基于元度量学习的小样本辐射源个体识别方法和装置与流程

本申请涉及小样本信号识别领域，具体涉及一种基于元度量学习的小样本辐射源个体识别方法和装置。

背景技术：

1、为了解决新型异构无线通信网络的多址认证问题，无线物理层识别(wirelessphysical layer identification，wpli)技术作为一种轻量级的非协作通信认证技术，具有很大的应用前景。但作为wpli的关键技术，信号识别不仅面临日益复杂的通信环境，还需要应对样本缺失等场景，无形中增加了wpli的难度。

2、传统的信号识别方法主要是基于信号处理技术提取人工特征(如傅里叶变换、小波分解、轮廓星像等)，设计分类器，并通过图像处理技术进行识别。然而，这些方法中的大多数对信号执行域变换或信号分解，引入了大量的先验知识或专家经验，耗时且难以概括。而深度学习因其端到端深度特征提取和分类识别的联合优化，迫使网络自动掌握对分类有意义的高层语义信息，进而获得较高的识别准确率而被广泛应用于无线通信方面。但是，深度学习的有效性很大程度上需要大量高质量的数据，在采集条件受限，仅有几个设备以及小样本的情况下，一般的深度学习网络将会存在严重的过拟合问题，导致疲软的特征表示和识别性能迅速下降，这为可靠的特征提取和小样本识别带来了巨大挑战。

技术实现思路

1、本申请提供一种基于元度量学习的小样本辐射源个体识别方法和装置，用于解决现有深度学习网络在小样本辐射源个体识别任务上鲁棒性差，识别精度低的问题。

2、依据本申请的第一方面，提出了一种基于元度量学习的小样本辐射源个体识别方法，所述方法包括：

3、s1，对接收到的多个已知类别的辐射源个体信号分别进行预处理，得到信号样本集；所述信号样本集中包括多种类别的信号样本，每个类别具有相同数量的信号样本，且每个信号样本均标记有类别标签；

4、s2，将所述信号样本集中的一部分类别的信号样本作为元训练阶段的数据，另一部分类别的信号样本作为元测试阶段的数据，每个类别的信号样本均划分为支持集和查询集，对应得到训练支持集、训练查询集、测试支持集、测试查询集；

5、s3，构建原型网络，在元训练阶段，将训练支持集中每个类别的每个信号样本经过所述原型网络中的嵌入函数映射为低维度特征的表征向量，计算同类别的表征向量的平均值作为该类别的原型向量，利用得到的原型向量训练所述原型网络；

6、s4，利用设定的距离度量函数计算训练查询集中的每个信号样本的表征向量与每个类别的原型向量之间的距离，利用softmax函数根据距离生成每个信号样本对应每个类别的概率，并将最大概率对应的类别识别为信号样本的类别；在同类别的信号样本的表征向量和原型向量之间的距离最小，且训练查询集上的预测损失不再下降时结束元训练阶段，得到第一阶段训练好的原型网络；

7、s5，在元测试阶段，利用测试支持集中的信号样本对第一阶段训练好的原型网络进行第二阶段训练，并利用测试查询集中的信号样本检测所述原型网络识别分类的测试准确率，在所述原型网络的测试准确率不再提高时结束元测试阶段。

8、依据本申请的第二方面，提出了一种基于元度量学习的小样本辐射源个体识别装置，所述装置包括：

9、信号样本集获取单元，用于对接收到的多个已知类别的辐射源个体信号分别进行预处理，得到信号样本集；所述信号样本集中包括多种类别的信号样本，每个类别具有相同数量的信号样本，且每个信号样本均标记有类别标签；

10、训练阶段划分单元，用于将所述信号样本集中的一部分类别的信号样本作为元训练阶段的数据，另一部分类别的信号样本作为元测试阶段的数据，每个类别的信号样本均划分为支持集和查询集，对应得到训练支持集、训练查询集、测试支持集、测试查询集；

11、原型网络训练单元，用于构建原型网络，在元训练阶段，将训练支持集中每个类别的每个信号样本经过所述原型网络中的嵌入函数映射为低维度特征的表征向量，计算同类别的表征向量的平均值作为该类别的原型向量，利用得到的原型向量训练所述原型网络；

12、原型网络检测单元，用于利用设定的距离度量函数计算训练查询集中的每个信号样本的表征向量与每个类别的原型向量之间的距离，利用softmax函数根据距离生成每个信号样本对应每个类别的概率，并将最大概率对应的类别识别为信号样本的类别；在同类别的信号样本的表征向量和原型向量之间的距离最小，且训练查询集上的预测损失不再下降时结束元训练阶段，得到第一阶段训练好的原型网络；

13、原型网络优化单元，用于在元测试阶段，利用测试支持集中的信号样本对第一阶段训练好的原型网络进行第二阶段训练，并利用测试查询集中的信号样本检测所述原型网络识别分类的测试准确率，在所述原型网络的测试准确率不再提高时结束元测试阶段。

14、依据本申请的第三方面，提出了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述的方法。

15、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

16、本申请实施例的方案通过采用原型网络作为小样本信号识别的网络框架，采用元训练阶段和元测试阶段两个阶段训练，两个阶段的信号样本类别完全不同；利用原型向量训练原型网络，可增强泛化能力、减少过拟合风险、提升数据压缩和效率、具有更好的解释性且适用于少样本学习；利用测试支持集样本对元训练阶段训练好的原型网络进行第二阶段训练，以对原型网络进行优化微调，并利用测试查询集样本验证优化微调后的原型网络的性能，能提升方案对辐射源个体类别识别的泛化能力；通过采用嵌入函数将信号映射到一个低维度的特征空间，然后利用距离度量函数进行分类，细粒度优化样本所属类别划分正确率，有效提高不同类别数据之间的差异性以及相同类别数据的聚集度。本申请方案相较于卷积神经网络cnn、长短期记忆网络lstm等其他网络框架，在小样本识别任务上训练效率高，分类识别性能好，工程可实现性强。

技术特征：

1.一种基于元度量学习的小样本辐射源个体识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述步骤s1中对接收到的辐射源个体信号进行预处理包括：

3.根据权利要求1所述的方法，其特征在于，所述步骤s2中采用如下方式抽取每次训练时的支持集和查询集中的信号样本：

4.根据权利要求3所述的方法，其特征在于，所述步骤s3包括：

5.根据权利要求4所述的方法，其特征在于，所述步骤s4包括：

6.根据权利要求1所述的方法，其特征在于，所述步骤s5中：

7.一种基于元度量学习的小样本辐射源个体识别装置，其特征在于，所述装置包括：

8.根据权利要求7所述的装置，其特征在于，所述训练阶段划分单元包括信号样本抽取模块，用于抽取每次训练时的支持集和查询集中的信号样本，并具体用于：

9.根据权利要求8所述的装置，其特征在于，所述原型网络优化单元包括优化训练模块和优化检测模块，其中，

10.一种电子设备，其特征在于，包括：

技术总结
本申请提出一种基于元度量学习的小样本辐射源个体识别方法和装置。方法包括：对多个已知类别的辐射源个体信号进行预处理得到样本集；将一部分类别作为元训练阶段，另一部分类别作为元测试阶段，每个类别的样本均划分为支持集和查询集；构建原型网络，在元训练阶段，计算每个类别的原型向量，利用原型向量训练原型网络；利用距离度量函数计算查询集中的每个样本的表征向量与每个类别的原型向量之间的距离，根据距离生成每个样本对应每个类别的概率，直至得到训练好的原型网络；在元测试阶段，利用支持集中的样本对原型网络进行优化微调，利用查询集中的样本检测原型网络的识别分类性能。本申请在小样本识别任务上训练效率高，分类识别性能好。

技术研发人员：周华吉,冯忠明,朱永锋,王顺岭,贾璐,楼财义,杨小牛
受保护的技术使用者：中国电子科技集团公司第三十六研究所
技术研发日：
技术公布日：2024/3/12