(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111306925.5 (22)申请日 2021.11.05 (65)同一申请的已公布的文献号 申请公布号 CN 114021458 A (43)申请公布日 2022.02.08 (73)专利权人 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　黄静　徐璞　 (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 专利代理师 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) (56)对比文件 CN 113435247 A,2021.09.24 US 10361802 B1,2019.07.23 CN 113553988 A,2021.10.26 CN 111783558 A,2020.10.16 CN 110378205 A,2019.10.25 秦嘉.基于深度学习的通信辐射源个 体识 别. 《中国优秀硕士学位 论文全文数据库信息科 技辑》 .2019,(第09期),I13 6-87页. Diyang L iu等.Prototypical Netw ork for Radar Ima ge Recogn ition with Few Samples. 《Journal of Physics: Co nference Series》 .2020,第16 34卷0121 16页. 审查员 马秋爽 (54)发明名称 基于并行原型网络的小样本雷达辐射源信 号识别方法 (57)摘要 本发明提供了基于并行原型网络的小样本 雷达辐射源信号识别方法， 包括以下步骤： 数据 集的获得： 仿生形成已知雷达辐射信号数据集、 样本雷达辐射信号数据集和待识别雷达射频信 号数据集； 分别将获取的已知雷达辐射信号数据 集、 样本雷达辐射信号数据集和待识别雷达射频 信号数据集进行傅里叶变换， 得到元训练集、 元 测试集以及测试集； 分别依次构建时域和频域的 特征提取模块和度量模块， 然后将时域和频域的 度量模块组合， 形成识别模块， 以上述模块组合， 形成初始并行原型网络； 将元训练集和元测试集 先后进行训练， 得到载有最终权重的并行原型网 络； 将测试集中获取的测试任务， 输入到并行原 型网络中， 获取得到雷达信号的识别测试 结果。 权利要求书2页 说明书13页 附图2页 CN 114021458 B 2022.11.04 CN 114021458 B 1.基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 包括以下步骤： 数据集的获得： 利用仿真软件， 仿真形成时频数据 形式的已知雷达辐射信号数据集、 样 本雷达辐射信号数据集和待识别雷达射频信号数据集； 所述已知雷达辐射信号数据集包括 CW、 LFM、 NLFM和BPSK四类信号数据集， 所述样本雷达辐射信号数据集和 待识别雷达射频信 号数据集均包括BFSK、 QP SK和QFSK三类信号数据集； 元训练集、 元测试集以及测试集的生成： 分别将 获取的已知雷达辐射信号数据集、 样本 雷达辐射信号数据集和待识别雷达射频信号数据集进 行傅里叶变换， 得到时域数据集和频 域数据集共同构成的元训练集Da、 元测试集Db以及测试集Dc； 初始并行原型网络的生成： 分别依次构建时域和频域的特征提取模块和度量模块， 然 后将时域和频域的度量模块的结果， 输入到识别模块， 以识别模块、 2个所述度量模块以及2 个所述特 征提取模块组合， 形成初始并行原型网络； 并行原型网络的训练和测试： 将元训练集在初始并行原型网络中进行元训练任务的训 练， 得到第一权重， 然后将元测试集在载有第一权重的训练并行原型网络上进行元测试集 的继续训练， 得到第二权 重， 用第二权 重覆盖第一权 重， 得到训练好的并行原型网络； 信号识别： 将测试集中获取的测试任务， 输入到载有第 二权重的并行原型网络 中， 获取 得到雷达信号的识别测试 结果， 所述识别测试 结果为平均时域和频域识别结果； 已知雷达辐射信号数据集是为了模拟已有的有标注的大量数据， 样本雷达辐射信号数 据集模拟已有的有标注的少量数据， 即小样本数据。 2.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述数据集的获取中， 统一信噪比下， 每类已知雷达辐射信号数据集、 每类样本雷 达辐射信号数据集和每类待识别雷达射频信号数据集的信号数量分别是1500 ‑2500个、 8 ‑ 12个以及70 0‑1300个。 3.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述元训练集、 元测试集以及测试集的生成步骤中， 还包括标准化处理， 所述标准 化处理具体为采用z ‑score标准化方法对 元训练集、 元测试集及测试集的数据进 行预处理， 获得均值 为0、 标准差为1的预处 理后的元训练集、 元测试集及测试集。 4.根据权利要求1所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述并行原型网络的生成 中， 所述时域特征提取模块包括四个卷积单元和平坦层， 四个所述卷积单元中， 前3个卷积单元均包括卷积层、 激活层、 批量归一化层和最大池化层， 第4个卷积单 元包括卷积层、 激活层和批量归一 化层。 5.根据权利要求4所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述初始并行原型网络的生成 中， 时域和频域的特征提取模块的工作过程为： 所述 元训练集或元测试集输入任务的时域/频域支持集和时域/频域查询集， 输出时域/频域支 持集和时域/频域 查询集的特 征信号。 6.根据权利要求5所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述初始并行原型网络的生成 中， 所述度量模块的构建具体为： 选择欧几里得距离 作为度量方法， 具有一个激活函数为softmax的激活层， 输入时域/频域支持集和时域/频域 查询集的信号特征， 输出时域/频域查询集的每个信号所属时域/频域支持集每个信号类别 的概率。权　利　要　求　书 1/2 页 2 CN 114021458 B 27.根据权利要求6所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述识别模块的形成具体为： 通过平均时域与频域识别类别概率， 并选取查询集每 条信号所属支持集各类别概 率中的最大概 率作为查询集该 条信号的所属类别进行输出。 8.根据权利要求7所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述初始并行原型网络的生成之后， 并行原型网络的训练和测试之前， 还包括元训 练任务的获取， 具体为： 1)在预处理后的四类元训练集中， 在每类元训练集中， 均随机抽取八条信号a1,a2, a3,···,a8， 将八条信号a1,a2,a3,···,a8中的前三条a1,a2,a3作为时域支持集TSa， 后五 条a4,a5,···a8作为时域 查询集TQa； 2)在预处理后的元训练集中， 分别选 择时域a1,a2,a3,···,a8八条信号对应的频域信 号b1,b2,b3,···,b8， 将b1,b2,b3作为频域支持集FSa， b4,b5,···b8作为频域 查询集FQa； 3)将所述TSa、 TQa、 FSa、 FQa共同组成元训练任务U； 4)重复步骤1)至步骤3)d次， 完成元训练任务的获取。 9.根据权利要求8所述的基于并行原型网络的小样本雷达辐射源信号识别方法， 其特 征在于， 所述元训练任务的获取之后， 还 包括元测试任务的获取， 具体为： a)在预处理后的元测试集Db的三类信 号中， 每类信号中， 均随机抽取e1,e2,e3,···, e8八条信号， 将e1,e2,e3作为时域支持集TSb， e4,e5,···e8作为时域 查询集TQb； b)在预处理后的元测试集Db频域信号的BFSK， QPSK， QFSK这三类信号中， 分别 选择a)中 时域e1,e2,e3,···,e8八条信号对应的频域信号c1,c2,c3,···,c8， 将c1,c2,c3作为频域 支持集FSb， c4,c5,···c8作为频域 查询集FQb； c)将a)和b)中的TSb、 TQb、 FSb、 FQb共同组成元测试任务 W； d)重复步骤a)至 c)p次， 获取p个元测试任务。 10.根据权利要求1 ‑9任意之一所述的基于并行原型网络的小样本雷达辐射源信号识 别方法， 其特 征在于， 所述信号识别前， 还 包括测试任务的获取， 具体为： A)在预处理后的元测试Db时域信号的三类信 号中， 每类信 号中， 均随机抽取q1,q2,q3三 条信号作为时域支持集TSc， 将预处理后的测试集中三类信号的所有时域信号作为时域查询 集TQc； B)在预处理后的元测试集Db频域信号的BFSK， QPSK， QFSK这三类信号中， 分别 选择A)中 时域q1,q2,q3三条信号对 应的频域信号u1,u2,u3， 将u1,u2,u3作为频域支持集FSc， 将预处理后 的测试集Dc中BFSK， QP SK， QFS