[发明专利]一种基于自适应识别网络的有源干扰识别方法

说明书

本发明涉及一种基于自适应识别网络的有源干扰识别方法，属于有源干扰识别技术领域。所述方法包括：1)利用时频变换构建有源干扰信号模拟数据集；2)划分有源干扰信号模拟数据集得到样本集、查询集、支持集和测试集；3)搭建输入为样本对，输出关系分数的AJSARNet；4)对AJSARNet进行初始化；5)基于样本集和查询集对4)初始化后的AJSARNet进行训练，得到训练好的AJSARNet；6)基于支持集和测试集对训练好的AJSARNet进行测试，得到性能测试结果。所述方法提高了鲁棒性或泛化能力，AJS识别精度和效率。

技术领域

本发明涉及一种基于自适应识别网络的有源干扰识别方法，属于有源干扰识别技术领域。

背景技术

有源干扰(active jamming，AJ)识别是指通过分析电子支援测量(electronicsupport measurement,ESM)系统截获的有源干扰的特征参数，来实时地辨认出发射此信号的干扰机类型，进而分析干扰机的发射机工作模式并评估相应的威胁级别的技术。有源干扰识别技术在雷达目标探测、雷达抗干扰领域中发挥着越来越重要的作用，在近年来受到了研究人员的广泛关注。

随着机器学习技术特别是深度学习的快速发展，相较于早期的信号参数匹配法和专家系统法等传统有源干扰识别方法，基于机器学习的方法从结构上改善了有源干扰识别方法，有效地提高了有源干扰信号的识别性能，逐渐成为了有源干扰识别领域的主要技术手段。

然而，面对当前日益复杂的电磁环境，基于机器学习的有源干扰识别也面临着诸多挑战：1)由于军事或商业机密，有源干扰样本采集困难，并且采集过程需要耗费大量的时间和成本，导致用于训练、测试与评估有源干扰识别模型的数据集规模有限，从而使得模型在训练过程中容易发生过拟合现象，降低有源干扰识别的准确度；2)电磁环境复杂，来自电子设备和外部信号源的噪声会对有源干扰产生污染，严重降低有源干扰的识别性能，机器学习模型尤其容易受到影响，模型输入的一个噪声点就可能改变模型参数的优化方向，使模型产生错误的输出，即基于机器学习的有源干扰识别方法通常具有鲁棒性较低的弱点；3)有源干扰识别模型通常具有复杂的网络结构，其中包括大量需要训练优化的参数，计算复杂度大，时间成本高。

发明内容

本发明的目的在于低干噪比(JNR)的前提下，解决有源干扰识别准确率低、实时性差的问题，提出了一种基于自适应识别网络的有源干扰识别方法，该方法依托于一种基于元迁移学习策略和小样本学习(few-shot learning,FSL)的新型端到端有源干扰自适应识别网络AJSARNet，通过泛化和类比模仿人类的学习能力，从少数样本中获取知识，实现有源干扰识别。

为了达到上述目的，本发明采取如下技术方案。

所述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；

所述识别方法，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；