一种基于生成对抗网络的小样本辐射源个体开集识别方法

1.一种基于生成对抗网络的小样本辐射源个体开集识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于生成对抗网络的小样本辐射源个体开集识别方法，其特征在于，所述将时序数据转换为时频图具体实现为：利用短时傅里叶变换将时序数据转换为时频图；所述短时傅里叶变换采用汉宁窗。

3.根据权利要求2所述的基于生成对抗网络的小样本辐射源个体开集识别方法，其特征在于，所述生成对抗网络具体实现过程如下：

4.根据权利要求3所述的基于生成对抗网络的小样本辐射源个体开集识别方法，其特征在于，所述生成对抗网络训练损失包括四部分：时频图像重构前后的像素级损失、时频图像重构前后通过vgg19预训练模型所提取特征的特征级损失、鉴别器判定重构图像是否为真的监督对抗损失和鉴别器判断样本分类结果的交叉熵分类损失。

5.根据权利要求4所述的基于生成对抗网络的小样本辐射源个体开集识别方法，其特征在于，所述步骤3具体实现过程如下：

6.根据权利要求5所述的基于生成对抗网络的小样本辐射源个体开集识别方法，其特征在于，所述步骤3中还包括：未知样本扩充结束后，对样本进行清洗，即将生成的未知样本输入到生成对抗网络中，得到重构后的样本，分别将原未知样本和重构后的样本输入到鉴别器中，得到鉴别器的输出差值作为重构损失，再去重构损失不匹配的样本。

7.根据权利要求6所述的基于生成对抗网络的小样本辐射源个体开集识别方法，其特征在于，在所述步骤5中，将已知样本归为前n类样本，未知类归为第n+1类样本，将开集识别问题转为伪闭集问题，将扩充后的时频图数据集输入到基于最大损失的自注意力resnet18网络中进行训练，训练的损失包括两部分：交叉熵分类损失和最大损失，分别实现标签样本匹配和类内特征聚类、不同类特征疏远的作用；