基于元学习的畸变雷达电磁信号识别.docx

基于元学习的畸变雷达电磁信号识别 在雷达电磁波传播中，存在折射、统射、衰减、多径、波导等典型物理现象，这些物理现象会导致接收机接受信号相比于发射信号产生畸变，进而影响信号参数的正确估计。为解决这个问题，研究者们主要针对雷达辐射源信号进行识别。但是，对于畸变雷达信号识别的研究较少。 元学习是一种利用以往的知识经验来指导新任务的学习。模型需要结合之前的经验，然后根据当前新任务的少量样本进行学习。少样本学习通常面临在新数据上易发生过拟合的难题。模型无关元学习算法（MAML）很好地解决了这个问题。该算法与模型无关，旨在找出对任务的变化敏感度的模型参数，当参数微小变化时对模型产生较大的改善。 本文提出了一种采用元学习的残差网络的畸变电磁信号识别方法。该方法构建了一个深度残差网络，利用 MAML 算法，用正常的雷达电磁波信号训练元学习器，对于畸变电磁信号，应用已经得到的元学习器，可以在仅有少量样本的情况下对模型进行精调（Fine-tune），实现多种畸变电磁信号的识别。 元学习在图像领域已经取得了很大的进展，但是在雷达信号处理领域的研究还比较少。本文的方法可以解决小样本学习的问题，为雷达系统的精确感知提供了重要的支持。 在雷达电磁波传播中，多径效应的产生原因是雷达电磁波在照射目标时，由于地海面反射，电磁波的直达波和反射波或多条传播路径回波同时达到接收点而产生的多路径传播干涉衰落效应。这种多路径现象可产生信号交调、误码和虚假目标，造成接收信号畸形，会严重影响雷达侦察装备的探测性能。 因此，探索行之有效的识别畸变雷达信号技术，对于雷达系统的精确感知具有重要现实意义。本文的方法可以解决小样本学习的问题，为雷达系统的精确感知提供了重要的支持。 深度学习已经在许多方面取得了巨大成功，诸如计算机视觉、语音识别、自然语言处理等。对于雷达信号的处理，深度学习也发挥了重要的作用。但是，当前国内外学者主要针对雷达辐射源信号进行识别，这些方法或将雷达信号进行实数序列处理，或将其进行符号化处理后进行分析，而对于畸变雷达信号识别的研究较少。 本文的方法可以解决小样本学习的问题，为雷达系统的精确感知提供了重要的支持。