[发明专利]基于小样本的多模态雷达有源欺骗干扰识别方法

权利要求书

1.基于小样本的多模态雷达有源欺骗干扰识别方法，其特征在于，包括下列步骤：

步骤S1，对获取到的雷达有源欺骗干扰信号进行信号处理，提取时域、频域及时频域的特征参数模态信息，得到特征参数模态数据集；并利用短时傅里叶变换提取雷达有源欺骗干扰信号的时频图像模态信息，得到时频图像数据集；

步骤S2，对步骤S1中获取到的时频图像数据集进行图像增强及形态学闭运算降噪处理；

步骤S3、使用高斯随机化的方式扩充步骤S1得到的特征参数模态数据集，并利用手写字符数据集Omniglot数据集扩充步骤S1得到的时频图像数据集；

步骤S4、将步骤S3处理后的特征参数模态数据集划分为支撑集和查询集；

步骤S5、搭建基于多模态融合的原型网络，根据支撑集分别计算特征参数模态和时频图像模态的原型，对特征参数模态和时频图像模态的原型进行特征融合，获取多模态融合原型；

步骤S6、根据多模态融合原型对查询集的样本进行分类，计算分类损失以优化原型网络的网络参数，最终得到雷达有源欺骗干扰的识别模型，以获取目标对象的雷达有源欺骗干扰信号的识别结果。

2.如权利要求1所述的方法，其特征在于，所述步骤S1中，提取的时域、频域及时频域的特征参数模态信息包括：时域矩偏度、时域矩峰度、时域包络起伏度、归一化幅度标准差、频域矩偏度、频域矩峰度、频域包络起伏度、归一化幅度频谱最大值和尺度重心。

3.如权利要求1所述的方法，其特征在于，利用短时傅里叶变换提取雷达有源欺骗干扰信号的时频图像模态信息具体包括：利用短时傅里叶变换提取雷达有源欺骗干扰信号的时频图像，并对提取的视频图像进行归一化灰度处理。

4.如权利要求1所述的方法，其特征在于，步骤S2中，对步骤S1中获取到的时频图像数据集进行图像增强处理具体为：

定义图像f(x,y)的原始灰度范围在[a,b]之间，经过线性变换后的图像g(x,y)的灰度范围在[c,d]之间，则图像f(x,y)中任意像素点的灰度值k，变换后得到图像g(x,y)中对于像素点灰度值l可表示为：

其中，μ为增强系数。

5.如权利要求1所述的方法，其特征在于，所述步骤S4中，支撑集和查询集的数量比为1。

6.如权利要求1所述的方法，其特征在于，步骤S5中，所述原型网络包括第一特征提取网络、第二特征提取网络和拼接层；

其中，第一特征提取网络用于提取时频图像模态的特征向量，其包括六层二维的卷积层，并将六层二维卷积层提取的特征图转换为一维向量，得到时频图像模态的原型并输出；

第二特征提取网络用于提取特征参数模态的特征向量，其包括四层二维的卷积层并将六层二维卷积层提取的特征图转换为一维向量后，得到特征参数模态的的原型并输出；

再通过拼接层对时频图像模态的原型和特征参数模态的的原型进行拼接，得到各样本的融合特征向量，以获取同信号类型的样本的多模态融合原型。

7.如权利要求1至6任一项所述的方法，其特征在于，步骤S5中，多模态融合原型具体为：

定义S_k表示信号类别为k的数据集合，总类别数记为K；以及定义表示第i个样本的融合特征向量；

对数据集合S_k中的所有样本的融合特征向量的均值得到k类别的多模态融合原型c_k；

用查询集计算每个样本对应每个类的概率：

其中，f_φ(x)表示查询集的样本x的融合特征向量，y表示当前识别到的类别，k′表示真实类别，c_k'表示真实类别的多模态融合原型，d(·)表示加权平方欧氏距离，其表达式为：

其中，z₁和z₂表示不同模态的中间计算量，f₁(x)、f₂(x)分别表示查询集的样本x的时频图像模态和特征参数模态的特征向量，和分别表示k类别的多模态融合原型c_k中的时频图像模态分量和特征参数模态分量；

且步骤S6中，分类损失函数为：J(φ)＝-log(p_φ(y＝k'|x))。