Few-Shot Radar Signal Recognition through Self-Supervised Learning and Radio Frequency Domain Adaptation

📄 arXiv: 2501.03461v3 📥 PDF

作者: Zi Huang, Simon Denman, Akila Pemasiri, Clinton Fookes, Terrence Martin

分类: cs.LG, cs.AI, eess.SP

发布日期: 2025-01-07 (更新: 2025-07-15)

备注: 6 pages, 15 figures

💡 一句话要点

提出基于自监督学习和射频域自适应的少样本雷达信号识别方法

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 雷达信号识别 自监督学习 少样本学习 域自适应 掩码自动编码器

📋 核心要点

  1. 现有深度学习方法在雷达信号识别中依赖大量标注数据，但在电子战等场景下，标注数据稀缺，性能显著下降。
  2. 该论文提出一种基于自监督学习和射频域自适应的方法，通过掩码信号建模和域迁移，提升少样本雷达信号识别的性能。
  3. 实验结果表明，该方法在少样本情况下，相比基线模型，分类精度显著提升，为少样本雷达信号识别提供新基准。

📝 摘要（中文）

雷达信号识别(RSR)在电子战(EW)中起着关键作用，准确分类雷达信号对于决策至关重要。深度学习的最新进展表明，其在具有大量标注数据的领域中改进RSR具有显著潜力。然而，这些方法在标注射频(RF)数据稀缺或难以获得的EW场景中表现不佳。为了应对这些挑战，我们引入了一种自监督学习(SSL)方法，该方法利用掩码信号建模和RF域自适应来执行少样本RSR，并提高在RF样本和标注有限的环境中的性能。我们提出了一种两步方法，首先在来自不同RF域的基带同相和正交(I/Q)信号上预训练掩码自动编码器(MAE)，然后将学习到的表示转移到雷达域，其中标注数据稀缺。实验结果表明，与未使用SSL的基线相比，我们轻量级的自监督ResNet1D模型通过域自适应，在域内信号（即雷达信号）上预训练时，1-shot分类精度提高了17.5%，在域外信号（即通信信号）上预训练时，提高了16.31%。我们还展示了几个MAE设计和预训练策略的参考结果，为少样本雷达信号分类建立了一个新的基准。

🔬 方法详解

问题定义：论文旨在解决雷达信号识别中，标注数据稀缺情况下的模型性能问题。现有深度学习方法依赖大量标注数据，在电子战等实际应用场景中，难以满足需求，导致模型性能大幅下降。因此，如何在少量标注数据下，有效提升雷达信号识别的准确率是本研究的核心问题。

核心思路：论文的核心思路是利用自监督学习(SSL)从大量无标注数据中学习信号的通用表示，然后通过域自适应将这些表示迁移到目标雷达信号域，从而在少量标注数据下提升模型性能。这种方法避免了对大量标注数据的依赖，同时利用了不同射频域信号之间的共性。

技术框架：该方法采用两阶段训练框架。第一阶段，使用掩码自动编码器(MAE)在大量无标注的射频信号（包括雷达信号和通信信号）上进行自监督预训练，学习信号的通用表示。第二阶段，将预训练的MAE模型迁移到目标雷达信号域，并使用少量标注数据进行微调，完成雷达信号识别任务。

关键创新：该论文的关键创新在于将自监督学习和射频域自适应相结合，用于解决少样本雷达信号识别问题。通过掩码信号建模，模型能够学习到信号的内在结构和特征，从而在少量标注数据下也能取得较好的性能。同时，域自适应技术能够将从其他射频域学习到的知识迁移到雷达信号域，进一步提升模型泛化能力。

关键设计：论文采用了ResNet1D作为基础网络结构，并使用掩码自动编码器(MAE)进行自监督预训练。MAE通过随机掩盖部分输入信号，并要求模型重建原始信号，从而学习信号的表示。预训练阶段，使用了多种射频信号数据，包括雷达信号和通信信号。微调阶段，使用少量标注的雷达信号数据，并采用交叉熵损失函数进行优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在1-shot雷达信号分类任务中，相比于没有使用自监督学习的基线模型，在域内数据预训练的情况下，分类精度提升了17.5%，在域外数据预训练的情况下，分类精度提升了16.31%。这些结果表明，该方法在少样本雷达信号识别方面具有显著优势，并为该领域的研究提供了一个新的基准。

🎯 应用场景

该研究成果可广泛应用于电子战、频谱管理、雷达对抗等领域。在电子战中，可以快速识别敌方雷达信号，为决策提供支持。在频谱管理中，可以自动识别和分类各种射频信号，提高频谱利用率。此外，该方法还可应用于无线通信、物联网等领域，提升信号识别的准确性和效率。

📄 摘要（原文）

Radar signal recognition (RSR) plays a pivotal role in electronic warfare (EW), as accurately classifying radar signals is critical for informing decision-making. Recent advances in deep learning have shown significant potential in improving RSR in domains with ample annotated data. However, these methods fall short in EW scenarios where annotated radio frequency (RF) data are scarce or impractical to obtain. To address these challenges, we introduce a self-supervised learning (SSL) method which utilises masked signal modelling and RF domain adaption to perform few-shot RSR and enhance performance in environments with limited RF samples and annotations. We propose a two-step approach, first pre-training masked autoencoders (MAE) on baseband in-phase and quadrature (I/Q) signals from diverse RF domains, and then transferring the learned representations to the radar domain, where annotated data are scarce. Empirical results show that our lightweight self-supervised ResNet1D model with domain adaptation achieves up to a 17.5% improvement in 1-shot classification accuracy when pre-trained on in-domain signals (i.e., radar signals) and up to a 16.31% improvement when pre-trained on out-of-domain signals (i.e., comm signals), compared to its baseline without using SSL. We also present reference results for several MAE designs and pre-training strategies, establishing a new benchmark for few-shot radar signal classification.