基于梯度对齐双分支元学习的小样本雷达辐射源识别方法

《Signal Processing》：Gradient-Aligned Dual-Branch Meta-Learning for Few-Shot Radar Emitter Recognition

　　

- 我们提出了一种在有限标注数据下进行小样本雷达辐射源识别的元学习框架。
- 我们开发了一种具有注意力机制的双分支特征提取器，以强调信息丰富的结构。
- 我们引入了一种冲突感知的梯度聚合策略，以稳定外循环优化。

**引言**

雷达辐射源识别（RER）是电子侦察和电子对抗系统的基础。随着电磁环境日益拥挤和复杂，依赖大量标注数据和人工特征工程的传统方法面临越来越大的挑战[1]。在实际侦察场景中，大规模雷达数据的采集往往受到观测机会有限、时效性要求严格和环境干扰等作战条件的限制。此外，传统判别流程通常依赖于脉冲描述字（PDW），如载波频率、脉冲宽度和到达时间等，这些特征在低信噪比（SNR）和高杂波条件下可分性可能严重下降，使得高精度的可靠识别变得困难。

得益于深度学习在视觉识别领域的成功[2]，近期研究将一维雷达信号转化为二维表示，并利用深度模型进行自动特征学习。时频分析为表征非平稳雷达信号提供了信息丰富的表示方法，如短时傅里叶变换（STFT）[3]和Chaudhuri-Willems分布（CWD）[4]。尽管CWD在交叉项抑制和图像质量方面表现更优，但其计算复杂度较高，且在低信噪比条件下可靠性可能下降。基于傅里叶的同步挤压变换（FSST）[5]能够生成集中的时频表示并表现出对噪声的鲁棒性，使其适用于雷达信号分析。经过适当的预处理，时频图像可输入深度架构中，以学习判别性特征并进行分类，包括卷积神经网络（CNN）、循环神经网络（RNN）[6]和Transformer。然而，它们的成功依赖于大规模标注样本，而在实际作战中，新遇到的辐射源往往缺乏此类数据。在小样本条件下，深度模型容易过拟合，限制了其部署应用。

为缓解RER中的数据稀缺问题，现有研究探索了迁移学习和元学习范式。迁移学习利用源域中丰富的标注数据来支持样本有限的目标域[7][8]，而元学习旨在学习任务无关的知识，以便仅需少量标注样本即可快速适应未见任务[9]。其中，模型无关元学习（MAML）[10]学习一个共享初始化，能够通过少量梯度步骤适应新任务，其变体在雷达信号识别中已显示出潜力[11]。

然而，真实电磁环境中的RER提出了现有方法尚未完全解决的额外挑战：（i）源-目标分布差异可能因工作条件和信噪比的波动而被放大，限制了所学表示的迁移性；（ii）雷达辐射源特征本质上具有非线性，依赖单一表示可能在噪声条件下导致判别不稳定；（iii）在异构任务上进行元训练可能引入任务间梯度冲突，从而阻碍稳定优化并降低泛化能力。这些问题促使我们构建一个能够利用互补信号模态并在噪声、小样本条件下稳定元优化的框架。

基于上述观察，我们研究了一种小样本RER框架，联合推进信号表示学习和元学习策略设计。具体而言，在任务无关元学习架构[12]的基础上，受梯度冲突优化[13]启发，我们将双分支特征提取与任务感知元优化相结合，开发了一种面向小样本RER的识别模型，从而在有限标注数据下提升判别性表示学习和泛化能力。我们的主要贡献总结如下：
- 我们提出了一种梯度对齐的双分支元学习框架，用于小样本RER，实现了在低数据条件下更稳定的优化和更好的泛化性能。
- 我们设计了一种双分支特征提取器，联合建模时频表示和脉冲参数序列，包含一个时频双域注意力模块（TF-DAM）。
- 我们通过大量实验验证了所提方法在广泛信噪比条件下的有效性。

**少样本学习**

少样本学习（FSL）旨在解决深度神经网络在极端有限标注数据下的泛化问题。为应对这一挑战，已提出多种基于深度学习的解决方案，通常分为基于度量方法、基于优化的元学习方法和数据增强方法。基于度量方法在FSL中得到广泛应用。代表性工作引入可学习的非线性度量函数，以更好地建模复杂的类间关系。

**总体框架**

我们考虑事件式元学习设置下的小样本RER。每个元任务???构建为一个N-way K-shot分类事件，包含支撑集???={(??, ??)}和查询集???={(??, ??)}。对于每个截获的雷达信号，我们构建两种互补模态：（i）时频（T-F）表示和（ii）包含脉冲宽度、载波频率和脉冲重复间隔的脉冲参数序列。目标是学习一个能够仅使用少量标注样本快速适应未见辐射源类别的模型。

**数据模拟与实验细节**

为评估所提方法，我们构建了一个覆盖多种调制类型的模拟雷达辐射源数据集。具体而言，考虑了八种常用雷达调制方式，包括CW、LFM、NLFM、FSK、BPSK、QPSK、FSK_BPSK和LFM_BPSK。详细参数设置如表1所示。此外，还合成了四种经典相位编码雷达波形，即Costas、P4、Frank和Taylor，其配置如表2所示。总体而言，数据集涵盖了……

**结论**

本文研究了在严重有限标注数据条件下的小样本RER。为应对数据稀缺、特征表达能力弱以及跨工作条件泛化能力下降的问题，我们提出了一种双分支元学习框架，联合利用时频表示和脉冲序列信息。时频分支捕捉频谱-时间平面上的判别性结构，而时序分支从PDW序列中建模脉冲级发射模式。它们的……

**作者贡献声明**

庄硕：写作 – 审阅与编辑，写作 – 原稿撰写，指导，方法论，资金获取，概念化。程东：写作 – 原稿撰写，方法论，数据管理，概念化。张森勇：验证，指导，方法论。项厚红：验证，调查，资金获取。董洋洋：写作 – 审阅与编辑，验证，指导，概念化。

**利益冲突声明**

作者声明不存在已知的竞争性财务利益或个人关系，这些可能影响本文所报告工作的客观性。

庄硕 | 程东 | 张森勇 | 项厚红 | 董洋洋