集。4.根据权利要求1所述的基于小样本雷达数据的辐射源识别方法，其特征在于，在步骤S2中，所述对增强之后的数据进行维度转换，具体包括：利用短时傅里叶变换实现数据升维，以提升数据的时空特征表达能力。5.根据权利要求1所述的基于小样本雷达数据的辐射源识别方法，其特征在于，在步骤S3中，构建基于迁移学习的小样本学习模型包括子步骤：在数据增强基础上，获取预训练模型，针对目标域任务，构建基于微调的迁移学习模型，实现从源域样本到目标域样本的学习能力迁移；在迁移过程中，冻结部分特征提取层，用于保证浅层特征稳定性；在模型更新过程中，实现多层参数微调，用于提升目标域泛化能力。6.根据权利要求1所述的基于小样本雷达数据的辐射源识别方法，其特征在于，在步骤S3中，构建基于原型网络的小样本辐射源识别模型包括子步骤：针对目标域类别差异性问题，在扩充的数据样本集合中构建小样本典型训练范式N
‑
way，K
‑
shot训练范式；设计面向高维时序数据的时空特征提取网络和实现基于度量学习的损失计算；在度量学习基础上，实现训练集中支撑集和查询集之间的深度度量损失计算，从而获取面向目标域小规模标注样本的泛化能力。7.根据权利要求5所述的基于小样本雷达数据的辐射源识别方法，其特征在于，所述获取预训练模型，针对目标域任务，构建基于微调的迁移学习模型，实现从源域样本到目标域样本的学习能力迁移；在迁移过程中，冻结部分特征提取层，用于保证浅层特征稳定性；在模型更新过程中，实现多层参数微调，用于提升目标域泛化能力，具体包括子步骤：S301，预训练模型设计：预训练模型采用深度卷积神经网络，分为特征提取层F和分类层C；其中，在特征提取过程中，F包含3层CNN块，每层CNN块包含经典卷及操作、ReLu激活函数和最大池化层；在分类层C中，采用多层全连接网络，实现特征维度转化与分类信息提取，经过softmax层，获取概率，其损失函数为公式(1)所示
式(1)中，N代表数据量，yi是属于{A,B,C...

【专利技术属性】
技术研发人员：胡超，郑博元，陈杰梅，丛迅超，孙宗才，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：