信息融合 | 基于 MAE 及改进 CRN 的跨时间域辐射源个体识别
信息融合 | 基于 MAE 及改进 CRN 的跨时间域辐射源个体识别
摘 要:针对跨时间域场景下现有辐射源识别方法存在的模型泛化能力弱、信号识别准确率低等问题,提出了一种基于掩码自编码器(Masked Autoencoder, MAE)及改进压缩残差网络(Compression Residual Network, CRN)的辐射源识别方法,通过两阶段优化框架以提升辐射源识别效果:第一阶段,采用具有视觉Transformer(Vision Transformer, VIT)架构的MAE,对无标签数据进行随机掩码预训练,从谱图的局部信息中推断信号的全局特征,并利用注意力机制实现两者有效关联,增强模型的泛化能力;第二阶段,将预训练的VIT编码器与CRN结合作为主干网络,使用有标签数据对模型进行微调,捕获信号更为关键的细微特征,学习数据更具结构化的潜在表示,提升模型整体表征能力及识别性能。实验结果表明,在4个不同时间批次下,所提方法相较于VIT等基线方法对6类电台辐射源信号识别率提升3.81%至16.18%。