一种基于元学习模型的射频指纹小样本识别方法

本发明涉及基于元学习模型的射频指纹小样本识别，具体为一种基于元学习模型的射频指纹小样本识别方法。

背景技术：

1、现有射频指纹识别技术主流方式有两类，一类是先从无线电信号中，提取出信号特征如频谱特征、统计特征、星座图特征等，然后筛选出合适有用的特征作为射频指纹特征，将其输入到传统分类器如svm、决策树、k近邻算法等进行分类识别；另一类则是将无线电i/q信号直接作为训练数据输入到深度神经网络中，由神经网络自动学习射频指纹特征后再进行分类，值得注意的是，无论采取何种方式，都是建立在大型数据集的基础之上实现的。

2、虽然射频指纹识别技术发展日趋成熟，但在面对小样本情况时，已有的射频指纹识别技术的表现往往也捉襟见肘，原因在于，一个模型所能获取到的知识通常来源于两个方面，一方面是训练数据本身所携带的知识，另一方面是在模型的训练过程中，提供先验知识，当训练数据不足时，说明模型从原始数据中获取到的知识比较少，模型会出现过拟合现象，即模型在训练样本上的效果可能不错，但在测试样本上的效果不佳。此时，要保证模型的效果，就需要有更多的先验知识作为支撑。

3、一般来说，有两种方式提供先验知识：①作用于数据，即根据特定的先验假设条件去变换、调整、扩展、增强训练数据，使其能够提供更多有用的知识，以便用于模型的训练和学习；②作用于模型，设计一个采用特定的内在结构模型，对模型添加其他一些约束条件和假设，并对模型算法进行优化，保证模型在训练过程中能学到更多的知识。小样本学习正是基于这两种思想而提出的，利用先验知识进行数据增强、降低模型的复杂度、寻找最优初始化参数，从而在小样本数据集上训练得到一个效果不错的模型。

4、由此可见，射频指纹小样本识别的难点在于，当数据量不足以支撑模型学习更多的知识时，如何获取先验知识，并将已有的先验知识加入模型，从而提高模型的学习能力和识别效果，现有解决小样本问题的方法，主要集中于图像处理和自然语言处理等领域，关于射频指纹领域的小样本识别方法涉及较少，值得注意的是，无线电通信设备发出的i/q信号可以看作是二维矩阵，能够类比于图像，但直接套用已有的图像识别小样本学习方法，显然不一定适用于射频指纹小样本识别，因此，本申请文件将在已有的元学习模型基础之上，设计并实现适用于射频指纹小样本识别的方法。

技术实现思路

1、本发明的目的在于提供一种基于元学习模型的射频指纹小样本识别方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于元学习模型的射频指纹小样本识别方法，包括如下步骤：

3、步骤一：预训练阶段：主要负责将大规模i/q信号数据集输入到深度神经网络中进行训练，得到模型的特征提取器(深度神经网络卷积层)和分类器(深度神经网络全连接层)参数，由于模型预训练的目的是学习深度神经网络特征提取的能力，然后迁移到元学习模型中，且预训练模型与元学习模型是不同分类任务，因此，只需要保留预训练模型的特征提取器参数，而分类器参数可以被舍去；

4、步骤二：元训练阶段：将预训练阶段深度神经网络模型的特征提取器参数迁移到元学习网络模型中，并训练元学习器模型，具体来说，就是将其在训练任务中进行微调，使其适配于小样本学习任务，提取i/q信号样本特征并用于模型训练，学习小样本任务的分类器模型参数；

5、步骤三：元测试阶段：使用新任务支持集样本对元训练阶段得到的元学习器模型参数进行微调，查询集样本验证模型的识别效果，评测小样本分类模型的学习能力；

6、步骤四：元迁移模型阶段：主要包含预训练网络模块和元学习网络模块，两个模块之间的训练过程相对独立，可以将整个过程看作是一个迁移学习，只是在微调阶段，是对元学习网络模型进行微调；

7、步骤五：采用元迁移学习模型：不断训练更新元学习器模型参数θ，直到获取到适应所有小样本训练任务的最优初始化参数θ，当新的任务来临时，元学习网络模型能够快速学习到适应新任务的模型参数θ，以达到较好的射频指纹小样本识别效果。

8、与现有技术相比，本发明的有益效果是：该基于元学习模型的射频指纹小样本识别方法，通过将大规模的i/q信号数据集进行预训练、元训练、元测试和元迁移，可以在元学习模型过程中快速学些，以便适应新任务，以达到较好的射频指纹小样本识别效果，充分适用于射频指纹小样本的识别，实现射频指纹特征识别后再进行分类。

技术特征：

1.一种基于元学习模型的射频指纹小样本识别方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的一种基于元学习模型的射频指纹小样本识别方法，其特征在于：所述步骤四中预训练网络模型主要采用一种深度神经网络以样本为单位进行训练和测试，如resnet，通过深层神经网络对大量i/q信号数据，进行特征提取，学习更多先验知识并应用到元学习模型中，如在训练过程中有关特征提取的模型参数θ，将其作为初始化参数之一输入到元学习网络模型中。

3.根据权利要求1所述的一种基于元学习模型的射频指纹小样本识别方法，其特征在于：所述步骤五中的元迁移学习算法为：

4.根据权利要求3所述的一种基于元学习模型的射频指纹小样本识别方法，其特征在于：所述元迁移学习模型的具体算法流程为：

5.根据权利要求1所述的一种基于元学习模型的射频指纹小样本识别方法，其特征在于：所述步骤一种的大规模i/q信号数据集通过人工扩增将数据集扩增到足够的量，再使用已有的机器学习或深度学习框架进行训练分类，从数据层面解决小样本问题，人工扩增将已有的图像通过翻转、平移、缩放、旋转等方法对数据进行扩展。

技术总结
本发明公开了一种基于元学习模型的射频指纹小样本识别方法，包括如下步骤：步骤一：预训练阶段：主要负责将大规模I/Q信号数据集输入到深度神经网络中进行训练，得到模型的特征提取器（深度神经网络卷积层）和分类器（深度神经网络全连接层）参数，由于模型预训练的目的是学习深度神经网络特征提取的能力，然后迁移到元学习模型中，且预训练模型与元学习模型是不同分类任务。该基于元学习模型的射频指纹小样本识别方法，通过将大规模的I/Q信号数据集进行预训练、元训练、元测试和元迁移，可以在元学习模型过程中快速学些，以便适应新任务，以达到较好的射频指纹小样本识别效果，充分适用于射频指纹小样本的识别。

技术研发人员：高原,王平,曹江
受保护的技术使用者：中国人民解放军军事科学院战争研究院
技术研发日：
技术公布日：2024/1/13