基于自监督学习和射频域适应的少样本雷达信号识别
机器学习
2025-07-16 v3 人工智能
信号处理
摘要
雷达信号识别 (RSR) 在电子战 (EW) 中发挥着关键作用，因为准确分类雷达信号对于决策至关重要。最近的深度学习技术在数据充足的领域显示出显著的潜力，但在 EW 场景中因标注的射频 (RF) 数据稀少或难以获取而不足。为此，我们引入一种自监督学习 (SSL) 方法，利用掩码信号建模和 RF 域适应进行少样本 RSR，并提升在有限 RF 样本和标注环境下的性能。我们提出了两步方法：首先在基带正频率和失频 (I/Q) 信号上进行预训练，这些信号来自多样化的 RF 域；随后将所学表示迁移到雷达域，在该域标注数据稀缺。实验结果表明，我们的轻量级自监督 ResNet1D 模型在雷达信号上预训练时，1-shot 分类准确率可提升最高 17.5%；而在通信信号等外域预训练时，提升最高可达 16.31%。我们还提供了几种 MAE 设计和预训练策略的参考结果，为少样本雷达信号分类树立了新的基准。
引用
@article{arxiv.2501.03461,
title = {Few-Shot Radar Signal Recognition through Self-Supervised Learning and Radio Frequency Domain Adaptation},
author = {Zi Huang and Simon Denman and Akila Pemasiri and Clinton Fookes and Terrence Martin},
journal= {arXiv preprint arXiv:2501.03461},
year = {2025}
}
备注
6 pages, 15 figures