基于元學(xué)習(xí)的壓制式干擾識(shí)別方法研究

張 然, 劉 悅, 潘成勝

(大連大學(xué),a.信息工程學(xué)院; b.通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室,遼寧 大連 116000)

0 引言

在無線通信系統(tǒng)中,隨著電磁環(huán)境的日益復(fù)雜,需要對(duì)環(huán)境中的各種干擾進(jìn)行檢測(cè)和識(shí)別,為通信接收機(jī)生成有效的抗干擾決策提供依據(jù)。例如,在衛(wèi)星通信和移動(dòng)通信等領(lǐng)域,通信設(shè)備可以通過先提前檢測(cè)和識(shí)別干擾信號(hào),再采取相應(yīng)的干擾消除技術(shù),提高通信質(zhì)量和頻譜效率。因此,干擾識(shí)別技術(shù)逐漸成為無線通信系統(tǒng)的研究熱點(diǎn)。

目前,常用的信號(hào)識(shí)別方法有閾值比較法和基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法。傳統(tǒng)的閾值比較法[1-3]是通過專家經(jīng)驗(yàn)來提取信號(hào)的特征參數(shù)進(jìn)行識(shí)別的,會(huì)產(chǎn)生特征提取不全和依賴性的問題,所以目前更多地會(huì)采用具有自組織性和自適應(yīng)性的神經(jīng)網(wǎng)絡(luò)進(jìn)行信號(hào)識(shí)別的方法[4-9]。但是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的數(shù)據(jù)作為支撐,而干擾信號(hào)的獲取十分困難,且干擾信號(hào)數(shù)據(jù)集進(jìn)行標(biāo)注的成本也比較高,所以,在干擾信號(hào)數(shù)據(jù)量小的情況下,存在識(shí)別率不高的問題。針對(duì)這個(gè)問題,有研究提出了基于神經(jīng)網(wǎng)絡(luò)的小樣本干擾信號(hào)識(shí)別方法。文獻(xiàn)[10]提出用增強(qiáng)深度卷積生成對(duì)抗網(wǎng)絡(luò)來實(shí)現(xiàn)雷達(dá)信號(hào)小樣本數(shù)據(jù)增強(qiáng)的方法,其本質(zhì)是通過對(duì)抗網(wǎng)絡(luò)產(chǎn)生逼近現(xiàn)實(shí)的信號(hào)樣本來擴(kuò)充小樣本的數(shù)量使識(shí)別率提高,并不是直接采用小樣本的數(shù)據(jù);文獻(xiàn)[11]針對(duì)雷達(dá)小樣本目標(biāo)識(shí)別問題,根據(jù)所拍攝的目標(biāo)圖片,結(jié)合殘差網(wǎng)絡(luò)和基于歐氏距離的度量學(xué)習(xí)提出了識(shí)別方案,然而,殘差網(wǎng)絡(luò)提取出的是多維特征向量,基于歐氏距離的度量學(xué)習(xí)沒有考慮同種類多維向量之間的相關(guān)性,所以分類識(shí)別的準(zhǔn)確度受限。

為了進(jìn)一步提高壓制式干擾的識(shí)別率,提出了一種Holder系數(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法,使用Holder系數(shù)來度量頻率響應(yīng)的變化。由于同種類型干擾信號(hào)的Holder系數(shù)十分接近,且具有較好的聚類效果,所以文獻(xiàn)[12]提出將提取的Holder系數(shù)與K-means算法相結(jié)合進(jìn)行信號(hào)識(shí)別的方法。但是K-means算法對(duì)初值敏感,不同的初值可能會(huì)使聚類結(jié)果不穩(wěn)定。相比較之下,神經(jīng)網(wǎng)絡(luò)受初值影響小,且有比較穩(wěn)定的聚類結(jié)果,因此對(duì)比與K-means算法相結(jié)合的識(shí)別方法,Holder系數(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法在理論上更可以提升識(shí)別準(zhǔn)確率。

本文以壓制式干擾為研究對(duì)象,為了提高小樣本干擾信號(hào)的識(shí)別精度,在元學(xué)習(xí)中,首先將干擾信號(hào)的時(shí)頻圖輸入殘差網(wǎng)絡(luò)得到的特征向量與Holder系數(shù)相結(jié)合,其次將時(shí)頻圖輸出的特征向量分為編碼向量和一個(gè)協(xié)方差矩陣,求出干擾預(yù)測(cè)值并計(jì)算歐氏距離來實(shí)現(xiàn)對(duì)小樣本的干擾分類,以提高干擾信號(hào)的識(shí)別率。

1 壓制式干擾信號(hào)模型

1.1 壓制式干擾的種類

對(duì)于壓制式干擾的識(shí)別[7],主要包括瞄準(zhǔn)式窄帶干擾(Aiming Narrow Band Jamming,ANBJ),部分頻帶噪聲干擾(Partial Band Noise Jamming,PBNJ),隨機(jī)梳狀譜干擾(Random Comb Jamming,RCJ),周期脈沖噪聲干擾(Periodic Pulse Noise Jamming,PPNJ)和調(diào)頻類干擾(Frequency Modulation Jamming,FMJ)。

瞄準(zhǔn)式窄帶干擾包括:模擬調(diào)制類的幅度調(diào)制(Amplitude Modulation,AM)和噪聲幅度調(diào)制(Noise Amplitude Modulation,NAM)干擾,數(shù)字調(diào)制類的二進(jìn)制相移鍵控(Binary Phase Shift Keying,BPSK)、二進(jìn)制頻移鍵控(Binary Frequency Shift Keying,BFSK)和正交相移鍵控(Quaternary Phase Shift Keying,QPSK)干擾,連續(xù)波(Continuous Wave,CW)干擾,窄帶噪聲干擾(Narrow Band Noise Jamming,NBNJ)等。

隨機(jī)梳狀譜干擾包括:梳妝譜噪聲干擾(Comb Spectrum Noise Jamming,CSNJ)和多音干擾(Multi-Tone Jamming,MTJ)。

調(diào)頻類干擾包括:噪聲調(diào)頻(Noise Frequency Modulation,NFM),線性調(diào)頻(Linear Frequency Modulation,LFM)和正弦調(diào)頻(Sinusoid Frequency Modulation,SFM)干擾。

接收信號(hào)r(n)的采樣信號(hào)為

r(n)=s(n)+j(n)+w(n)n=1,2,…,N

(1)

式中:s(n)為接收到的通信信號(hào);j(n)為干擾信號(hào);w(n)為高斯白噪聲;N為采樣長(zhǎng)度。

1.2 壓制式干擾的時(shí)頻圖像

為了進(jìn)行干擾信號(hào)特征的計(jì)算,首先需生成干擾信號(hào)時(shí)頻圖,用于后續(xù)輸入到神經(jīng)網(wǎng)絡(luò)中。本文研究選擇短時(shí)傅里葉變換(Short-Time Fourier Transform,STFT)的方法對(duì)干擾信號(hào)進(jìn)行時(shí)頻分析,其中,頻譜圖SPx(t,f)可表示為

(2)

式中:t和f分別表示時(shí)間和頻率的離散參數(shù);w(t-τ)為窗函數(shù)。

對(duì)干擾信號(hào)進(jìn)行時(shí)頻分析,將其轉(zhuǎn)換成可以輸入到殘差神經(jīng)網(wǎng)絡(luò)處理的224×224(單位為像素)的時(shí)頻圖片,以便輸出干擾信號(hào)時(shí)頻圖的編碼向量和其對(duì)應(yīng)的協(xié)方差矩陣,為下一步求干擾信號(hào)預(yù)測(cè)值奠定基礎(chǔ)。

壓制式干擾信號(hào)時(shí)頻圖如圖1所示。圖中,壓制式干擾信號(hào)的干噪比(Jamming-to-Noise Ratio,JNR)設(shè)置為20 dB。

圖1 干擾信號(hào)的時(shí)頻圖

2 基于元學(xué)習(xí)的干擾識(shí)別算法

為了解決小樣本干擾信號(hào)的識(shí)別問題,提出一種基于元學(xué)習(xí)的壓制式干擾識(shí)別方法。干擾識(shí)別網(wǎng)絡(luò)整體結(jié)構(gòu)如圖2所示。

圖2 干擾識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)

首先,對(duì)各類干擾信號(hào)的Holder系數(shù)進(jìn)行提取,并將該干擾信號(hào)生成的時(shí)頻圖輸入到殘差網(wǎng)絡(luò)中;然后,將殘差網(wǎng)絡(luò)輸出的干擾信號(hào)特征向量與提取的Holder系數(shù)在全連接層中進(jìn)行拼接,再對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練;同時(shí),根據(jù)添加高斯協(xié)方差矩陣的歐氏距離度量算法,計(jì)算出每類支撐集的原型;最后,輸入干擾信號(hào)的測(cè)試集分別計(jì)算與每類原型的距離,與支撐集原型距離最小的類別即為測(cè)試集所屬的信號(hào)類別,完成信號(hào)的識(shí)別。

2.1 Holder系數(shù)的提取

Holder系數(shù)用來描述兩個(gè)不同信號(hào)之間的相似性[13],設(shè)有兩個(gè)離散正值信號(hào)序列{s1(i)≥0,i=1,2,…,N}和{s2(j)≥0,j=1,2,…,N},N為離散點(diǎn)數(shù)。則數(shù)學(xué)模型可定義為

(3)

式中:H為Holder系數(shù),0≤H≤1;參數(shù)p>1,q>1,且1/p+1/q=1。

在計(jì)算Holder系數(shù)之前,先對(duì)信號(hào)做傅里葉變換得到頻譜,再對(duì)頻譜進(jìn)行能量歸一化。歸一化的目的是使特征具有相同的度量尺度。采用最大-最小歸一化方法,可表示為

(4)

式中:x*為歸一化后的干擾信號(hào)頻譜;x為干擾信號(hào)頻譜;xmin和xmax分別為干擾信號(hào)頻譜的最小值及最大值。歸一化后,干擾信號(hào)數(shù)據(jù)各維度參數(shù)的值均在[0,1]之間。

為了計(jì)算Holder系數(shù),同時(shí)引入兩個(gè)第三方信號(hào)序列——矩形信號(hào)頻率序列和三角信號(hào)頻率序列,作為參考信號(hào)序列[13]。矩形信號(hào)頻率序列能量分布較為均勻,三角形信號(hào)頻率序列較為集中,因而比較適合作為參考信號(hào)序列。

矩形信號(hào)頻率序列為

(5)

三角信號(hào)頻率序列為

(6)

其中:N為信號(hào)的頻率點(diǎn)數(shù);k為頻率序列的索引。

則信號(hào)頻率序列{s(i)}對(duì)應(yīng)的Holder系數(shù)特征包括兩個(gè)系數(shù)值H1和H2,可分別表示為

(7)

(8)

最終,每個(gè)干擾信號(hào)分別與三角序列和矩形序列計(jì)算出Holder系數(shù)H=[H1,H2],用于提高干擾信號(hào)的聚類效果。

2.2 多維特征向量的計(jì)算

小樣本的學(xué)習(xí)方法通常采用特征結(jié)構(gòu)為4層的卷積神經(jīng)網(wǎng)絡(luò)[14-15],該網(wǎng)絡(luò)易于訓(xùn)練,但學(xué)習(xí)能力有限。而殘差網(wǎng)絡(luò)中的卷積特征學(xué)習(xí)具有良好的泛化能力和非常低的敏感度,可用來提高實(shí)際系統(tǒng)的信號(hào)檢測(cè)和分類的性能[16-20],從而提高信號(hào)識(shí)別的準(zhǔn)確率。

在殘差網(wǎng)絡(luò)的前向傳播過程中,可以通過躍過一層或者多層連接的方式得到恒等映射。恒等映射的主要作用是在增加層數(shù)后,若模型層數(shù)大于或等于淺層數(shù),依舊能保持模型的性能[15]。

殘差網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如圖3所示。本文構(gòu)建了一個(gè)10層殘差網(wǎng)絡(luò)結(jié)構(gòu),該結(jié)構(gòu)包含一個(gè)7×7的卷積層,一個(gè)3×3的最大池化層,兩個(gè)卷積層為3×3、通道數(shù)為64、步長(zhǎng)為2的殘差塊,以及兩個(gè)卷積層為3×3、通道數(shù)為128、步長(zhǎng)為2的殘差塊。

圖3 殘差網(wǎng)絡(luò)結(jié)構(gòu)

在殘差網(wǎng)絡(luò)中,設(shè)全連接層輸出的特征向量為X=[X1,X2,X3,X4,…,X127,X128]。將提取到的Holder系數(shù)與該特征向量進(jìn)行拼接,得到的新特征向量為X=[X1,X2,X3,X4,…,X127,X128,H1,H2],將其作為殘差網(wǎng)絡(luò)新的全連接層。在此基礎(chǔ)上,通過將干擾信號(hào)支撐集輸入修改后的殘差網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練,得到殘差網(wǎng)絡(luò)的權(quán)重,再將干擾信號(hào)測(cè)試集的時(shí)頻圖輸入帶有權(quán)重的殘差網(wǎng)絡(luò),輸出識(shí)別結(jié)果。

2.3 基于元學(xué)習(xí)的干擾識(shí)別

基于度量的元學(xué)習(xí)方法是以任務(wù)之間的相似性為基礎(chǔ),找到過去訓(xùn)練過的相似任務(wù),并借鑒經(jīng)驗(yàn),以加速新任務(wù)的完成。度量函數(shù)可以最小化相似任務(wù)之間的距離,最大化不同任務(wù)之間的距離,提高任務(wù)處理的效率。

傳統(tǒng)的度量學(xué)習(xí)[11]是基于歐氏距離度量的原型網(wǎng)絡(luò)。本文考慮到多維特征向量之間的相關(guān)性,通過給歐氏距離添加高斯協(xié)方差矩陣來度量信號(hào)之間的相似性。即除了嵌入生成的數(shù)據(jù)點(diǎn)之外,還在數(shù)據(jù)點(diǎn)周圍添加了一個(gè)置信區(qū)域,該區(qū)域以高斯協(xié)方差矩陣為特征。置信區(qū)域有助于描述單個(gè)數(shù)據(jù)點(diǎn)的質(zhì)量,在有噪聲且同質(zhì)性低的情況下十分有效。另外,對(duì)于每個(gè)不同的類,傳統(tǒng)的歐氏距離都定義的是一個(gè)半徑相等的范圍,而添加的高斯協(xié)方差矩陣能更好地從不同的維度學(xué)習(xí)出一組更好的度量距離[21-22],使分類的結(jié)果更加準(zhǔn)確。不同歐氏距離的分類結(jié)果如圖4所示。

圖4 不同歐氏距離的分類結(jié)果

改進(jìn)后的基于度量的元學(xué)習(xí)干擾識(shí)別算法如下。

1) 設(shè)干擾信號(hào)時(shí)頻圖的數(shù)據(jù)集為x,類標(biāo)簽為y,數(shù)據(jù)集D={(x1,y1),(x2,y2),…, (xi,yi)}。從數(shù)據(jù)集D的各類別中不放回地隨機(jī)抽樣數(shù)據(jù)點(diǎn),以組成支撐集。

2) 同樣,隨機(jī)抽樣干擾信號(hào)數(shù)據(jù)集組成查詢集Q。

3) 將各類別干擾信號(hào)的支撐集傳入殘差網(wǎng)絡(luò),輸出編碼向量和其相關(guān)的協(xié)方差矩陣Sraw。協(xié)方差矩陣Sraw采用維數(shù)是1的半徑分量,為每一個(gè)支撐集的圖像生成一個(gè)置信區(qū)間的表征。最后干擾信號(hào)各類別的置信區(qū)間所構(gòu)造的協(xié)方差矩陣可以表示為Σ,即

Σ=diag (σ1,σ2,σ3,σ4,σ5,… )

(9)

式中:Σ為常數(shù)對(duì)角矩陣;σi為通過原始的輸出Sraw得到的第i個(gè)結(jié)果。

4) 計(jì)算協(xié)方差矩陣Sraw的逆矩陣S

S=1+softplus(Sraw)

(10)

式中,softplus(x)=lb(1+ex),保證了S>1。

5) 計(jì)算干擾信號(hào)支撐集中每個(gè)類的原型pc,則

(11)

6) 在完成干擾信號(hào)支撐集中每個(gè)類的原型計(jì)算后,輸入干擾信號(hào)時(shí)頻圖查詢集進(jìn)入殘差網(wǎng)絡(luò)后輸出向量xi。

7) 計(jì)算干擾信號(hào)查詢集向量xi與類原型pc之間的距離Dis為

(12)

8) 計(jì)算干擾信號(hào)原型與查詢集向量的距離后,預(yù)測(cè)查詢集y的類,它與干擾信號(hào)原型的距離最小,即

y=arg minc(Dis)。

(13)

查詢集依次與每個(gè)類的原型比較距離,當(dāng)y最小時(shí),此查詢集就屬于該原型的類別,即識(shí)別出干擾信號(hào)的所屬類別。

3 實(shí)驗(yàn)結(jié)果與分析

本文干擾信號(hào)的仿真環(huán)境為加性高斯白噪聲(Additive White Gaussian Noise,AWGN)信道。為了驗(yàn)證所提方案的可行性,對(duì)干擾信號(hào)識(shí)別的準(zhǔn)確率進(jìn)行了比較和驗(yàn)證。仿真中使用的技術(shù)框架是Keras,實(shí)驗(yàn)所使用的電腦CPU為6顆E5-2680 v4,GPU為RTX 2080 Ti。

3.1 仿真參數(shù)設(shè)置

對(duì)于每一類干擾信號(hào),選用協(xié)方差矩陣的半徑分量作為置信區(qū)域,壓制式干擾支撐集分別設(shè)置為1個(gè)樣本和5個(gè)樣本,測(cè)試集為100個(gè)樣本,進(jìn)行訓(xùn)練與識(shí)別。利用軟件生成干擾信號(hào)的Holder系數(shù)和時(shí)頻圖,并將Holder系數(shù)以及時(shí)頻圖的路徑存儲(chǔ)于同一個(gè)txt文件中,以實(shí)現(xiàn)系數(shù)與圖的一一對(duì)應(yīng)。

仿真實(shí)驗(yàn)中,基于實(shí)驗(yàn)平臺(tái)的參數(shù)配置,設(shè)置干擾的帶寬為50 MHz,采樣率為61.44 MHz,干擾持續(xù)時(shí)長(zhǎng)為20 μs,采樣點(diǎn)數(shù)為12 288。干擾信號(hào)的仿真參數(shù)設(shè)置如表1所示。

3.2 干擾信號(hào)識(shí)別率驗(yàn)證與分析

3.2.1 神經(jīng)網(wǎng)絡(luò)與K-means識(shí)別效果對(duì)比與分析

對(duì)于每一類干擾信號(hào),JNR取值-30～10 dB,每間隔5 dB取一次值,每種干擾樣式的每個(gè)JNR產(chǎn)生500個(gè)干擾信號(hào)。其中,每個(gè)JNR下400個(gè)干擾信號(hào)作為訓(xùn)練集,100個(gè)干擾信號(hào)作為測(cè)試集,進(jìn)行訓(xùn)練與識(shí)別。

為了驗(yàn)證Holder系數(shù)與神經(jīng)網(wǎng)絡(luò)結(jié)合比與K-means聚類方法結(jié)合識(shí)別率更高,對(duì)神經(jīng)網(wǎng)絡(luò)方法與K-means方法進(jìn)行識(shí)別效果對(duì)比,并對(duì)每個(gè)JNR下信號(hào)識(shí)別的準(zhǔn)確率取平均值,結(jié)果如圖5所示。

圖5 神經(jīng)網(wǎng)絡(luò)與K-means識(shí)別效果對(duì)比

由圖5可知,JNR的值高于-5 dB以后,神經(jīng)網(wǎng)絡(luò)對(duì)干擾信號(hào)識(shí)別率已經(jīng)可以達(dá)到100%的準(zhǔn)確率,而K-means算法對(duì)干擾信號(hào)的識(shí)別率仍然在90%左右,這是由于算法聚類的結(jié)果不穩(wěn)定,導(dǎo)致了識(shí)別率的波動(dòng)。由此可以得出,采用神經(jīng)網(wǎng)絡(luò)比K-means算法的識(shí)別率高。

3.2.2 小樣本信號(hào)識(shí)別率驗(yàn)證與分析

本文提出利用元學(xué)習(xí)在小樣本標(biāo)記的數(shù)據(jù)下進(jìn)行時(shí)頻圖的特征提取,即使面對(duì)未訓(xùn)練過的對(duì)象也不需要構(gòu)建新的模型,能夠有效提高模型的泛化能力。為了驗(yàn)證本文算法在小樣本干擾信號(hào)識(shí)別方面的有效性,將其與傳統(tǒng)基于歐氏距離的元學(xué)習(xí)方法進(jìn)行對(duì)比。

在仿真中,利用實(shí)驗(yàn)平臺(tái)配置的預(yù)訓(xùn)練數(shù)據(jù)集中大量帶有標(biāo)簽的數(shù)據(jù),估計(jì)出具有普適性、能推廣到ANBJ的規(guī)律,加速模型在ANBJ小樣本數(shù)據(jù)集上準(zhǔn)確推理的過程,提高模型的泛化能力,以達(dá)到快速識(shí)別小樣本干擾信號(hào)的目的。

仿真參數(shù)設(shè)置結(jié)合實(shí)際情況,討論JNR分別為-10 dB,0 dB和20 dB時(shí)的干擾信號(hào)識(shí)別。選用協(xié)方差矩陣的半徑分量作為置信區(qū)域,以ANBJ中的7類干擾為例,設(shè)置測(cè)試集為100個(gè)樣本,干擾支撐集樣本數(shù)分別為1和5。具體的驗(yàn)證手段如下:

1) 將實(shí)驗(yàn)平臺(tái)提供的信號(hào)數(shù)據(jù)集輸入到殘差網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,得到預(yù)訓(xùn)練權(quán)重,并遷移到小樣本干擾信號(hào)訓(xùn)練的殘差網(wǎng)絡(luò)中作為初始權(quán)重;

2) 依次將ANBJ中的干擾類別輸入到帶有預(yù)訓(xùn)練權(quán)重的殘差網(wǎng)絡(luò)中,并不斷將上一個(gè)類別訓(xùn)練出的權(quán)重參數(shù)提供給下一個(gè)類別作為初始權(quán)重;

3) 將ANBJ分別為1個(gè)樣本和5個(gè)樣本的干擾信號(hào)時(shí)頻圖作為支撐集輸入到殘差網(wǎng)絡(luò)中,將輸出的特征向量分為嵌入向量和置信度后,計(jì)算出ANBJ中每一類的原型,計(jì)算過程見2.3節(jié);

4) 將ANBJ中每個(gè)測(cè)試集的100張時(shí)頻圖輸入到殘差網(wǎng)絡(luò)中,分別用基本歐氏距離和優(yōu)化后的歐氏距離計(jì)算測(cè)試集到每個(gè)種類原型的距離,距離最小的種類為所屬的干擾信號(hào)類別,并記錄不同方法下小樣本識(shí)別的準(zhǔn)確率。小樣本識(shí)別準(zhǔn)確率對(duì)比仿真結(jié)果如表2所示。

表2 小樣本識(shí)別準(zhǔn)確率對(duì)比

由表2可知,在不同的JNR下,本文算法的識(shí)別率均高于傳統(tǒng)算法。另外,本文算法相比傳統(tǒng)算法識(shí)別準(zhǔn)確率的提升率隨著干擾信號(hào)強(qiáng)度的增大而增加,在支撐集只有1個(gè)樣本的情況下,提升率從0.8個(gè)百分點(diǎn)上升到了3個(gè)百分點(diǎn);在支撐集有5個(gè)樣本的情況下,提升率從1.1個(gè)百分點(diǎn)上升到了9.5個(gè)百分點(diǎn),進(jìn)一步證明了本文算法對(duì)干擾信號(hào)識(shí)別的有效性。

4 結(jié)束語(yǔ)

針對(duì)小樣本干擾信號(hào)識(shí)別率低的問題,本文提出了基于Holder系數(shù)和殘差網(wǎng)絡(luò)的信號(hào)特征提取方案以及基于改進(jìn)度量的元學(xué)習(xí)方法。對(duì)干擾信號(hào)仿真數(shù)據(jù)集進(jìn)行學(xué)習(xí),仿真實(shí)驗(yàn)結(jié)果表明,優(yōu)化后的干擾識(shí)別算法在小樣本數(shù)據(jù)集1-shot與5-shot的任務(wù)中,提升率分別增加了約2.2個(gè)百分點(diǎn)和8.4個(gè)百分點(diǎn),證明了所提出的基于元學(xué)習(xí)的干擾識(shí)別算法的有效性和優(yōu)越性。在實(shí)際應(yīng)用中,當(dāng)面對(duì)未知干擾且干擾信號(hào)樣本量較少時(shí),本文算法可以對(duì)干擾特征進(jìn)行快速學(xué)習(xí),有效提升識(shí)別效率,為后續(xù)抗干擾決策提供有力依據(jù)。在未來的研究中,將進(jìn)一步研究瞄準(zhǔn)式窄帶干擾特征的提取,加大提取特征的差異性,得到更為優(yōu)越的干擾信號(hào)識(shí)別結(jié)果。