CN110879989A - 基于小样本机器学习模型的ads-b信号目标识别方法 - Google Patents

Abstract

本发明公开了一种基于小样本机器学习模型的ads‑b信号目标识别方法，首先采集不同目标的ads‑b信号作为训练样本，并对数据进行预处理，构建训练集、验证集和测试集；其次，构建基于卷积神经网络和度量学习的小样本机器学习模型；然后，用训练集对小样本机器学习模型进行训练，并在训练过程中用验证集对模型进行验证，当验证训练达到设定准确率后，固化模型；最后，测试模型，输入实时的ads‑b信号，输出相应的分类标签，最终得到目标所属的类别。采用本发明提供的方法克服了传统机器学习方法需要大量标记样本训练模型的缺点，实现成本低，具有很高的实时性和高效性，可节约大量人力物力。

Description

基于小样本机器学习模型的ads-b信号目标识别方法

技术领域

本发明涉及ads-b信号处理技术领域，具体涉及一种基于小样本机器学习模型的ads-b信号目标识别方法。

背景技术

ads-b(ADS-B系统是广播式自动相关监视系统的简称)是一种应用于空中交通监管的技术手段，具有监视精度高、信息更新率快、地面设备建设和维护成本低等优点，可用于在无雷达覆盖区域提供ATC监视，机场场面监视以及未来空-空监视等应用服务，因此，ads-b信号的信号处理技术是空中管制系统的一个重要研究方向。

随着技术的发展、计算能力的不断提高，基于人工智能的分类识别方法在图像、语音等诸多方面取得了极大进展，为全球经济增长做出巨大贡献。作为一类具有庞大参数量的复杂机器学习算法，学习效果需要大量的标注数据支撑，但是越来越多的场景不能够提供充足的样本进行学习，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于每个电磁环境辐射源而言，人们很难获取充足的已知类别的辐射源观测样本数据，因此，小样本情况下的机器学习识别算法研究显得尤为重要。

发明内容

本发明所要解决的技术问题是：传统机器学习分类识别算法在无法提供充足的样本进行学习条件下使用受限，本发明提供了解决上述问题的一种基于小样本机器学习模型的ads-b信号目标识别方法，该方法可有效避免工程应用中数据样本难以采集，标注工作量大等困难，具有高效性和实用性，尤其适用于受环境限制不能够提供充足的样本进行学习的场景。

本发明通过下述技术方案实现：

一种基于小样本机器学习模型的ads-b信号目标识别方法，包括以下步骤：

S1、采集不同机型飞机的ads-b信号，建立样本库；对不同信号进行编号后建立样本库；S2、对步骤S1获得的数据进行预处理后，构建小样本训练集、验证集和测试集；

S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；

S4、用步骤S2构建的训练集对机器学习模型进行训练；

S5、用步骤S2构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型；

S6、测试模型，向固化模型输入ads-b信号，输出相应的分类标签，最终获得目标飞机所属的类别。

相对于传统机器学习方法需要大量标记样本训练模型，本发明只需对少量样本进行标记，利于实现成本低，具有很高的实时性和高效性，可节约大量人力物力。

进一步地，所述步骤S1中，目标ads-b信号包括但不限于目标飞机的经度、纬度、高度和时间信息、以及飞机的识别信息和类别信息。

进一步地，所述步骤S2包括以下步骤：

S21、删除步骤S1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；

S22、取长度为L的矩形框，对步骤S21预处理后获得的样本库的每条ads-b信号进行截取，信号的长度不超过矩形框长度，并对长度不足L的信号进行填充，使每个样本保留同样长度；

S23、对步骤S23获得的样本添加标签进行标记，所述标签为设定的目标机型类别，如标签为结合专家经验人工标注的目标机型类别；

S24、对标记样本进行特征提取。

进一步地，所述S22中，根据ads-b数字信号编码协议，以绝对幅值检测法对清洗后的数据进行同步头检测，阈值设为±0.75，再进行同步头截取；其中，截取长度L>同步头长度。

进一步地，所述特征提取手段包括时域特征提取、频域特征提取和特征融合。

进一步地，所述步骤S3中，卷积神经网络是信号检测识别的特征描述子，包括卷积层、池化层、批量归一化层。

进一步地，所述步骤S3中，度量学习是学习一个最邻近分类器，用于使同类样本的相似度大而异类样本的相似度小；通过卷积神经网络将样本映射到高维度量空间，在所述高维度量空间度量样本间的相似性；度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离。

进一步地，所述步骤S3中，机器学习模型的目标是最大化支持样本集S和预测查询样本集B中标签的概率，目标函数为：

θ＝argmax_θE_L～T[E_S～L,B～L[∑_(x,y∈B)logP_θ(y|x,S)]]；

其中，S和B分别为训练集中随机抽取的支持样本集和查询样本集，θ为模型的参数集合，x表示查询样本集B中的样本，y表示x的预测标签，T表示小样本识别任务。

进一步地，所述步骤S6中，通过构建小样本带标签数据集M((x_i,y_i)∈M)，输入一个未知ads-b信号

输出的分类标签

为：

其中，a为步骤S4训练得到的注意力核函数，k为数据集M的类别数，x_i表示数据集M中的标记样本，y_i表示x_i的标签。

本发明具有如下的优点和有益效果：

1、传统机器学习分类识别算法需要庞大的数据体系作支撑，需要耗费较大的人力物理，且模型训练速度慢，操作灵活度较低，本发明提供的方法，只需要相对少量样本就可完成训练，克服了传统机器学习方法需要大量标记样本训练模型的缺点，具有很高的实时性和高效性，可节约大量人力物力，实现低成本、高灵活度操作，且获得的验证结果表示准确率＞90％；

2、针对越来越多的场景不能够提供充足的样本进行学习，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于每个电磁环境辐射源而言，人们很难获取充足的已知类别的辐射源观测样本数据，传统机器学习分类识别算法在这种情况下使用受限。本而发明提供的方法尤其适用于工程应用中数据样本少的情况。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的基于小样本机器学习模型的ads-b信号目标识别方法流程图；

图2为构建模型算法流程图；

图3为骨干网络结构图；

图4为模型训练过程示意图；

图5为模型训练过程精度验证图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

本实施例提供了一种基于小样本机器学习模型的ads-b信号目标识别方法，如图1所示，具体步骤如下所示：

步骤1，采集数据

采集不同机型飞机的ads-b信号，包括但不限于目标飞机的经度、纬度、高度和时间信息、以及飞机的识别信息和类别信息以及其它附加信息等，并分别进行编号，建立样本库；

步骤2，对样本库的数据进行预处理，构建训练集、验证集和测试集

数据预处理，主要包括数据清洗、同步头截取、数据标注和特征提取等步骤。数据清洗的目的是删除原始样本库中的无效数据、重复数据，处理缺失值、异常值。根据ads-b数字信号编码协议，以绝对幅值检测法对清洗后的数据进行同步头检测，阈值设为±0.75(归一化后)，再进行同步头截取，其中，截取长度L>同步头长度。对截取的数据打标签，按相同注册号进行分类，其中标签为结合专家经验人工标注的目标机型类别。对分类后信号进行特征提取并保存，提取方法包括但不限于短时傅里叶变换和小波变换，本次实施中，采用离散小波变换。

数据集划分，本次实施预处理后的数据集包含1000类，每类包含30个ads-b信号，随机选取500类为训练集，250类为验证集，剩余250类为测试集。训练集、验证集和测试集的类别不交叉。

步骤3，构建基于卷积神经网络和度量学习的小样本机器学习模型

小样本机器学习模型由骨干网络和相似性度量两部分组成，算法流程如图2所示。骨干网络采用卷积神经网络作为特征描述子，常用的卷积神经网络包括但不限于Vgg16、残差网络Resnet、Inception，特征金字塔网络FPN等，本实施例采用Conv4对ads-b信号进行特征提取，每个卷积块由64个3*3卷积核的卷积层、批量归一化层、Relu激活函数层和2*2最大池化层组成，输出结果为信号映射到高维空间的特征向量。

相似性度量计算两个样本之间距离的方式有很多，包括但不限于欧氏距离、马氏距离、余弦距离和切比雪夫距离等，本次实施中采用余弦距离计算样本间的相似度，当向量a(x₁₁,x₁₂,x₁₃,…,x_1n)和b(x₂₁,x₂₂,x₂₃,…,x_2n)都在一个向量空间中，则有：

将余弦距离做归一化，a＝softmax(cosθ)，输入样本的预测类别为：

步骤4，用训练集对机器学习模型进行训练

将训练集数据输入小样本机器学习模型，如图4所示，每个训练周期，从训练集中随机抽取N类，每类采样k个样本作为支持集S，b个样本作为查询集Q，训练模型的训练目标是使支持集S预测查询集B中标签的概率最大化，目标函数为：

θ＝argmax_θE_L～T[E_S～L,B～L[∑_(x,y∈B)logP_θ(y|x,S)]]；

其中，θ为模型的参数集合。

训练过程中，定期用验证集进行验证，当模型达到一定准确率后，固化模型参数，验证结果如图5所示，由图可知，验证准确率达到90.57％。

步骤5，测试模型，输入ads-b信号，输出相应的分类标签，最终获得目标所属的类别。

在小样本机器学习模型训练完成后，实时输入ads-b信号，加载训练好的模型参数，可实时输出目标类别。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，包括以下步骤：

S1、采集不同机型飞机的ads-b信号，建立样本库；

S2、对步骤S1获得的数据进行预处理后，构建小样本训练集、验证集和测试集；

S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；

S4、用步骤S2构建的训练集对机器学习模型进行训练；

S5、用步骤S2构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型；

S6、测试模型，向固化模型输入ads-b信号，输出相应的分类标签，最终获得目标飞机所属的类别。

2.根据权利要求1所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S1中，目标ads-b信号包括目标飞机的经度、纬度、高度和时间信息、以及飞机的识别信息和类别信息。

3.根据权利要求1所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S2包括以下步骤：

S21、删除步骤S1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；

S22、取长度为L的矩形框，对步骤S21预处理后获得的样本库的每条ads-b信号进行截取，信号的长度不超过矩形框长度，并对长度不足L的信号进行填充，使每个样本保留同样长度；

S23、对步骤S23获得的样本添加标签进行标记，所述标签为设定的目标机型类别；

S24、对标记样本进行特征提取。

4.根据权利要求3所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述S22中，根据ads-b数字信号编码协议，以绝对幅值检测法对清洗后的数据进行同步头检测，阈值设为±0.75，再进行同步头截取；其中，截取长度L>同步头长度。

5.根据权利要求3所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述特征提取手段包括时域特征提取、频域特征提取和特征融合。

6.根据权利要求1所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S3中，卷积神经网络是信号检测识别的特征描述子，包括卷积层、池化层、批量归一化层。

7.根据权利要求6所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S3中，度量学习是学习一个最邻近分类器，用于使同类样本的相似度大而异类样本的相似度小；通过卷积神经网络将样本映射到高维度量空间，在所述高维度量空间度量样本间的相似性；度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离。

8.根据权利要求1或7所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S3中，机器学习模型的目标是最大化支持样本集S和预测查询样本集B中标签的概率，目标函数为：

θ＝arg max_θE_L～T[E_S～L,B～L[∑_(x,y∈B)log P_θ(y|x,S)]]；

其中，S和B分别为训练集中随机抽取的支持样本集和查询样本集，θ为模型的参数集合，x表示查询样本集B中的样本，y表示x的预测标签，T表示小样本识别任务。

9.根据权利要求1所述的一种基于小样本机器学习模型的ads-b信号目标识别方法，其特征在于，所述步骤S6中，通过构建小样本带标签数据集M((x_i,y_i)∈M)，输入一个未知ads-b信号

输出的分类标签为

其中，a为步骤S4训练得到的注意力核函数，k为数据集M的类别数，x_i表示数据集M中的标记样本，y_i表示x_i的标签。

Images