一种基于元学习的雷达信号小样本调制识别方法及系统

1.一种基于元学习的雷达信号小样本调制识别方法，其特征在于，包括：采集目标对象的多极化雷达回波信号，对所述多极化雷达回波信号进行信号预处理，生成多极化特征序列和调制特征集合；对所述多极化特征序列对应的信号通道进行通道质量分析，根据分析结果执行多通道融合，形成通道融合特征，并对所述通道融合特征进行空域干扰抑制处理，生成目标增强极化特征；将所述目标增强极化特征与所述调制特征集合进行多模态特征对齐处理，通过对所述目标增强极化特征与所述调制特征集合的联合映射和相似性度量，生成多模态特征表示，并基于中心余弦损失函数对所述多模态特征表示的类内分布进行约束，以减小类内特征差异；基于元学习框架对所述多模态特征表示进行优化训练，通过构建分层优化架构，在不同层级中对所述多模态特征表示进行参数学习与元参数调整，并采用归一化损失机制对训练过程进行规范化，以实现小样本条件下雷达信号调制识别规则的适配与泛化。 2.根据权利要求1所述的方法，其特征在于，所述基于元学习框架对所述多模态特征表示进行优化训练，通过构建分层优化架构，在不同层级中对所述多模态特征表示进行参数学习与元参数调整，并采用归一化损失机制对训练过程进行规范化，以实现小样本条件下雷达信号调制识别规则的适配与泛化，包括：基于元学习框架，将所述多模态特征表示划分为支持集和查询集，并构建包含基础学习层和元学习层的分层优化架构，所述基础学习层用于对所述多模态特征表示进行局部参数学习，所述元学习层用于对全局元参数进行调整；在所述基础学习层中，使用所述支持集的所述多模态特征表示进行前向传播计算，获得初步识别结果，并计算得到初步损失值；在所述元学习层中，使用所述查询集的所述多模态特征表示对所述初步识别结果进行验证，计算元损失值；采用归一化损失机制，分别对所述初步损失值和元损失值进行缩放和平滑处理，获得规范化损失；基于所述规范化损失，通过反向传播算法交替优化所述基础学习层的局部参数和所述元学习层的全局元参数；通过多次重复执行参数优化过程，使所述多模态特征表示逐步适应小样本条件，以实现小样本条件下雷达信号调制识别规则的适配与泛化。 3.根据权利要求2所述的方法，其特征在于，所述基于所述规范化损失，通过反向传播算法交替优化所述基础学习层的局部参数和所述元学习层的全局元参数，包括：基于所述规范化损失计算所述基础学习层的局部参数梯度，并采用梯度下降算法更新所述基础学习层的局部参数；基于更新后基础学习层的局部参数，重新计算所述规范化损失；基于重新计算的规范化损失计算所述元学习层的全局元参数梯度，并采用梯度下降算法更新所述元学习层的全局元参数；重复执行所述局部参数与全局元参数的交替更新过程，使所述规范化损失逐步减小，直至达到预设的收敛条件或最大迭代次数。 4.根据权利要求1所述的方法，其特征在于，所述将所述目标增强极化特征与所述调制特征集合进行多模态特征对齐处理，通过对所述目标增强极化特征与所述调制特征集合的联合映射和相似性度量，生成多模态特征表示，包括：将所述目标增强极化特征和所述调制特征集合输入到映射网络中，通过非线性变换将两类特征映射到同一特征空间，获得联合特征映射；计算所述联合特征映射中所述目标增强极化特征与所述调制特征集合中各特征向量之间的余弦相似度，建立特征关联矩阵；基于所述特征关联矩阵，对所述目标增强极化特征和所述调制特征集合中的特征进行类别划分，将所述余弦相似度高于设定阈值的特征划分到同一类别；根据类别划分结果，计算每个类别内所有特征向量的均值，作为对应类别的特征中心点；将所述联合特征映射中的特征向量、特征向量的所属类别与所属类别对应的特征中心点进行组合，生成多模态特征表示。 5.根据权利要求1所述的方法，其特征在于，所述基于中心余弦损失函数对所述多模态特征表示的类内分布进行约束，以减小类内特征差异，包括：使用中心余弦损失函数计算所述多模态特征表示中每个特征向量与其所属类别特征中心点的余弦距离，得到类内分布约束损失；通过反向传播算法优化所述类内分布约束损失，调整映射网络的参数，使同类特征向量在特征空间中向对应的特征中心点聚集，以减小类内特征差异；经过迭代优化后，输出减小类内差异后的多模态特征表示。 6.根据权利要求1所述的方法，其特征在于，所述对所述多极化特征序列对应的信号通道进行通道质量分析，根据分析结果执行多通道融合，形成通道融合特征，并对所述通道融合特征进行空域干扰抑制处理，生成目标增强极化特征，包括：对所述多极化特征序列中不同极化方向对应的信号通道进行质量分析，计算每个信号通道的信噪比和信号稳定性指标；基于所述信噪比和信号稳定性指标，采用加权平均法确定每个信号通道的通道质量权重，所述信噪比越高、信号稳定性指标越好的信号通道对应的通道质量权重越高；根据所述通道质量权重，采用特征级融合方法对所述多极化特征序列中不同极化方向的特征序列进行加权融合，使高质量通道的特征在融合结果中占据更大比重，以形成通道融合特征；对所述通道融合特征进行空域分布分析，识别由外部干扰引起的异常特征成分，并采用滤波处理方法移除所述异常特征成分；对移除异常特征成分后的通道融合特征进行增强处理，生成目标增强极化特征。 7.根据权利要求1所述的方法，其特征在于，所述采集目标对象的多极化雷达回波信号，对所述多极化雷达回波信号进行信号预处理，生成多极化特征序列和调制特征集合，包括：通过雷达接收设备采集目标对象在多个极化方向上的多极化雷达回波信号，对所述多极化雷达回波信号进行分段处理，获得多个信号段；计算每个信号段的能量值，基于预设能量阈值筛选出所述能量值符合条件的对应信号段，并对筛选后的信号段进行频谱分析，提取每个信号段的峰值频率特征和带宽特征；将同一极化方向上所述信号段的峰值频率特征和带宽特征按时间顺序排列，形成对应极化方向的特征序列，整合所有极化方向的特征序列，以生成完整的多极化特征序列；从每个信号段中提取相位变化信息和频率变化信息，计算相位变化量和频率变化量；基于所有信号段的所述相位变化量和频率变化量，构建调制特征集合。 8.一种基于元学习的雷达信号小样本调制识别系统，其特征在于，包括：采集模块，用于采集目标对象的多极化雷达回波信号，对所述多极化雷达回波信号进行信号预处理，生成多极化特征序列和调制特征集合；第一生成模块，用于对所述多极化特征序列对应的信号通道进行通道质量分析，根据分析结果执行多通道融合，形成通道融合特征，并对所述通道融合特征进行空域干扰抑制处理，生成目标增强极化特征；第二生成模块，用于将所述目标增强极化特征与所述调制特征集合进行多模态特征对齐处理，通过对所述目标增强极化特征与所述调制特征集合的联合映射和相似性度量，生成多模态特征表示，并基于中心余弦损失函数对所述多模态特征表示的类内分布进行约束，以减小类内特征差异；优化模块，用于基于元学习框架对所述多模态特征表示进行优化训练，通过构建分层优化架构，在不同层级中对所述多模态特征表示进行参数学习与元参数调整，并采用归一化损失机制对训练过程进行规范化，以实现小样本条件下雷达信号调制识别规则的适配与泛化。 9.一种电子设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于元学习的雷达信号小样本调制识别方法的步骤。 10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时能够实现如权利要求1至7中任一项所述的基于元学习的雷达信号小样本调制识别方法。