[发明专利]基于小样本机器学习模型的ads-b信号目标识别方法

说明书

本发明公开了一种基于小样本机器学习模型的ads‑b信号目标识别方法，首先采集不同目标的ads‑b信号作为训练样本，并对数据进行预处理，构建训练集、验证集和测试集；其次，构建基于卷积神经网络和度量学习的小样本机器学习模型；然后，用训练集对小样本机器学习模型进行训练，并在训练过程中用验证集对模型进行验证，当验证训练达到设定准确率后，固化模型；最后，测试模型，输入实时的ads‑b信号，输出相应的分类标签，最终得到目标所属的类别。采用本发明提供的方法克服了传统机器学习方法需要大量标记样本训练模型的缺点，实现成本低，具有很高的实时性和高效性，可节约大量人力物力。

技术领域

本发明涉及ads-b信号处理技术领域，具体涉及一种基于小样本机器学习模型的ads-b信号目标识别方法。

背景技术

ads-b(ADS-B系统是广播式自动相关监视系统的简称)是一种应用于空中交通监管的技术手段，具有监视精度高、信息更新率快、地面设备建设和维护成本低等优点，可用于在无雷达覆盖区域提供ATC监视，机场场面监视以及未来空-空监视等应用服务，因此，ads-b信号的信号处理技术是空中管制系统的一个重要研究方向。

随着技术的发展、计算能力的不断提高，基于人工智能的分类识别方法在图像、语音等诸多方面取得了极大进展，为全球经济增长做出巨大贡献。作为一类具有庞大参数量的复杂机器学习算法，学习效果需要大量的标注数据支撑，但是越来越多的场景不能够提供充足的样本进行学习，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于每个电磁环境辐射源而言，人们很难获取充足的已知类别的辐射源观测样本数据，因此，小样本情况下的机器学习识别算法研究显得尤为重要。

发明内容

本发明所要解决的技术问题是：传统机器学习分类识别算法在无法提供充足的样本进行学习条件下使用受限，本发明提供了解决上述问题的一种基于小样本机器学习模型的ads-b信号目标识别方法，该方法可有效避免工程应用中数据样本难以采集，标注工作量大等困难，具有高效性和实用性，尤其适用于受环境限制不能够提供充足的样本进行学习的场景。

本发明通过下述技术方案实现：

一种基于小样本机器学习模型的ads-b信号目标识别方法，包括以下步骤：

S1、采集不同机型飞机的ads-b信号，建立样本库；对不同信号进行编号后建立样本库；S2、对步骤S1获得的数据进行预处理后，构建小样本训练集、验证集和测试集；

S3、构建基于卷积神经网络和度量学习的小样本机器学习模型；

S4、用步骤S2构建的训练集对机器学习模型进行训练；

S5、用步骤S2构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型；

S6、测试模型，向固化模型输入ads-b信号，输出相应的分类标签，最终获得目标飞机所属的类别。

相对于传统机器学习方法需要大量标记样本训练模型，本发明只需对少量样本进行标记，利于实现成本低，具有很高的实时性和高效性，可节约大量人力物力。

进一步地，所述步骤S1中，目标ads-b信号包括但不限于目标飞机的经度、纬度、高度和时间信息、以及飞机的识别信息和类别信息。

进一步地，所述步骤S2包括以下步骤：

S21、删除步骤S1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；

S22、取长度为L的矩形框，对步骤S21预处理后获得的样本库的每条ads-b信号进行截取，信号的长度不超过矩形框长度，并对长度不足L的信号进行填充，使每个样本保留同样长度；

S23、对步骤S23获得的样本添加标签进行标记，所述标签为设定的目标机型类别，如标签为结合专家经验人工标注的目标机型类别；