(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111306937.8 (22)申请日 2021.11.05 (71)申请人 西安晟昕科技发展 有限公司 地址 710075 陕西省西安市高新区电子 工 业园电子西街3号 生产力大厦B座五层 (72)发明人 武斌　李鹏　李晓虎　荆泽寰　 田埂　 (74)专利代理 机构 陕西佳禾宏盛知识产权代理 事务所 (特殊普通合伙) 61280 代理人 高美化 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/00(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (54)发明名称 一种小样本雷达辐射源的识别方法 (57)摘要 本发明提供了一种小样本雷达辐射源的识 别方法， 包括以下步骤， 利用仿真软件分别生成 由三类信号类型构成的源域数据集 以及由七类 信号类型构成的目标域数据集； 从源域数据集以 及目标域数据集的每类信号中， 按照设定比例随 机抽取信号形成源域样本和目标域样本； 构建具 有六层卷积层的第一卷积网络， 将源域样本进行 训练迭代至设定次数后， 以最优 结果中的前四层 卷积层以及其对应的权重构建源域网络； 构建具 有七层卷积层的第二卷积网络， 将源域网络迁移 至第二卷积网络的前四层中， 以形成初始源域模 型， 经目标域样本训练后， 形成源域模型； 将小样 本测试集输入源域模型中， 输出雷达辐射源信号 的预测识别率。 权利要求书2页 说明书11页 附图2页 CN 114021459 A 2022.02.08 CN 114021459 A 1.一种小样本雷达辐射源的识别方法， 其特 征在于， 包括以下步骤， 数据集的生成： 利用仿真软件分别生成由三类信号类型构 成的源域数据集以及由七类 信号类型构成的目标域数据集； 所述源域数据集为信号参数变化小、 形式单一的信号， 所述目标域数据集为信号参数 变化大、 形式多样的信号； 样本的形成： 从源域数据集以及目标域数据集的每类信号中， 按照设定比例随机抽取 信号形成源域样本和目标域样本； 源域网络的构建及训练： 构建具有六层卷积层的第一卷积网络， 将源域样本进行训练 迭代至设定次数后， 以最优结果中的前四层卷积层以及其对应的权 重构建源域网络； 迁移权重知识： 构建具有七层卷积层的第二卷积网络， 将源域网络迁移至第二卷积网 络的前四层中， 以形成初始源域模型， 经目标域样本训练后， 形成源域模型； 小样本的识别： 将小样本测试集输入 源域模型中， 输出 雷达辐射源信号的预测识别率。 2.根据权利要求1所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 所述数据集 的生成中， 三类信号类型分别为： 线性调频信号、 非线性调频信号和固定频率信号。 3.根据权利要求1所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 所述数据集 的生成中， 七类信号类型分别为： 线性调频信号、 非线性调频信号、 固定频率信号、 二相编码 信号、 四相编码信号、 二频编码信号和四频编码信号。 4.根据权利要求1所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 所述样本的 形成中， 还包括数据集的预 处理， 即对 所有的目标域数据集和源域数据集的信号， 先进行序 列的形式处 理， 再对其进行归一 化的预处 理， 使其以一维信号序列的形式输出。 5.根据权利要求1所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 所述样本包 括源域训练集、 源域验证集、 源域测试集、 目标域训练集、 目标域验证集和目标域测试集。 6.根据权利要求5所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 所述源域网 络的构建及训练中， 具体是以源域训练集进 行训练， 源域验证集进 行验证， 进而通过源域测 试集进行测试的训练， 最终选出迭代优化后， 测试 结果最优时的源域模型， 作为源域网络 。 所述第一卷积网络中， 从上至下， 卷积层的卷积核个数成倍增 加。 7.根据权利要求1 ‑6任意之一所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 所述迁移权重知识中， 还包括源域模型的优化， 具体包括网络优化算法、 设置网络激活函数 以及焦点损失函数的增 加。 8.根据权利要求7所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 所述网络优 化算法具体为AdaGrad算法， 算法表示如下： 计算梯度： 累计平方梯度： 计算更新：权　利　要　求　书 1/2 页 2 CN 114021459 A 2应用更新： θ←θ +Δθ 上述算法中， r为梯度累积变量， 其初始值一般设置为0； ε为全局学习率； δ为小常数， 数 值稳定设置为10‑7； g为梯度， θ 为梯度更新值， Δθ 为梯度变 化量， m为输入数量， x(i)为输入， i ＝0,1,2,...m， y(i)为真实值， f(x(i)； θ )为模型输出， L(f(x(i)； θ ),y(i))为模型预测与真实值 之间的损失值。 9.根据权利要求7所述的一种 小样本雷达辐射源的识别方法， 其特征在于， 网络激活函 数具体为Leaky ReLU， 线性整流激活函数的数 学模型表示如下式(1)： 式(1)中， ai是大于1的固定常参数， 值可根据网络进行调整。 xi表示神经元输入值， yi表 示神经元输出值。 10.根据权利要求7所述的一种小样本雷达辐射源的识别方法， 其特征在于， 所述焦点 损失函数 具体为： 式(2)中， p∈[0,1]为模型预测概率， y∈{ ‑1,1}表示样本真实标签， 在交叉熵损失函数 的基础上， 增 加一个权 重因子(1 ‑pt)γ使其变为： FL(pt)＝‑(1‑pt)γlog(pt) 其中 pt为模型预测概率p的变形， γ≥0为专 注系数。权　利　要　求　书 2/2 页 3 CN 114021459 A 3