摘要：针对辐射源个体识别模型在低信噪比下测试数据和训练数据分布差异明显，以及标记样本数量不足时性能明显下降的问题，提出一种基于深度子域适应网络的辐射源个体识别方法。该方法采用深度残差网络进行特征提取，并结合迁移学习，优化局部最大平均差异和分类损失函数。实验结果表明，该方法能够有效提升模型在不同信噪比下的识别性能，并且在小样本下也有较高的识别率，增强了模型的泛化能力。
文章目录
1 问题描述
2 系统模型
3 面向辐射源个体识别的深度子域适应方法
3.1 基于差分等势星座图的信号变换
3.2 深度子域适应网络设计
3.2.1 特征提取器
3.2.2 局部最大平均差异
3.2.3 损失函数
4 实验设置
4.1 数据集
4.2 实验平台与参数设置
5 实验分析
5.1 不同信噪比下的目标域辐射源识别率
5.2 源域样本数对目标域识别率的影响
5.3 目标域样本数对辐射源识别率的影响
6 结论
