王滿喜，陸科宇，王佳保，林云

（1.電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點實驗室，河南 洛陽 471003；2.哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江 哈爾濱 150001）

0 引言

未來復(fù)雜電磁環(huán)境下的信息化戰(zhàn)爭是多軍種聯(lián)合作戰(zhàn)，各種武器平臺互聯(lián)、互通，構(gòu)成了陸、海、空、天、網(wǎng)、電一體化作戰(zhàn)體系[1]。在復(fù)雜電磁環(huán)境下進行電磁個體識別是實現(xiàn)電磁頻譜管控的重要步驟，對未知威脅的用頻個體進行有效識別對提升復(fù)雜電磁頻譜環(huán)境下的實時感知能力具有關(guān)鍵的意義。而在實際工作場景中，電磁信號經(jīng)常只能獲得少量有標(biāo)簽樣本的數(shù)據(jù)，因此如何在小樣本環(huán)境下提高識別率成為了需要解決的難題。

面對復(fù)雜的電磁環(huán)境，各種設(shè)備依賴于電磁環(huán)境空間，因此深度學(xué)習(xí)也被用于處理物理層通信[2]?，F(xiàn)代化信息戰(zhàn)中，電磁環(huán)境變得更加復(fù)雜，會對無線電的使用產(chǎn)生嚴(yán)重干擾，限制裝備的使用和作戰(zhàn)效能[3]。傳統(tǒng)的技術(shù)手段已經(jīng)難以對電磁個體進行快速有效識別，而近幾年出現(xiàn)的深度學(xué)習(xí)方法[4]，是一種快速發(fā)展、有前景的新型技術(shù)，在電磁信號識別領(lǐng)域得到了有效的應(yīng)用[5]。其中基于深度學(xué)習(xí)的電磁個體識別技術(shù)主要有實數(shù)網(wǎng)絡(luò)、復(fù)數(shù)網(wǎng)絡(luò)、多模態(tài)融合以及注意力機制等技術(shù)[6]。

小樣本學(xué)習(xí)在近年來受到了廣泛的關(guān)注，被用于解決信號識別時樣本數(shù)不足導(dǎo)致模型識別率低的問題[7]。在小樣本信號識別中，數(shù)據(jù)增強是一種提升效果的方法，已經(jīng)應(yīng)用在圖像、文本和語音處理等方面，但是對時間序列尤其是電磁信號的數(shù)據(jù)增強方法研究較少[8]。數(shù)據(jù)增強是深度學(xué)習(xí)模型在時間序列數(shù)據(jù)上應(yīng)用的關(guān)鍵。其中時序變換是時間序列數(shù)據(jù)最直接的數(shù)據(jù)增強方法，大多數(shù)對原始輸入數(shù)據(jù)進行處理，通過引入高斯噪聲或更復(fù)雜的噪聲模式來提高模型的魯棒性[9]。對時間序列在頻域的轉(zhuǎn)換，可以利用頻域中振幅和相位譜的擾動來增強卷積網(wǎng)絡(luò)對時序異常數(shù)據(jù)的識別能力[10]，實驗證明該方法相較于原始序列有顯著提高。

深度學(xué)習(xí)生成對抗網(wǎng)絡(luò)（GAN,Generative Adversarial Networks）作為一種生成模型，可以有效地生成合成樣本，應(yīng)用于小樣本識別的訓(xùn)練。在GAN 中，需要為時間序列數(shù)據(jù)建立良好的通用生成模型。通過一種輔助分類器生成對抗網(wǎng)絡(luò)的智能編程數(shù)據(jù)增強方法，對等勢星球圖在統(tǒng)計圖域的特征進行數(shù)據(jù)增強，可以實現(xiàn)信號調(diào)制識別性能的提升[11]。利用循環(huán)生成對抗網(wǎng)絡(luò)的方法生成真實合成數(shù)據(jù)，還可以針對時間序列分類不平衡問題生成平衡的數(shù)據(jù)集[12]。研究人員還發(fā)現(xiàn)基于GAN 架構(gòu)生成的合成時間序列數(shù)據(jù)，可能更接近測試數(shù)據(jù)。此外提出了一個在不同領(lǐng)域生成真實時間序列數(shù)據(jù)的自然框架，在嵌入式空間進行對抗和聯(lián)合性訓(xùn)練，具有監(jiān)督和非監(jiān)督性損失[13]。

基于模型的時間序列增強方法通常會用統(tǒng)計模型對時間序列進行建模。通過一種稱為混合高斯樹的簡化版統(tǒng)計模型，對少數(shù)類時間序列數(shù)據(jù)進行建模，可以解決分類不平衡的問題，與不利用點間的過采樣相比有很大優(yōu)勢[14]。此外使用局部和全局趨勢（LGT,Local and Global Trend）的統(tǒng)計方法來計算參數(shù)和預(yù)測路徑樣本，可以提高模型識別性能[15]。使用混合自回歸模型來模擬時間序列的集合，根據(jù)條件分布生成新的時間序列，同樣可以達到數(shù)據(jù)增強的效果[16]。

本文將針對電磁信號識別中的小樣本問題，在現(xiàn)有的識別方法的基礎(chǔ)上，分別使用切片處理、時間序列增強和對抗訓(xùn)練增強這三種方法，在小樣本數(shù)據(jù)集上進行測試，并通過對不同數(shù)據(jù)增強場景下模型的集成學(xué)習(xí)，極大地提高信號的識別效果，同時對不同算法的性能進行探討。

1 實驗數(shù)據(jù)集的建立

1.1 數(shù)據(jù)采集系統(tǒng)

信號采集系統(tǒng)廣播式自動相關(guān)監(jiān)視（ADS-B,Automatic Dependent Surveillance-Broadcast）遵循國際民航組織協(xié)議[17]，系統(tǒng)的工作框架如圖1 所示。其中A 和B 飛機收到來自衛(wèi)星導(dǎo)航發(fā)送的飛機位置消息后，與其自身的其他相關(guān)信息進行結(jié)合，比如飛機的速度、狀態(tài)、意圖等，由兩架飛機ADS-B 發(fā)送子系統(tǒng)的消息生成模塊生成合法的信號后，再通過消息發(fā)射模塊周期性地廣播出去，然后被地面工作站接收。

圖1 ADS-B系統(tǒng)工作框架

采用基于通用處理器的軟件無線電SM200B 接收設(shè)備采集信號，該設(shè)備的結(jié)構(gòu)可以為開發(fā)提供很高的靈活性和簡便性，使用標(biāo)準(zhǔn)接口如以太網(wǎng)、通用串行總線等能夠?qū)?shù)字基帶或者低中頻的采樣數(shù)據(jù)進行處理，同時利用多核對數(shù)據(jù)進行處理以提高吞吐量。其結(jié)構(gòu)包括天線、數(shù)模轉(zhuǎn)換模塊、緩沖模塊和常用處理器。這種架構(gòu)十分靈活，能夠使用個人處理器進行算法的開發(fā)和測試。

1.2 數(shù)據(jù)采集與預(yù)處理

（1）數(shù)據(jù)集預(yù)處理

本文采集數(shù)據(jù)時自動聯(lián)合參數(shù)設(shè)置部分、信號解碼部分以及信道估計出的信號信息，進行消息組裝，并結(jié)合信號檢測部分的信號位置，提取出原始信號，完成自動標(biāo)注過程。

1）利用統(tǒng)計學(xué)中的相關(guān)原理分別對I 路和Q 路兩路信號的二、四階統(tǒng)計量進行計算；

2）在同相和正交分量各自的二、四階統(tǒng)計特征的基礎(chǔ)上，得到對應(yīng)的信號功率因子和噪聲功率因子，計算得到對應(yīng)的信噪比；

3）根據(jù)同向和正交兩種分量的信噪比得到整體基帶通信信號的平均信噪比；

4）在上述工作的基礎(chǔ)上計算得到信號的參數(shù)化或非參數(shù)化功率譜；

5）在x-dB 的基礎(chǔ)上或根據(jù)其他方法對信號傳輸時的帶寬進行估計；

6）分別將信號的最低和最高截止頻率設(shè)置為fmin和fmax，對載波頻率偏移進行估計。

（2）實驗數(shù)據(jù)采集

實驗數(shù)據(jù)通過第1.1 節(jié)所述數(shù)據(jù)采集系統(tǒng)進行采集，并通過接收設(shè)備進行存儲。

電磁數(shù)據(jù)采集：圖2 展示了進行信號采集中的數(shù)據(jù)采集環(huán)境。采集地點選擇在航空器飛行航線上，避開架空導(dǎo)線等各種干擾源，降低到達采集點的反射雜波。采集到信號后將數(shù)據(jù)傳輸?shù)娇刂婆_并進行存儲。

圖2 電磁數(shù)據(jù)采集環(huán)境

2 基于時間和對抗序列的數(shù)據(jù)增強

2.1 切片預(yù)處理

通過窗口滑動將每個小樣本數(shù)據(jù)集中的信號處理成序列長度相等的切片，并且使用原有信號的標(biāo)簽對設(shè)備進行標(biāo)記[18]。對數(shù)據(jù)進行切片的流程如圖3 所示，Mk是第k個序列的長度，L為對應(yīng)子幀的序列長度，當(dāng)設(shè)置窗口滑動步長為1 時，第k幀傳輸共生成Mk-L+1 個子幀切片。

圖3 切片處理示意圖

為了提高模型的訓(xùn)練速度并降低訓(xùn)練數(shù)據(jù)特征的冗余，不需要將所有子幀的切片都輸入至網(wǎng)絡(luò)進行訓(xùn)練，因此在本文中，均勻地隨機選擇一部分切片作為識別模型的輸入樣本，每個傳輸k最終得到的實際切片數(shù)由式(1)得出：

其中，λ為超參數(shù)，控制最終的實際切片數(shù)，其物理意義為在[1,L]區(qū)間內(nèi)每個訓(xùn)練樣本出現(xiàn)的次數(shù)的期望值，選擇合適的期望值可以降低模型過擬合的風(fēng)險并節(jié)約計算成本。

2.2 時間序列數(shù)據(jù)增強

（1）頻率偏移數(shù)據(jù)增強

接收設(shè)備與發(fā)射設(shè)備之間的相對運動或信號發(fā)生反射的現(xiàn)象，會對信號傳輸產(chǎn)生影響，即多普勒效應(yīng)[19]。在模型進行訓(xùn)練時對數(shù)據(jù)加入頻偏，可以提高魯棒性。信號從發(fā)射端X 處產(chǎn)生并且向Y 處運動，接收設(shè)備在s的位置接收到電磁信號，則信號傳輸?shù)拈L度存在路徑差：

式中，Δt表示發(fā)射端從X 處運動到Y(jié) 處的時間；θ代表X、Y 發(fā)射與信號接收位置產(chǎn)生的夾角。實際采集情況中，接收設(shè)備一般距離發(fā)射端20 km 以上，因此可以假設(shè)在兩處有相同的θ，從而可以計算出接收電磁信號的相位變化Δφ：

采集數(shù)據(jù)過程中飛機速度相對過快，接收數(shù)據(jù)會受到多普勒效應(yīng)的干擾[20]，偏移頻率是數(shù)據(jù)的重要特征，進行頻偏變換需要傅里葉變換。

（2）信道損傷數(shù)據(jù)增強

在地空信號的傳輸過程中易受如山體、大霧等的環(huán)境干擾而造成信號的反射、衍射和繞射[21]，從而導(dǎo)致衰落，本文利用該特性對數(shù)據(jù)進行增強。

接收端信號可以表示為：

其中α代表信號衰減；f0代表頻率偏移；θ0代表相位偏移；ω(t) 代表均值為零的復(fù)高斯加性白噪聲；s(t) 為信道傳輸信號，其分布服從：

在地與空通信中傳輸鏈路一直保持“通視”效果，即存在信號直射路徑，但因為傳輸?shù)亩嗥绽招?yīng)和多徑效應(yīng)的影響，使接收得到的信號包含多徑分量，而且信號的包絡(luò)服從萊斯分布。

2.3 對抗樣本數(shù)據(jù)增強

對抗樣本攻擊指通過對數(shù)據(jù)集樣本引入擾動，使其產(chǎn)生具有高置信度的錯誤輸出[22]。對于學(xué)習(xí)系統(tǒng)M(·) 和正常的輸入a，如果有另一個樣本是幾乎與a相同，但被系統(tǒng)錯誤地分類為，可以稱其為對抗樣本。本文利用對抗樣本對模型進行訓(xùn)練以提升模型的泛化能力及魯棒性。

分類器對輸入a及其擾動版本做出不同的響應(yīng)是不合理的，即。為了實現(xiàn)有效的分類器設(shè)計，只要，分類器就應(yīng)該將a和分類為同一類。假設(shè)激活函數(shù)是線性的，那么對的分類器的輸入為：

3 基于集成學(xué)習(xí)的信號分類

3.1 集成學(xué)習(xí)算法原理

本算法主要包括小樣本信號預(yù)處理、網(wǎng)絡(luò)識別和投票集成幾個部分。在數(shù)據(jù)輸入分類器之前，將采集得到的原始小樣本數(shù)據(jù)進行處理，然后使用不同網(wǎng)絡(luò)提取出信號特征進行投票，利用集成學(xué)習(xí)算法進行信號識別的流程如圖4 所示。

圖4 集成學(xué)習(xí)算法流程

集成學(xué)習(xí)包含以下三種常用方法：1）直接平均法，這種集成方法具有高效性，預(yù)測結(jié)果為不同網(wǎng)絡(luò)產(chǎn)生的分類置信度的平均；2）加權(quán)平均法，在直接平均的基礎(chǔ)上引入權(quán)重進而調(diào)節(jié)不同網(wǎng)絡(luò)分類置信度的重要性，從而提高識別率；3）投票法，常見的方法，其中使用最多的是多數(shù)表決法，投票之前分別將網(wǎng)絡(luò)得到的分類置信度轉(zhuǎn)變?yōu)轭A(yù)測類別[24]，將最高分類置信度相應(yīng)的類別作為該網(wǎng)絡(luò)的輸出對結(jié)果進行預(yù)測。

3.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)具有較強的識別數(shù)據(jù)特征的能力，進而獲得更具擬合性的模型，是在監(jiān)督下學(xué)習(xí)的分類模型[25]，可以進行局部連接、權(quán)值共享和下采樣的操作。卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成。分類識別中常用的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖5 所示：

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積層包含多個濾波器，以對輸入信號的特征進行學(xué)習(xí)[26]，不同尺寸的卷積核提取得到的特征包含不同信息，而且權(quán)值的共享可以減少模型的復(fù)雜度并提高魯棒性[27]。除Alexnet 外，本文引入了ResNet[28]、VGG 和Inception[29]進行信號識別。

4 實驗及分析

本文設(shè)計并構(gòu)建了小樣本下的電磁信號識別任務(wù)，并在不同的數(shù)據(jù)增強方法和基于集成學(xué)習(xí)的小樣本電磁信號識別方法下進行對比驗證。

4.1 實驗設(shè)置

實驗所采用的數(shù)據(jù)為數(shù)據(jù)采集系統(tǒng)得到的ADS-B 信號數(shù)據(jù)集，信號長度為4 800。分別對數(shù)據(jù)進行切片處理和數(shù)據(jù)增強獲得數(shù)據(jù)集，將增強后的數(shù)據(jù)集與原始數(shù)據(jù)集進行混合訓(xùn)練，設(shè)置80% 數(shù)據(jù)為訓(xùn)練集，20% 數(shù)據(jù)用于測試，然后使用4 種卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練與測試。在基于集成學(xué)習(xí)的小樣本識別中，對4 種模型進行集成學(xué)習(xí)。

本文中神經(jīng)網(wǎng)絡(luò)訓(xùn)練均基于Windows 10 操作系統(tǒng)上的Keras 與Tensorflow 深度學(xué)習(xí)框架構(gòu)建，CPU 處理器為i7 -11370，GPU 使用NVIDIAGeForce 3060。

4.2 基于數(shù)據(jù)增強的識別性能分析

（1）切片處理后性能分析

為了對比不同樣本數(shù)目下切片處理對信號識別結(jié)果的影響，分別在類別樣本數(shù)目N為5、10、15、20 的情況下進行切片處理，通過這種方式對樣本數(shù)目進行擴增。切片處理后，在得到的數(shù)據(jù)集上分別對4 種神經(jīng)網(wǎng)絡(luò)模型進行測試。在該實驗中，每個數(shù)據(jù)集包含20 個類別，對樣本切片時設(shè)置單幀長度為4 799，即將數(shù)據(jù)擴增一倍。

從圖6 中的結(jié)果可以看出，經(jīng)過切片處理的信號識別效果與未經(jīng)處理的效果相差很大，基于切片處理的小樣本識別準(zhǔn)確率有了大幅度的提高。在單個類別樣本數(shù)目為5時，識別率最高的VGG13 僅為35%，殘差網(wǎng)絡(luò)的識別率為10%，這表明在小樣本下，模型的分類識別能力面對很大考驗。但是經(jīng)過切片處理后，4 種模型的識別率均有了大幅提高，其中網(wǎng)絡(luò)的識別率最高達到了92.5%。

隨著樣本的數(shù)目越多，不同的網(wǎng)絡(luò)的識別率會隨之上升，這表明樣本數(shù)目的大小對模型的識別能力有著較大的影響。在樣本數(shù)目較小時，網(wǎng)絡(luò)缺少足夠的特征來提高魯棒性；當(dāng)樣本數(shù)目提高到20 時，4 種模型的識別率均超過了90%。實驗結(jié)果證明了切片處理的有效性，在接下來的實驗中設(shè)置每個類別樣本數(shù)均為20。但是該方法得到的數(shù)據(jù)并不包含新的特征，沒有對模型進行新的訓(xùn)練。且切片處理在模型的實際部署應(yīng)用中存在約束，無法對信號進行實時的識別。且在識別前首先對信號進行切片處理，這樣會占用大量的時間和資源，因此本文接下來對時序增強方法進行研究。

（2）時序增強方法性能分析

為了通過增加樣本特征的方式提高小樣本識別率，需驗證時序增強方式在信號樣本較少時能否提高模型的性能。選用頻偏增強和損傷增強兩種信號增強方法對樣本特征進行擴增，樣本類別與每類樣本數(shù)目均為20，訓(xùn)練得到的結(jié)果如表1 所示，對不同網(wǎng)絡(luò)結(jié)構(gòu)和增強方式的識別效果進行研究。在訓(xùn)練時為保障訓(xùn)練的一致性和公平性，將學(xué)習(xí)率等超參數(shù)保持一致。設(shè)置頻偏增強的載波頻率偏移為4 kHz，萊斯多徑信道損傷的時延τ為0.1 個符號時間，增強后的數(shù)據(jù)與原始數(shù)據(jù)等比例混合訓(xùn)練。從結(jié)果中可以看出，兩種數(shù)據(jù)增強方式均可以在一定程度上提高識別準(zhǔn)確率。對于不同的模型，數(shù)據(jù)增強的效果相差較大。網(wǎng)絡(luò)VGG13 的識別率提高到了90.6%，而殘差網(wǎng)絡(luò)的識別率僅提高到了68.75%，這與網(wǎng)絡(luò)結(jié)構(gòu)的不同有關(guān)。

圖6 切片下不同模型性能對比

表1 小樣本在時序增強時的性能比較

從結(jié)果中可以看出，網(wǎng)絡(luò)的結(jié)構(gòu)對時序數(shù)據(jù)增強的效果有著較大的影響。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)有較多的參數(shù)，在面對小樣本時，識別率較高且具有較高的魯棒性。經(jīng)時序數(shù)據(jù)增強后，識別率得到了大幅提升。而對于殘差網(wǎng)絡(luò)，主要由殘差塊組成且參數(shù)較少，在面對新的特征時，因其魯棒性不強，所以無法對新的樣本進行有效識別。

（3）對抗訓(xùn)練增強方法性能分析

為了驗證對抗訓(xùn)練增強方法對于小樣本信號識別是否有作用，選用4 種對抗樣本方法生成對抗性樣本數(shù)據(jù)。采用上述實驗中的原始數(shù)據(jù)集，首先對測試集數(shù)據(jù)進行對抗樣本攻擊，并將不同模型在不同攻擊方式下的識別效果展示在圖7。從圖中可以看出，不同的攻擊方式均會造成網(wǎng)絡(luò)識別率的下降，且隨著樣本擾動程度的增加，對識別性能的損傷越嚴(yán)重，同時模型的結(jié)構(gòu)對攻擊的效果有著一定的影響。這表明接下來可以利用對抗樣本攻擊對模型進行訓(xùn)練，使其具備對精心設(shè)計的擾動的識別能力，提高模型在進行小樣本識別時的魯棒性。

圖7 對抗樣本攻擊下模型性能對比

經(jīng)過上述研究，為了得到不同網(wǎng)絡(luò)結(jié)構(gòu)和對抗攻擊訓(xùn)練方法對識別的提高效果，將不同網(wǎng)絡(luò)在樣本擾動為0.01 的情況下產(chǎn)生的訓(xùn)練集對抗樣本與原始數(shù)據(jù)進行混合訓(xùn)練。從表2 可以看出，對抗訓(xùn)練增強可以提高網(wǎng)絡(luò)小樣本識別性能。

表2 小樣本在對抗增強時的性能比較

4.3 基于集成學(xué)習(xí)的識別方法性能分析

為了研究集成學(xué)習(xí)在小樣本下的識別性能，從模型角度對識別性能進行分析，對上文中使用到的數(shù)據(jù)集和模型進行集成訓(xùn)練。首先在不同的信噪比下進行分析，然后在不同數(shù)據(jù)增強方法下進行集成學(xué)習(xí)，驗證本文提出的方法。

（1）集成學(xué)習(xí)算法性能分析

對網(wǎng)絡(luò)在沒有數(shù)據(jù)增強下的識別效果進行研究，并將結(jié)果呈現(xiàn)在圖8 中：

圖8 集成學(xué)習(xí)與非集成模型性能對比

從結(jié)果可以看出，集成學(xué)習(xí)和單一模型的識別性能隨著信噪比的增加而逐步提高，在低信噪比下均無法取得很高的識別效果。在信噪比為-5 dB 時，集成學(xué)習(xí)的識別率超過了其余模型，并且在20 dB 信噪比下達到了71.3%的識別準(zhǔn)確率，其分類結(jié)果的混淆矩陣如圖9 所示，這表明集成學(xué)習(xí)對小樣本識別有效，可以為接下來數(shù)據(jù)增強下集成學(xué)習(xí)提供參考。

圖9 集成學(xué)習(xí)，SNR=20 dB

從結(jié)果可以看出，集成學(xué)習(xí)并未對小樣本的識別準(zhǔn)確率帶來大幅的提升，這并不表明集成學(xué)習(xí)不適用于小樣本識別場景，而是因為其中一些模型在小樣本下的原始識別率無法達到很好的效果，導(dǎo)致進行集成學(xué)習(xí)后無法產(chǎn)生正面的效果。

（2）數(shù)據(jù)增強下集成學(xué)習(xí)性能分析

數(shù)據(jù)增強下，4 種模型均能取得較高的識別準(zhǔn)確率，因此考慮在數(shù)據(jù)增強下對模型進行集成學(xué)習(xí)訓(xùn)練，研究是否能通過數(shù)據(jù)維度與模型維度對小樣本識別率的提升產(chǎn)生積極的影響。測試在對抗訓(xùn)練增強和時序數(shù)據(jù)增強下進行，并將結(jié)果展示在圖10 中：

圖10 數(shù)據(jù)增強下集成性能對比

從結(jié)果可以看出，本文提出的基于數(shù)據(jù)增強和集成學(xué)習(xí)的小樣本識別方法取得了很好的效果，在BIM 對抗訓(xùn)練下的識別率最高可以達到96.5%，其分類結(jié)果的混淆矩陣如圖11 所示：

圖11 BIM對抗訓(xùn)練下集成學(xué)習(xí)

從結(jié)果中還可以看出，基于時序增強和集成學(xué)習(xí)的小樣本識別方法并沒有提高識別準(zhǔn)確率，這同樣是因為在時序增強下，有些模型的識別性能不強從而對其他模型的識別產(chǎn)生了負(fù)面的影響。

5 結(jié)束語

小樣本電磁信號識別在民用和軍用領(lǐng)域具有重要的戰(zhàn)略意義。隨著通信領(lǐng)域和電磁空間領(lǐng)域相關(guān)技術(shù)的不斷發(fā)展，只有通過領(lǐng)先的電磁信號識別技術(shù)才能定位對方的電臺、飛機等設(shè)備，在未來的復(fù)雜電磁環(huán)境中掌握主動權(quán)。在設(shè)備的實際工作中，建立一個高質(zhì)量標(biāo)注數(shù)據(jù)集是很難實現(xiàn)的工作。為了利用少量的有標(biāo)簽數(shù)據(jù)訓(xùn)練得到具有泛化能力的模型，本文提出了基于數(shù)據(jù)增強和集成學(xué)習(xí)的小樣本識別方法。通過數(shù)據(jù)增強的方式，擴展信號樣本的特征，使模型能夠獲得較多的特征來提高泛化能力，同時從模型角度來探討如何提高小樣本識別率。

對于小樣本識別中存在的樣本和特征不足問題，本文分別從切片處理、時序增強和對抗訓(xùn)練增強等角度對其進行了探討。從結(jié)果發(fā)現(xiàn)，該3 種方法均能有效提高小樣本信號識別率，其中時序增強對模型的提升效果不同，而對抗訓(xùn)練增強能對模型識別性能普遍產(chǎn)生正向效果。最后在數(shù)據(jù)增強下利用集成學(xué)習(xí)進行識別，識別率最高達到了96.5%，證明了該方法的有效性，在后續(xù)工作中，可以從特征維度研究如何提高小樣本識別效果。