本技术提供一种基于解耦训练的长尾雷达辐射源信号调制类型识别方法。该方法包括:步骤1:收集雷达辐射源信号以获得长尾雷达辐射源数据集;步骤2:对所述长尾雷达辐射源数据集进行时频图转换和预处理,生成长尾时频图像数据集;步骤3:基于所述长尾时频图像数据集对预设的基础模型进行解耦训练,生成调制类型识别模型;步骤4:将目标雷达辐射源信号对应的时频图输入所述调制类型识别模型,得到目标雷达辐射源信号的调制类型。面对真实环境中雷达数据长尾分布带来的挑战,本发明结合不同的采样策略,通过对模型解耦训练,有效地缓解了真实雷达辐射源数据集中样本稀缺导致的识别准确率降低的问题,进一步提高整体雷达辐射源识别准确率。
背景技术
在雷达辐射源识别领域,稳定可靠的自动调制类型识别是一个热点问题。它是指通过接收到的雷达辐射源信号中提取的特征来识别雷达辐射源的调制类型。传统的雷达辐射源识别方法从脉间与脉内特征角度,根据脉冲描述字、信号带宽,初始频率、调频斜率等参数来进行雷达辐射源识别(Matuszewski J.Specific emitter identification[C].Radar Symposium,2008International,2008:1-4.)。随着人工智能技术的发展,深度学习(Deep Learning,DL)因其出色的特征提取能力而广泛应用于雷达辐射源调制类型识别研究,当前调制类型识别技术的焦点是基于时频图像的自动调制类型识别(AutomaticModulation Recognition,AMR)。
经过多年的研究,一些学者研究了新的网络结构,提出了一些新的建模方法,有效地提高了基于DL的AMR方法识别准确率。2017年,清华大学Wang Chao等人(Wang C,Wang J,Zhang X.Automatic radar waveform recognition based on time-frequency analysisand convolutional neural network[C]//IEEE International Conference onAcoustics,Speech and Signal Processing.Piscataway,USA:IEEE,2017:2437-2441.)将Wigner-Ville分布的时频图像作为输入,使用卷积神经网络(Convolutional NeuralNetwork,CNN)提取特征,取得了较好的识别效果,是较早使用时频图像结合神经网络进行调制类型识别的研究。此后时频图像结合深度学习网络的研究大量出现;2024年,DongmingWu等人(Wu,Dongming,et al.Contrastive Semi-supervised Learning with Pseudo-label for Radar Signal Automatic Modulation Recognition[J].IEEE SensorsJournal,2024.)针对实际电磁环境中标注样本稀缺问题,将伪标签的对比半监督学习用于雷达信号自动调制识别,在小样本量和低信噪比条件下,提高了识别性能。
然而现有技术都是通过手动平衡的数据集为每个类训练、验证、测试相同数量的样本,以学习特征和分类器表示。在复杂的实际环境下,受不确定环境的影响,对于非合作目标数据的获取更加困难,缺少足够的采样率和驻留时间去获取目标的大量样本,这就导致机会目标数据量较少,而常规目标数量较多,使得信号数据的不平衡呈现长尾分布。这种不均匀的数据集使得监督学习方法的建模变得困难,导致相当大的性能下降,大大增加了训练网络的挑战性。
实现思路