基于数据增强与集成学习的小样本识别技术

【关键词】随着频谱设备和电磁技术的广泛使用,电磁环境变得日益复杂,对国家电磁环境安全形成巨大的挑战。在复杂环境下进行电磁信号识别,关乎对电磁环境的态势感知,但是在实际应用中往往缺少质量高、数量多的电磁信号样本训练网络。针对这一问题,提出了基于数据增强和集成学习的小样本电磁信号识别技术,对切片处理、时间序列增强和对抗训练增强等技术进行了研究。通过实验发现,这三种数据增强方法均能提高小样本信号的识别准确率,最后在对抗训练增强下,集成学习取得了最好的识别效果,达到了96.5%的识别准确率。

【摘  要】电磁环境;小样本信号;数据增强;集成学习

0   引言

未来复杂电磁环境下的信息化战争是多军种联合作战,各种武器平台互联、互通,构成了陆、海、空、天、网、电一体化作战体系[1]。在复杂电磁环境下进行电磁个体识别是实现电磁频谱管控的重要步骤,对未知威胁的用频个体进行有效识别对提升复杂电磁频谱环境下的实时感知能力具有关键的意义。而在实际工作场景中,电磁信号经常只能获得少量有标签样本的数据,因此如何在小样本环境下提高识别率成为了需要解决的难题。

面对复杂的电磁环境,各种设备依赖于电磁环境空间,因此深度学习也被用于处理物理层通信[2]。现代化信息战中,电磁环境变得更加复杂,会对无线电的使用产生严重干扰,限制装备的使用和作战效能[3]。传统的技术手段已经难以对电磁个体进行快速有效识别,而近几年出现的深度学习方法[4],是一种快速发展、有前景的新型技术,在电磁信号识别领域得到了有效的应用[5]。其中基于深度学习的电磁个体识别技术主要有实数网络、复数网络、多模态融合以及注意力机制等技术[6]。

你可能感兴趣的:(物联网及AI前沿技术专栏,集成学习,机器学习,人工智能)