小樣本下雷達復合干擾半監督遷移學習識別方法

王金強，孫閩紅，唐向宏，仇兆煬，曾德國

研究與開發

小樣本下雷達復合干擾半監督遷移學習識別方法

王金強1，孫閩紅1，唐向宏1，仇兆煬1，曾德國2

（1. 杭州電子科技大學通信工程學院，浙江 杭州 310018；2. 中國航天科工集團八五一一研究所，江蘇 南京 210007）

針對雷達復合干擾信號種類越來越多以及訓練樣本過少難以令深度學習模型達到最優狀態的問題，提出一種在小樣本下雷達復合干擾半監督遷移學習識別的方法，通過未帶標簽樣本來解決標簽樣本難以獲取而導致網絡訓練精度不高的問題，將在單一干擾數據集預訓練后得到的特征提取器和分類器遷移到小規模復合干擾數據集上，并利用權重印記和半監督學習對模型進行微調，通過所提出的最近鄰相關性損失（nearest neighbor correlation loss，NNCL）來優化模型參數。實驗結果表明，在干噪比為10 dB、新類復合干擾信號帶標簽樣本僅有5個時，模型可達93.20%的識別準確率。

雷達抗干擾；復合干擾識別；遷移學習；權重印記；半監督學習

0 引言

在真實的電磁干擾環境中干擾樣式多種多樣[1]，雷達復合干擾作為新型干擾樣式，給雷達帶來了嚴重威脅[2]。文獻[3]指出復合干擾對現代雷達對抗系統的影響比傳統的單一干擾更大，其復合方式主要包括加性、乘性和卷積。文獻[4]分析了不同復合干擾對雷達造成的威脅和不利影響，并給出了不同復合方式產生復合干擾的方法。

近年來，基于深度學習的復合干擾識別取得了一些成果。文獻[4]提出了深度多標簽的復合信號識別框架，通過構造多標簽卷積神經網絡來對6種干擾類型的任何組合方式進行分類。文獻[5]對6種單一干擾和兩種單一干擾所產生的加性復合干擾進行時頻分析和歸一化處理，將YOLOv5作為骨干網絡，利用目標檢測的思想解決復合干擾識別問題。文獻[6]對加性復合干擾進行建模，提出基于殘差網絡的多標簽分類模型（ML-ResNet），利用多標簽技術來設計殘差網絡，實現對加性復合干擾的分類。文獻[7]將4種壓制干擾進行兩兩卷積產生6種卷積復合干擾，通過集成殘差塊和非對稱卷積塊，解決特征退化問題并增強對細微特征的識別能力。以上研究所涉及的干擾均為單一干擾或單一復合干擾，對于不同方式復合的干擾研究較少。

另外，利用深度學習所進行的干擾識別問題往往需要利用大量的標簽進行訓練，而在實際問題中可供訓練的標簽往往較難獲得[8]。針對該問題，遷移學習將源域與目標域聯系起來，把從源域所學到的知識用于針對目標域的預測問題[9]，可以有效解決目標域由于標簽樣本過少而產生訓練效果不好的問題。但若源域與目標域的特征相差較大，要尋找一個較好的特征表征方法來最小化域間差異。文獻[10]針對訓練樣本采集量大、成本高的問題，提出了一種基于神經網絡的連體網絡用于雷達干擾信號分類，以解決訓練樣本有限的問題。文獻[11]利用遷移學習對雷達新型有源欺騙干擾進行研究，針對小樣本問題，提出了一種基于加權集成卷積神經網絡（CNN）和遷移學習的雷達有源欺騙干擾識別算法，提高了模型的泛化性能。但目前所涉及的遷移學習只考慮了利用少量帶標簽樣本對網絡進行性能的改進，而未帶標簽樣本往往容易被忽略。

半監督學習可以利用帶標簽樣本和不帶標簽樣本共同來調整網絡模型，不帶標簽樣本起到輔助作用來提高網絡精確度。文獻[12]利用不帶標簽樣本，基于softmax概率來迭代校正不帶標簽樣本的預測標簽，實現更加精確的識別準確率。文獻[13]提出一種新的半監督算法，使用不確定性感知貝葉斯神經網絡，以盡量減少不帶標簽樣本所造成的有害影響，并提高了模型的泛化性能。但這些方法對于帶標簽樣本和不帶標簽樣本數量均有一定要求，在樣本數較少、僅有幾個帶標簽樣本時效果往往較差。

針對上述不足，本文把半監督遷移學習運用到雷達復合干擾識別這一領域中，考慮目前對多種復合方式的研究較少，本文對加性、乘性、卷積3種復合方式所產生的復合干擾進行研究，提出在小樣本情況下雷達復合干擾半監督遷移學習的識別方法。采用深度寬殘差網絡作為特征提取的基網絡，對基類數據集進行預訓練，然后利用權重印記（weight imprinting，WI）[14]將支持集樣本的平均特征嵌入分類器中，得到一個更好的初始分類器，以使得在基類數據集上所訓練的模型更好地過渡到小數據集上。最后，根據半監督學習利用帶標簽樣本和不帶標簽樣本對模型進行微調，并提出最近鄰相關性損失（nearest neighbor correlation loss，NNCL）函數來最優化網絡模型，得到更精確的識別結果。

1 系統模型

本節主要介紹雷達復合干擾的生成以及小樣本下半監督遷移學習的理論知識。

1.1 復合干擾信號生成

復合干擾是多個單一干擾信號的組合，一般的復合方式有加性、乘性和卷積，其中加性復合方式較為普遍，但乘性、卷積復合仍然是復合干擾的有效手段。本文重點研究欺騙干擾與壓制干擾、壓制干擾與壓制干擾在這3種復合方式下得到的復合干擾識別，具體包括以下12種組合——RD-AMN、R-VD-AMN、SMSP-AMN、RD-FMN、R-VD-FMN、SMSP-AMN、RD-COMB、R-VD- COMB、SMSP-COMB、COMB-AMN、COMB- FMN、AMN-FMN的加性、乘性和卷積復合，從而可得36種復合干擾類型。

1.2 復合干擾信號預處理

在生成復合干擾信號之后對其進行時頻變換，這里選用短時傅里葉變換（short-time Fourier transform，STFT），計算式為：

在訓練集中選取6類單一干擾信號和回波信號的時頻圖如圖1所示。

1.3 小樣本下的半監督遷移學習思想

在實際環境下，有標簽的樣本獲取較難，而無標簽的樣本獲取較易，半監督學習可以利用帶標簽樣本和不帶標簽樣本對網絡模型進行改善，更貼近真實情況。

本文根據遷移學習和半監督學習適用的范圍，將遷移學習與半監督學習結合，提出在小樣本下雷達復合干擾半監督遷移學習的識別方法。主要思想為：將單一干擾信號作為源域并進行預訓練，把通過預訓練得到的特征提取器和分類器遷移到復合干擾數據集（目標域）上，并在目標域進行半監督方式的微調操作。

2 半監督遷移學習的復合干擾識別方法

算法模型框架如圖2所示，本文算法模型具體流程主要是：首先在帶有標簽的基類數據集上預訓練一個基模型，該模型盡可能多地編碼基類數據特征，以便后續在小樣本數據集上提供先驗信息，然后將其作為特征提取器對新的帶有標簽的支持集樣本進行特征提取，初始化新類分類器的權值，為了減少特征的類內差異，本文采用WI的方法來生成分類器的權重，更好地初始化分類器。最后，引入半監督學習方法MixMatch[16]對分類器進行進一步的微調，并通過所提的NNCL函數來懲罰新類數據與基類數據在訓練時所得分類器的差異性，利用未帶標簽數據來優化分類器的最終輸出結果。

2.1 預訓練特征提取

2.2 權重印記法

WI的原理為通過支持集中-way-shot樣本的平均特征向量來設置分類器權重，其中特征是通過預訓練階段的模型而提取的。

2.3 最近鄰相關性損失函數

在基類數據集上預訓練所得到的分類器與在新類上微調之后所得到的分類器應該較為相似，因此二者的最優解也應較為相似。但由于新類數據集上帶標簽樣本較少，網絡很難通過訓練得到一個較好的分類器模型?？梢詫⒃诨悢祿纤梅诸惼鬟w移到新類數據集上，并對其進行微調，得到更優的新類分類器模型。當分類器最優時，損失函數的梯度應該最小，可通過求其梯度的最小值來求得分類器的最優解?；谠撚^點提出NNCL函數，提高小數據集上分類器的泛化性。

圖3 最近鄰相關性原理

對于損失函數而言：

則：

2.4 半監督遷移學習

在通過WI得到充分吸收基類信息、初始化較好的分類器后，利用不帶標簽樣本的測試過程對該分類器進行微調。這個微調過程與半監督學習相同。這里選用MixMatch方法，因為它是半監督學習領域利用不帶標簽樣本的一種整體方法。在半監督學習中，為了使模型具有更好的性能，一般會在不帶標簽樣本上加一個損失函數，本文使用NNCL來代替MixMatch中原有的2損失。

最終最小化損失函數為：

2.5 深度寬殘差網絡

殘差網絡通過殘差塊的堆疊可以實現樣本特征的有效提取，并且其獨特的殘差結構，可以較好地克服網絡過深而產生的梯度爆炸問題，但是過深的網絡結構會導致特征丟失從而使提取到的特征利用率較低。為解決這個問題，寬殘差網絡（wide residual network，WRN）[18]在殘差網絡（residual network）[19]的基礎上拓寬了網絡的寬度，利用淺層的寬殘差網絡來代替深層的殘差網絡結構。殘差結構如圖4所示。

圖4 殘差結構

由導數鏈式法則可求出損失函數的反向傳播梯度為：

由式（22）可知，由于表達式中有常數1，所以無論梯度多么小，該層的梯度均不會消失，避免了網絡較深時出現梯度爆炸問題。而寬殘差網絡的結構模型比普通殘差網絡更寬，故訓練時獲取的特征信息更加豐富，并且能防止特征丟失，更適合用于復合干擾時頻圖中由于回波遠弱于干擾而回波顯示不明顯的情形。

本文使用WRN-28-10[20]來對基類數據集進行預訓練，其中28表示卷積層總數，10表示加寬因子，WRN-28-10網絡模型見表1，并將網絡分類器部分設置為全連接層。

表1 WRN-28-10網絡模型

本文算法的訓練偽代碼如下。

end

for iterations in WI do

end

for iterations in MixMatch do

forfrom 1 todo

end

組成兩個新數據集:

end

3 實驗與分析

3.1 數據集與仿真參數設置

雷達接收信號包含3部分，即真實目標回波、干擾信號和背景噪聲，具體的仿真參數設置見表2。

表2 仿真參數設置

對于預訓練階段的基類數據集，使用仿真產生的6類單一干擾信號，分別為距離欺騙（RD）、距離?速度欺騙（R-VD）、頻譜彌散（SMSP）、噪聲調幅（AMN）、噪聲調頻（FMN）、梳狀譜（COMB）。每種干擾信號在干噪比（JNR）為?16～10 dB，每隔2 dB采樣一次，每個JNR下500個樣本。

本文所設計的標簽是將6類單一干擾信號的標簽與36類復合干擾信號的標簽分開設計的，即共有42類獨立標簽。先用6類單一干擾信號進行預訓練，得到初始網絡模型，再將得到的網絡模型遷移到復合干擾數據集上，將36類復合干擾信號作為新類數據集，每次從中抽取5類（即5-way）來對遷移過來的網絡模型進行權重印記及微調操作。

3.2 算法性能分析

3.2.1 未帶標簽樣本數量不同時的對比試驗

為探討未帶標簽樣本的數量對算法的影響，在JNR=0 dB時，設置不同數量的不帶標簽的樣本進行試驗，未帶標簽樣本數量不同時的識別準確率見表3?？梢钥闯?，隨著未帶標簽樣本數的增加，識別結果逐漸改善，但當每類未帶標簽樣本數量到20時，識別準確率逐漸穩定，網絡模型達到較好的識別能力。

表3 未帶標簽樣本數量不同時的識別準確率

3.2.2 不同干噪比下識別效果對比試驗

不同干噪比下識別準確率曲線如圖5所示。在每類不帶標簽樣本數為20時，對3種復合方式的干擾分別進行5-way 1-shot和5-way 5-shot的對比試驗，如圖5（a）、圖5（b）所示?？梢钥闯?，隨著JNR的增加，3種復合方式的干擾識別準確率均呈現增加趨勢，其中在低JNR時卷積干擾識別準確率最低，加性干擾識別準確率最高。這是由于，在低JNR下，空間傳輸損耗較高，干擾信號受傳輸噪聲的影響較為嚴重，通過加性、乘性和卷積之后，將這種損耗加大，其中通過卷積方式所得損耗最大，加性方式所得損耗相對較小。而在高JNR時，乘性干擾識別準確率最低，卷積干擾識別準確率最高。圖5（c）中實線是將3種復合方式所產生的干擾信號混合在一起進行識別的結果，虛線為3種方式平均之后的識別準確率?？梢钥闯鰧τ诨旌虾蟮淖R別準確率并不是將3種單一復合方式的識別準確率進行平均。在低JNR下，由于噪聲擾動較大，對干擾信號影響較為嚴重，網絡模型區分不出3種復合方式的明顯特征，識別準確率低于平均水平；在高JNR下，3種復合方式所產生的干擾區分較為明顯，網絡模型能較好地區分每種干擾類型，且保持在平均水平。

在3種復合方式中，加性復合最為常見。為了能夠更加準確地觀察到每類干擾具體的識別準確率，以加性干擾為例，在5-way 5-shot時，給出12種加性復合干擾的識別準確率結果，不同干噪比下加性復合干擾識別性能如圖6所示?？梢钥闯?，在12種加性干擾中，AMN+FMN的識別準確率較低，但在JNR為6 dB時，網絡模型對于所有加性復合干擾的識別準確率均能達到90%以上。

圖5 不同干噪比下識別準確率曲線

實際情況下，復合干擾中不同干擾分量的功率大小常不相同。以欺騙干擾與壓制干擾的加性復合干擾為例，仿真分析了不同干擾分量在不同JNR下對識別性能的影響。JNR比值不同時的識別性能見表4，設定欺騙干擾與壓制干擾的JNR比值分別為1:1、1:5和1:10?？梢钥闯鲭S著JNR比值的增加，識別準確率逐漸降低，這是由于當壓制干擾逐漸增強時會對欺騙干擾有所影響，但由于本文利用單一干擾信號進行預訓練，在壓制干擾較強時網絡模型也能保持80%以上的識別準確率。

圖6 不同干噪比下加性復合干擾識別性能

表4 JNR比值不同時的識別性能

3.2.3 算法消融對比

本方法在從基類數據集預訓練之后添加了WI，并在微調過程中將NNCL和半監督學習方法MixMatch相結合，為了驗證所提算法的有效性，在預訓練基礎上，將所有干擾種類混合，復合干擾數據集設置JNR=10 dB，每類不帶標簽樣本為20時，分別進行對應的消融實驗。消融實驗對比見表5。

表5 消融實驗對比

從表6中可以看出，本文所提算法比WI及半監督MixMatch方法均有較大提升。直接將MixMatch用于小樣本設置中并不合適，尤其在1-shot時，這是由于缺乏帶標簽樣本，在測試期間難以微調分類器。然而，本文所提算法通過WI模塊可以獲得一個較好的初始化，從而提升識別準確率。而將NNCL與MixMatch相結合，可以較好地減少基類與新類數據的分類器差異，使之最大限度地匹配預訓練的特征，也可以較好地提升模型識別準確率。而本文所提方法將WI與半監督學習相結合，并且利用NNCL來改進半監督學習，使之更加適合復合干擾的識別，識別準確率也有一定的提升。

表6 不同算法性能對比

圖7 訓練損失及識別準確率

3.2.4 不同算法性能對比

為了進一步驗證本文所提算法的優越性，另選3種有代表性的相關算法進行對比，其中文獻[21]介紹了一種遷移學習微調（Fine-tuning）算法，與本文利用半監督學習方式微調進行對比；文獻[22]介紹了一種Pseudo-Labeling半監督學習，與本文MixMatch半監督學習進行對比；文獻[23]介紹了一種Baseline++的小樣本學習方法，與本文算法進行對比，看本文算法是否更適合小樣本情形。另外，文獻[21-23]中網絡模型均為殘差網絡，為公平起見，在實驗時均使用ResNet34和WRN-28-10網絡進行特征的提取。在JNR=10dB，每類不帶標簽樣本為20時，不同算法性能對比見表6?？煽闯?，本文所提算法在5-way 1-shot和5-way 5-shot時都有較好的識別效果；另外，本文所使用的特征提取網絡WRN-28-10相較普通殘差網絡結構更寬，使識別效果有一定的提升。在文獻[21]基于遷移學習的Fine-tuning中，直接在預訓練模型上進行微調，使得網絡產生負遷移現象，而且復合干擾樣本數較少會加重這種現象，效果最差，用WRN-28-10網絡進行特征充分提取并運用之后，會輕微改善這種現象。為了探討本文所用半監督方式的優勢，將半監督方式替換為Pseudo-Labeling[22]，即利用偽標簽技術得到與標簽置信度較高的樣本之后再進行訓練，可以看出這種算法也會取得較好的效果。但在未帶標簽量只有20時，本文算法明顯優于文獻[22]算法，這是因為偽標簽技術在不帶標簽樣本較少時篩選出來的置信度高的樣本也較少，對模型改進不如本文半監督方式。為了證明本文算法較適用于小樣本情況，與文獻[23]所提算法Baseline++進行對比，該算法利用預訓練之后的網絡將支持集與查詢集數據進行度量學習，但由于樣本數的限制，網絡模型很難找到一個較好的度量空間，導致識別準確率較低。本文算法克服了這種缺點，利用少數帶標簽樣本進行特征權重印記，之后再利用帶標簽樣本和不帶標簽樣本進行微調訓練，使網絡的初始狀態更符合所識別的特征，可以進一步提高識別準確率。

3.2.5 不同算法時效性對比

為了驗證算法的時效性，將本文算法與文獻[21-23]方法進行時效性對比，記錄各個方法中模型訓練、樣本測試所用的時間。在試驗時均使用WRN-28-10網絡作為基網絡。當JNR=10 dB，每類未帶標簽樣本為20，采用5-way 5-shot，不同算法時效性對比見表7。其中，為了比較不同模型的訓練及測試時間，將每種模型迭代100次，記錄每次訓練平均耗時時間，測試時間為單次平均識別時間。

表7 不同算法時效性對比

由表7可看出，本文算法訓練時間比其他3種算法略高，這是由于本文算法引入了半監督學習，會比對比算法多進行一步微調操作。另外，本文算法的單次識別時間最短，其原因在于測試階段不需要進行半監督操作，體現了更優的算法時效性。

4 結束語

針對在小樣本下雷達復合干擾信號的識別問題，本文提出了基于半監督遷移學習的算法，通過將單一欺騙干擾和壓制干擾進行加性、乘性、卷積方式復合，仿真生成36種不同類型的復合干擾，對各種干擾進行時頻域的變換來產生仿真數據集。將單一干擾作為基類進行預訓練，得到預訓練網絡模型，利用少量帶標簽的復合干擾樣本進行權值印記，使網絡有一個較好的初始化模型，利用半監督方式將帶標簽和不帶標簽的數據進行再次微調，并且引入NNCL損失函數，將不帶標簽數據與已訓練的網絡模型進行最大化匹配，使之更準確地識別出測試樣本。通過仿真驗證了本文所提算法的可行性以及相較其他算法在同樣較少樣本下的性能優勢，且模型泛化性較高。

[1] ADAMY D. EW101: 電子戰基礎[M]. 王燕, 朱松, 譯. 北京:電子工業出版社, 2009.

ADAMY D. EW101: fundamentals of electronic warfare[M]. Translated by WANG Y, ZHU S. Beijing: Publishing House of Electronics Industry, 2009.

[2] 周紅平, 王子偉, 郭忠義. 雷達有源干擾識別算法綜述[J]. 數據采集與處理, 2022, 37(1): 1-20.

ZHOU H P, WANG Z W, GUO Z Y. Overview on recognition algorithms of radar active jamming[J]. Journal of Data Acquisition and Processing, 2022, 37(1): 1-20.

[3] FU R R. Compound jamming signal recognition based on neural networks[C]//Proceedings of the Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC). Piscataway: IEEE Press, 2016: 737-740.

[4] ZHU M, LI Y, PAN Z, et al. Automatic modulation recognition of compound signals using a deep multi-label classifier: a case study with radar jamming signals[J]. Signal Processing, 2019, 169(9): 107393.

[5] ZHANG J X, LIANG Z N, ZHOU C, et al. Radar compound jamming cognition based on a deep object detection network[J]. IEEE Transactions on Aerospace and Electronic Systems, 2023, 59(3): 3251-3263.

[6] 李浩. 基于多標簽學習的雷達復合干擾識別研究[D]. 成都: 電子科技大學, 2021.

LI H. Radar compound jamming recognition based on multi-label learning[D]. Chengdu: University of Electronic Science and Technology, 2021.

[7] QU Q, WEI S, LIU S, et al. JRNet: jamming recognition networks for radar compound suppression jamming signals[J]. IEEE Transactions on Vehicular Technology, 2020, 69(12): 15035-15045.

[8] 龐伊瓊, 許華, 張悅, 等. 基于遷移元學習的調制識別算法[J].兵工學報, 2022. doi: 10.12382/bgxb.2022.0583.

PANG Y Q, XU H, ZHANG Y, et al. Modulation recognition algorithm based on transfer meta-learning[J]. Acta Armamentarii, 2022. doi: 10.12382/bgxb.2022.0583.

[9] 季鼎承, 蔣亦樟, 王士同. 基于域與樣例平衡的多源遷移學習方法[J]. 電子學報, 2019, 47(3): 692-699.

JI D C, JIANG Y Z, WANG S T. Multi-source transfer learning method by balancing both the do?mains and instances[J]. Acta Electronica Sinica, 2019, 47(3): 692-699.

[10] SHAO G, CHENY, WEI Y. Convolutional neural network-based radar jamming signal classification with sufficient and limited samples[J]. IEEE Access, 2020(8): 80588-80598.

[11] LYU Q Z, QUAN Y H, FENG W, et al. Radar Deception jamming recognition based on weighted ensemble CNN with transfer learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022(60): 1-11.

[12] CHUNG H, LEE J. Iterative semi-supervised learning using softmax probability[J]. Materials & Continua, 2022, 72(3): 5607-5628.

[13] BAE J, LEE M, KIM S B. Safe semi-supervised learning using a bayesian neural network[J]. Information Sciences, 2022, 6(12): 453-464.

[14] PASSALIS N, IOSIFIDIS A, GABBOUJ M, et al. Hypersphere-based weight imprinting for few-shot learning on embedded devices[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(2): 925 -930.

[15] ZHUANG F, QI Z, DUAN K, et al. A comprehensive survey on transfer learning[J]. Proceedings of the IEEE, 2020, 109(1): 43-76.

[16] BERTHELOT D, CARLINI N, GOODFELLOW I, et al. MixMatch: a holistic approach to semi-supervised learning[J]. Advances in Neural Information Processing Systems, 2019, 32(454): 5050-5060.

[17] LI P, ZHAO G, XU X. Coarse-to-fine few-shot classification with deep metric learning[J]. Information Sciences, 2022(610): 592-604.

[18] QIAO S Y, LIU C X, SHEN W, et al. Few-shot image recognition by predicting parameters from activations[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). Piscataway: IEEE Press, 2018: 7229-7238.

[19] HE K, ZHANG X, REN S, et al, Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Piscataway: IEEE Press 2016: 770-778.

[20] HAFIZ A M, BHAT R A, HASSABALLAH M. Image classification using convolutional neural network tree ensembles[J], Multimedia Tools and Applications, 2023, 82(5): 6867-6884.

[21] LI T W, LEE G C. Performance analysis of fine-tune transferred deep learning[C]//Proceedings of the 2021 3rd Eurasia Conference on Communication and Engineering. Piscataway: IEEE Press, 2021: 315 -319.

[22] HIGUCHI Y, MORITZ N, ROUX J L, et al. Momentum pseudo-labeling: semi-supervised ASR with continuously improving pseudo-labels[J]. IEEE Journal of Selected Topics in Signal Processing, 2022, 16(6): 1424 -1438.

[23] CHEN W Y, LIU Y C, KIRA Z, et al. A closer look at few-shot classification[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE Press, 2019: 1904. 04232.

A semi-supervised transfer learning recognition method for radar compound jamming under small samples

WANG Jinqiang1, SUN Minhong1, TANG Xianghong1, QIU Zhaoyang1, ZENG Deguo2

1.School of Communication Engineering, Hangzhou Dianzi University, Hangzhou 310018, China 2. China Aerospace Science and Technology Group 8511 Research Institute, Nanjing 210007, China

Aiming at the problem that more and more kinds of radar compound jamming signals and too few training samples were difficult to make the deep learning model reach the optimal state, a semi-supervised transfer learning recognition method for radar compound jamming under small samples was proposed, which solved the problem of low network training accuracy caused by the difficulty in obtaining labeled samples through unlabeled samples. The feature extractor and classifier obtained after pre-training of single jamming data set were transferred to small-scale compound jamming data set, and the model was fine-tuning by using weight imprinting and semi-supervised learning. The model parameters were optimized by the proposed nearest neighbor correlation loss nearest neighbor correlation loss (NNCL). The experimental results show that the recognition accuracy of the model can reach 93.20% when the jamming-to-noise ratio is 10 dB and there are only 5 labeled samples of the new class of compound jamming signals.

radar anti-jamming, compound jamming recognition, transfer learning, weight imprinting, semi-supervised learning

The National Natural Science Foundation of China (No.61901149), The National Defense Characteristic Discipline Development Project (No.JCKY2019415D002)

TN975

A

10.11959/j.issn.1000?0801.2023182

2023?06?07；

2023?09?06

國家自然科學基金資助項目（No.61901149）；國防特色學科發展項目（No.JCKY2019415D002）

王金強（1998? ），男，杭州電子科技大學碩士生，主要研究方向為雷達信號處理及抗干擾。

孫閩紅（1974? ），男，博士，杭州電子科技大學教授、博士生導師，主要研究方向為信號處理、信息對抗、雷達系統與成像技術。

唐向宏（1962? ），男，博士，杭州電子科技大學教授、博士生導師，主要研究方向為圖像處理與傳輸、通信與信息系統、信息安全。

仇兆煬（1987? ），男，博士，杭州電子科技大學講師、碩士生導師，主要研究方向為信號采樣、復雜信號處理和寬帶接收。

曾德國（1985? ），男，博士，中國航天科工集團八五一一研究所研究員，主要研究方向為信號識別與新型接收機結構。