CN114021458A - 基于并行原型网络的小样本雷达辐射源信号识别方法 - Google Patents

基于并行原型网络的小样本雷达辐射源信号识别方法 Download PDF

Info

Publication number
CN114021458A
CN114021458A CN202111306925.5A CN202111306925A CN114021458A CN 114021458 A CN114021458 A CN 114021458A CN 202111306925 A CN202111306925 A CN 202111306925A CN 114021458 A CN114021458 A CN 114021458A
Authority
CN
China
Prior art keywords
meta
signal
frequency domain
time domain
parallel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111306925.5A
Other languages
English (en)
Other versions
CN114021458B (zh
Inventor
武斌
李鹏
李晓虎
黄静
徐璞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Shengxin Technology Co.,Ltd.
Original Assignee
Xi'an Sensing Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xi'an Sensing Technology Development Co ltd filed Critical Xi'an Sensing Technology Development Co ltd
Priority to CN202111306925.5A priority Critical patent/CN114021458B/zh
Publication of CN114021458A publication Critical patent/CN114021458A/zh
Application granted granted Critical
Publication of CN114021458B publication Critical patent/CN114021458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了基于并行原型网络的小样本雷达辐射源信号识别方法，包括以下步骤：数据集的获得：仿生形成已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集；分别将获取的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集进行傅里叶变换，得到元训练集、元测试集以及测试集；分别依次构建时域和频域的特征提取模块和度量模块，然后将时域和频域的度量模块组合，形成识别模块，以上述模块组合，形成初始并行原型网络；将元训练集和元测试集先后进行训练，得到载有最终权重的并行原型网络；将测试集中获取的测试任务，输入到并行原型网络中，获取得到雷达信号的识别测试结果。

Description

基于并行原型网络的小样本雷达辐射源信号识别方法
技术领域
本发明属于信号处理技术领域，特别涉及一种雷达信号识别方法，可用于电子情报侦察、电子支援和威胁告警系统。
背景技术
随着电子信息领域的发展，电子对抗在电子情报侦察、电子支援和威胁告警系统中发挥着重要作用，雷达辐射源信号识别是电子对抗中的重要环节。
现阶段的雷达调制信号识别多是通过深度学习技术来实现，但是深度学习存在一个严重的问题，即需要大量的数据来支撑网络的训练。然而，新体制雷达的不断涌现和电磁环境的复杂化，导致大量高质量的辐射源信号标注样本难以获得，因此，如何在仅具有少量样本的情况下对同类型辐射源信号进行识别成为了目前学术界的热门研究方向。
当今小样本识别受到大量学者的关注，然而其主要集中在图像领域上，而雷达辐射源识别领域应用资料文献较少。其中，丁辰伟等人在2021年发表《基于小样本条件的雷达辐射源个体识别算法》，该方法对信号进行图像增强后利用对抗生成网络和卷积网络对其进行训练识别，该方法中数据的预处理部分包括短时傅里叶变换获得时频图，对时频图进行截取、灰度化、下采样等操作，存在信号预处理过程繁琐的问题。于浩洋等人在期刊《西安电子科技大学学报》2021年发表的《生成对抗网络小样本雷达调制信号识别算法》中，提出增强深度卷积生成对抗网络，通过改进的生成对抗网络生成与真实数据相近的数据，通过扩大训练数据的方式解决深度网络的训练问题，该类方法需要先后训练用于模拟数据的生成对抗网络和用于分类的卷积神经网络两个网络，需要耗费一定时间。
发明内容
本发明提供了基于并行原型网络的小样本雷达辐射源信号识别方法，其通过以时域和频域输出结果的平均作为最终识别结果，有效利用信号的多个特征对信号进行分辨识别的同时避免直接将时频特征进行结合可能造成的特征冗余，并且以任务训练方式训练并行原型网络，通过不断适应每个具体任务，使并行原型网络在该训练方式下获取如何解决每一个任务的抽象概念，解决小样本问题。
为了实现上述技术效果，本发明通过以下技术方案予以实现。
基于并行原型网络的小样本雷达辐射源信号识别方法，包括以下步骤：
数据集的获得：利用仿生软件，仿生形成时频数据形式的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集；所述已知雷达辐射信号数据集包括CW、LFM、NLFM和BPSK四类信号数据集，所述样本雷达辐射信号数据集和待识别雷达射频信号数据集均包括BFSK、QPSK和QFSK三类信号数据集；
元训练集、元测试集以及测试集的生成：分别将获取的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集进行傅里叶变换，得到时域数据集和频域数据集共同构成的元训练集Da、元测试集Db以及测试集Dc；
初始并行原型网络的生成：分别依次构建时域和频域的特征提取模块和度量模块，然后将时域和频域的度量模块组合，形成识别模块，以识别模块、2个所述度量模块以及2个所述特征提取模块组合，形成初始并行原型网络；
并行原型网络的训练和测试：将元训练集在初始并行原型网络中进行元训练任务的训练，得到第一权重，然后将元测试集在载有第一权重的训练并行原型网络上进行元测试集的继续训练，得到第二权重，用第二权重覆盖第一权重，得到训练好的并行原型网络；
信号识别：将测试集中获取的测试任务，输入到载有第二权重的并行原型网络中，获取得到雷达信号的识别测试结果。
本技术方案中，首先，通过元训练集(即包含雷达辐射信号数据集及其频域数据)训练网络，使网络获得如何解决每一个任务的抽象概念；再通过元测试集(即样本雷达辐射信号数据集及其频域数据)训练网络，使网络在上面已经学会如何解决每一个任务的基础上，学会如何解决当前设置的小样本问题(即识别QPSK,QFSK,BFSK三类信号)，实现对小样本的识别。
本技术方案中，其次，由于CW,LFM,NLFM,BPSK,BFSK,QPSK,QFSK这7类信号属于比较常用的信号类型，故本实验选取这7类信号作为示例说明原理。
这7类信号中可以任意选取几类信号作为“具有大量已知信号”的数据集，几类信号作为“小样本待识别”数据集，两个数据集不能有类别交集，为了模拟大量已知信号样本和小样本。
本技术方案选取BFSK,QPSK,QFSK三类信号作为小样本信号，生成少量的含有这三类信号的数据集作为现在获取的少量标记样本信号(记为B)，同时也生成含有大量这三类信号的数据集作为待识别数据集用以验证本方法的测试识别率(记为C)，并选取剩下的四类作为大量已知信号(记为A)。
通过本技术方案，用这四类大量已知信号集A和三类小样本信号集B训练网络，使网络最终能够识别这三类小样本信号，最后利用信号集C验证本文的小样本识别方法识别率。
本技术方案中，最后，时域和频域信号分别输入各自的特征提取模块，不仅可以更好的提取样本的时域特征和频域特征，并能充分利用小样本的时域和频域信息，为识别提供依据。进而，通过时域和频域度量模块分别计算时域和频域上待识别信号特征与已知信号特征原型的距离作为判断，并通过识别模块平均时域和频域的判断做出最终识别，由于综合了时域和频域的判断，并避免了在前期对时、频特征直接结合进行判断可能造成的特征冗余问题。
作为本发明的进一步改进，所述数据集的获取中，统一信噪比下，每类已知雷达辐射信号数据集、每类样本雷达辐射信号数据集和每类待识别雷达射频信号数据集的信号数量分别是1500-2500个、8-12个以及700-1300个。
本技术方案中，信噪比选择-4dB模拟复杂的信号环境。小样本识别的目的和方法就是在仅有少量标注样本(即B)的情况下，借助大量其他类型的有标注数据(即A)学会如何识别B这些类型的样本，以便在下次采集到这些类型的未标记样本(即C)时可以识别并对其标注。因此，A数量大，B数量小，A每类信号选取2000个模拟大量已知，实际应用时并不规定必须2000个，只要是大量就可以，此处选择2000做实验仿真；B每类信号选取10个模拟少量标注，实际应用时并不规定必须是10个，只是本实验选取10个作为少量，进行试验；C每类选取1000模拟与B同类的未标注样本，实际应用时并不是必须1000个，此处选择1000个做实验仿真，验证本方法的识别率。
作为本发明的进一步改进，所述元训练集、元测试集以及测试集的生成步骤中，还包括标准化处理，所述标准化处理具体为采用z-score标准化方法对元训练集、元测试集及测试集的数据进行预处理，获得均值为0、标准差为1的预处理后的元训练集、元测试集及测试集。
本技术方案中，通过标准化的处理，用以保证不同维度的数据具有相同的分布规模，更利于网络优化，缩短训练时间；由于本技术方案中，有多种类型的数据，进而通过这样的处理，使其更加统一化。
作为本发明的进一步改进，所述并行原型网络的生成中，所述时域特征提取模块包括四个卷积单元和平坦层，四个所述卷积单元中，前3个卷积层均包括卷积层、激活层、批量归一化层和最大池化层，第4个卷积层包括卷积层、激活层和批量归一化层。
本技术方案中，对卷积单元进行规定，使得卷积神经网络通过局部感受野、权重共享和降采样3中策略降低了网络模型的复杂度，减少了网络参数，使网络的适应性更强。
作为本发明的进一步改进，所述初始并行原型网络的生成中，时域和频域的特征提取模块的工作过程为：所述元训练集或元测试集输入任务的时域/频域支持集和时域/频域查询集，输出时域/频域支持集和时域/频域查询集的特征信号。
本技术方案中，时域和频域度量模块搭建方法完全相同，只是输入输出不同：具体地，时域度量模块输入时域支持集和查询集信号特征，输出时域查询集每个信号所属时域支持集每个信号类别的概率；频域度量模块输入频域支持集和查询集的信号特征，输出频域查询集的每个信号所属频域支持集每个信号类别的概率。
作为本发明的进一步改进，所述初始并行原型网络的生成中，所述度量模块的构建具体为：选择欧几里得距离作为度量方法，具有一个激活函数为softmax的激活层，输入时域/频域支持集和时域/频域查询集的信号特征，输出时域查询集的每个信号所属时域支持集每个信号类别的概率。
本技术方案中，时域度量模块和频域度量模块搭建方法完全相同，而通过激活层以及欧几里得等的处理，使得数据规范化，进而最后输出的信号更容易识别。
作为本发明的进一步改进，所述识别模块的形成具体为：通过平均时域与频域识别类别概率，并选取查询集每条信号所述支持集各类别概率中的最大概率作为查询集该条信号的所属类别进行输出。
本技术方案中，通过平均值函数对查询集各信号所属的类别概率进行时、频域判断结果综合，得到综合判断的查询集各信号所属支持集各类别的概率，具体如下：
Figure BDA0003340465810000071
通过最大值函数选取查询集每条信号所述支持集各类别概率中的最大概率作为查询集该条信号的所属类别。
作为本发明的进一步改进，所述初始并行原型网络的生成之后，并行原型网络的训练和测试之前，还包括元训练任务的获取，具体为：
1)在预处理后的元训练集中，在每类信号类型中，均随机抽取八条信号a1,a2,a3,···,a8，将八条信号a1,a2,a3,···,a8中的前三条a1,a2,a3作为时域支持集TSa，后五条a4,a5,···a8作为时域查询集TQa；
2)在预处理后的元训练集中，分别选择时域a1,a2,a3,···,a8八条信号对应的频域信号b1,b2,b3,···,b8，将b1,b2,b3作为频域支持集FSa，b4,b5,···b8作为频域查询集FQa；
3)将所述TSa、TQa、FSa、FQa共同组成元训练任务U；
4)重复步骤1)至步骤3)d次，完成元训练任务U的获取。
本技术方案中，通过多次的元训练任务，使得并行原型网络通过元训练任务学会如何处理不同的任务，获得任务处理的抽象概念，为后续的进一步训练提供好的基础。
作为本发明的进一步改进，所述元训练任务的获取之后，还包括元测试任务的获取，具体为：
a)在预处理后的元测试集Db的三类信号中，每类信号中，均随机抽取e1,e2,e3,···,e8八条信号，将e1,e2,e3作为时域支持集TSb，e4,e5,···e8作为时域查询集TQb；
b)在预处理后的元测试集Db频域信号的BFSK，QPSK，QFSK这三类信号中，分别选择6.1.1)中时域e1,e2,e3,···,e8八条信号对应的频域信号c1,c2,c3,···,c8，将c1,c2,c3作为频域支持集FSb，c4,c5,···c8作为频域查询集FQb；
c)将a)和b)中的TSb、TQb、FSb、FQb共同组成元测试任务W；
d)重复步骤a)至c)p次，获取p个元测试任务。
本技术方案中，通过多次的元测试任务，使得使得并行网络在已有上面任务处理抽象概念的基础上通过元训练任务学会如何解决当前的小样本问题，为后续的测试提供好的基础。
作为本发明的进一步改进，所述信号识别前，还包括测试任务的获取，具体为：
A)在预处理后的元测试Db时域信号的三类信号中，每类信号中，均随机抽取q1,q2,q3三条信号作为时域支持集TSc，将预处理后的测试集中三类信号的所有时域信号作为时域查询集TQc；
B)在预处理后的元测试集Db频域信号的BFSK，QPSK，QFSK这三类信号中，分别选择A)中时域q1,q2,q3三条信号对应的频域信号u1,u2,u3，将c1,c2,c3作为频域支持集FSc，将预处理后的测试集Dc中BFSK，QPSK，QFSK这三类信号的所有频域信号作为频域查询集FQc；
C)将A)和B)中的TSc、TQc、FSc、FQc共同组成测试任务R。
本技术方案中，对于测试任务也进行多册的预处理等，确保方案最优化。
附图说明
图1为本发明提供的基于并行原型网络的小样本雷达辐射源信号识别方法的流程图；
图2为本发明提供的实施例3中的流程图；
图3为本发明提供的并行原型网络的结构图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
在本实施例的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制
此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。
实施例1
参照附图1所示，本实施例中，基于并行原型网络的小样本雷达辐射源信号识别方法，包括以下步骤：
数据集的获得：利用仿生软件，仿生形成时频数据形式的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集；所述已知雷达辐射信号数据集包括CW、LFM、NLFM和BPSK四类信号数据集，所述样本雷达辐射信号数据集和待识别雷达射频信号数据集均包括BFSK、QPSK和QFSK三类信号数据集；
元训练集、元测试集以及测试集的生成：分别将获取的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集进行傅里叶变换，得到时域数据集和频域数据集共同构成的元训练集Da、元测试集Db以及测试集Dc；
初始并行原型网络的生成：分别依次构建时域和频域的特征提取模块和度量模块，然后将时域和频域的度量模块组合，形成识别模块，以识别模块、2个所述度量模块以及2个所述特征提取模块组合，形成初始并行原型网络；
并行原型网络的训练和测试：将元训练集在初始并行原型网络中进行元训练任务的训练，得到第一权重，然后将元测试集在载有第一权重的训练并行原型网络上进行元测试集的继续训练，得到第二权重，用第二权重覆盖第一权重，得到训练好的并行原型网络；
信号识别：将测试集中获取的测试任务，输入到载有第二权重的并行原型网络中，获取得到雷达信号的识别测试结果。
本实施例中，首先，通过元训练集(即包含雷达辐射信号数据集及其频域数据)训练网络，使网络获得如何解决每一个任务的抽象概念；再通过元测试集(即样本雷达辐射信号数据集及其频域数据)训练网络，使网络在上面已经学会如何解决每一个任务的基础上，学会如何解决当前设置的小样本问题(即识别QPSK,QFSK,BFSK三类信号)，实现对小样本的识别。
本实施例中，其次，由于CW,LFM,NLFM,BPSK,BFSK,QPSK,QFSK这7类信号属于比较常用的信号类型，故本实验选取这7类信号作为示例说明原理。
这7类信号中可以任意选取几类信号作为“具有大量已知信号”的数据集，几类信号作为“小样本待识别”数据集，两个数据集不能有类别交集，为了模拟大量已知信号样本和小样本。
本实施例选取BFSK,QPSK,QFSK三类信号作为小样本信号，生成少量的含有这三类信号的数据集作为现在获取的少量标记样本信号(记为B)，同时也生成含有大量这三类信号的数据集作为待识别数据集用以验证本方法的测试识别率(记为C)，并选取剩下的四类作为大量已知信号(记为A)。
通过本技术方案，用这四类大量已知信号集A和三类小样本信号集B训练网络，使网络最终能够识别这三类小样本信号，最后利用信号集C验证本文的小样本识别方法识别率。
进一步地，本实施例中，已知雷达辐射信号数据集(记为A)是为了模拟已有的有标注的大量数据，样本雷达辐射信号数据集(记为B)模拟已有的有标注的少量数据，A和B类别完全不同，待识别雷达信号数据集(记为C)模拟与B同类的未标注数据。
小样本识别的目的和方法就是在仅有少量标注样本(即B)的情况下，借助大量其他类型的有标注数据(即A)学会如何识别B这些类型的样本，以便在下次采集到这些类型的未标记样本(即C)时可以识别并对其标注。因此，A数量大，B数量小。
本实施例中，最后，时域和频域信号分别输入各自的特征提取模块，不仅可以更好的提取样本的时域特征和频域特征，并能充分利用小样本的时域和频域信息，为识别提供依据。进而，通过时域和频域度量模块分别计算时域和频域上待识别信号特征与已知信号特征原型的距离作为判断，并通过识别模块平均时域和频域的判断做出最终识别，由于综合了时域和频域的判断，并避免了在前期对时、频特征直接结合进行判断可能造成的特征冗余问题。
本发明的技术思路是：对获取的雷达辐射源时域信号进行快速傅里叶变换，并将其时域和频域信号共同送入并行原型网络进行训练，最终以时域和频域输出结果的平均作为最终识别结果，有效利用信号的多个特征对信号进行分辨识别的同时避免直接将时频特征进行结合可能造成的特征冗余，并且，原型网络通过已知信号样本的特征原型与未知样本的特征进行距离计算，可以有效地识别未知样本的信号类型。此外，以任务训练方式训练并行原型网络，通过不断适应每个具体任务，使并行原型网络在该训练方式下获取如何解决每一个任务的抽象概念，解决小样本问题。
实施例2
参照附图1-2所示，本实施例中，针对实施例1的方案，进行细化描述。
本发明的实现方案包括如下：
1)用MATLAB软件仿真生成雷达信号的数据集：
1a)生成元训练集Da，模拟拥有的大量已知雷达辐射源信号(此处，Matlab仿真大量信号，作为已知标签的大量信号)，该数据集包括CW，LFM，NLFM，BPSK共4类信号，每一类信号在SNR＝-4dB下产生2000个信号作为时域数据集，并对该数据集进行快速傅里叶变换，获得信号的频域数据集，时域数据集和频域数据集共同构成本实验的元训练集Da；
1b)生成元测试集Db，模拟仅有的少量已知雷达辐射源信号，该数据集包括BFSK，QPSK，QFSK共3类信号，每一类信号在SNR＝-4dB下产生10个信号作为时域数据集，并对该数据集进行快速傅里叶变换，获得信号的频域数据集，时域数据集和频域数据集共同构成本实验的元测试集Db；
1c)生成测试集Dc，模拟待识别的雷达辐射源信号，该数据集包括BFSK，QPSK，QFSK共3类信号，每一类信号在SNR＝-4dB下产生1000个信号作为时域数据集，并对该数据集进行快速傅里叶变换，获得信号的频域数据集，时域数据集和频域数据集共同构成本实验的测试集Dc；
2)通过z-score标准化方法对元训练集Da、元测试集Db及测试集Dc的数据进行预处理，获得均值为0、标准差为1的预处理后的元训练集Da、元测试集Db及测试集Dc，用以保证不同维度的数据具有相同的分布规模，更利于网络优化，缩短训练时间；
3)在预处理后的元训练集Da中获取d个元训练任务U；
4)构建并行原型网络：
4a)搭建特征提取模块：特征提取模块包含时域特征提取模块和频域特征提取模块，构建方法如下：
4a1)时域特征提取模块具有四个卷积单元和一个平坦层，其中第一、二、三个卷积单元构造相同(第四个卷积单元通过减少滤波器个数浓缩信号特征，使其更简洁)，卷积单元组成均为卷积层、激活层、批量归一化层和最大池化层，其中，卷积层的卷积核大小为16，滤波器个数为64，步长为1；池化层池化大小为3，步长为3；激活层选择激活函数为relu；第四个卷积单元由卷积层、激活层和批量归一化层组成，其中，卷积层的卷积核大小为16，滤波器个数为16，步长为1；激活层选择激活函数为relu；
4a2)频域特征提取模块搭建方法同4a1)；
此处，卷积单元利用卷积层充分提取信号的局部特征；利用激活层将特征映射到高维的非线性区间，解决线性模型所不能解决的问题；利用批量归一化层加快网络的训练和收敛速度，降低梯度爆炸和梯度消失情况的发生；利用池化层在保留主要特征的同时减少参数，即对特征进行降维，提高模型泛化能力。卷积单元这样设置，既保证了输入信号特征能被有效提取，也能防止网络的过拟合，并且提高训练速度。
4b)搭建度量模块：度量模块包含时域度量模块和频域度量模块，构建方法如下：
4b1)时域度量模块选择欧几里得距离作为度量方法，并具有一个激活函数为softmax的激活层；
4b2)频域度量模块搭建方法同4b1)；
4c)搭建识别模块，该模块由平均值函数和最大值函数构成，通过对时域和频域度量模块的输出进行平均计算，综合时域和频域量模块的输出，并取对时域和频域度量模块的输出进行平均计算之后的最大值索引作为最后的识别结果；
4d)对4a)、4b)、4c)共同组成并行原型网络；
5)对4)搭建好的并行原型网络进行训练，训练过程如下：
将3)中的任务输入4)搭建好的并行原型网络，对并行原型网络进行训练，直到识别正确率达到预期，停止训练，保存并行原型网络权重M；
6)对5)训练好的网络模型继续训练，训练过程如下：
6a)在预处理后的元测试集Db中获取p个元测试任务W；
6b)在4)的并行原型网络中载入5)获得的并行原型网络权重M，将6a)中的任务输入并行原型网络，对并行原型网络进行训练，直到识别正确率达到预期，停止训练，保存训练好的并行原型网络权重K；
7)载入6)获得的并行原型网络权重K，进行测试，测试过程如下：
7a)在预处理后的元测试集Db和测试集Dc中获取测试任务R；
7b)将7a)中的任务R输入载入并行原型网络权重K的并行原型网络，获得辐射源信号识别测试结果。
本发明具有如下优点：
1)本发明将原型网络应用于小样本雷达辐射源识别，解决在雷达辐射元信号识别领域的小样本识别应用较少的问题；
2)本发明改进原型网络，构建并行原型网络，分别输入时域信号和频域信号，综合高效利用小样本特征，实现雷达辐射源小样本识别并提高识别率；
3)本发明通过平均时域和频域识别结果作为最终识别结果，而非进行时频特征结合，避免特征融合可能造成的冗余问题。
实施例3
本实施例中，以具体参数为主进行介绍。
参照图1-3，本实施例的实现包括如下步骤：
步骤1：用MATLAB软件仿真生成雷达信号数据集。
1.1)生成元训练集Da，模拟拥有的大量已知雷达辐射源信号：
1.1.1)生成元训练集Da的时域数据集，该数据集包括CW，LFM，NLFM，BPSK共4种类信号，每一类在-4dB条件下产生2000个时域信号，则共8000个信号作为时域数据集进行实验，信号设置如表1所示：
表1 Da信号参数设置
Figure BDA0003340465810000171
Figure BDA0003340465810000181
统一采样频率fs为1GHz，脉宽PW设置为1.025us，采样点数为1025个点，NLFM信号的调制信号频率f设置为10MHz。为使仿真信号更接近原始雷达辐射源信号，载频fc、信号带宽BW、编码方式等信号调制参数不取固定参数，其中，四类信号的载频fc均在180～220MHz间随机取值，LFM信号带宽BW在9～11MHz间随机取值，BPSK信号的巴克码位数在5，7，11，13四种选择中随机确定；参照表1中，载频fc、信号带宽BW、编码方式等信号调制参数不取固定参数，以使仿真信号更接近真实雷达辐射源信号。
本实施例中，信噪比选择-4dB模拟复杂的信号环境。小样本识别的目的和方法就是在仅有少量标注样本(即B)的情况下，借助大量其他类型的有标注数据(即A)学会如何识别B这些类型的样本，以便在下次采集到这些类型的未标记样本(即C)时可以识别并对其标注。因此，A数量大，B数量小，A每类信号选取2000个模拟大量已知，实际应用时并不规定必须2000个，只要是大量就可以，此处选择2000做实验仿真；B每类信号选取10个模拟少量标注，实际应用时并不规定必须是10个，只是本实验选取10个作为少量，进行试验；C每类选取1000模拟与B同类的未标注样本，实际应用时并不是必须1000个，此处选择1000个做实验仿真，验证本方法的识别率。
1.1.2)对1.1.1)产生的元训练集Da的时域数据集进行快速傅里叶变换，得到具有8000个信号的频域数据集；
1.1.3)1.1.1)的时域数据集和1.1.2)的频域数据集组成本实验的元训练集Da；
1.2)生成元测试集Db，模拟仅有的少量已知雷达辐射源信号：
1.2.1)生成元测试集Db的时域数据集，该数据集包括BFSK，QPSK，QFSK共3类信号，每一类在-4dB条件下产生10个时域信号，则共30个信号作为时域数据集进行实验，信号设置如表2所示：
表2 Db信号参数设置
Figure BDA0003340465810000191
Figure BDA0003340465810000201
统一采样频率fs为1GHz，脉宽PW设置为1.025us，采样点数为1025个点，BPSK信号的两个载频fc1、fc2分别在80～120MHz、130～170MHz间随机取值，巴克码位数在5，7，11，13四种选择中随机确定；QPSK信号载频fc在180～220MHz间随机取值，采用16位Frank码；QFSK四个载频fc1、fc2、fc3、fc4分别在80～120MHz、130～170MHz、180～220MHz、230～270MHz间随机取值，采用16位Frank码；
1.2.2)对1.2.1)产生的元测试集Db的时域数据集进行快速傅里叶变换，得到具有30个信号的频域数据集；
1.2.3)1.2.1)的时域数据集和1.2.2)的频域数据集组成本实验的元测试集Db；
1.3)生成测试集Dc，模拟待识别的雷达辐射源信号：
数据集包括BFSK，QPSK，QFSK共3类信号，每一类信号在SNR＝-4dB下产生1000个信号作为时域数据集，则共3000个信号作为时域数据集进行实验，信号设置如表2所示；
1.3.2)对1.3.1)产生的测试集Dc的时域数据集进行快速傅里叶变换，得到具有3000个信号的频域数据集；
1.3.3)1.3.1)的时域数据集和1.3.2)的频域数据集组成本实验的测试集Dc；
步骤2：对元训练集Da、元测试集Db及测试集Dc进行预处理。
通过z-score标准化方法对元训练集Da、元测试集Db及测试集Dc进行预处理，获得均值为0、标准差为1的预处理后的元训练集Da、元测试集Db及测试集Dc，用以保证不同维度的数据具有相同的分布规模，更利于网络优化，缩短训练时间；
其中，z-score标准化方法如下：
设某条信号的序列为x＝[x1,x2,x3,···,xn]，其中N为采样点数。以第i个采样点为例，标准化之后的采样值
Figure BDA0003340465810000211
为：
Figure BDA0003340465810000212
其中，xi是信号序列x的第i个采样点，
Figure BDA0003340465810000213
是该条信号序列的平均值，s是该条信号序列的标准差，其计算表达式如下：
Figure BDA0003340465810000214
Figure BDA0003340465810000215
本实施例中，通过标准化的处理，用以保证不同维度的数据具有相同的分布规模，更利于网络优化，缩短训练时间；由于本实施例中，有多种类型的数据，进而通过这样的处理，使其更加统一化。
步骤3：在预处理后的元训练集Da中获取d个元训练任务U。
3.1)在预处理后的元训练集Da中的CW，LFM，NLFM，BPSK四类信号中随机抽取A1,A2,A3三个类型；
3.2)在预处理后的元训练集Da时域信号的A1,A2,A3这三类信号中，分别随机抽取a1,a2,a3,···,a8八条信号，将a1,a2,a3作为时域支持集TSa，a4,a5,···a8作为时域查询集TQa；
3.3)在预处理后的元训练集Da频域信号的A1,A2,A3这三类信号中，分别选择3.2)中时域a1,a2,a3,···,a8八条信号对应的频域信号b1,b2,b3,···,b8，将b1,b2,b3作为频域支持集FSa，b4,b5,···b8作为频域查询集FQa；
3.4)3.2)和3.3)中的TSa、TQa、FSa、FQa共同组成元训练任务U；
3.5)重复步骤3.1)至3.4)d次，；
步骤4：构建并行原型网络。
4.1)搭建特征提取模块：特征提取模块包含时域特征提取模块和频域特征提取模块，构建方法如下：
4.1.1)时域特征提取模块具有四个卷积单元和一个平坦层，输入第i个训练任务U的时域支持集TSa和时域查询集TQa，输出时域支持集TSa和时域查询集TQa的信号特征；
其中第一、二、三个卷积单元构造相同，卷积单元组成均为卷积层、激活层、批量归一化层和最大池化层，其中，卷积层的卷积核大小为16，滤波器个数为64，步伐为1；池化层池化大小为3，步伐为3；激活层选择激活函数为relu；第四个卷积单元由卷积层、激活层和批量归一化层组成，其中，卷积层的卷积核大小为16，滤波器个数为16，步伐为1；激活层选择激活函数为relu；
4.1.2)频域特征提取模块搭建方法同4.1.1)，输入第i个训练任务U的频域支持集FSa和频域查询集FQa，输出频域支持集FSa和频域查询集FQa的信号特征；
此处，时域和频域度量模块搭建方法完全相同，只是输入输出不同：具体地，时域度量模块输入时域支持集和查询集信号特征，输出时域查询集每个信号所属时域支持集每个信号类别的概率；频域度量模块输入频域支持集和查询集的信号特征，输出频域查询集的每个信号所属频域支持集每个信号类别的概率。
4.2)搭建度量模块：度量模块包含时域度量模块和频域度量模块，构建方法如下：
4.2.1)时域度量模块选择欧几里得距离作为度量方法，具有一个激活函数为softmax的激活层，输入时域支持集TSa和时域查询集TQa的信号特征，输出时域查询集TQa的每个信号所属时域支持集TSa每个信号类别的概率；
4.2.2)频域度量模块搭建方法同4.2.1)，输入频域支持集FSa和频域查询集FQa的信号特征，输出频域查询集FQa的每个信号所属频域支持集FSa每个信号类别的概率；
此处具体是，通过平均时域与频域识别类别概率，并选取查询集每条信号所述支持集各类别概率中的最大概率作为查询集该条信号的所属类别进行输出。
本实施例中，通过平均值函数对查询集各信号所属的类别概率进行时、频域判断结果综合，得到综合判断的查询集各信号所属支持集各类别的概率，具体如下：
Figure BDA0003340465810000241
通过最大值函数选取查询集每条信号所述支持集各类别概率中的最大概率作为查询集该条信号的所属类别。
4.3)搭建识别模块，该模块由平均值函数和最大值函数构成，通过对时域和频域度量模块的输出进行平均计算，平均时域和频域的识别结果，综合时域和频域的判断，选择平均结果中概率最大的类别作为查询集的最终类别，而非进行时频特征结合，避免特征融合可能造成的冗余问题，计算识别准确率；
4.4)4.1)、4.2)、4.3)共同组成并行原型网络；
步骤5：训练并行原型网络。
将步骤3中的任务输入步骤4搭建好的并行原型网络，训练并行原型网络，直到识别正确率达到预期，停止训练，保存并行原型网络权重M；
步骤6：对步骤4的并行原型网络载入并行原型网络权重M，继续训练并行原型网络。
6.1)在预处理后的元测试集中获取p个元测试任务W，获取方法如下：
6.1.1)在预处理后的元测试集Db时域信号的BFSK，QPSK，QFSK这三类信号中，分别随机抽取e1,e2,e3,···,e8八条信号，将e1,e2,e3作为时域支持集TSb，e4,e5,···e8作为时域查询集TQb；
6.1.2)在预处理后的元测试集Db频域信号的BFSK，QPSK，QFSK这三类信号中，分别选择6.1.1)中时域e1,e2,e3,···,e8八条信号对应的频域信号c1,c2,c3,···,c8，将c1,c2,c3作为频域支持集FSb，c4,c5,···c8作为频域查询集FQb；
6.1.3)6.1.1)和6.1.2)中的TSb、TQb、FSb、FQb共同组成元测试任务W；
6.1.4)重复步骤6.1.1)至6.1.3)p次，获取p个元测试任务；
6.2)在步骤4的并行原型网络中载入步骤5获得的并行原型网络权重M，将6.1)中的任务输入并行原型网络，训练并行原型网络，直到识别正确率达到预期，停止训练，保存训练好的并行原型网络权重K；
步骤7：对步骤4的并行原型网络载入并行原型网络权重K，进行测试。
7.1)获取测试任务R，获取方式如下：
7.1.1)在预处理后的元测试集Db时域信号的BFSK，QPSK，QFSK这三类信号中，分别随机抽取q1,q2,q3三条信号作为时域支持集TSc，将预处理后的测试集Dc中BFSK，QPSK，QFSK这三类信号的所有时域信号作为时域查询集TQc；
7.1.2)在预处理后的元测试集Db频域信号的BFSK，QPSK，QFSK这三类信号中，分别选择7.1.1)中时域q1,q2,q3三条信号对应的频域信号u1,u2,u3，将c1,c2,c3作为频域支持集FSc，将预处理后的测试集Dc中BFSK，QPSK，QFSK这三类信号的所有频域信号作为频域查询集FQc；
7.1.3)7.1.1)和7.1.2)中的TSc、TQc、FSc、FQc共同组成测试任务R；
7.2)将7.1)中的任务R输入载入并行原型网络权重K的并行原型网络，获得辐射源信号识别测试结果。
本发明能充分利用并有效提取雷达辐射源小样本信号特征，并有较好的识别率，可用于雷达辐射源小样本信号的识别。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将权利要求落在等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，包括以下步骤：
数据集的获得：利用仿生软件，仿生形成时频数据形式的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集；所述已知雷达辐射信号数据集包括CW、LFM、NLFM和BPSK四类信号数据集，所述样本雷达辐射信号数据集和待识别雷达射频信号数据集均包括BFSK、QPSK和QFSK三类信号数据集；
元训练集、元测试集以及测试集的生成：分别将获取的已知雷达辐射信号数据集、样本雷达辐射信号数据集和待识别雷达射频信号数据集进行傅里叶变换，得到时域数据集和频域数据集共同构成的元训练集Da、元测试集Db以及测试集Dc；
初始并行原型网络的生成：分别依次构建时域和频域的特征提取模块和度量模块，然后将时域和频域的度量模块组合，形成识别模块，以识别模块、2个所述度量模块以及2个所述特征提取模块组合，形成初始并行原型网络；
并行原型网络的训练和测试：将元训练集在初始并行原型网络中进行元训练任务的训练，得到第一权重，然后将元测试集在载有第一权重的训练并行原型网络上进行元测试集的继续训练，得到第二权重，用第二权重覆盖第一权重，得到训练好的并行原型网络；
信号识别：将测试集中获取的测试任务，输入到载有第二权重的并行原型网络中，获取得到雷达信号的识别测试结果。
2.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述数据集的获取中，统一信噪比下，每类已知雷达辐射信号数据集、每类样本雷达辐射信号数据集和每类待识别雷达射频信号数据集的信号数量分别是1500-2500个、8-12个以及700-1300个。
3.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述元训练集、元测试集以及测试集的生成步骤中，还包括标准化处理，所述标准化处理具体为采用z-score标准化方法对元训练集、元测试集及测试集的数据进行预处理，获得均值为0、标准差为1的预处理后的元训练集、元测试集及测试集。
4.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述并行原型网络的生成中，所述时域特征提取模块包括四个卷积单元和平坦层，四个所述卷积单元中，前3个卷积层均包括卷积层、激活层、批量归一化层和最大池化层，第4个卷积层包括卷积层、激活层和批量归一化层。
5.根据权利要求4所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述初始并行原型网络的生成中，时域和频域的特征提取模块的工作过程为：所述元训练集或元测试集输入任务的时域/频域支持集和时域/频域查询集，输出时域/频域支持集和时域/频域查询集的特征信号。
6.根据权利要求5所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述初始并行原型网络的生成中，所述度量模块的构建具体为：选择欧几里得距离作为度量方法，具有一个激活函数为softmax的激活层，输入时域/频域支持集和时域/频域查询集的信号特征，输出时域/频域查询集的每个信号所属时域/频域支持集每个信号类别的概率。
7.根据权利要求6所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述识别模块的形成具体为：通过平均时域与频域识别类别概率，并选取查询集每条信号所述支持集各类别概率中的最大概率作为查询集该条信号的所属类别进行输出。
8.根据权利要求7所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述初始并行原型网络的生成之后，并行原型网络的元训练和元测试之前，还包括元训练任务的获取，具体为：
1)在预处理后的四类元训练集中，在每类元训练集中，均随机抽取八条信号a1,a2,a3,···,a8，将八条信号a1,a2,a3,···,a8中的前三条a1,a2,a3作为时域支持集TSa，后五条a4,a5,···a8作为时域查询集TQa；
2)在与处理后的元训练集中，分别选择时域a1,a2,a3,···,a8八条信号对应的频域信号b1,b2,b3,···,b8，将b1,b2,b3作为频域支持集FSa，b4,b5,···b8作为频域查询集FQa；
3)将所述TSa、TQa、FSa、FQa共同组成元训练任务U；
4)重复步骤1)至步骤3)d次，完成元训练任务U的获取。
9.根据权利要求8所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述元训练任务的获取之后，还包括元测试任务的获取，具体为：
a)在预处理后的元测试集Db的三类信号中，每类信号中，均随机抽取e1,e2,e3,···,e8八条信号，将e1,e2,e3作为时域支持集TSb，e4,e5,···e8作为时域查询集TQb；
b)在预处理后的元测试集Db频域信号的BFSK，QPSK，QFSK这三类信号中，分别选择a)中时域e1,e2,e3,···,e8八条信号对应的频域信号c1,c2,c3,···,c8，将c1,c2,c3作为频域支持集FSb，c4,c5,···c8作为频域查询集FQb；
c)将a)和b)中的TSb、TQb、FSb、FQb共同组成元测试任务W；
d)重复步骤a)至c)p次，获取p个元测试任务。
10.根据权利要求1-9任意之一所述的基于并行原型网络的小样本雷达辐射源信号识别方法，其特征在于，所述信号识别前，还包括测试任务的获取，具体为：
A)在预处理后的元测试Db时域信号的三类信号中，每类信号中，均随机抽取q1,q2,q3三条信号作为时域支持集TSc，将预处理后的测试集中三类信号的所有时域信号作为时域查询集TQc；
B)在预处理后的元测试集Db频域信号的BFSK，QPSK，QFSK这三类信号中，分别选择A)中时域q1,q2,q3三条信号对应的频域信号u1,u2,u3，将c1,c2,c3作为频域支持集FSc，将预处理后的测试集Dc中BFSK，QPSK，QFSK这三类信号的所有频域信号作为频域查询集FQc；
C)将A)和B)中的TSc、TQc、FSc、FQc共同组成测试任务R。
CN202111306925.5A 2021-11-05 2021-11-05 基于并行原型网络的小样本雷达辐射源信号识别方法 Active CN114021458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111306925.5A CN114021458B (zh) 2021-11-05 2021-11-05 基于并行原型网络的小样本雷达辐射源信号识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111306925.5A CN114021458B (zh) 2021-11-05 2021-11-05 基于并行原型网络的小样本雷达辐射源信号识别方法

Publications (2)

Publication Number Publication Date
CN114021458A true CN114021458A (zh) 2022-02-08
CN114021458B CN114021458B (zh) 2022-11-04

Family

ID=80061605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111306925.5A Active CN114021458B (zh) 2021-11-05 2021-11-05 基于并行原型网络的小样本雷达辐射源信号识别方法

Country Status (1)

Country Link
CN (1) CN114021458B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219804A (zh) * 2022-02-22 2022-03-22 汉斯夫(杭州)医学科技有限公司 一种基于原型分割网络的小样本牙齿检测方法及存储介质
CN114844767A (zh) * 2022-04-27 2022-08-02 中国电子科技集团公司第五十四研究所 一种基于对抗生成网络的告警数据生成方法
CN114925720A (zh) * 2022-04-20 2022-08-19 西安电子科技大学 基于时空混合特征提取网络的小样本调制信号识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10361802B1 (en) * 1999-02-01 2019-07-23 Blanding Hovenweep, Llc Adaptive pattern recognition based control system and method
CN110276394A (zh) * 2019-06-21 2019-09-24 扬州大学 一种小样本下基于深度学习的电力设备分类方法
CN110378205A (zh) * 2019-06-06 2019-10-25 西安电子科技大学 一种基于改进型cnn网络的复杂雷达辐射源识别算法
CN110414554A (zh) * 2019-06-18 2019-11-05 浙江大学 一种基于多模型改进的Stacking集成学习鱼类识别方法
CN110879989A (zh) * 2019-11-22 2020-03-13 四川九洲电器集团有限责任公司 基于小样本机器学习模型的ads-b信号目标识别方法
CN111783558A (zh) * 2020-06-11 2020-10-16 上海交通大学 一种卫星导航干扰信号类型智能识别方法及系统
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN112884059A (zh) * 2021-03-09 2021-06-01 电子科技大学 一种融合先验知识的小样本雷达工作模式分类方法
CN112990334A (zh) * 2021-03-29 2021-06-18 西安电子科技大学 基于改进原型网络的小样本sar图像目标识别方法
CN113435247A (zh) * 2021-05-18 2021-09-24 西安电子科技大学 一种通信干扰智能识别方法、系统及终端
CN113553988A (zh) * 2021-08-03 2021-10-26 同济大学 一种基于复数神经网络和注意力机制的模拟信号识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10361802B1 (en) * 1999-02-01 2019-07-23 Blanding Hovenweep, Llc Adaptive pattern recognition based control system and method
CN110378205A (zh) * 2019-06-06 2019-10-25 西安电子科技大学 一种基于改进型cnn网络的复杂雷达辐射源识别算法
CN110414554A (zh) * 2019-06-18 2019-11-05 浙江大学 一种基于多模型改进的Stacking集成学习鱼类识别方法
CN110276394A (zh) * 2019-06-21 2019-09-24 扬州大学 一种小样本下基于深度学习的电力设备分类方法
CN110879989A (zh) * 2019-11-22 2020-03-13 四川九洲电器集团有限责任公司 基于小样本机器学习模型的ads-b信号目标识别方法
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN111783558A (zh) * 2020-06-11 2020-10-16 上海交通大学 一种卫星导航干扰信号类型智能识别方法及系统
CN112884059A (zh) * 2021-03-09 2021-06-01 电子科技大学 一种融合先验知识的小样本雷达工作模式分类方法
CN112990334A (zh) * 2021-03-29 2021-06-18 西安电子科技大学 基于改进原型网络的小样本sar图像目标识别方法
CN113435247A (zh) * 2021-05-18 2021-09-24 西安电子科技大学 一种通信干扰智能识别方法、系统及终端
CN113553988A (zh) * 2021-08-03 2021-10-26 同济大学 一种基于复数神经网络和注意力机制的模拟信号识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DIYANG LIU等: "Prototypical Network for Radar Image Recognition with Few Samples", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 *
JAKE SNELL等: "Prototypical Networks for Few-shot Learning", 《ARXIV》 *
ZILIN ZHANG等: "Few-Shot Learning of Signal Modulation Recognition based on Attention Relation Network", 《2020 28TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO)》 *
吴琼: "基于改进CNN的雷达辐射源识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
殷雪凤等: "基于深度学习的雷达辐射源识别算法", 《航天电子对抗》 *
秦嘉: "基于深度学习的通信辐射源个体识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219804A (zh) * 2022-02-22 2022-03-22 汉斯夫(杭州)医学科技有限公司 一种基于原型分割网络的小样本牙齿检测方法及存储介质
CN114219804B (zh) * 2022-02-22 2022-05-24 汉斯夫(杭州)医学科技有限公司 一种基于原型分割网络的小样本牙齿检测方法及存储介质
CN114925720A (zh) * 2022-04-20 2022-08-19 西安电子科技大学 基于时空混合特征提取网络的小样本调制信号识别方法
CN114844767A (zh) * 2022-04-27 2022-08-02 中国电子科技集团公司第五十四研究所 一种基于对抗生成网络的告警数据生成方法

Also Published As

Publication number Publication date
CN114021458B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN114021458B (zh) 基于并行原型网络的小样本雷达辐射源信号识别方法
CN109597043B (zh) 基于量子粒子群卷积神经网络的雷达信号识别方法
CN114429156B (zh) 雷达干扰多域特征对抗学习与检测识别方法
CN106355151A (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN110532932A (zh) 一种多分量雷达信号脉内调制方式识别方法
CN111368930B (zh) 基于多类谱图融合与分级学习的雷达人体姿态识别方法及系统
CN109711314B (zh) 基于特征融合与sae的雷达辐射源信号分类方法
CN110933633B (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN111414953A (zh) 点云分类方法和装置
CN114595732A (zh) 基于深度聚类的雷达辐射源分选方法
CN105510970A (zh) 获取地震相最佳分类数目的方法
CN113673312A (zh) 基于深度学习的雷达信号脉内调制识别方法
CN114943245A (zh) 一种基于数据增强和特征嵌入的自动调制识别方法和装置
CN115034261A (zh) 雷达辐射源信号脉间特征提取方法、设备及存储介质
CN113239959A (zh) 基于解耦表征变分自编码机的雷达hrrp目标识别方法
CN112946600B (zh) 基于wgan-gp的雷达hrrp数据库构建方法
CN117973201A (zh) 基于深度学习的大地电磁各向异性识别方法、设备和介质
Feng et al. FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification
CN113567975A (zh) 基于涡旋电磁波模态扫描的人体快速安检方法
CN112766381A (zh) 有限样本下属性引导的sar图像生成方法
CN115101149B (zh) 材料微观结构总能量预测方法
Cao et al. Deep representation method for radar emitter signal using wavelet packets decomposition
CN115712867A (zh) 一种多分量雷达信号调制识别方法
Si et al. Radar signal recognition and localization based on multiscale lightweight attention model
CN116466314A (zh) 一种雷达个体分选方法、装置、存储介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 710075 floor 5, block B, productivity building, No. 3, electronic West Street, electronic industrial park, high tech Zone, Xi'an, Shaanxi Province

Patentee after: Xi'an Shengxin Technology Co.,Ltd.

Address before: 710075 floor 5, block B, productivity building, No. 3, electronic West Street, electronic industrial park, high tech Zone, Xi'an, Shaanxi Province

Patentee before: XI'AN SENSING TECHNOLOGY DEVELOPMENT CO.,LTD.

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Room 810, Building C, 8th Floor, Chuangye Building, No. 16 Gaoxin 1st Road, Xi'an City, Shaanxi Province, 710065

Patentee after: Xi'an Shengxin Technology Co.,Ltd.

Address before: 710075 floor 5, block B, productivity building, No. 3, electronic West Street, electronic industrial park, high tech Zone, Xi'an, Shaanxi Province

Patentee before: Xi'an Shengxin Technology Co.,Ltd.