面向特定辐射源识别的小样本学习方法综述

• Published in: 南通大学学报（自然科学版） Vol. 22; no. 3; pp. 1 - 16
• Main Authors: 桂冠, 陶梦圆, 王诚, 付雪, 王禹
• Format: Journal Article
• Language: Chinese
• Published: 南京邮电大学 通信与信息工程学院,江苏 南京 210003 2023
• Subjects: deep learning; 特定辐射源识别; 电磁信号; electromagnetic signal; 深度学习; 小样本学习; specific emitter identification; few-shot learning
• ISSN: 1673-2340
• DOI: 10.12194/j.ntu.20220928001

TN911.7; 随着第五代移动通信、物联网等技术的普及,辐射源数量与类型都呈现井喷式增长,这导致基于统计特征与机器学习的传统特定辐射源识别技术的识别性能难以达到实际应用水平.近年来,深度学习在计算机视觉、自然语言处理等领域表现出的高超性能启发了大量研究者将深度学习用于特定辐射源识别问题,并且取得了丰硕的研究成果,验证了基于深度学习的特定辐射源识别方法的有效性.数据是深度学习的三大支柱之一,这意味着基于深度学习的特定辐射源识别方法在训练阶段通常也需要海量、高质量电磁信号样本,但是在复杂多变的电磁环境中获取海量、高质量的电磁信号样本,并对其进行标注是十分困难并且成本高昂的.为此,部分研究者将目光聚焦在小样本特定辐射源识别问题上.为了揭示面向特定辐射源识别的小样本学习方法现有水平,推动小样本场景下的特定辐射源识别方法的研究与发展,文章系统地调研并综述了近年来国内外面向特定辐射源识别的小样本学习方法.首先,将已有的小样本特定辐射源识别方法根据有无辅助电磁信号样本对其进行分类,并进行问题描述;然后,分别综述已有的研究工作;最后,进行相关实验仿真并分析了存在的问题与未来的方向.