[发明专利]一种基于小样本学习和特征增强的辐射源个体识别方法

说明书

本发明公开了一种基于小样本学习和特征增强的辐射源个体识别方法，包括步骤：S11.对不同个体的雷达脉冲信号经过短时傅里叶变换、灰度处理得到雷达脉冲信号的灰度矩阵；S12.将所述得到的灰度矩阵输入至稀疏自编码器中进行特征提取，得到特征矩阵；S13.对所述提取到的特征矩阵利用图像增强的方式进行特征增强，得到增强后的特征矩阵；S14.判断雷达脉冲信号的样本数量是否小于阈值，若是，则将增强后的特征矩阵输入到增强条件对抗生成网络中对样本数量进行扩充，再返回步骤S14；若否，则执行步骤S15；S15.将增强后的特征矩阵输入到卷积神经网络中进行训练，将特征输入到分类器中进行分类识别。

技术领域

本发明涉及雷达个体识别技术领域，尤其涉及一种基于小样本学习和特征增强的辐射源个体识别方法。

背景技术

随着现代电子信息技术的持续发展，各国之间的电子对抗愈演愈烈，雷达辐射源个体发射出的信号类型、调制方式以及频率范围多种多样，找到有效的辐射源个体识别算法迫在眉睫。雷达辐射源个体的识别是雷达电子对抗中一个重要组成部分，在电子支援和威胁告警系统中的发挥中重要的作用。雷达辐射源个体识别是电子支援措施ESM(ElectronicSupport Measures)和情报侦察的重要功能之一，它对雷达信号进行截获、定位、分析和识别。

大量学者通过研究雷达辐射源发射机的发射机理发现，虽然雷达发射机可以发射出各种各样不同的雷达信号，但是无论波形、调制方式以及环境等因素如何改变，由于雷达发射机内部元器件差异导致的信号非线性特性都会对信号造成一定的影响。因此，辐射源个体识别技术被提出，辐射源个体识别技术不再关心雷达发射机发射的是何种类型的信号，而只关心当发射雷达信号的辐射源个体发射同种类型信号时，雷达信号携带的辐射源个体特征对雷达波形产生的细微变化规律，通过分析提取这一信号的细微变化规律，可以实现对雷达辐射源个体甚至搭载平台的识别。但是传统的雷达辐射源识别方法往往能力有限，可靠性不高，无法提取得到有效的细微特征。因此，寻找更加有效的方法对雷达信号中的细微特征进行提取并取得有效识别结果具有重要的研究意义。

近些年来，深度学习算法随着人工智能的发展被大量学者研究，通过大量的实验发现它可以处理有着复杂规律和分布的数据，并且有效性大大提高。深度学习算法将数据输入到一层又一层的网络中，通过多次迭代和函数映射的方式自动提取数据中潜在的特征信息，最后通过深度学习分类器对特征信息进行分类，由于其具有自动学习数据特征的优势，因此可以简单有效地解决一些较难处理的非线性问题。在雷达辐射源个体识别领域中，运用深度学习算法可以自动提取到雷达辐射源信号中潜在的个体细微特征，更好地实现雷达辐射源个体识别，因此，本发明通过深度学习提出了一种基于小样本学习和特征增强的辐射源个体识别方法。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于小样本学习和特征增强的辐射源个体识别方法，可以提高同型号雷达个体的识别概率，并扩大雷达信号的识别范围。

为了实现以上目的，本发明采用以下技术方案：

一种基于小样本学习和特征增强的辐射源个体识别方法，包括步骤：

S1.对不同个体的雷达脉冲信号经过短时傅里叶变换、灰度处理得到雷达脉冲信号的灰度矩阵；

S2.将所述得到的灰度矩阵输入至稀疏自编码器中进行特征提取，得到特征矩阵；

S3.对所述提取到的特征矩阵利用图像增强的方式进行特征增强，得到增强后的特征矩阵；

S4.判断雷达脉冲信号的样本数量是否小于阈值，若是，则将增强后的特征矩阵输入到增强条件对抗生成网络中对样本数量进行扩充，再返回步骤S4；若否，则执行步骤S5；

S5.将增强后的特征矩阵输入到卷积神经网络中进行训练，将特征输入到分类器中进行分类识别。