1.一种基于知识蒸馏与图模型的小样本增量辐射源个体识别方法，其特征是，首先使用已知的辐射源数据进行训练，通过不断优化交叉熵损失得到一个骨干网络；随后进行伪类增量训练：使用已知的辐射源数据为虚拟增量类和虚拟基础类分别划分支持集和查询集，支持集用于学习不同类别的分类器权重，而查询集用于计算优化损失，使用支持集为虚拟基础类和虚拟增量类分别建立两个分类器，随后，将这两个分类器分别连接同一自适应图模型分类器，通过训练对自适应图模型分类器进行参数更新，借助更新后的自适应图模型分类器，对虚拟基础类和虚拟增量类的查询集进行预测，进而计算损失以优化自适应图模型分类器，优化好的自适应图模型分类器与骨干网络进行连接；然后进入增量训练阶段，一方面，冻结所述的骨干网络作为教师网络，同时对其复制并通过新增的少量辐射源个体对复制的骨干网络进行训练，得到学生网络，利用教师网路对学生网络进行知识蒸馏，最终完成蒸馏的学生网络即作为训练好的骨干网络，该学生网络也复制冻结为教师网络，用于进行下一次增量训练，即每出现新增的少量辐射源个体即进行增量训练；另一方面，已经训练完成的自适应图模型分类器会根据新出现的少量辐射源个体自适应的联系上下文信息；最后，利用训练好的骨干网络及其连接的自适应图模型分类器实现小样本类增量的辐射源个体识别。
2.如权利要求1所述的基于知识蒸馏与图模型的小样本增量辐射源个体识别方法，其特征是，知识蒸馏具体步骤如下：
3.如权利要求1所述的基于知识蒸馏与图模型的小样本增量辐射源个体识别方法，其特征是，骨干网络及其连接的自适应图模型，具体连接模式如下：