【技术实现步骤摘要】
本专利技术属于信号处理，更进一步涉及无人机目标识别中的一种基于增量学习的无人机信号识别方法及装置。本专利技术设计了可以增强神经网络识别能力的损失函数，达到为后续的目标检测与识别提供动态、可扩展的神经网络的目的。
技术介绍
1、无人机下行图传信号的时频图谱中通常包含无人机射频信号的时域信息和频域信息，并且时频图谱中需要具有不同类型无人机的时频图谱纹理具有差异性的特点，因此无人机通信信号的时频图谱常用于无人机目标识别与分类任务中。目前，无人机更新迭代速度较快，网络仅能对已训练的无人机信号进行识别，无法对未知新机型做出正确判决，会限制基于神经网络无人机信号识别的使用范围。常用的方法是重新采集所有数据后送入神经网络训练，这些方法会耗费大量的实验成本和条件。而且，无人机通信信号识别本身处于非合作识别领域，因此由于数据隐私性也无法获得已训练的无人机信号。
2、郝云飞在其发表的论文“基于深度学习的无人机信号检测与识别技术研究”(国防科学技术大学硕士学位论文2022年2月)中公开了一种基于短时傅里叶变换的无人机图谱识别方法。该方法首先通过人为地控制信号采集装备的打开和关闭，采集所有操作信道的无人机信号。其次，对无人机数据进行短时傅里叶变换生成时频图谱。然后，对无人机图谱划分训练集和测试集。最后，利用区域卷积神经网络r-cnn(regions with cnn features)进行目标识别得到识别结果。虽然该方法由于深度学习对于图像分类具有显著作用，所以采用短时傅里叶变换生成的时频图谱识别准确率更高。但是，该方法仍然存在的不足之处是
3、湖南华诺星空电子技术有限公司在其申请的专利文献“一种基于人工智能的无人机识别方法及系统”(专利申请号：201911378364.2，申请公布号：cn 111222430a)中公开了一种基于人工智能的无人机识别方法及系统。该方法的实现步骤为，1)接收周围环境中的无人机通信信号；2)将采集到的无人机通信信号进行短时傅里叶变换运算生成频谱图，再将多帧频谱图进行叠加生成相应的时频图；3)将时频图制作为数据集；4)采用无人机数据集，利用卷积神经网络cnn(convolutional neural networks)进行目标识别得到识别结果。虽然采集不同款式无人机通信信号，经过短时傅里叶变换生成的无人机时频图谱，可用于无人机目标识别。但是，该方法仍然存在的不足之处是，无人机更新迭代速度较快，网络仅能对已训练的无人机信号进行识别，无法对未知新机型做出正确判决，会限制基于神经网络无人机信号识别的使用范围，重新采集所有数据后送入神经网络训练，这些方法会耗费大量的实验成本和条件。因此导致识别无人机信号的效率较低且识别效果较差。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种基于增量学习的无人机信号识别方法、装置、电子设备及存储介质。本专利技术要解决的技术问题通过以下技术方案实现：
2、第一方面，本专利技术提供了一种基于增量学习的无人机信号识别方法包括：
3、s100，获取无人机产生的待识别无人机信号；
4、s200，将所述待识别无人机信号输入至训练好的增量学习网络中，以使所述增量学习网络对所述待识别无人机信号作识别分类，得到所述待识别无人机信号所属的类别；
5、其中，所述训练好的增量学习网络利用多种已知类型的无人机所产生的无人机信号训练得到，并利用预先构建增量学习损失函数对训练过程进行优化以使所述增量学习网络平衡学习旧知识和新知识的重点完成增量学习。
6、第二方面，本专利技术提供了一种基于增量学习的无人机信号识别装置包括：
7、获取模块，被配置为获取无人机产生的待识别无人机信号；
8、识别模块，被配置为将所述待识别无人机信号输入至训练好的增量学习网络中，以使所述增量学习网络对所述待识别无人机信号作识别分类，得到所述待识别无人机信号所属的类别；
9、其中，所述训练好的增量学习网络利用多种已知类型的无人机所产生的无人机信号训练得到，并利用预先构建增量学习损失函数对训练过程进行优化以使所述增量学习网络平衡学习旧知识和新知识的重点完成增量学习。
10、第三方面，本专利技术提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
11、存储器，用于存放计算机程序；
12、处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。
13、第四方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面的方法步骤。
14、有益效果：
15、本专利技术提供了一种基于增量学习的无人机信号识别方法、装置、电子设备以及存储介质，通过将待识别无人机信号输入至训练好的增量学习网络中，以使所述增量学习网络对所述待识别无人机信号作识别分类，得到所述待识别无人机信号所属的类别；所述训练好的增量学习网络利用多种已知类型的无人机所产生的无人机信号训练得到，并利用预先构建增量学习损失函数对训练过程进行优化以使所述增量学习网络平衡学习旧知识和新知识的重点完成增量学习。由于本专利技术构造的增量损失函数可以在旧知识和新知识之间作很好的均衡，因此对于未知类型无人机可以作出较佳的识别结果，本专利技术的识别方法可直接用于基于神经网络无人机识别中，拓展了分类系统的使用范围。解决了传统基于神经网络的无人机信号识别中，网络仅能对已训练的无人机信号进行识别，无法对未知新机型做出正确判决，会限制基于神经网络无人机信号识别的使用范围的问题。
16、以下将结合附图及实施例对本专利技术做进一步详细说明。
本文档来自技高网...【技术保护点】
1.一种基于增量学习的无人机信号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于增量学习的无人机信号识别方法，其特征在于，所述训练好的增量学习网络的训练过程包括：
3.根据权利要求2所述的基于增量学习的无人机信号识别方法，其特征在于，S310包括：
4.根据权利要求2所述的基于增量学习的无人机信号识别方法，其特征在于，S320包括：
5.根据权利要求4所述的基于增量学习的无人机信号识别方法，其特征在于，S330包括：
6.根据权利要求2所述的基于增量学习的无人机信号识别方法，其特征在于，所述增量学习损失函数公式表示为：
7.根据权利要求6所述的基于增量学习的无人机信号识别方法，其特征在于，S350包括：
8.一种基于增量学习的无人机信号识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储
...【技术特征摘要】
1.一种基于增量学习的无人机信号识别方法，其特征在于，包括：
2.根据权利要求1所述的基于增量学习的无人机信号识别方法，其特征在于，所述训练好的增量学习网络的训练过程包括：
3.根据权利要求2所述的基于增量学习的无人机信号识别方法，其特征在于，s310包括：
4.根据权利要求2所述的基于增量学习的无人机信号识别方法，其特征在于，s320包括：
5.根据权利要求4所述的基于增量学习的无人机信号识别方法，其特征在于，s330包括：
6.根据权利要求2所述的基于增量学习的无人机信...
【专利技术属性】
技术研发人员：李涛，邢申达，李勇朝，王帅，吴建哲，周帅，薛朝政，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。