基于数据增强与集成学习的小样本识别技术

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。

融合梅尔谱和循环残差的小样本音频分类模型

针对小样本环境下音频信号分类精度急需提高的问题,首先提出自适应梅尔滤波算法提取具有更高区分度的梅尔谱图,再提出循环残差结构并结合迁移和微调构建循环残差网络频谱分类器,融合自适应梅尔滤波算法和循环残差网络频谱分类器生成一种主要用于小样本环境的音频信号分类模型。以ESC-50、music speech、Free ST Chinese Mandarin Corpus(FSCMC)为源数据集模拟四个不同属性的小样本环境。仿真显示在各小样本环境下生成模型的分类精度与MF-VGG16、10 layers CNN、CRBM等模型相比均有一定程度的提高,且精度曲线更平滑,性能更稳定。

基于元学习的压制式干扰识别方法研究

针对复杂电磁环境下干扰信号样本量少而难以识别的问题,提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵,计算干扰信号的预测值,通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明,该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。