雷达辐射源个体小样本学习识别方法、系统、装置及介质

1.本发明涉及电磁学领域，尤其涉及一种雷达辐射源个体小样本学习识别方法、系统、装置及介质。


背景技术：

2.在雷达辐射源个体识别领域，传统方法是通过设计和提取手工特征来实现的。然而，随着雷达系统的快速发展，传统方法的性能大幅下降，因此需要研究更先进的技术。
3.近年，深度学习被成功用到了信号识别领域，其基本思路为：首先对信号进行域变换，得到相应的域变换图(如时频图)，然后域变换图作为深度学习网络的输入，完成识别的任务。虽然深度学习在信号识别任务中具有较好的性能，但其仍具有一定的缺陷。首先，要使深度学习模型达到较好的性能，需要大量的标注数据支撑，这在雷达辐射源个体识别领域是比较困难的。由于低截获雷达的存在以及电磁环境中信号交叠严重，因此较难获得高质量的雷达辐射源标注数据。其次，深度学习模型良好的性能一般只针对于在训练集中存在的数据类别，即对新信号类别的泛化性能较差。如果我们需要对新信号类别进行识别，就需要重新设计并训练网络，大幅增加了成本。
4.另外，在雷达辐射源个体识别中，总会存在一些样本识别率较低，这些样本被称为困难样本(hard exemplars)。相反，那些识别准确率较高的样本则被称为简单样本(easy exemplars)。现有模型如关系网络模型在训练的过程中对简单样本与困难样本不做刻意的区分，即两者视为同一种样本来处理，这将导致困难样本的训练不足，限制了模型的性能。


技术实现要素：

5.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种雷达辐射源个体小样本学习识别方法、系统、装置及介质。
6.本发明所采用的技术方案是：
7.一种雷达辐射源个体小样本学习识别方法，包括以下步骤：
8.获取待识别数据集，将待识别数据集划分为支撑集和查询集；
9.将支撑集和查询集输入训练后的小样本学习模型中，获得支撑集样本和查询集样本的关系分数向量；
10.根据获得的关系分数向量对待识别数据集进行数据分类；
11.其中，所述小样本学习模型采用三元组损失关系函数进行训练。
12.进一步地，所述小样本学习模型通过以下方式进行训练：
13.获取训练数据集，将训练数据集划分为支撑集和查询集；
14.将支撑集和查询集输入特征提取网络，输出支撑集特征图和查询集特征图；
15.通过在通道维度上对支撑集特征图和查询集特征图进行连接，获得支撑集-查询集样本对；
16.将支撑集-查询集样本对输入相似网络，获得关系分数；
17.根据关系分数计算三元组损失关系函数，根据三元组损失关系函数对小样本学习模型进行训练。
18.进一步地，所述将支撑集和查询集输入特征提取网络，输出支撑集特征图和查询集特征图，包括：
19.将支撑集样本xi输入特征提取网络，得到支撑集特征图
20.将查询集样本xj输入特征提取网络，得到查询集特征图
21.其中，f(
·
)表示特征提取网络，为特征提取网络的权重；
22.所述通过在通道维度上对支撑集特征图和查询集特征图进行连接，获得支撑集-查询集样本对，包括：
23.通过在通道维度上对支撑集特征图和查询集特征图进行连接，得到支撑集-查询集样本对
24.所述关系分数通过以下公式计算获得：
[0025][0026]
其中，ρ为相似网络的权重，h(
·
)表示相似网络。
[0027]
进一步地，所述三元组损失关系函数包括第一损失函数和第二损失函数；
[0028]
其中，第一损失函数为采用最小均方误差准则而构建的损失函数，通过关系分数和标签示性函数的量化关系来衡量样本之间的相似程度；
[0029]
第二损失函数为三元组损失函数。
[0030]
进一步地，所述第一损失函数的表达式如下：
[0031][0032]
其中，r
i,j
表示支撑集样本i和查询集样本j之间的关系分数，yi,yj分别表示支撑集样本和查询集样本的标签；p
×
k表示支撑集样本总数，p
×
n表示查询集样本总数；
[0033]
所述第二损失函数的表达式如下：
[0034][0035]
其中，n为一个小样本学习任务中三元组的总数，d
p
(i)表示ai与pi之间的欧式距离，dn(i)表示ai与ni之间的欧式距离；ai为三元组的锚样本，对应于支撑集中的样本；pi为锚样本对应的正样本，对应于查询集中与锚样本类别相同的样本；ni为锚样本对应的负样本，对应于查询集中与锚样本类别不同的样本。
[0036]
进一步地，所述特征提取网络包括四个卷积模块，前两个卷积模块包含一个卷积层，一个批标准化层，一个激活函数，以及一个最大池化层，后两个卷积模块包含一个卷积层，一个批标准化层，以及一个激活函数。
[0037]
进一步地，所述相似网络包括卷积模块和两个全连接层，其中，卷积模块包含一个
卷积层，一个批标准化层，一个激活函数，以及一个最大池化层。
[0038]
本发明所采用的另一技术方案是：
[0039]
一种雷达辐射源个体小样本学习识别系统，包括：
[0040]
数据获取模块，用于获取待识别数据集，将待识别数据集划分为支撑集和查询集；
[0041]
向量计算模块，用于将支撑集和查询集输入训练后的小样本学习模型中，获得关系分数向量；
[0042]
数据分类模块，用于根据获得的关系分数向量对待识别数据集进行数据分类；
[0043]
其中，所述小样本学习模型采用三元组损失关系函数进行训练。
[0044]
本发明所采用的另一技术方案是：
[0045]
一种雷达辐射源个体小样本学习识别装置，包括：
[0046]
至少一个处理器；
[0047]
至少一个存储器，用于存储至少一个程序；
[0048]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0049]
本发明所采用的另一技术方案是：
[0050]
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0051]
本发明的有益效果是：本发明采用小样本学习的方法进行辐射源信号识别，能够较好地解决原深度学习模型数据样本不足和泛化能力差的问题。另外，采用三元组损失关系函数对模型进行训练，可增强困难样本的训练，增加困难样本的识别率，提升网络的识别性能，最终提高辐射源的识别能力。
附图说明
[0052]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0053]
图1是本发明实施例中三元组示意图；
[0054]
图2是本发明实施例中基于三元组损失关系网络的小样本学习框架示意图；
[0055]
图3是本发明实施例中三元组损失关系网络网络结构图；
[0056]
图4是本发明实施例中一种雷达辐射源个体小样本学习识别方法的步骤流程图；
[0057]
图5是本发明实施例中模型训练的步骤流程图；
[0058]
图6是本发明实施例中实验验证的步骤流程图；
[0059]
图7是本发明实施例中5-way-5-shot任务的识别准确率示意图。
具体实施方式
[0060]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下
实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0061]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右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的限制。
[0062]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。
[0063]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0064]
1.1、传统的辐射源识别方案
[0065]
传统的辐射源个体识别主要基于专家特征的设计与提取，即通过预先设计相关的指纹特征，然后通过机器学习分类器进行识别。常见的指纹特征有脉冲包络特征，高阶谱特征，相位噪声，器件非线性特征等。由于数据的质量参差不齐(信噪比较低等)以及实测数据的缺乏，使得部分指纹特征的设计和提取存在困难，且较为耗时，导致了传统的辐射源个体识别方法部分或全部失效。
[0066]
1.2、基于深度学习的辐射源识别方案
[0067]
由于深度学习在计算机视觉，语音处理等领域的巨大成功，因此有学者考虑将深度学习用于辐射源个体识别。现有的基本思路如下：首先对雷达辐射源个体信号作域变换，得到相应的变换图，然后将变换图作为深度学习网络的输入，进行雷达辐射源个体的识别。
[0068]
1.3、基于小样本学习的辐射源识别方案
[0069]
对于传统的深度学习方法而言，训练集和测试集所含有的样本类别是相同的，因此模型的识别能力一般只限定于训练集中所含有的数据类别。而小样本学习则不同，其训练集和测试集的样本类别完全不同，两者不存在交集。因此，基于训练集得到的小样本学习模型对测试集的样本具有较好的迁移能力，适合用作雷达辐射源信号识别任务。
[0070]
所以，本实施例采用小样本学习的方法进行辐射源信号识别；小样本学习旨在用少量标注样本进行新数据类别的识别，较好的解决了原深度学习模型数据样本不足和泛化能力差的问题。
[0071]
另外，为了增强困难样本的训练，本发明对关系网络(relation network，rn)的损失函数进行改进，引入基于困难样本选择策略的三元组损失函数。本发明所改进网络称为三元组损失关系网络(triplet loss relation network，tlrn)。本发明的tlrn的目的在于通过增强网络对困难样本的训练，增加困难样本的识别率，从而提升网络的识别性能，最终提高辐射源的识别能力。
[0072]
2.1、小样本学习符号与术语
[0073]
我们用x和y分别表示数据和数据对应的标签，x和y分别表示数据集和数据集对应的标签集。考虑一个小样本学习任务t，该任务处理数据集d＝{d
support
,d
query
}，其中d
support
为支撑集，d
query
为查询集，支撑集和查询集具有相同的数据类别。若任务t的支撑集包含p个数据类别，每个类别包含k个标签样本，则任务t被称为p-way-k-shot任务。对于p-way-k-shot任务而言，数据集x中任选p个数据类别，每个类别中任选k个标签样本，以此来构造支撑集d
support
＝(xi,yi),i＝1,2,
…
,p
×
k，同时在p类中剩余的数据中抽取一批样本构成查询集d
query
＝(xi,yi),i＝1,2,
…
,p
×
n。在小样本学习场景中，数据集将被划分为训练集、测试集和验证集，其中三个数据集的数据类别互不相交。在每一训练轮次中，模型执行不同的p-way-k-shot任务。在特定的训练轮次间隔内，模型将执行多个p-way-k-shot验证任务。在模型完成训练后，模型将在每个测试轮次中执行不同的测试任务。
[0074]
2.2、基于困难样本选择策略的三元组损失函数原理
[0075]
三元组损失函数(triplet loss)的优势在于细节区分。当两个输入相似时，三元组损失函数能较好的对两个输入的细节进行建模，因此其能在极相似任务中有优异的表现。
[0076]
三元组损失函数是基于三元组来实现的。三元组的示意图如图1所示。三元组损失函数的基本思想是：通过损失函数对数据样本的学习与建模，使得锚样本(anchor exemplars)与正样本(positive exemplars)的距离尽可能小，锚样本与负样本(negative exemplars)的距离尽可能大。基于三元组损失的定义，通常会将三元组分为三类，即简单三元组，一般三元组，困难三元组。简单三元组对模型性能的提升没有较大的贡献，反而会导致网络的收敛性和收敛速度降低。一般三元组适合模型的预训练，能够加速模型的收敛。困难三元组适合模型后期的训练，增加模型对困难样本的识别能力，增强细节捕捉能力。对于常规的三元组损失函数而言，三元组是随机选取的，无法确保选取得到的三元组的质量高低，而简单三元组是最容易被选取的，因此这使得三元组损失函数的取值非常不稳定，较大的限制了模型的性能，降低了模型的收敛性。
[0077]
根据上述的分析，本发明需要选取困难三元组，从而增强困难样本的训练，提升模型的性能。在本发明的场景下，锚样本对应于支撑集中的样本，正样本对应于查询集中与锚样本类别相同的样本，负样本对应于查询集中与锚样本类别不同的样本。
[0078]
设三元组的锚样本为ai，其对应的正样本为pi，负样本为ni，则三元组损失函数的表达式如下：
[0079][0080]
其中，m为最大边缘，n为一个小样本学习任务中三元组的总数(在p-way-k-shot任务中，若查询集样本数为p
×
n，则n＝p
×
(p-1)
×
n)，d
p
(i)代表ai与pi之间的欧式距离，dn(i)代表ai与ni之间的欧式距离。
[0081]
由于式(1)以最大边缘作为函数的惩罚项，限制了d
p
(i)与dn(i)之间的距离，且最大边缘的取值依赖于经验和数据集分布，一定程度上影响了模型的收敛性和性能。因此，本发明考虑采用软边缘—三元组损失函数，其表达式如下：
[0082][0083]
其中，n为一个小样本学习任务中三元组的总数，d
p
(i)代表ai与pi之间的欧式距
离，dn(i)代表ai与ni之间的欧式距离。式(2)仅用于训练特征提取网络，即特征提取网络输出的特征直接用于计算式(2)。
[0084]
设特征提取网络输出的特征图为：
[0085][0086]
首先将式(3)展平，则式(3)变为：
[0087][0088]
然后设定锚样本为s
support
，正样本与负样本均为s
query
(正样本与负样本通过与锚样本类别是否相同来区分)。
[0089]
2.3、三元组损失关系网络网络结构
[0090]
如图2所示，为本发明所采用的小样本学习网络框架。该网络框架与关系网络的网络框架相同。该网络框架由特征提取网络和相似网络组成。特征提取网络由四个卷积模块组成。前两个卷积模块包含一个卷积层(64卷积核，卷积核尺寸为3
×
3)，一个批标准化层，一个激活函数(relu)，以及一个最大池化层，后两个卷积模块包含一个卷积层(64卷积核，卷积核尺寸为3
×
3)，一个批标准化层，一个激活函数(relu)。图3为本发明所采用网络的网络结构图。如图3所示，支撑集样本xi输入特征提取网络，得到特征图其中f(
·
)表示特征提取网络，为特征提取网络的权重。查询集样本x输入特征提取网络得到特征图通过在通道维度上连接特征图与得到支撑集-查询集样本对将其输入相似网络得到关系分数：
[0091][0092]
其中ρ为相似网络的权重，h(
·
)表示相似网络。
[0093]
相似网络由卷积模块，两个全连接层组成，卷积模块包含一个卷积层(64卷积核，卷积核尺寸为3
×
3)，一个批标准化层，一个激活函数(relu)以及一个最大池化层。
[0094]
2.4、三元组损失关系网络模型损失函数
[0095]
模型的损失函数由两部分组成，第一部分采用最小均方误差准则来构建损失函数(mean square error，mse)，如式(6)。式(6)通过关系分数和标签示性函数的量化关系来衡量样本之间的相似程度。
[0096][0097]
其中r
i,j
表示支撑集样本i和查询集样本j之间的关系分数，yi,yj分别表示支撑集样本和查询集样本的标签。
[0098]
第二部分为三元组损失函数，其表达式如式(7)：
[0099][0100]
其中n为一个小样本学习任务中三元组的总数，d
p
(i)代表ai与pi之间的欧式距离，dn(i)代表ai与ni之间的欧式距离。(ai为三元组的锚样本，pi为锚样本对应的正样本，ni为锚
样本对应的负样本)
[0101]
模型的损失函数表达式如下：
[0102][0103]
其中，为特征提取网络的权重，ρ为相似网络的权重。
[0104]
基于上述，如图4所示，本实施例提供一种雷达辐射源个体小样本学习识别方法，包括以下步骤：
[0105]
s1、获取待识别数据集，将待识别数据集划分为支撑集和查询集；
[0106]
s2、将支撑集和查询集输入训练后的小样本学习模型中，获得支撑集样本和查询集样本的关系分数向量；其中，所述小样本学习模型采用三元组损失关系函数进行训练。
[0107]
s3、根据获得的关系分数向量对待识别数据集进行数据分类。
[0108]
参见图5，小样本学习模型通过以下方式进行训练：
[0109]
a1、获取训练数据集，将训练数据集划分为支撑集和查询集；
[0110]
a2、将支撑集和查询集输入特征提取网络，输出支撑集特征图和查询集特征图；
[0111]
a3、通过在通道维度上对支撑集特征图和查询集特征图进行连接，获得支撑集-查询集样本对；
[0112]
a4、将支撑集-查询集样本对输入相似网络，获得关系分数；
[0113]
a5、根据关系分数计算三元组损失关系函数，根据三元组损失关系函数对小样本学习模型进行训练。
[0114]
具体地，可通过已有的实测数据和仿真数据进行模型的离线训练，在实际工作场景中，采集到的少量数据可作为在线训练的样本以供识别。
[0115]
作为可选的实施方式，在实际应用中，支撑集为已知的少量标注数据，查询集为未知数据。关系分数向量维度为p*n，p为支撑集数据类别，n＝查询集数据类别(s，s＝p)*查询集每个数据类别所含样本数(q)。通过关系分数向量获得数据类别：关系分数向量对第一个维度求最大值，可以得到向量1*n。最大值所在的下标即为数据类别。
[0116]
以下结合实验数据对上述方法进行说明。
[0117]
3.1、数据集
[0118]
参见图6，本发明在仿真雷达信号数据集上进行验证。雷达信号数据集i以线性调频为信号调制样式，通过不同的参数组合和指纹特征组合，生成不同的雷达辐射源个体信号，共50类。信号参数包括载频，带宽。本发明采用相位噪声模型，taylor级数模型以及saleh模型来进行指纹特征建模，通过模型内参数的变化，来生成不同的指纹特征。信号的采样率为512mhz，脉宽为10μs。对于这50类信号，每类信号含50个样本，并在50个样本中分别添加信噪比为-12db到-7db的高斯白噪声，信噪比步长为1db。生成信号样本后，通过choi-williams分布(cwd)将信号转化为时频图，并将时频图裁剪至84
×
84。时频图将作为模型训练和测试的样本。数据集将划分为训练集，测试集，验证集，其中32类信号为训练集，10类信号为测试集，8类信号为验证集。为了进一步验证模型对新信号类别的泛化能力，我们建立了数据集ii。数据ii的调制样式为bpsk，qpsk，p1。通过不同的参数组合和指纹特征组合，每个调制样式生成16类信号，共48类信号。指纹特征建模的方式和数据集其他的设置均与数据集i相同。
[0119]
3.2、实验设定
[0120]
实验网络训练采用adam优化器，学习率为0.001，训练轮次为50000，验证轮次为500。每个测试阶段含有500个测试轮次，最终的准确率为5个测试阶段准确率的平均值。模型初始参数采用随机初始化的方式进行设定。根据大多数小样本学习工作所采取的标准设定，实验所用的任务为5-way-5-shot。训练时该任务所采用的查询集样本数为10。测试与验证时该任务所采用的查询集样本数为15。
[0121]
3.3、实验结果
[0122]
5-way-5-shot任务的识别准确率如图7所示。其中图7(a)为数据集i的识别准确率，图7(b)为数据集ii的识别准确率。由图7(a)可看出，tlrn在数据集i上的识别准确率与rn差异较小，有三个信噪比点略低。在所有的信噪比点，模型的识别准确率均超过95％。由图7(b)可看出，tlrn在数据集ii上的识别准确率相比较rn有明显的提升，平均提升幅度为4.78％，其中在-10db，提升幅度最大，达到了5.45％。模型识别准确率在-8db时，超过了80％。实验结果表明，三元组损失函数可增强困难样本的训练，提升模型的性能。
[0123]
综上所述，本实施例方法相对于现有技术，具有如下优点及有益效果：
[0124]
(1)本发明提出了基于三元组损失关系网络的小样本学习方法，并基于该网络实现了雷达辐射源个体识别。通过对关系网络的损失函数进行改进，增强了困难样本的识别能力，提高了识别准确率。实验结果表明本发明提出的网络结构具有较强的泛化能力，在新数据类别上的信号识别率较原网络结构(关系网络)有明显提升。
[0125]
(2)与传统的专家特征提取方法相比，本发明的方法免去了特征设计的过程(由于数据的复杂性和质量问题，以及实测数据的缺乏，部分专家特征具有泛化性，适应性较差的特点)，提高了算法的适应性和便捷性。同时，传统的专家特征提取方法，一般均采用机器学习分类器，该种分类器均需要人工输入提取特征，并且特征通常需要降维，去冗余等处理，较为麻烦。小样本学习的方法不需要大量的数据支撑，解决了辐射源个体信号实测数据缺乏的问题。同时小样本学习方法具有较好的泛化能力，能将训练好的模型快速迁移至新类别中。
[0126]
本实施例还提供一种雷达辐射源个体小样本学习识别系统，包括：
[0127]
数据获取模块，用于获取待识别数据集，将待识别数据集划分为支撑集和查询集；
[0128]
向量计算模块，用于将支撑集和查询集输入训练后的小样本学习模型中，获得关系分数向量；
[0129]
数据分类模块，用于根据获得的关系分数向量对待识别数据集进行数据分类；
[0130]
其中，所述小样本学习模型采用三元组损失关系函数进行训练。
[0131]
本实施例的一种雷达辐射源个体小样本学习识别系统，可执行本发明方法实施例所提供的一种雷达辐射源个体小样本学习识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0132]
本实施例还提供一种雷达辐射源个体小样本学习识别装置，包括：
[0133]
至少一个处理器；
[0134]
至少一个存储器，用于存储至少一个程序；
[0135]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如图4所示方法。
[0136]
本实施例的一种雷达辐射源个体小样本学习识别装置，可执行本发明方法实施例
所提供的一种雷达辐射源个体小样本学习识别方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0137]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图4所示的方法。
[0138]
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种雷达辐射源个体小样本学习识别方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0139]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0140]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0141]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0142]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0143]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线
的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0144]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0145]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0146]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0147]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

技术特征：
1.一种雷达辐射源个体小样本学习识别方法，其特征在于，包括以下步骤：获取待识别数据集，将待识别数据集划分为支撑集和查询集；将支撑集和查询集输入训练后的小样本学习模型中，获得支撑集样本和查询集样本的关系分数向量；根据获得的关系分数向量对待识别数据集进行数据分类；其中，所述小样本学习模型采用三元组损失关系函数进行训练。2.根据权利要求1所述的一种雷达辐射源个体小样本学习识别方法，其特征在于，所述小样本学习模型通过以下方式进行训练：获取训练数据集，将训练数据集划分为支撑集和查询集；将支撑集和查询集输入特征提取网络，输出支撑集特征图和查询集特征图；通过在通道维度上对支撑集特征图和查询集特征图进行连接，获得支撑集-查询集样本对；将支撑集-查询集样本对输入相似网络，获得关系分数；根据关系分数计算三元组损失关系函数，根据三元组损失关系函数对小样本学习模型进行训练。3.根据权利要求2所述的一种雷达辐射源个体小样本学习识别方法，其特征在于，所述将支撑集和查询集输入特征提取网络，输出支撑集特征图和查询集特征图，包括：将支撑集样本x
i
输入特征提取网络，得到支撑集特征图将查询集样本x
j
输入特征提取网络，得到查询集特征图其中，f(
·
)表示特征提取网络，为特征提取网络的权重；所述通过在通道维度上对支撑集特征图和查询集特征图进行连接，获得支撑集-查询集样本对，包括：通过在通道维度上对支撑集特征图和查询集特征图进行连接，得到支撑集-查询集样本对所述关系分数通过以下公式计算获得：其中，ρ为相似网络的权重，h(
·
)表示相似网络。4.根据权利要求2所述的一种雷达辐射源个体小样本学习识别方法，其特征在于，所述三元组损失关系函数包括第一损失函数和第二损失函数；其中，第一损失函数为采用最小均方误差准则而构建的损失函数，通过关系分数和标签示性函数的量化关系来衡量样本之间的相似程度；第二损失函数为三元组损失函数。5.根据权利要求4所述的一种雷达辐射源个体小样本学习识别方法，其特征在于，所述第一损失函数的表达式如下：
其中，r
i,j
表示支撑集样本i和查询集样本j之间的关系分数，y
i
,y
j
分别表示支撑集样本和查询集样本的标签；p
×
k表示支撑集样本总数，p
×
n表示查询集样本总数；所述第二损失函数的表达式如下：其中，n为一个小样本学习任务中三元组的总数，d
p
(i)表示a
i
与p
i
之间的欧式距离，d
n
(i)表示a
i
与n
i
之间的欧式距离；a
i
为三元组的锚样本，对应于支撑集中的样本；p
i
为锚样本对应的正样本，对应于查询集中与锚样本类别相同的样本；n
i
为锚样本对应的负样本，对应于查询集中与锚样本类别不同的样本。6.根据权利要求2所述的一种雷达辐射源个体小样本学习识别方法，其特征在于，所述特征提取网络包括四个卷积模块，前两个卷积模块包含一个卷积层，一个批标准化层，一个激活函数，以及一个最大池化层，后两个卷积模块包含一个卷积层，一个批标准化层，以及一个激活函数。7.根据权利要求2所述的一种雷达辐射源个体小样本学习识别方法，其特征在于，所述相似网络包括卷积模块和两个全连接层，其中，卷积模块包含一个卷积层，一个批标准化层，一个激活函数，以及一个最大池化层。8.一种雷达辐射源个体小样本学习识别系统，其特征在于，包括：数据获取模块，用于获取待识别数据集，将待识别数据集划分为支撑集和查询集；向量计算模块，用于将支撑集和查询集输入训练后的小样本学习模型中，获得关系分数向量；数据分类模块，用于根据获得的关系分数向量对待识别数据集进行数据分类；其中，所述小样本学习模型采用三元组损失关系函数进行训练。9.一种雷达辐射源个体小样本学习识别装置，其特征在于，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-7任一项所述方法。10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述方法。

技术总结
本发明公开了一种雷达辐射源个体小样本学习识别方法、系统、装置及介质，其中方法包括：获取待识别数据集，将待识别数据集划分为支撑集和查询集；将支撑集和查询集输入训练后的小样本学习模型中，获得支撑集样本和查询集样本的关系分数向量；根据获得的关系分数向量对待识别数据集进行数据分类；其中，所述小样本学习模型采用三元组损失关系函数进行训练。本发明采用小样本学习的方法进行辐射源信号识别，能够较好地解决原深度学习模型数据样本不足和泛化能力差的问题。另外，采用三元组损失关系函数对模型进行训练，可增强困难样本的训练，增加困难样本的识别率，提升网络的识别性能，最终提高辐射源的识别能力。本发明可广泛应用于电磁学领域。泛应用于电磁学领域。泛应用于电磁学领域。


技术研发人员：王伟 施皓然 周永坤 饶彬 王涛
受保护的技术使用者：中山大学
技术研发日：2022.07.26
技术公布日：2022/11/1