一种基于双谱特征的小样本雷达辐射源调制识别方法、系统、设备及介质

1.本发明涉及目标识别、分类技术领域，具体涉及一种基于双谱特征的小样本雷达辐射源调制识别方法、系统、设备及介质。


背景技术：

2.如今，辐射源识别技术广泛用于民用和军用的通信系统中，调制识别作为辐射源识别的首要步骤，发挥着对雷达接收信号分选处理的作用。随着电磁环境的恶劣性加剧，难以获取高质量的雷达接收信号，导致可利用的信号往往是小样本且数量不均衡，使得调制识别性能大幅降低。
3.辐射源调制识别领域从上世纪九十年代发展至今，已诞生许多成熟的方法与应用，现有的辐射源调制识别方法主要包括基于信号特征的方法和基于机器学习的方法两大类。
4.基于信号特征的方法通过计算辐射源调制信号在瞬时时域、变换域及统计域上的数值特征，利用不同调制方式下信号的脉内细微差异，实现辐射源调制识别。但由于复杂电磁环境下辐射源调制信号低质量、低信噪比，导致该方法干扰因素多、估计误差大、识别性能降低。
5.基于机器学习的方法多利用辐射源调制信号的星座图、时频图或是信号本身作为输入样本，通过机器学习模型提取样本内的脉内特征，实现辐射源调制识别。但此方法需要大量辐射源调制信号数据及标签作为模板库，严重依赖先验信息。在该方法缺少足够的先验信息与可训练数据时，会导致识别结果出现欠拟合、过拟合和权重偏移的问题。
6.名称为“雷达辐射源个体小样本学习识别方法、系统、装置及介质”，公开号为[cn115270872a]的发明专利申请,提供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。但是由于所述小样本学习模型采用的雷达辐射源数据为时频图像，当在低信噪比时，由于时频图像无法消除高斯噪声影响，时频图像波动剧烈，时频信息被噪声淹没，使得模型识别能力下降。并且所述小样本学习模型仅利用自定义的输入特征网络实现调制识别，当先验样本少或者样本不均衡时利用自定义的输入特征网络容易陷入局部最优问题，具有低信噪比下的网络模型稳定能力差、依赖先验样本、模型鲁棒性低和泛化能力弱的缺点。


技术实现要素：

[0007]
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于双谱特征的小样本雷达辐射源调制识别方法、系统、设备及介质，通过对辐射源调制信号进行双谱估计得到
双谱特征，再将得到的双谱特征划分数据集，将划分的数据集作为maml模型输入样本并定义基于度量学习的集成损失函数，最后将定义的基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别，具有小样本低信噪比下模型稳健识别、模型鲁棒性强和泛化能力强的特点。
[0008]
为了实现上述目的，本发明采用的技术方案是：
[0009]
一种基于双谱特征的小样本雷达辐射源调制识别方法，包括以下步骤：
[0010]
步骤1、对辐射源调制信号进行双谱估计得到双谱特征；
[0011]
步骤2、将步骤1得到的双谱特征划分为数据集；
[0012]
步骤3、将步骤2划分的数据集作为maml模型输入样本，再利用maml输入样本定义基于度量学习的集成损失函数；
[0013]
步骤4、将步骤3定义的基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别。
[0014]
所述的步骤1具体包括：
[0015]
步骤1.1、在允许两段相邻数据之间有重叠的情况下，将一个辐射源调制信号样本xn分成k段，每段含m个信号长度，一个辐射源调制信号样本xn表示为：
[0016]
xn＝[x(0),x(1),x(2),...,x(n-1)]，
[0017]
其中，n表示信号长度，则分段后每段辐射源调制信号记作:
[0018]
x
(k)
＝[x
(k)
(0),x
(k)
(1),x
(k)
(2),...,x
(k)
(m-1)],k＝1,2,...,k；
[0019]
步骤1.2、将步骤1.1得到的每段辐射源调制信号进行离散傅里叶变换，得到离散傅里叶变换后的信号x
(k)
(λ)，其变换后的系数为：
[0020][0021]
其中，k＝1,2,
…
,k；λ＝0,1,2,
…
,m/2；
[0022]
步骤1.3、将步骤1.2得到的离散傅里叶变换后的信号x
(k)
(λ)，计算其三重相关
[0023][0024]
其中，k＝1,2,
…
,k；0≤λ1≤λ2，λ1+λ2≤fs/2，δ0＝fs/n0；fs为采样频率，n0和l1满足m＝(2l1+1)n0；
[0025]
步骤1.4、通过步骤1.3得到的一个辐射源调制信号样本xn内的每一段三重相关后，将所有段的三重相关结果相加并求平均，取该平均值作为一个辐射源调制信号样本xn的双谱估计值：
[0026][0027]
其中，w(n)为rao-gabr窗函数，再将一个辐射源调制信号样本xn的双谱估计值用坐标轴表示，其中w1表示x轴，w2表示y轴，一个辐射源调制信号样本xn的双谱估计表示z轴，生成三维双谱估计图，将三维双谱估计图的等高线图定义为双谱
估计平面图，将双谱估计平面图作为一个辐射源调制信号样本xn的双谱特征。
[0028]
所述的步骤2具体包括：
[0029]
步骤2.1、将所有辐射源调制信号的双谱特征定义为btotal∈rs×
l
,其中，s表示双谱特征的总数，l表示双谱特征类别的总数；
[0030]
步骤2.2、将步骤2.1定义的btotal内70％～80％的双谱特征样本划分为训练集btrain，其余划分为测试集btest；
[0031]
步骤2.3、在步骤2.2划分的训练集btrain中划分任务гn∈rn×c，其中，n表示任务数，c表示每个任务内类别数；
[0032]
在所有任务гn中的每一个任务内，随机提取训练集btrain中的k个双谱特征样本，其中，70％～80％的双谱特征样本用于构成支持集bsupport，其余双谱特征样本用于构成查询集b
query
；
[0033]
在支持集b
support
和查询集b
query
中随机抽取5％～10％的双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签；
[0034]
步骤2.4、在步骤2.2划分好的测试集b
test
中，随机提取其中q个双谱特征样本，其中70％～80％的双谱特征样本用于构成测试支持集b
test_support
，其余的双谱特征样本用于构成查询集b
test_query
；
[0035]
在测试支持集b
test_support
和测试查询集b
test_query
中随机抽取5％～10％的双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签。
[0036]
所述的步骤3具体包括：
[0037]
步骤3.1、将划分好的辐射源调制信号的双谱特征数据集作为maml模型的输入样本：
[0038]btotal
＝[b
train，btest
]，
[0039]btrain
＝[b
support，bquery
]，
[0040]btest
＝[b
test_support，btest_query
]；
[0041]
步骤3.2、将步骤3.1中得到的maml模型的输入样本，根据辐射源调制识别模型不同阶段需要，输入双谱特征数据集为训练集b
train
或测试集b
test
，再基于双谱特征的maml模型输入样本定义双谱特征样本在特征空间的表示为f
bis
(bk)，其中，bk代表数据集中第k个双谱特征样本；
[0042]
基于三元组网络的原理，将双谱特征样本分为三个部分：正样本b
k+
、负样本b
k-和锚定样本b
kan
，其中，b
kan
为数据集中随机选取的一个样本，b
k+
为与b
kan
同一类的样本，b
k-为与b
kan
不同类的样本，则三元组损失函数l
triplet
可以表示为：
[0043]
l
triplet
＝e{.max[||f
bis
(b
k+
)-f
bis
(b
kan
)||
2-||f
bis
(b
k-)-f
bis
(b
kan
)||2+ξ,0]}，
[0044]
其中，e{*}为欧式距离，||*||2为二阶范数，ξ为可调边界阈值，通过三元组损失函数l
triplet
使得同类的正样本b
k+
更靠近锚定样本b
kan
，不同类的负样本b
k-更远离锚定样本b
kan
；
[0045]
基于中心损失会减小样本在特征空间中的类内距离相关原理：maml模型输入样本的中心损失函数l
center
可以表示为：
[0046]
[0047]
其中，e[*]为欧式距离，||*||2为二阶范数，为yk类别的可学习中心特征；
[0048]
maml模型输入样本的softmax概率损失l
softmax
可表示为：
[0049][0050]
其中，e{*}为欧式距离，zk表示f
bis
(bk)属于第yk类别的非归一化概率；
[0051]
步骤3.3、将步骤3.2中得到的双谱特征数据集下的三元组损失函数l
triplet
、中心损失函数l
center
和softmax概率损失l
softmax
，通过度量学习进行集成组合，定义组合后的集成损失函数为：
[0052]
l
it
＝l
softmax
+λ(l
triplet
+l
center
)，
[0053]
其中，λ为平衡三元组损失函数l
triplet
、中心损失函数l
center
与softmax概率损失l
softmax
的平衡因子。
[0054]
所述的步骤4具体包括：
[0055]
步骤4.1、将集成损失函数引入maml模型的softmax层后，代替maml模型原有的交叉熵损失函数，定义maml模型初始化参数为则初始化maml模型为当maml学习一个新任务гi后，梯度更新可以表示为：
[0056][0057]
其中，η超参数，表示更新步长；
[0058]
步骤4.2、在步骤4.1得到梯度更新后的maml模型后，对所有任务进行训练，每一个任务上的模型参数均进行了优化，则maml模型参数的最终目标为：
[0059][0060]
步骤4.3、在步骤4.2得到最终参数更新后的maml模型后，对maml模型进行元优化，使得对新任务只需实现微小梯度变化，即可得到最大影响，元优化是模型参数对实现最优化，其最优化公式为：
[0061][0062]
其中，γ为超参数，表示元优化的步长；
[0063]
步骤4.4、将步骤4.3得到元优化的maml模型后，利用maml模型softmax层输出的样本与标签相似度概率，得到对测试集b
test
中测试查询集b
test_query
的双谱特征样本与调制类型标签的相似度概率，将得到的相似度概率作为判别辐射源调制类型识别依据，实现辐射源调制识别。
[0064]
一种基于双谱特征的小样本雷达辐射源调制识别系统，包括：
[0065]
双谱变换模块：对辐射源调制信号进行双谱估计得到双谱特征；
[0066]
数据集划分模块:将双谱特征划分为训练集与测试集，将训练集划分为支持集与查询集；
[0067]
基于度量学习的集成损失函数模块：将数据集作为maml模型输入样本，利用maml输入样本定义基于度量学习的集成损失函数；
[0068]
maml模型模块：将基于度量学习的集成损失函数引入maml模型，并基于maml模型
实现辐射源调制识别。
[0069]
一种基于双谱特征的小样本雷达辐射源调制识别设备，包括：
[0070]
存储器：用于存储实现所述的一种基于双谱特征的小样本雷达辐射源调制识别方法的计算机程序；
[0071]
处理器：用于执行所述计算机程序时实现所述的一种基于双谱特征的小样本雷达辐射源调制识别方法。
[0072]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤。
[0073]
相对于现有技术，本发明的有益效果在于：
[0074]
1、与现有技术相比，本发明对辐射源调制信号进行双谱估计，消除了辐射源调制信号存在的高斯噪声，提高了数据质量。
[0075]
2、与现有技术相比，本发明将双谱特征样本划分为不同任务在maml模型上进行辐射源调制识别，提高模型泛化能力的同时，提升了模型的识别性能。
[0076]
3、与现有技术相比，本发明定义了一种基于度量学习的集成损失函数，将其引入maml模型中，使得双谱特征样本在特征空间中的样本类间距离增大、类内距离减小，有效提高了识别准确率。
[0077]
综上所述，本发明通过提取辐射源调制信号的双谱特征消除了高斯噪声，基于度量学习的集成损失函减小了样本类内距离、增大了样本类间距离，最后利用maml模型实现小样本下辐射源调制信号的训练与学习，实现辐射源调制信号在小样本低信噪比下的模型的稳健识别，提升了模型的鲁棒性和泛化能力。
附图说明
[0078]
图1为本发明的流程图。
[0079]
图2为本发明的数据集划分框图。
[0080]
图3是本发明仿真条件基于maml模型的网络框架。
[0081]
图4(a)是本发明仿真结果的fm调制信号幅度图，图4(b)是本发明仿真结果的fm调制信号双谱估计平面图，图4(c)是本发明仿真结果的fm调制信号双谱估计三维结果图。
[0082]
图5是本发明仿真结果的maml模型在测试过程中的测试精度图。
[0083]
图6是本发明仿真结果的maml模型在训练过程中的loss函数变换趋势图。
具体实施方式
[0084]
下面结合附图对本发明做详细叙述。
[0085]
参见图1，一种基于双谱特征的小样本雷达辐射源调制识别方法，包括以下步骤：
[0086]
步骤1、对辐射源调制信号进行双谱估计得到双谱特征；
[0087]
步骤2、将步骤1得到的双谱特征划分为数据集；
[0088]
步骤3、将步骤2划分的数据集作为maml模型输入样本，再利用maml模型输入样本定义基于度量学习的集成损失函数；
[0089]
步骤4、将步骤3定义的基于度量学习的集成损失函数引入maml模型，并基于maml
模型实现辐射源调制识别。
[0090]
所述的步骤1具体包括：
[0091]
步骤1.1、在允许两段相邻数据之间有重叠的情况下，将一个辐射源调制信号样本xn分成16段，每段含64个信号长度，一个辐射源调制信号样本xn表示为：
[0092]
xn＝[x(0),x(1),x(2),...,x(n-1)]，
[0093]
其中，n表示信号长度，此时取n为1024，数据重叠比为50％，则分段后每段辐射源调制信号记作:
[0094]
x
(k)
＝[x
(k)
(0),x
(k)
(1),x
(k)
(2),...,x
(k)
(m-1)],k＝1,2,...,16；
[0095]
步骤1.2、将步骤1.1得到的每段辐射源调制信号进行离散傅里叶变换，得到离散傅里叶变换后的信号x
(k)
(λ)，其变换后的系数为：
[0096][0097]
其中，k＝1,2,
…
,16；λ＝0,1,2,
…
,32；
[0098]
步骤1.3、将步骤1.2得到的离散傅里叶变换后的信号x
(k)
(λ)，计算其三重相关
[0099][0100]
其中，k＝1,2,
…
,16；0≤λ1≤λ2，λ1+λ2≤fs/2，δ0＝fs/n0；fs＝128，n0和l1满足m＝(2l1+1)n0；
[0101]
步骤1.4、通过步骤1.3得到的一个辐射源调制信号样本xn内的每一段三重相关后，将所有段的三重相关结果相加并求平均，取该平均值作为一个辐射源调制信号样本xn的双谱估计值：
[0102][0103]
其中，w(n)＝5为rao-gabr窗函数，
[0104]
再将一个辐射源调制信号样本xn的双谱估计值用坐标轴表示，其中w1表示x轴，w2表示y轴，一个辐射源调制信号样本xn的双谱估计表示z轴，生成三维双谱估计图，将三维双谱估计图的等高线图定义为双谱估计平面图，将双谱估计平面图作为一个辐射源调制信号样本xn的双谱特征。
[0105]
本发明利用求辐射源调制信号的高阶统计特征可以消除高斯噪声的优点，对辐射源调制信号进行双谱估计，提取无高斯噪声的辐射源调制信号的双谱特征作为maml模型输入样本，提升了maml模型输入样本的质量。
[0106]
参见图2，所述的步骤2具体包括：
[0107]
步骤2.1、将所有辐射源调制信号的双谱特征定义为b
total
∈rs×
l
,其中，s＝18000表示双谱特征的总数，l＝24表示双谱特征类别的总数；
[0108]
则b
total
＝[32psk，16apsk，32qam，fm，gmsk，32apsk，oqpsk，8ask，bpsk，8psk，am-ssb-sc，4ask，16psk，64apsk，am-dsb-sc，am-ssb-sc，64qam，qpsk，am-dsb-wc，ook，16qam]，
共21个调制类型，18000个双谱特征样本。
[0109]
步骤2.2、将步骤2.1定义的b
total
内80％的双谱特征样本划分为训练集b
train
，其余划分为测试集b
test
，其中：
[0110]btrain
＝[16apsk，fm，gmsk，oqpsk，8ask，8psk，4ask，16psk，64apsk，am-dsb-sc，am-ssb-sc，qpsk，am-dsb-wc，ook，16qam]，共15个调制类型，14400个双谱特征样本；
[0111]btest
＝[32psk，32qam，32apsk，bpsk，am-ssb-sc，64qam]，共6个调制类型，3600个双谱特征样本；
[0112]
步骤2.3、在步骤2.2划分的训练集b
train
中划分任务гn∈rn×c，其中，n＝5表示任务数，c＝5表示每个任务内类别数；
[0113]
在所有任务гn中的每一个任务内，随机提取训练集b
train
中其中100个双谱特征样本，其中，80％的双谱特征样本用于构成支持集b
support
，其余双谱特征样本用于构成查询集b
query
；
[0114]
在支持集b
support
随机抽取5个双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签；
[0115]
在查询集b
query
中随机抽取10个的双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签；
[0116]
步骤2.4、在步骤2.2划分好的测试集b
test
中，随机提取其中100个双谱特征样本，其中80％的双谱特征样本用于构成测试支持集b
test_support
，其余的双谱特征样本用于构成查询集b
test_query
；
[0117]
在测试支持集b
test_support
中随机抽取5个双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签；
[0118]
在测试查询集b
test_query
中随机抽取10个双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签。
[0119]
本发明通过划分双谱特征数据集，将类别组合成不同任务的形式，使得maml模型可以学习不同调制类别组合下的识别能力，在每个任务内能仅标注15个标签，极大减小了对辐射源调制信号先验样本的需求。
[0120]
所述的步骤3具体包括：
[0121]
步骤3.1、将划分好的辐射源调制信号的双谱特征数据集作为maml模型的输入样本：
[0122]btotal
＝[b
train，btest
]，
[0123]btrain
＝[b
support
，b
query
]，
[0124]btest
＝[b
test_support，btest_query
]；
[0125]
步骤3.2、将步骤3.1中得到的maml模型的输入样本，根据辐射源调制识别模型不同阶段需要，输入双谱特征数据集为训练集b
train
或测试集b
test
，再基于双谱特征的maml模型输入样本定义双谱特征样本在特征空间的表示为f
bis
(bk)，其中，bk代表数据集中第k个双谱特征样本；
[0126]
基于三元组网络的原理，将双谱特征样本分为三个部分：正样本b
k+
、负样本b
k-和锚定样本b
kan
，其中，b
kan
为数据集中随机选取的一个样本，b
k+
为与b
kan
同一类的样本，b
k-为与b
kan
不同类的样本，则三元组损失函数l
triplet
可以表示为：
[0127]
l
triplet
＝e{.max[||f
bis
(b
k+
)-f
bis
(b
kan
)||
2-||f
bis
(b
k-)-f
bis
(b
kan
)||2+ξ,0]}；
[0128]
其中，e{*}为欧式距离，||*||2为二阶范数，ξ为可调边界阈值，通过三元组损失函数l
triplet
使得同类的正样本b
k+
更靠近锚定样本b
kan
，不同类的负样本b
k-更远离锚定样本b
kan
；
[0129]
基于中心损失会减小样本在特征空间中的类内距离相关原理：maml模型输入样本的中心损失函数l
center
可以表示为：
[0130][0131]
其中，e[*]为欧式距离，||*||2为二阶范数，为yk类别的可学习中心特征；
[0132]
maml模型输入样本的softmax概率损失l
softmax
可表示为：
[0133][0134]
其中，e{*}为欧式距离，zk表示f
bis
(bk)属于第yk类别的非归一化概率；
[0135]
步骤3.3、将步骤3.2中得到的双谱特征数据集下的三元组损失函数l
triplet
、中心损失函数l
center
和softmax概率损失l
softmax
，通过度量学习进行集成组合，定义组合后的集成损失函数为：
[0136]
l
it
＝l
softmax
+λ(l
triplet
+l
center
)，
[0137]
其中，λ为平衡三元组损失函数l
triplet
、中心损失函数l
center
与softmax概率损失l
softmax
的平衡因子。
[0138]
本发明通过将双谱特征样本作为maml模型的输入样本，并利用maml模型输入样本集定义基于度量学习的集成损失函数，使得maml模型输入样本在特征空间中的类内距离减小、类间距离增大，每类样本之间更紧簇，从而提高maml模型的稳健识别能力。
[0139]
所述的步骤4具体包括：
[0140]
步骤4.1、将集成损失函数引入maml模型的softmax层后，代替maml模型原有的交叉熵损失函数，定义maml模型初始化参数为则初始化maml模型为当maml学习一个新任务гi后，梯度更新可以表示为：
[0141][0142]
其中，i＝1,2,
…
,5；η超参数，表示更新步长；
[0143]
步骤4.2、在步骤4.1得到梯度更新后的maml模型后，对所有任务进行训练，每一个任务上的模型参数均进行了优化，则maml模型参数的最终目标为：
[0144][0145]
式中，maml模型参数的最终目标为使集成损失函数在每一个任务内的值最小。
[0146]
步骤4.3、在步骤4.2得到最终参数更新后的maml模型后，对maml模型进行元优化，使得对新任务只需实现微小梯度变化，即可得到最大影响，元优化是模型参数对实现最优化，其最优化公式为：
[0147]
[0148]
其中，γ为超参数，表示元优化的步长；
[0149]
步骤4.4、将步骤4.3得到元优化的maml模型后，利用maml模型softmax层输出的样本与标签相似度概率，得到对测试集b
test
中测试查询集b
test_query
的双谱特征样本与调制类型标签的相似度概率，将得到的相似度概率作为判别辐射源调制类型识别依据，实现辐射源调制识别。
[0150]
本发明通过利用元学习机制，使maml模型对于所有辐射源调制识别任务均能满足良好的识别效果，第一次参数更新使得maml模型对所有任务达到最优解，第二次参数更新使得模型对于新任务可以快速识别。
[0151]
一种基于双谱特征的小样本雷达辐射源调制识别系统，包括：
[0152]
双谱变换模块：对辐射源调制信号进行双谱估计得到双谱特征，用于实现本发明中一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤1；
[0153]
数据集划分模块:将双谱特征划分为训练集与测试集，将训练集划分为支持集与查询集，用于实现本发明中一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤2；
[0154]
基于度量学习的集成损失函数模块：将数据集作为maml模型输入样本，利用maml输入样本定义基于度量学习的集成损失函数，用于实现本发明中一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤3；
[0155]
maml模型模块：将基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别，用于实现本发明中一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤4。
[0156]
一种基于双谱特征的小样本雷达辐射源调制识别设备，包括：
[0157]
存储器：用于存储实现所述的一种基于双谱特征的小样本雷达辐射源调制识别方法的计算机程序；
[0158]
处理器：用于执行所述计算机程序时实现所述的一种基于双谱特征的小样本雷达辐射源调制识别方法。
[0159]
所述的处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等，所述处理器是所述一种基于双谱特征的小样本雷达辐射源调制识别方法的设备的控制中心，利用各种接口和线路连接整个述一种基于双谱特征的小样本雷达辐射源调制识别方法的设备的各个部分。
[0160]
所述处理器执行所述计算机程序时实现上述述一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤，例如：对辐射源调制信号进行双谱估计得到双谱特征；将双谱特征划分为数据集；将划分的数据集作为maml模型输入样本，再利用maml模型输入样本定义基于度量学习的集成损失函数；将定义的基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别；实现了所述一种基于双谱特征的小样本雷达辐射源调制识别方法。
[0161]
或者，所述处理器执行所述计算机程序时实现上述系统中各模块的功能，例如：双
谱变换模块：对辐射源调制信号进行双谱估计得到双谱特征；数据集划分模块:将双谱特征划分为训练集与测试集，将训练集划分为支持集与查询集；基于度量学习的集成损失函数模块：将数据集作为maml模型输入样本，利用maml输入样本定义基于度量学习的集成损失函数；maml模型模块：将基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别；输出得到所述一种基于双谱特征的小样本雷达辐射源调制识别方法的结果。
[0162]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成预设功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序在所述一种基于双谱特征的小样本雷达辐射源调制识别方法的设备中的执行过程。例如，所述计算机程序可以被分割成双谱变换模块、数据集划分模块、基于度量学习的集成损失函数模块、maml模型模块，各模块具体功能如下：双谱变换模块：对辐射源调制信号进行双谱估计得到双谱特征；数据集划分模块:将双谱特征划分为训练集与测试集，将训练集划分为支持集与查询集；基于度量学习的集成损失函数模块：将数据集作为maml模型输入样本，利用maml输入样本定义基于度量学习的集成损失函数；maml模型模块：将基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别；输出得到所述一种基于双谱特征的小样本雷达辐射源调制识别方法的结果。
[0163]
所述一种基于双谱特征的小样本雷达辐射源调制识别方法的设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种基于双谱特征的小样本雷达辐射源调制识别方法的设备可包括，但不仅限于处理器、存储器。本领域技术人员可以理解，上述是一种基于双谱特征的小样本雷达辐射源调制识别方法的设备的示例，并不构成对一种基于双谱特征的小样本雷达辐射源调制识别方法的设备的限定，可以包括比上述更多的部件，或者组合某些部件，或者不同的部件，例如所述一种基于双谱特征的小样本雷达辐射源调制识别方法的设备还可以包括输入输出设备、网络接入设备、总线等。
[0164]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于双谱特征的小样本雷达辐射源调制识别方法的设备的各种功能。
[0165]
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0166]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤。
[0167]
所述一种基于双谱特征的小样本雷达辐射源调制识别方法的系统集成的模块/单元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。
[0168]
本发明实现上述一种基于双谱特征的小样本雷达辐射源调制识别方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
[0169]
所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。
[0170]
需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0171]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。
[0172]
本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0173]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
[0174]
仿真条件：
[0175]
调制信号双谱特征样本图像大小：84*84*3。对图像进行归一化预处理，归一化值为((0.485,0.456,0.406)，(0.229,0.224,0.225))。训练集每类别样本960个，共15类；测试集每类别样本600个，共6类。在随机提取样本进行标签时允许样本重复提取。定义支持集为5way-5shot，定义查询集为5way-10query。
[0176]
参见图3，maml网络框架设计包含：4个二维卷积层、4个批归一化层、4个二维最大池化层，激活函数为relu函数，最后一层的激活函数为基于度量学习的集成损失函数。
[0177]
maml模型参数设置：元学习任务数量设置为5，任务内学习率设置为0.1，任务内参数更新步长设置为5，元学习率设置0.001，微调模型参数更新步长设置为10，将模型的训练次数设置为60000。
[0178]
仿真结果和分析：
[0179]
参见图4，图4是本发明在0db情况下一个fm调制信号的双谱估计结果，图4包括，图4(a)fm调制信号幅度图、图4(b)fm调制信号双谱估计平面图、图4(c)fm调制信号双谱估计
三维结果图。从fm调制信号双谱估计三维结果中可以看出，在0db时，fm信号波峰与乘性干扰区别明显，由于高斯噪声在双谱估计时被消除，所以从图中的fm调制信号波峰上并无出现高斯噪声的干扰。在fm调制信号双谱估计平面图中只存在双谱峰值。由于三维双谱估计结果作为输入样本会使得maml模型计算度复杂，所以将辐射源调制信号的双谱估计平面图作为maml模型的输入样本。
[0180]
参见图5，图5为0db时辐射源调制信号双谱特征数据集在测试过程中测试精度的变换趋势，横轴为maml模型的训练步数，纵轴为辐射源调制识别测试精度，可以看出随着训练步数的增加，辐射源调制识别测试精度逐渐升高，最终达到0.618左右，这表示在0db情况下，对测试集b
test
中双谱特征样本的辐射源调制类型的识别准确率达到0.618。
[0181]
参见图6，图6表示在训练过程中，利用maml模型输入样本定义基于度量学习的集成损失函数的变换趋势。横轴表示maml模型的训练步数，纵轴表示基于度量学习的集成损失函数值。从图6中可以看出在maml模型的训练过程中基于度量学习的集成损失函数保持下降收敛的趋势，这说明基于度量学习的集成损失函数可使得maml模型稳定更新网络参数且参数收敛，保证maml模型在辐射源调制识别任务中不产生过拟合和欠拟合等问题。
[0182]
综上所述，本发明提供了一种基于双谱特征的小样本雷达辐射源调制识别方法、系统、设备及介质，通过提取辐射源调制信号的双谱特征消除了高斯噪声，基于度量学习的集成损失函减小了样本类内距离、增大了样本类间距离，最后利用maml模型实现小样本下辐射源调制信号的训练与学习。本发明为信号低信噪比时先验样本少、样本类间差异小类内差异大辐射源调制识别问题，提供了新的解决思路。
[0183]
简而言之，本发明公开了一种基于双谱特征的小样本雷达辐射源调制识别方法、系统、设备及介质。主要解决了由复杂电磁环境导致辐射源先验样本少，数量不均衡、辐射源调制信号类间差异小，类内差异大、新型调制方式使得传统识别方法难以满足实际应用需求。实现了一种仅依靠少量样本即可对低信噪比下未知调制类别识别分类的高鲁棒性深度学习方法。实现过程是：对辐射源调制信号进行双谱估计得到双谱特征；将得到的双谱特征划分数据集；将数据集作为maml模型输入样本，利用maml输入样本定义基于度量学习的集成损失函数；将基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别。
[0184]
本发明可以应用于基于信号双谱特征的小样本辐射源调制识别中，弥补了现有针对小样本辐射源调制识别方法在辐射源调制信号低信噪比时网络模型不稳定、依赖先验样本、鲁棒性差和泛化性能低的不足，为基于低信噪比小样本辐射源目标进行调制分类、识别等应用奠定了基础。

技术特征：
1.一种基于双谱特征的小样本雷达辐射源调制识别方法，其特征在于，包括以下步骤：步骤1、对辐射源调制信号进行双谱估计得到双谱特征；步骤2、将步骤1得到的双谱特征划分为数据集；步骤3、将步骤2划分的数据集作为maml模型输入样本，再利用maml模型输入样本定义基于度量学习的集成损失函数；步骤4、将步骤3定义的基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别。2.根据权利要求1所述的一种基于双谱特征的小样本雷达辐射源调制识别方法，其特征在于，所述的步骤1具体包括：步骤1.1、在允许两段相邻数据之间有重叠的情况下，将一个辐射源调制信号样本x
n
分成k段，每段含m个信号长度，一个辐射源调制信号样本x
n
表示为：x
n
＝[x(0),x(1),x(2),...,x(n-1)]，其中，n表示信号长度，则分段后每段辐射源调制信号记作:x
(k)
＝[x
(k)
(0),x
(k)
(1),x
(k)
(2),...,x
(k)
(m-1)],k＝1,2,...,k；步骤1.2、将步骤1.1得到的每段辐射源调制信号进行离散傅里叶变换，得到离散傅里叶变换后的信号x
(k)
(λ)，其变换后的系数为：其中，k＝1,2,
…
,k；λ＝0,1,2,
…
,m/2；步骤1.3、将步骤1.2得到的离散傅里叶变换后的信号x
(k)
(λ)，计算其三重相关(λ)，计算其三重相关其中，k＝1,2,
…
,k；0≤λ1≤λ2，λ1+λ2≤f
s
/2，δ0＝f
s
/n0；f
s
为采样频率，n0和l1满足m＝(2l1+1)n0；步骤1.4、通过步骤1.3得到的一个辐射源调制信号样本x
n
内的每一段三重相关后，将所有段的三重相关结果相加并求平均，取该平均值作为一个辐射源调制信号样本x
n
的双谱估计值：其中，w(n)为rao-gabr窗函数，再将一个辐射源调制信号样本x
n
的双谱估计值用坐标轴表示，其中w1表示x轴，w2表示y轴，一个辐射源调制信号样本x
n
的双谱估计表示z轴，生成三维双谱估计图，将三维双谱估计图的等高线图定义为双谱估计平面图，将双谱估计平面图作为一个辐射源调制信号样本x
n
的双谱特征。3.根据权利要求1所述的一种基于双谱特征的小样本雷达辐射源调制识别方法，其特征在于，所述的步骤2具体包括：
步骤2.1、将所有辐射源调制信号的双谱特征定义为b
total
∈r
s
×
l
,其中，s表示双谱特征的总数，l表示双谱特征类别的总数；步骤2.2、将步骤2.1定义的b
total
内70％～80％的双谱特征样本划分为训练集b
train
，其余划分为测试集b
test
；步骤2.3、在步骤2.2划分的训练集b
train
中划分任务г
n
∈r
n
×
c
，其中，n表示任务数，c表示每个任务内类别数；在所有任务г
n
中的每一个任务内，随机提取训练集b
train
中的k个双谱特征样本，其中，70％～80％的双谱特征样本用于构成支持集b
support
，其余双谱特征样本用于构成查询集b
query
；在支持集b
support
和查询集b
query
中随机抽取5％～10％的双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签；步骤2.4、在步骤2.2划分好的测试集b
test
中，随机提取其中q个双谱特征样本，其中70％～80％的双谱特征样本用于构成测试支持集b
test_support
，其余的双谱特征样本用于构成查询集b
test_query
；在测试支持集b
test_support
和测试查询集b
test_query
中随机抽取5％～10％的双谱特征样本标记其对应类别的标签，其余双谱特征样本则不标记标签。4.根据权利要求1所述的一种基于双谱特征的小样本雷达辐射源调制识别方法，其特征在于，所述的步骤3具体包括：步骤3.1、将划分好的辐射源调制信号的双谱特征数据集作为maml模型的输入样本：b
total
＝[b
train
，b
test
]，b
train
＝[b
support
，b
query
]，b
test
＝[b
test_support
，b
test_query
]；步骤3.2、将步骤3.1中得到的maml模型的输入样本，根据辐射源调制识别模型不同阶段需要，输入双谱特征数据集为训练集b
train
或测试集b
test
，再基于双谱特征的maml模型输入样本定义双谱特征样本在特征空间的表示为f
bis
(b
k
)，其中，b
k
代表数据集中第k个双谱特征样本；基于三元组网络的原理，将双谱特征样本分为三个部分：正样本b
k+
、负样本b
k-和锚定样本b
kan
，其中，b
kan
为数据集中随机选取的一个样本，b
k+
为与b
kan
同一类的样本，b
k-为与b
kan
不同类的样本，则三元组损失函数l
triplet
可以表示为：l
triplet
＝e{.max[||f
bis
(b
k+
)-f
bis
(b
kan
)||
2-||f
bis
(b
k-)-f
bis
(b
kan
)||2+ξ,0]}，其中，e{*}为欧式距离，||*||2为二阶范数，ξ为可调边界阈值，通过三元组损失函数l
triplet
使得同类的正样本b
k+
更靠近锚定样本b
kan
，不同类的负样本b
k-更远离锚定样本b
kan
；基于中心损失会减小样本在特征空间中的类内距离相关原理：maml模型输入样本的中心损失函数l
center
可以表示为：其中，e[*]为欧式距离，||*||2为二阶范数，为y
k
类别的可学习中心特征；maml模型输入样本的softmax概率损失l
softmax
可表示为：
其中，e{*}为欧式距离，z
k
表示f
bis
(b
k
)属于第y
k
类别的非归一化概率；步骤3.3、将步骤3.2中得到的双谱特征数据集下的三元组损失函数l
triplet
、中心损失函数l
center
和softmax概率损失l
softmax
，通过度量学习进行集成组合，定义组合后的集成损失函数为：l
it
＝l
softmax
+λ(l
triplet
+l
center
)，其中，λ为平衡三元组损失函数l
triplet
、中心损失函数l
center
与softmax概率损失l
softmax
的平衡因子。5.根据权利要求1所述的一种基于双谱特征的小样本雷达辐射源调制识别方法，其特征在于，所述的步骤4具体包括：步骤4.1、将集成损失函数引入maml模型的softmax层后，代替maml模型原有的交叉熵损失函数，定义maml模型初始化参数为则初始化maml模型为当maml学习一个新任务г
i
后，梯度更新可以表示为：其中，η超参数，表示更新步长；步骤4.2、在步骤4.1得到梯度更新后的maml模型后，对所有任务进行训练，每一个任务上的模型参数均进行了优化，则maml模型参数的最终目标为：步骤4.3、在步骤4.2得到最终参数更新后的maml模型后，对maml模型进行元优化，使得对新任务只需实现微小梯度变化，即可得到最大影响，元优化是模型参数对实现最优化，其最优化公式为：其中，γ为超参数，表示元优化的步长；步骤4.4、将步骤4.3得到元优化的maml模型后，利用maml模型softmax层输出的样本与标签相似度概率，得到对测试集b
test
中测试查询集b
test_query
的双谱特征样本与调制类型标签的相似度概率，将得到的相似度概率作为判别辐射源调制类型识别依据，实现辐射源调制识别。6.一种基于双谱特征的小样本雷达辐射源调制识别系统，其特征在于，包括：双谱变换模块：对辐射源调制信号进行双谱估计得到双谱特征；数据集划分模块:将双谱特征划分为训练集与测试集，将训练集划分为支持集与查询集；基于度量学习的集成损失函数模块：将数据集作为maml模型输入样本，利用maml输入样本定义基于度量学习的集成损失函数；maml模型模块：将基于度量学习的集成损失函数引入maml模型，并基于maml模型实现辐射源调制识别。
7.一种基于双谱特征的小样本雷达辐射源调制识别设备，其特征在于，包括：存储器：用于存储实现如权利要求1-5任一项所述的一种基于双谱特征的小样本雷达辐射源调制识别方法的计算机程序；处理器：用于执行所述计算机程序时实现如权利要求1-5任一项所述的一种基于双谱特征的小样本雷达辐射源调制识别方法。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于双谱特征的小样本雷达辐射源调制识别方法的步骤。

技术总结
一种基于双谱特征的小样本雷达辐射源调制识别方法、系统、设备及介质，方法包括：对辐射源调制信号进行双谱估计得到双谱特征并划分为数据集，再将数据集作为MAML模型输入样本定义基于度量学习的集成损失函数，最后将基于度量学习的集成损失函数引入MAML模型，并基于MAML模型实现辐射源调制识别；系统、设备及介质，用于实现一种基于双谱特征的小样本雷达辐射源调制识别方法；本发明通过提取辐射源调制信号双谱特征消除了高斯噪声，利用基于度量学习的集成损失函数提升MAML模型识别性能，最后利用MAML模型实现小样本下辐射源调制信号的识别，具有小样本低信噪比下稳健识别、鲁棒性强和泛化能力强的特点。强和泛化能力强的特点。强和泛化能力强的特点。


技术研发人员：石磊 姚博 翟羽彤 李芳燕 李小平 贾静
受保护的技术使用者：西安电子科技大学
技术研发日：2023.06.21
技术公布日：2023/9/13