[发明专利]一种对新体制雷达目标未知模式的零样本识别方法

说明书

本发明提出了一种对新体制雷达目标未知模式的零样本识别方法，通过跨层结构和自编码器机制对传统的辐射源模式识别算法进行改进，为每一个类别提供一个一一对应的语义描述向量，在训练阶段，学习输入样本到语义描述向量的映射，并利用该映射关系，预测测试样本的语义描述，并将该语义描述分别与测试集已知的语义描述向量匹配，最终选择最相近的语义描述向量所代表的类别，在线识别时，只需要进行简单的乘加运算即可得到结果，相较于聚类算法，既提高了准确率又缓解了在线识别的时间复杂度。

技术领域

本发明涉及雷达电子侦察和人工智能的交叉技术领域，具体涉及一种对新体制雷达目标未知模式的零样本识别方法。

背景技术

电子战系统的主要任务是发现辐射源的存在并尽快生成对抗策略，该系统的主要组成部分是需要对辐射源进行监测并识别其当前的工作模式，为后续干扰措施的选择打下基础。

传统的辐射源模式识别算法依赖于已有特征模板的匹配，或是预先采集足够数量样本以进行识别模型的训练。这些已知模板或是可以经过离线学习的模式被称为已知类。然而，当复杂电磁环境信号密度强、存在捷变模式的先进辐射源时，传统分类方法往往无法得到全部的特征模板和数据，会出现从未见过的辐射源未知模式信号，尽管基于聚类的算法例如吸引子传播(Affinity Propagation，AP)算法和快速密度峰(Cluster of FastSearching Density Peaks,CFS)算法能够在没有任何先验信息的情况下，将信号进行聚类，然而这些完全由数据驱动的方法往往准确率较低并且在线识别的时间复杂度很高，即未知类的数据很难快速准确的识别。

发明内容

为了解决未知辐射源的模式识别问题，本文提出了一种对新体制雷达目标未知模式的零样本学习方法。零样本学习为每一个类别提供一个一一对应的语义描述向量，在训练阶段，学习输入样本到语义描述向量的映射，并利用该映射关系，预测测试样本的语义描述，并将该语义描述分别与测试集已知的语义描述向量匹配，最终选择最相近的语义描述向量所代表的类别，作为该测试样本的所属类别。

本发明的技术方案如下：一种对新体制雷达目标未知模式的零样本识别方法，该方法的模型包括特征提取网络和跨层自编码器网络两部分，特征提取网络提取输入信号样本的特征，作为跨层自编码器的输入，跨层自编码器由编码器和解码器两部分组成，编码器包含视觉特征输入层、中间层、全连接输出层、捷层和语义特征层，视觉特征输入层、中间层和全连接输出层构成了一个两层的全连接神经网络，视觉特征输入层和快捷层构成了一个跨层网络，解码器由转移层、中间层和视觉特征输出层组成，具体包括以下步骤：

步骤一、选取n个雷达信号特征参数进行雷达辐射源模式语义描述，构建N种m维雷达辐射源模式语义描述向量i＝{1,2,...,N}和与其对应的辐射源模式u_i,i＝{1,2,...,N}，构建输入信号样本数据集，包括含有C_tr种雷达辐射源模式的训练集I_k,k∈{1,2,L,K}和含有C_te种雷达辐射源模式的测试集I_m,m∈{1,2,L,M}；设置特征提取网络层数L和每层的节点数l∈{1,...,L}，设置跨层自编码器网络中的视觉特征输入层、转移层、视觉特征输出层节点数相同，记为P∈{2,...,L-1}，中间层和中间层节点数为NODE^C，全连接输出层，快捷层和语义特征层的节点数相同为NODE_se，设置编码器权重稀疏化项的权重λ，解码器损失函数权重α以及正则化权重β，训练的迭代次数epo，随机初始化待训练的特征提取神经网络权重W_F和跨层自编码器每层的网络权重W₁,W₂,W₃；