小样本下基于对比学习的特定辐射源识别

来源：电子测量技术杂志2025年第21期北京时间：

作者：黄逸飞，闫光辉，郑礼，汤春阳

单位：兰州交通大学电子与信息工程学院 兰州 730070

摘要：在通信特定辐射源识别任务中，针对深度学习网络在训练样本量不足时准确率低的问题，提出了一种基于时频数据增强和对比学习的特定辐射源识别方法。首先，从辐射源信号中提取I/Q信息，经过连续小波变换和Welch功率谱的时频数据增强构建多模态信息，以此对小样本数据进行扩充并送入改进的对比学习网络中进行特征提取，并且设计了一个由交叉熵、监督对比损失的加权和损失函数，充分提取特定辐射源信号的特征，确保两种特征向量分布具有余弦损失的一致性，训练结束后保存成最优模型，最后使用部分训练集数据对模型进行微调。所提出的方法在ADS-B数据集和WiFi数据集上进行了评估，与基线模型进行了比较，还对比了28种数据增强组合方式的效果。实验结果表明，本文所提出的方法比现有方法取得了更优异的效果，并且本文提出的数据增强组合方式效果最优。具体而言，当有标记训练样本数量与所有训练样本数量的比率为5%时，在ADS-B数据集上的识别准确率为87.30%，相较于基线模型提升6%；在WiFi数据集上的识别准确率为94.07%，相较于基线模型提升55.39%。

关键词：对比学习;特定辐射源识别;数据增强;深度学习

基金资助：国家自然科学基金（62466032，62366028）、2024年研究生教育教学质量提升工程建设项目（JG202418）、甘肃省青年科学基金（23JRRA1695）、兰州交通大学青年科学基金（2023009）、甘肃省科技重大专项（22ZD6GA041）项目资助