[发明专利]一种雷达信号的未知个体识别方法及装置

说明书

本发明公开了一种雷达信号的未知个体识别方法及装置，所述方法包括：构建已知类别样本集N和未知类别样本集UN并存储；将已知类别样本集N中各待识别样本以及未知类别样本集UN中各待识别样本输入编码网络，提取待识别样本的特征向量并对待识别样本进行分类；利用DDPG算法，根据待识别样本的特征向量，生成注意力概率分布向量；根据待识别样本的特征向量和注意力概率分布向量，生成条件特征向量并输入到解码网络判定待识别样本的类别；进行编码网络、解码网络以及DDPG算法中的网络训练；本发明的优点在于：避免了未知类别信号被错误识别为已知的某一类信号，实现已知类信号和未知类信号准确分开。

技术领域

本发明涉及电子侦察领域，更具体涉及一种雷达信号的未知个体识别方法及装置。

背景技术

基于深度学习的分类网络，模型的输出类型通常是固定的，所以在进行模型训练时，测试数据的类别也都是已知的。而在真实的应用场景中，通常会出现训练时不存在的未知类别，而传统的分类网络对训练过程中不存在的未知类别不能正确的进行分类。这一缺陷会导致分类模型在真实应用环境下的识别精度大大下降，所以解决未知类别的识别问题是提高分类网络识别精度的关键因素。现有的针对深度学习的未知类识别问题的解决方法主要有两种，方法一是在训练集中加入未知样本类，通过待检测数据和已知样本的相似度进行未知类别的区分。方法二是通过提取分类网络的中间层特征，再结合常用的机器学习方法(KNN，PCA，TSNE等聚类方法)进行聚类分析，将未知类区分开。

上面两种方法在一些应用场景中对未知类别的识别都取得了较好的效果，但是也存在一定的缺陷。方法一是通过在训练集中加入未知样本类实现已知类别和未知类别的区分，对未知样本依赖性很大，样本集较难收集，未知类中很难囊括所有潜在的未知类型，当模型遇到训练集中不存在的类型时，还是无法进行正确的分类。方法二通过提取分类网络的中间层特征，再结合常用的机器学习方法进行聚类分析，将未知类区分开，只能在未知类别和已知类别相似度不大的情况下有较好的效果，而雷达信号的个体识别，是通过雷达硬件差异性而产生的信号的细微变化来进行区分，不同雷达个体信号相似度很大，通过对分类网络的中间特征进行聚类分析，很难将不同的个体完全区分开。所以综上，现有的针对深度学习的未知类识别问题的解决方法存在无法进行正确分类的问题，深入研究深度学习领域前沿技术，探索更好的未知类别识别方法对雷达信号个体识别精度的提高具有重要的意义。

发明内容

本发明所要解决的技术问题在于如何提供一种雷达信号的未知个体识别方法及装置，以使已知类信号和未知类信号准确分开。

本发明通过以下技术手段实现解决上述技术问题的：一种雷达信号的未知个体识别方法，所述方法包括：

步骤一：构建已知类别样本集N和未知类别样本集UN并存储；

步骤二：将已知类别样本集N中各待识别样本以及未知类别样本集UN中各待识别样本输入编码网络，提取待识别样本的特征向量并对待识别样本进行分类；

步骤三：利用DDPG算法，根据待识别样本的特征向量，生成注意力概率分布向量；

步骤四：根据待识别样本的特征向量和注意力概率分布向量，生成条件特征向量并输入到解码网络判定待识别样本的类别；

步骤五：进行编码网络、解码网络以及DDPG算法中的网络训练。