本发明涉及电磁波与信号识别，特别是一种系统性的辐射源小样本增量识别方法及系统。
背景技术：
1、随着物联网的不断发展和进步，物联网的安全保障问题变得越来越棘手。其中，数据隐私泄露、设备攻击和系统安全漏洞等威胁可能对物联网系统的稳定性和用户的个人信息安全构成威胁。然而，辐射源个体中常含有用户的个人隐私和信息，在物联网中具有重要地位。通过辐射源识别技术来建立预警系统，实时检测和识别异常辐射源，从而在事态发展之前提供预警与应对。
2、特定辐射源识别技术能够不过分依赖内涵信息，在信息加密、信道环境失衡等情况下，发现和识别所关注的目标信号，并将其与辐射源目标及其载体平台和用户身份关联起来，因此具有重要的实用价值。在物联网的大多数场景中，接收机除了接收到已识别信号外，更多则是会陆续接收未知类辐射源发射的信号，且因为通信干扰等手段，接收到信号的数量并不会很充足。与此同时，目前越来越多的物联网安全保密任务要求在保证已知类辐射源识别性能的前提下，还要不断识别增类类辐射源，这本质上其实是辐射源小样本增量识别的问题。在辐射源小样本增量识别中面临着诸多挑战，首先，在学习新任务时可能会扰乱旧任务数据的特征分布，从而导致灾难性遗忘。此外，使用小样本进行训练会加剧模型对新任务的偏差，从而导致过拟合的发生。
3、然而，在实际场景中，除了灾难性遗忘和过拟合，仍有下列几个问题亟需解决：首先，当新类不断嵌入到旧类的特征空间时，所有类的特征分布会面临崩溃的风险；其次，在许多特定场景下，学习新类时旧类是不允许被访问的，这对保持旧任务性能带来很大的挑战；最后，辐射源信号在传播途中时常会受到复杂电磁环境的严重影响，原始信号难以为模型提供具有可分性的数据表示。
技术实现思路
1、本发明的目的在于针对复杂电磁环境下增类辐射源不断涌现，且增类辐射源样本数量并不充足的问题，提供一种系统性的辐射源小样本增量识别方法及系统，从而在不依赖已识别辐射源训练样本的前提下，增量识别增类辐射源的方法。
2、实现本发明目的的技术解决方案为：一种系统性的辐射源小样本增量识别方法，具体如下：
3、在数据处理模块中，执行步骤1～步骤2：
4、步骤1、对所有接收到的信号样本进行基于自适应小波分解的预处理；
5、步骤2、在步骤1的基础上，对小样本进行基于滑窗切片的样本增强，丰富小样本的特征信息；
6、在动态子网模块中，执行步骤3～步骤5：
7、步骤3、根据同一识别模型对不同分布域数据输出差异的现象，提出识别模型边界紊乱的概念；
8、步骤4、设计基于动态子网的增量识别算法：
9、首先，为当前增量会话中的识别模型寻找出最优子网，使得最优子网在旧任务上的性能与原识别模型相同；
10、接着，冻结最优子网参数，在识别模型中除了最优子网的剩余部分训练新任务；
11、最后，当识别模型不足以支撑新任务的学习时，动态扩充识别模型的网络节点，并学习每个扩充网络节点的重要性，剪枝冗余网络节点，实现网络节点的扩充再压缩，从而保证识别模型的学习能力随着新任务的增加而不断提高；
12、步骤5、在测试阶段，基于步骤3所提边界紊乱的概念设计识别范式，并对辐射源小样本增量中出现过的所有类进行识别。
13、一种系统性的辐射源小样本增量识别系统，该系统用于实现所述的系统性的辐射源小样本增量识别方法，所述辐射源小样本增量识别系统包括数据处理模块和动态子网模块，其中：
14、所述数据处理模块用于实现以下功能：
15、第一、对所有接收到的信号样本进行基于自适应小波分解的预处理；
16、第二、对小样本进行基于滑窗切片的样本增强，丰富小样本的特征信息；
17、在动态子网模块中用于实现以下功能：
18、第一、根据同一识别模型对不同分布域数据输出差异的现象，提出识别模型边界紊乱的概念；
19、第二、设计基于动态子网的增量识别算法：首先，为当前增量会话中的识别模型寻找出最优子网，使得最优子网在旧任务上的性能与原识别模型相同；接着，冻结最优子网参数，在识别模型中除了最优子网的剩余部分训练新任务；最后，当识别模型不足以支撑新任务的学习时，动态扩充识别模型的网络节点，并学习每个扩充网络节点的重要性，剪枝冗余网络节点，实现网络节点的扩充再压缩，从而保证识别模型的学习能力随着新任务的增加而不断提高；
20、第三、在测试阶段，基于边界紊乱的概念设计识别范式，并对辐射源小样本增量中出现过的所有类进行识别。
21、一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的系统性的辐射源小样本增量识别方法。
22、一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的系统性的辐射源小样本增量识别方法中的步骤。
23、本发明与现有技术相比，其显著优点为：
24、(1)在数据处理模块中，分别设计了自适应小波分解和滑窗切片的数据处理方法，最大程度缓解了复杂电磁环境给辐射源小样本增量识别带来的不便以及小样本带来的过拟合问题；
25、(2)在动态子网模块中，设计了一系列网络模型寻找最优子网、网络节点扩充和压缩的规则，在保留旧类知识的同时，优化了网络模型架构；
26、(3)提高了辐射源小样本增量识别性能，并在与最先进的工作进行对比时取得了更优异的表现。
1.一种系统性的辐射源小样本增量识别方法，其特征在于，具体如下：
2.根据权利要求1所述的系统性的辐射源小样本增量识别方法，其特征在于，步骤1中，对所有接收到的信号样本进行基于自适应小波分解的预处理，具体如下：
3.根据权利要求2所述的系统性的辐射源小样本增量识别方法，其特征在于，步骤2中，对小样本进行基于滑窗切片的样本增强，具体如下：
4.根据权利要求3所述的系统性的辐射源小样本增量识别方法，其特征在于，所述步骤3具体如下：
5.根据权利要求4所述的系统性的辐射源小样本增量识别方法，其特征在于，步骤4中，为当前增量会话中的识别模型寻找出最优子网，具体如下：
6.根据权利要求5所述的系统性的辐射源小样本增量识别方法，其特征在于，步骤4中网络节点的扩充再压缩，具体过程如下：
7.根据权利要求6所述的系统性的辐射源小样本增量识别方法，其特征在于，所述步骤5具体如下：
8.一种系统性的辐射源小样本增量识别系统，其特征在于，该系统用于实现如权利要求1～7中任一项所述的系统性的辐射源小样本增量识别方法，所述辐射源小样本增量识别系统包括数据处理模块和动态子网模块，其中：
9.一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的系统性的辐射源小样本增量识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的系统性的辐射源小样本增量识别方法中的步骤。
