[发明专利]一种基于自适应识别网络的有源干扰识别方法

权利要求书

1.一种基于自适应识别网络的有源干扰识别方法，依托于AJS自适应识别网络模型即AJSARNet；所述AJSARNet由嵌入式模块和关系模块级联构成；其中，嵌入式模块的输入即AJSARNet的输入，该嵌入式模块学习输入样本对的高维特征表达，输出有效嵌入向量；关系模块包括两个卷积层和两个全连接层，最后一个全连接层输出关系分数，以确定最终的识别结果；所述关系模块的输入即嵌入式模块的输出，即：有效嵌入向量；所述关系模块学习嵌入式模块输出的有效嵌入向量与输入样本对的关系分数之间的映射，其特征在于：包括如下步骤：

步骤1：利用时频变换，构建一个有源干扰信号模拟数据集；

其中，有源干扰信号，即active jamming signal，简写为AJS；

步骤1生成的有源干扰信号模拟数据集，用于对AJS识别模型进行训练、测试与评估，共包含N×S×M个样本；

其中，N指的是所构建的AJS模拟数据集中AJS信号的类型数量；S指的是每类AJS信号所含样本共包括S个不同的干噪比水平；M指的是每类AJS信号的每个干噪比水平下共包含M个样本；

步骤1，具体包括如下子步骤：

步骤1.1构建AJS模拟数据集，具体为：根据AJS识别任务的要求，仿真出N×S×M个AJS信号，生成AJS信号集；

步骤1.2对步骤1.1输出的AJS信号集中的每一个AJS信号，进行时频变换，生成对应的二维时频谱图，并以该AJS信号的类型作为其标签，用AJS二维时频谱图和其标签共同构成有源干扰信号模拟数据集；

步骤2：根据所设C-way K-shot的识别问题，对步骤1输出的有源干扰信号模拟数据集进行划分，得到AJS识别模型的样本集、查询集、支持集和测试集；

其中，样本集和查询集共同构成训练集，用于对AJS识别模型进行训练；支持集和测试集用于对AJS识别模型进行测试，且支持集中，共含有C类数据，每一类数据由K个样本组成；

对步骤1输出的有源干扰信号模拟数据集进行划分，具体包括如下几个子步骤：

步骤2.1在步骤1输出的有源干扰信号模拟数据集中随机选择C类AJS信号，对其进行划分，形成支持集和测试集；

步骤2.2将步骤1输出的有源干扰信号模拟数据集中，属于步骤2.1生成的支持集或测试集的样本除去，剩下的样本形成训练集；

步骤2.3对步骤2.2输出的训练集进行划分，形成样本集和查询集；

步骤3：根据AJS识别任务的要求，搭建AJSARNet；

其中，AJSARNet的输入，包括两个AJS二维时频谱图所构成的样本对；AJSARNet的输出为输入样本对的关系分数；

步骤4：对步骤3搭建的AJSARNet进行初始化；

其中，对AJSARNet初始化，具体指为神经网络的每一个参数赋初值；

步骤5：基于步骤2输出的样本集和查询集，对步骤4输出的初始化后的AJSARNet进行训练，得到训练好的AJSARNet；

具体的，对步骤4输出的初始化后的AJSARNet的训练，设置L个元训练迭代单元episode；

对所设C-way K-shot识别任务，设置一个episode即将选定的元训练集的所有样本送入待训练网络，并对每一个样本都完成一次前向计算和反向传播的过程，具体为：在步骤2输出的样本集和查询集构成的训练集中，选择C个类，用所选C类数据的全部样本训练一次模型，更新一次模型的参数；下一个episode，再选择其他C个类训练模型；对步骤2输出的含N×S-C类数据的样本集和查询集来说，每个epoch包含个episode；

其中，当N×S-C不能被C整除时，代表在当前epoch的最后一个episode中，没有被训练过的数据类型不足C类，此时需要在已经训练过的数据中随机选择补齐C类，进行最后一个episode的训练；

具体的，每个episode的训练过程，包括如下几个子步骤：

步骤5.1从步骤2输出的样本集和查询集中，分别取出类型一致的C类AJS信号，生成样本对；

其中，步骤2输出的样本集和查询集，每类AJS信号所含样本数分别为K和M-K；

步骤5.2将步骤5.1输出的样本对，按其样本集样本的类别，依次输入待训练AJSARNet中进行计算，得到关系分数；

其中，待训练AJSARNet，具体指：若本次episode为模型训练阶段的第一个episode，则为步骤4输出的初始化后的AJSARNet，否则为上一个episode输出的AJSARNet；

步骤5.3将步骤5.2输出的关系分数代入损失函数公式中，计算训练损失；

其中，损失函数，计算的是一个episode中输出的全部关系分数，与相应样本对类型一致度的平均差距；

其中，样本对类型一致度为0、1二值的，具体为：样本对中的两个样本标签一致时为1，不一致则为0；

步骤5.4基于步骤5.3输出的损失函数，利用优化方法，更新AJSARNet的各个参数；

步骤6：基于步骤2输出的支持集和测试集，对步骤5输出的训练好的AJSARNet进行测试，得到网络的性能测试结果；

步骤6，具体包括如下几个子步骤：

步骤6.1将由步骤2输出的支持集和测试集中样本构成的样本对，输入步骤5输出的训练好的AJSARNet中，输出相应的关系分数；

步骤6.2将步骤6.1输出的全部关系分数，与对应样本对的类型一致度输入损失函数的计算公式，得到测试损失；

步骤6.3基于步骤6.2输出的每个样本对的关系分数，计算测试结果的MAE和MSE，得到模型的测试精度。