一种基于标准射频标定信号的无人机识别模型迁移方法与流程
本发明涉及无线电侦察与反无人机领域,尤其涉及一种基于标准射频标定信号的无人机识别模型迁移方法。
背景技术:
1、在无线电侦察与反无人机领域,基于深度学习的无人机射频信号型号识别技术已成为主流。其基础技术链路为:侦察设备通过天线接收无人机的图传或测控射频信号,经由射频前端的下变频与模数转换处理,输出基带离散iq数据(复数序列,包含同相分量i和正交分量q)。将该iq数据输入至预先训练好的深度学习模型(如基于一维卷积或二维时频图卷积的改进型网络模型)中,提取信号的高维特征,进而输出无人机的具体型号分类结果。
2、然而,在实际的跨设备部署作业中,上述基础链路面临固有的硬件差异性缺陷。不同型号的侦察设备,其射频前端硬件链路(包含低噪声放大器、混频本振、带通滤波器等)不可避免地存在本振频偏、i/q正交不平衡、非线性失真及滤波器幅相响应差异等物理畸变。这些硬件物理畸变会直接叠加在基带iq数据上,导致在源侦察设备上训练达到高精度的识别模型,直接迁移至目标侦察设备时,因输入数据分布发生偏移,出现识别准确率骤降或虚警率大幅上升的问题。针对该跨设备硬件畸变导致的模型失效问题,行业内衍生出了相应的模型迁移与自适应对齐技术。
3、在信号处理机理、数据集构建结构、计算资源分配以及作业实施流程上存在以下固有缺陷:
4、在信号处理机理层面,缺乏物理基准导致特征解耦失败,模型抗干扰鲁棒性差。源侦察设备与目标侦察设备采集同一无人机时iq数据的差异,纯粹是由两台设备射频前端硬件的物理差异引起的畸变。现有技术将目标设备在外场采集的、夹杂着真实环境噪声的无人机信号直接输入网络,试图用纯数据驱动的数学算法去抹平特征分布。由于缺乏纯净的物理基准信号作为参照,算法无法在数学空间中区分“硬件物理畸变特征”与“真实电磁环境噪声特征”,极易将目标设备特有的环境底噪错误地学习为无人机的固有特征,导致迁移后的模型在复杂电磁环境下虚警率极高。
5、在数据集构建结构层面,强依赖真实目标样本,存在不可逾越的数据获取壁垒。现有技术的域对抗训练强依赖目标设备必须在外场实际接收到与源设备类型对齐的真实无人机信号,这在现实工程中存在无法解决的结构性缺陷。一方面,部分特定型号无人机在目标设备部署区域极少出现,源设备在研发期采集到了,但目标设备换装时根本无法飞出同类数据;另一方面,无人机型号分布具有极强的地域属性,不同地域常见机型不同,目标设备若跨区部署,其外场能采集的数据类型集必然与源设备历史库存在严重错位,导致域对抗网络因缺乏对应型号的目标域样本而无法完成对齐训练。
6、在计算资源分配层面,网络架构过于庞大,阻碍了高精度模型向低算力边缘端的下沉。 现有的域对抗方案必须在原有的识别主干网络上,临时并联接入一个结构庞大的“域判别器”网络,并通过梯度反转层进行双网络对抗博弈。这种计算拓扑需要消耗极大的算力资源和数小时的迭代时间。虽然高性能服务器能够满足这一算力需求,但正是由于这种庞大的算力消耗,导致原本可以在高性能平台上训练出的高精度无人机识别模型,无法顺畅地迁移部署到前线大量存在的低算力边缘端侦察设备(如手持式测向机、无人机载吊舱)中,极大限制了高精度模型的适用硬件范围。
7、在作业实施流程层面,缺乏标准化闭环,存在极高的人力门槛与战力真空期。现有技术将“跨设备迁移”变成了一个极其繁重的人工干预工程。域对抗训练涉及源域与目标域数据比例的动态调整、梯度反转层超参数的反复试凑,这一流程必须依赖具备深厚理论基础的高级算法工程师现场介入,技术门槛极高,限制了目标设备的独立换装。同时,当目标设备需要更新模型时,必须经历“停机等待外场数据采集、人工回传数据、后台专家进行数小时离线微调、再将模型固件下发更新”的漫长链路,导致目标设备无法马上投入实战使用,产生了高昂的时间与人力沉没成本。
技术实现思路
1、鉴于上述问题,提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种基于标准射频标定信号的无人机识别模型迁移方法。
2、根据本发明的一个方面,提供了一种基于标准射频标定信号的无人机识别模型迁移方法,所述迁移方法包括:
3、整体流程包括:离线基准构建阶段和在线迁移微调阶段;
4、所述离线基准构建阶段具体包括:
5、步骤s1.1:标准信号发射与源域基准特征固化;
6、所述在线迁移微调阶段具体包括:
7、步骤s2.1:目标域标定信号采集;
8、步骤s2.2:目标域初始特征提取;
9、步骤s2.3:构建硬件畸变残差损失;
10、步骤s2.4:基于残差损失的定向微调拓扑,在目标侦察设备上构建微调阶段的计算图拓扑,执行网络分层更新策略;
11、步骤s2.5:模型固化与部署。
12、可选的,所述步骤s1.1:标准信号发射与源域基准特征固化具体包括:
13、将标准射频标定装置放置于源侦察设备的天线口;
14、控制标定装置发射预设的无人机典型射频信号;
15、源侦察设备通过其射频前端采集该信号,经过下变频处理后输出基带iq数据流;
16、对基带iq数据流进行截断处理,获取固定长度的iq数据片段集合,生成源域校准iq数据集ds;
17、将源域校准iq数据集ds输入至预先训练好的初始识别模型中,通过所述初始识别模型的特征提取主干网络,输出对应的源域校准特征集fs;
18、将源域校准iq数据集ds和源域校准特征集fs打包作为硬件特征基准文件,预存在源侦察设备的存储介质中。
19、可选的,所述步骤s2.1:目标域标定信号采集具体包括:
20、当需要将初始识别模型迁移部署至目标侦察设备时,在目标侦察设备的天线口附近部署同一台标准射频标定装置,发射与步骤s1.1中参数完全相同的典型射频信号;
21、目标侦察设备通过其自身的射频前端采集该信号,经过下变频处理后,按照与步骤s1.1完全相同的截断规则,生成目标域校准iq数据集dt。
22、可选的,所述步骤s2.2:目标域初始特征提取具体包括:
23、在目标侦察设备的计算平台上,加载与源设备结构完全相同的初始识别模型;
24、将目标域校准iq数据集输入至该模型中,仅使信号单向正向传播通过特征提取主干网络,在不进行任何反向传播计算的前提下,提取得到目标域校准特征集ft。
25、可选的,所述步骤s2.3:构建硬件畸变残差损失具体包括:
26、在目标侦察设备的计算平台上,读取预存的源域校准特征集;
27、由于输入源域校准特征集与目标域校准特征集的源头均是已知的标准信号,两者在高维特征空间中存在的统计学差异,在物理机理上等价于源侦察设备与目标侦察设备之间的射频前端硬件物理畸变差异。
28、可选的,所述两者在高维特征空间中存在的统计学差异的计算方法包括:
29、步骤s2.3.1:进行特征压缩,分别对fs和ft在特征通道维度上进行全局平均池化计算,将三维特征图压缩为一维的全局均值向量μs和μt;
30、步骤s2.3.2:进行距离度量,调用余弦相似度计算模块,计算μs和μt之间的余弦距离,将余弦距离数值定义为硬件畸变残差损失lcalib。
31、可选的,所述步骤s2.4:基于残差损失的定向微调拓扑,在目标侦察设备上构建微调阶段的计算图拓扑,执行网络分层更新策略具体包括:
32、步骤2.4.1,底层冻结截断:在计算图的反向传播路径中,插入梯度停止算子,绝对冻结初始识别模型中特征提取主干网络的前n层的网络权重参数,强制将梯度置零,n为正整数,为提取基础时频纹理特征的底层卷积层;
33、步骤2.4.2,顶层定向更新:构建总损失函数ltotal=lcalib;仅对特征提取主干网络的最后几层以及顶层的分类网络开启反向传播更新;通过优化器最小化lcalib,强迫目标域特征分布的均值向量μt在数学空间中向源域基准特征分布的均值向量μs靠拢对齐。
34、可选的,所述步骤s2.5:模型固化与部署具体包括:
35、监控总损失函数ltotal的数值变化,当其下降并收敛至预设的阈值范围内时,中断微调计算图;
36、提取当前计算图中包含更新后权重参数的网络层状态,进行序列化保存,生成适配于目标侦察设备的目标识别模型文件;
37、销毁临时计算图,将所述目标识别模型文件加载至目标侦察设备的推理引擎中,接管后续的实时无人机型号识别任务。
38、本发明提供的一种基于标准射频标定信号的无人机识别模型迁移方法,所述迁移方法包括:整体流程包括:离线基准构建阶段和在线迁移微调阶段;所述离线基准构建阶段具体包括:步骤s1.1:标准信号发射与源域基准特征固化;所述在线迁移微调阶段具体包括:步骤s2.1:目标域标定信号采集;步骤s2.2:目标域初始特征提取;步骤s2.3:构建硬件畸变残差损失;步骤s2.4:基于残差损失的定向微调拓扑,在目标侦察设备上构建微调阶段的计算图拓扑,执行网络分层更新策略;步骤s2.5:模型固化与部署。通过引入标准射频标定装置作为物理基准源,结合特定结构的神经网络分层微调拓扑,实现模型的跨设备迁移。
39、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com