Compound Active Jamming Recognition for Zero-memory Incremental Learning
-
摘要: 非完备、高动态有源干扰对抗作战环境下,现阶段针对库内多类型单一有源干扰样本所优化训练的静态模型,在面对库外类型多样、参数多变、组合方式多元的复合干扰时,模型无法快速更新且难以应对测试样本数非均衡问题。针对此问题,该文提出一种基于零记忆增量学习的雷达复合有源干扰识别方法。首先,利用元学习训练模式对库内单一干扰进行原型学习,训练出高效的特征提取器,使其具备对库外复合干扰特征有效提取能力。进而,基于超维空间和余弦相似度计算,构建零记忆增量学习网络(ZMILN),将复合干扰原型向量映射到超维空间并存储,从而实现识别模型动态更新。此外,为解决样本数非均衡下复合干扰识别问题,设计直推式信息最大化(TIM)测试模块,通过在互信息损失函数中加入散度约束,对识别模型进一步强化训练以应对非均衡测试样本。实验结果表明,该文所提方法在非均衡测试条件下对4种单一干扰和7种复合干扰进行增量学习后,平均识别准确率达到了93.62%。该方法通过对库内多类型单一干扰知识充分提取,实现对多种组合条件下库外复合干扰的快速动态识别。Abstract:
Objective: In contemporary warfare, radar systems serve a crucial role as vital instruments for detection and tracking. Their performance is essential, often directly impacting the progression and outcome of military engagements. As these systems operate in complex and hostile environments, their susceptibility to adversarial interference becomes a significant concern. Recent advancements in active jamming techniques, particularly compound active jamming, present considerable threats to radar systems. These jamming methods are remarkably adaptable, employing a range of signal types, parameter variations, and combination techniques that complicate countermeasures. Not only do these jamming signals severely impair the radar’s ability to detect and track targets, but they also exhibit rapid adaptability in high-dynamic combat scenarios. This swift evolution of jamming techniques renders traditional radar jamming recognition models ineffective, as they struggle to address the fast-changing nature of these threats. To counter these challenges, this paper proposes a novel incremental learning method designed for recognizing compound active jamming in radar systems. This innovative approach seeks to bridge the gaps of existing methods when confronted with incomplete and dynamic jamming conditions typical of adversarial combat situations. Specifically, it tackles the challenge of swiftly updating models to identify novel out-of-database compound jamming while mitigating the performance degradation caused by imbalanced sample distributions. The primary objective is to enhance the adaptability and reliability of radar systems within complex electronic warfare environments, ensuring robust performance against increasingly sophisticated and unpredictable jamming techniques. Methods: The proposed method commences with prototypical learning within a meta-learning framework to achieve efficient feature extraction. Initially, a feature extractor is trained utilizing in-database single jamming signals. This extractor is thoroughly designed to proficiently capture the features of out-of-database compound jamming signals. Subsequently, a Zero-Memory Incremental Learning Network (ZMILN) is developed, which incorporates hyperdimensional space and cosine similarity techniques. This network facilitates the mapping and storage of prototype vectors for compound jamming signals, thereby enabling the dynamic updating of the recognition model. To address the challenges associated with imbalanced test sample distributions, a Transductive Information Maximization (TIM) testing module is introduced. This module integrates divergence constraints into the mutual information loss function, refining the recognition model to optimize its performance across imbalanced datasets. The implementation begins with a comprehensive modeling of radar active jamming signals. Linear Frequency Modulation (LFM) signals, frequently utilized in contemporary radar systems, are chosen as the foundation for the transmitted radar signals. The received signals are modeled as a blend of target echo signals, jamming signals, and noise. Various categories of radar active jamming, including suppression jamming and deceptive jamming, are classified, and their composite forms are examined. For feature extraction, a five-layer Convolutional Neural Network (CNN) is employed. This CNN is specifically designed to transform input radar jamming time-frequency image samples into a hyperdimensional feature space, generating 512-dimensional prototype vectors. These vectors are then stored within the prototype space, with each jamming category corresponding to a distinct prototype vector. To enhance classification accuracy and efficiency, a quasi-orthogonal optimization strategy is utilized to improve the spatial arrangement of these prototype vectors, thereby minimizing overlap and confusion between different categories and increasing the precision of jamming signal recognition. The ZMILN framework addresses two primary challenges in recognizing compound jamming signals: the scarcity of new-category samples and the limitations inherent in existing models when it comes to identifying novel categories. By integrating prototypical learning with hyperdimensional space techniques, the ZMILN enables generalized recognition from in-database single jamming signals to out-of-database compound jamming. To further enhance model performance in the face of imbalanced sample conditions, the TIM module maximizes information gain by partitioning the test set into supervised support and unsupervised query sets. The ZMILN model is subsequently fine-tuned using the support set, followed by unsupervised testing on the query set. During the testing phase, the model computes the cosine similarity between the test samples and the prototype vectors, ultimately yielding the final recognition results. Results and Discussions: The proposed method exhibits notable effectiveness in the recognition of radar compound active jamming signals. Experimental results indicate an average recognition accuracy of 93.62% across four single jamming signals and seven compound jamming signals under imbalanced test conditions. This performance significantly exceeds various baseline incremental learning methods, highlighting the superior capabilities of the proposed approach in the radar jamming recognition task. Additionally, t-distributed Stochastic Neighbor Embedding (t-SNE) visualization experiments present the distribution of jamming features at different stages of incremental learning, further confirming the method’s effectiveness and robustness. The experiments simulate a realistic radar jamming recognition scenario by categorizing “in-database” jamming as single types included in the base training set, and “out-of-database” jamming as novel compound types that emerge during the incremental training phase. This configuration closely resembles real-world operational conditions, where radar systems routinely encounter new and evolving jamming techniques. Quantitative performance metrics, including accuracy and performance degradation rates, are utilized to assess the model’s capacity to retain knowledge of previously learned categories while adapting to new jamming types. Accuracy is computed at each incremental learning stage to evaluate the model’s performance on both old and new categories. Furthermore, the performance degradation rate is calculated to measure the extent of knowledge retention, with lower degradation rates indicative of stronger retention of prior knowledge throughout the learning process. Conclusions: In conclusion, the proposed Zero-Memory Incremental Learning method for recognizing radar compound active jamming is highly effective in addressing the challenges posed by rapidly evolving and complex radar jamming techniques. By leveraging a comprehensive understanding of individual jamming signals, this method facilitates swift and dynamic recognition of out-of-database compound jamming across diverse and high-dynamic conditions. This approach not only enhances the radar system’s capabilities in recognizing novel compound jamming but also effectively mitigates performance degradation resulting from imbalanced sample distributions. Such advancements are essential for improving the adaptability and reliability of radar systems in complex electronic warfare environments, where the nature of jamming signals is in constant flux. Additionally, the proposed method holds significant implications for other fields facing incremental learning challenges, particularly those involving imbalanced data and rapidly emerging categories. Future research will focus on exploring open-set recognition models, further enhancing the cognitive recognition capabilities of radar systems in fully open and highly dynamic adversarial environments. This work lays the groundwork for developing more agile cognitive closed-loop recognition systems, ultimately contributing to more resilient and adaptable radar systems capable of effectively managing complex electronic warfare scenarios. -
1. 引言
在对地、对海作战场景下,类型多样、参数多变、组合方式多元的高动态复合有源干扰对制导雷达系统探测、跟踪目标破坏严重[1]。干扰准确识别作为针对性实施干扰抑制手段与交互学习[2]生成最优干扰对抗决策重要先决条件近些年引起广泛关注[3]。当前针对雷达复合有源干扰识别问题[4],以多类别[5–10]和多标签[11–15]为典型代表的深度学习识别技术为研究热点。
通过将多种不同单一类型组合的有源干扰作为样本库中新增类别,文献[5]结合残差块和非对称卷积块,提出基于功率谱特征的干扰识别网络(Jamming Recognition Network, JRNet),实现6类由单一干扰构成的加性复合干扰识别。文献[6]将干扰识别建模为目标检测问题,采用目标检测网络在时频域对干扰进行识别和定位,实现加性复合干扰快速识别与参数估计。文献[7]针对小样本识别问题,通过对干扰信号的实部、虚部、模和相位进行不同组合来实现数据扩充,设计基于加权集成卷积神经网络(Convolutional Neural Networks, CNN)和迁移学习的干扰识别方法。文献[8]提出聚合注意力可变形CNN,利用可变形卷积从全局的角度提取空间上下文信息,聚合注意力细化干扰模糊特征的表示。文献[9]基于时频自注意力和全局知识蒸馏提出新型小样本干扰识别网络,通过学习干扰信号时频谱中任意两点的相关性,提取复合干扰信号的全局深度特征。文献[10]利用分数阶傅里叶变换(FRactional Fourier Transform, FRFT)提取复合干扰信号的多分支特征,提出多特征融合的复合干扰识别网络。
多标签学习则充分利用单一干扰类型所携带的标签信息,通过赋予新增复合干扰多个标签,文献[11]将复合干扰识别任务转化为自然语言处理中的多标签分类任务,提出集成多标签学习和注意力机制的复合干扰识别网络。文献[12]结合复值网络,提出融合复值CNN的多标签复合干扰信号识别网络,可对由4个干扰分量组成的复杂复合干扰信号稳健识别。文献[13]为克服监督学习方法在识别过程中的标签局限性,提出先分离后识别的复合干扰信号识别策略,并通过单源检测算法将复合干扰信号分离为独立的单一干扰信号进行识别。文献[14]结合高效混合注意力机制构建轻量化多标签识别模型,提出基于多标签学习的复合干扰识别网络。文献[15]针对小样本下差异较大干噪比构成的复合干扰,利用盲源分离与对比学习实现复合欺骗干扰识别。
当前针对雷达复合有源干扰识别,借助深度学习模型较强的隐层特征表示与挖掘能力,小样本条件下的有源干扰监督学习分类任务已经取得较好进展,考虑到复合干扰类型多样、参数多变、组合方式多元,瞬态多变的作战环境下,针对预先构建的有源干扰样本库,所优化训练的识别模型无法快速更新以应对新增复合干扰类别,且模型微调或重新训练过程中存在的灾难性遗忘及过拟合问题[7]较为难以克服。同时多标签识别技术则对识别模型能够处理标签之间的依赖性和大规模标签空间提出了更高的要求,对样本进行标注的时效性难以保证[12]。除此之外,在非完备、高动态有源干扰对抗作战环境下,实际收集到的有源干扰测试样本不可避免存在样本非平衡难题。
针对上述挑战,基于小样本类别增量学习(Few-Shot Class-Incremental Learning, FSCIL)[16],本文提出一种零记忆增量学习的复合有源干扰识别方法。主要创新点如下:(1)通过结合单一干扰与复合干扰特征之间的内在联系,提出零记忆增量学习干扰识别框架。该框架能够有效应对新增类别样本稀缺以及现有模型对新增类别识别能力受限的问题,实现模型动态更新。(2)结合原型学习与超维空间技术,设计了零记忆增量学习网络(Zero Memory Incremental Learning Networks, ZMILN)。本网络能够充分提取库内单一干扰的知识,实现由库内单一干扰到库外复合干扰的泛化识别。(3)为进一步提升模型在非均衡复合有源干扰环境下的识别性能,设计了直推式信息最大化(Transductive Information Maximization, TIM)[17]模型。该模型能够在非均衡复合有源干扰数据集中,通过最大化信息增益来优化模型的识别性能。
2. 相关工作
2.1 雷达复合干扰信号生成
雷达的主要功能是探测、识别、跟踪和成像目标,这些功能主要依赖于对回波信号的处理和分析。本文采用现代雷达系统最常用的线性调频(Linear Frequency Modulation, LFM)信号[18]作为雷达发射信号,其时域信号表达式为
S(t)=A⋅rect(tT)exp[j2π(f0t+12kt2)] (1) 其中,A表示信号幅度;f0表示载波频率;T表示脉冲宽度;k表示调频斜率;rect表达式为
rect(tT)={0,|tT|>121,|tT|≤12 (2) 雷达系统接收端的接收信号一般为目标回波信号、干扰信号和噪声信号的组合,记为
R(t)=S(t)+J(t)+N(t) (3) 其中,S(t)表示雷达真实回波信号,J(t)表示干扰信号,N(t)表示随机噪声。
雷达有源干扰中常见的干扰样式可以分为压制性干扰和欺骗性干扰。压制性干扰主要是使雷达难以发现敌方目标,欺骗性干扰则是使雷达难以区分出真实目标。将压制性干扰和欺骗性干扰复合,可以产生“1+1>2”的干扰效果。雷达复合干扰信号是多个单一干扰信号的组合,一般的组合方式有加性、乘性和卷积3种。实际的雷达对抗场景中加性复合干扰样式最多,其实现简单且可以确保干扰信号能量集中于雷达回波时频段,当加性组合的单一干扰样式足够丰富、组合方式合理时加性复合干扰的干扰效果将更加突出[6]。在雷达技术领域,有源干扰的识别与处理一直是研究的热点。由于雷达干扰实测数据的特殊属性,国内外公开发布的数据集并不多见。这不仅限制了干扰识别算法的验证和评估,也制约了相关雷达技术的发展。本文在深入分析实测干扰数据的基础上,对多种雷达有源干扰作用机理充分认知,并对多类型干扰关键参数进行了建模分析,对应生成了基于实测数据类型多样、参数多变、组合方式多元的有源干扰仿真数据集。
本文重点研究雷达加性复合有源干扰识别,从常见的压制干扰和欺骗干扰中选取典型的4种单一雷达有源干扰样式作为基础干扰样式,具体包括频谱弥散(SMeared SPectrum, SMSP)干扰、智能噪声干扰(Smart Noise Jamming, SNJ)、密集假目标干扰(Dense False Target Jamming, DFTJ)和调制间歇采样重复转发干扰(Modulated Intermittent Sampling Repeater Jamming, MISRJ)。本文在4种单一干扰的基础上,将不同的单一干扰通过加性组合产生7种复合干扰:SNJ+SMSP, SMSP+MISRJ, DFTJ+MISRJ, SMSP+DFTJ, SNJ+DFTJ, SNJ+MISRJ, SNJ+SMSP+DFTJ。在生成复合干扰信号之后对其进行时频变换,得到时频图像进行复合有源干扰识别。本文采用短时傅里叶变换(Short-Time Fourier Transform, STFT)对上述干扰信号进行时频分析,生成时频图如图1所示。STFT的表达式为
STFT(t,f)=∫J(τ)g∗(τ−t)e−j2πfτdτ (4) 其中,J(t)表示干扰信号,g(⋅)表示窗函数,*表示共轭运算。
2.2 小样本类别增量学习
在小样本类别增量学习中,N-way K-shot是一种通用的增量任务设置模式,用于评估模型在面对新增复合干扰类别时的学习泛化能力。在复合干扰识别的FSCIL任务中,依次提供S个干扰训练集,其中每个训练集被称为一个会话。任一会话可表示为 {{D^{(s)}} = \{ ({\boldsymbol{x}}_n^{(s)},y_n^{(s)})\} _{n = 1}^{{M_s}}}{,\;\;s = 1,2, \cdots ,S} ,其中包含了一系列的输入样本{\boldsymbol{x}}_n^{(s)},每个样本都有对应的真值标签y_n^{(s)}, {M_s} 为该会话中的样本总数。将第1个训练集S称为基本会话,它包含所有的单一干扰类别,并且每一类别都有大量的标记样本。而增量会话{D^{(t)}}(t \gt 1)则在基本会话的基础上逐步添加新的复合干扰类别,而复合干扰样本以N-way K-shot的小样本模式构成,即包括 N 个复合干扰类别,每个类别有 K 个标记样本。这种设置方式旨在模拟真实世界中复合干扰类别多样且标记样本稀缺的情况。
复合干扰识别的FSCIL任务是首先基于基本会话进行基础单一干扰识别任务,以利用标记丰富的单一干扰数据集训练一个基础识别模型。这个基本模型将作为后续增量任务的起点,不断增量式动态更新模型来实现复合干扰的识别。并且在增量任务中,识别模型在一个特定于任务的测试集上进行测试,该测试集包含来自所有先前任务和当前任务的干扰样本。
FSCIL任务要求模型在不忘记之前学习过的旧类情况下,从极其少量的标记样本中逐步学习新的类。由于当前任务的样本不足,旧知识的灾难性遗忘和新知识的表达不准确问题突出。在复合干扰识别领域中,基于元学习的小样本识别方法通过在大量不同任务上进行训练,使得模型能够快速适应新任务,实现识别模型泛化能力的提升[19]。因此,考虑到雷达有源干扰识别中小样本及类别增量的问题,本文采用基于元学习的FSCIL方案。
3. 基于零记忆增量学习的复合有源干扰识别方法
在高动态变化雷达对抗环境背景下,本文基于FSCIL框架提出一种零记忆增量学习的复合有源干扰识别方法。该方法通过将元学习中的记忆增强网络(Memory-Augmented Neural Networks, MANN)[20]和超维空间[21]原型结合,构建ZMILN模型,在识别认知库内单一干扰的基础上,具备对库外复合干扰的快速识别能力,从而实现非均衡识别环境下复合有源干扰敏捷认知闭环。基于ZMILN模型的复合有源干扰识别整体流程如图2所示,主要包括基础训练阶段、增量训练阶段与非均衡测试阶段,实现步骤可总结如下:
步骤1 数据集构建:根据多个带有标签值的雷达干扰时频图数据集,构造基础训练数据集、增量训练数据集和非均衡测试集。
步骤2 基于雷达单一干扰数据集的基础识别模型训练:在基础训练阶段,充分利用基础训练数据集对构建的ZMILN模型进行元学习训练,获得一个准确的库内单一干扰识别模型。
步骤3 基于雷达复合干扰数据集的小样本增量模型训练:在增量训练阶段,利用增量训练数据集对步骤2中训练好的识别模型进行多轮增量学习,得到一个经过增量训练后的复合干扰识别模型。
步骤4 基于TIM模型的非均衡干扰识别:在非均衡测试阶段,对模型进行微调和直推式学习,得到最终优化好的ZMILN复合干扰识别模型。将待测的雷达干扰时频图像输入该模型,通过模型的推理预测,得到待测雷达干扰时频图像的识别结果。
3.1 基于雷达单一干扰数据集的基础识别模型训练
在基础训练阶段,核心目标是通过对大量库内单一干扰样本进行元学习,使ZMILN模型能够具备良好的单一干扰识别性能和泛化能力。同时,这一阶段的训练模型将作为增量训练阶段的预训练模型和本地干扰认知知识库,为后续的库外学习提供特征学习基础。如图2所示,ZMILN模型在基础训练阶段的干扰识别网络由3个核心部分组成:特征提取器、分类器和原型空间。
具体而言,在特征提取器的设计上,采用5层CNN结构,旨在将输入的雷达干扰时频图像样本映射到超维特征空间,形成一组512维的原型向量存储在原型空间中,如图3所示。在原型空间中,每个干扰类别都对应一个特定的原型向量。为确保分类的准确性和效率,本文采用拟正交的策略来优化这些原型向量的空间布局,这样能最大限度地减少类别之间的重叠和混淆,提升识别的精确度。当进行干扰识别时,存储在原型空间中的原型向量会通过与待测样本特征向量的余弦相似度进行比对,以确定与待测样本最匹配的干扰类别。基于余弦相似度计算类别分数的公式为
{l_i} = \cos (\tanh ({g_{{\theta _2}}}({f_{{\theta _1}}}({\boldsymbol{x}}))),(\tanh ({{\boldsymbol{P}}_i}))) (5) 其中, \mathrm{tanh}(\cdot) 表示双曲正切函数, \mathrm{cos}(\cdot) 表示余弦相似度,{{\boldsymbol{P}}_i}表示原型向量,{\boldsymbol{x}}表示输入样本,{\theta _1}表示特征提取器的可训练参数,{\theta _2}表示全连接层的可训练参数。
需要特别强调的是,为了有效缓解FSCIL中常见的范数偏差和灾难性遗忘问题,一方面,ZMILN模型中的余弦相似度函数采用双曲正切非线性函数,这一设计类似于在超维MANN网络中采用基于内容的注意力机制,能够显著增强模型在面临样本数量有限、类间差异小等挑战时的鲁棒性[21]。另一方面,ZMILN模型设计了参数冻结调整模式,在基础训练阶段对参数{\theta _1}和{\theta _2}进行训练调整,而在增量训练阶段和非均衡测试阶段对于特征提取器的参数{\theta _1}进行冻结,只调整全连接层的参数{\theta _2},最大限度地克服灾难性遗忘问题,在增量学习过程中对于旧类干扰保持较高的识别性能。在3个阶段采取不同的动态学习率进行网络模型的训练,其他的参数在整个识别过程中保持一致。
3.2 基于雷达复合干扰数据集的小样本增量模型训练
在基础训练阶段完成后,ZMILN模型已经具备了针对库内单一干扰的静态识别能力。为了使静态ZMILN模型进行动态更新和识别库外复合干扰,本文对ZMILN模型进行小样本增量训练。需要注意的是,由于所提增量学习干扰识别网络无需存储任何先前的样本作为样本范例来缓解灾难性遗忘问题,因此称为零记忆样本的增量学习。
在增量式训练中,随着复合干扰类别的不断增加,原型的数量也在逐步增加,导致类间的可分离性降低。为了克服这一挑战,ZMILN模型采用了两阶段的增量策略,如图4所示。在第1阶段,模型初步学习新型复合干扰的原型向量。然后,在第2阶段,重新训练全连接层分类器,确保每个干扰类别与其对应的原型向量精确对齐。通过这一策略,能够有效地提高模型对新型复合干扰的识别能力,同时保持对旧类别干扰的稳定识别性能。
另外,为了确保ZMILN模型在识别不同干扰类别时能够保持最大的类间可分性,在原型设计中加入量化噪声。具体地,ZMILN模型在训练过程中通过采用符号操作将原型量化为双极向量
{{\boldsymbol{K}}^{\boldsymbol{*}}} = {\mathrm{sign}}({\boldsymbol{P}}) (6) 其中, {{\boldsymbol{K}}^{\boldsymbol{*}}} 表示双极化原型向量,{\boldsymbol{P}}表示原型向量。
这一量化过程通过加入微小的噪声扰动,使得不同类别的原型在超维嵌入空间中能够形成更为明显的边界,从而增强模型对各类干扰的识别准确性。在整个增量训练阶段中,为了保持特征提取器对旧类别干扰的稳定识别能力,只更新全连接层的参数 {\theta _2} ,而特征提取器的参数 {\theta _1} 在该训练阶段中保持冻结。对于全连接层的训练微调,本文采用基于余弦相似度损失函数的迭代更新方法,以最大化样本和双极化原型之间的相似性。更新时的损失函数为
\begin{split} {L_{\mathrm{F}}}({\theta _2}^{(t)},{{\boldsymbol{K}}^{\boldsymbol{*}}},{\boldsymbol{A}}) =\;& - \sum\limits_{i = 1}^{\left| {{{\overline C }^{(s)}}} \right|} \cos (\tanh (k_i^*),\\ & \tanh ({g_{\theta _2^{(t)}}}({a_i}))) \end{split} (7) \theta _2^{(t + 1)} = \theta _2^{(t)} - \beta \frac{{\partial {L_{\mathrm{F}}}(\theta _2^{(t)},{{\boldsymbol{K}}^{\boldsymbol{*}}},{\boldsymbol{A}})}}{{\partial \theta _2^{(t)}}}\qquad (8) 其中,{\boldsymbol{A}}表示平均激活,\beta 表示更新速率, {{\boldsymbol{K}}^{\boldsymbol{*}}} 表示双极化原型向量, {\theta _2} 表示全连接层的参数。
在参数更新T次迭代后,采用最后一次迭代后的全连接层分类器来确定最终的原型向量{{\boldsymbol{P}}^{\boldsymbol{*}}}。经过多轮增量训练后,ZMILN模型在原型空间中存储了所有单一干扰和复合干扰的准正交双极化原型向量。此时,ZMILN已经从一个针对库内单一干扰的静态识别模型,转变为一个动态的复合干扰识别模型。这种动态更新和复合识别能力使得ZMILN模型能够更好地适应复杂多变的雷达抗干扰环境,为雷达系统的稳定运行提供了有力的技术支持。
3.3 基于TIM模型的非均衡干扰识别
ZMILN模型在增量学习后,实现了识别模型的动态更新和复合干扰的增量式动态识别。当测试样本每类干扰样本量不相同,干扰样本数非均衡分布时,一般识别模型往往会偏向于识别样本数更多的干扰类型,影响模型整体的干扰识别性能。为解决样本数非均衡下的复合干扰识别问题,并进一步提升ZMILN模型的干扰识别性能和泛化能力,本文在测试阶段提出TIM模型[22]。该模型通过将测试集划分为支持集和查询集,使ZMILN模型能够在有监督的支持集和无监督的查询集上进行微调。经过微调训练后,模型对查询集进行识别测试,通过计算测试干扰样本与原型向量的余弦相似度,得出最终的样本识别结果。当测试干扰样本输入后,基于已训练好的ZMILN模型进行直推式学习,利用测试干扰样本对全连接层的参数 {\theta _2} 进行进一步微调,从而得到分离更加完全的拟正交双极化原型,以提升ZMILN模型的整体干扰识别性能。为实现这一目标,设计了损失函数为
\left. \begin{aligned} & \mathop {\min}\limits_{{\theta _2}} {L_{{\mathrm{CE}}}} - I({{\boldsymbol{X}}_Q};{Y_Q}){\text{ }}\\ & {L_{{\mathrm{CE}}}} = - \frac{1}{{\left| S \right|}}\sum\limits_{i \in s} {\sum\limits_{k = 1}^K {{y_{ik}}\ln ({p_{ik}})} } \end{aligned}\right\} (9) 其中, {L_{{\mathrm{CE}}}} 表示标准交叉熵损失,{{\boldsymbol{X}}_Q}表示输入的测试集干扰样本,{Y_Q}表示输出的预测标签,{\theta _2}表示训练参数,{p_{ik}}表示标签的后验分布。
此外,为了应对不同的测试干扰样本分布情况,本文设计了两种基于散度的互信息函数。一种是基于KL散度的互信息,适用于均衡分布,即每类测试干扰样本数是平均分布;另一种是基于\alpha 散度的互信息,适用于非均衡分布,即每类测试干扰样本数是狄利克雷分布。两种互信息的表达式分别为
\begin{split} {I_{{\mathrm{KL}}}}({{\boldsymbol{X}}_Q};{Y_Q}) =\;& \frac{1}{{\left| {{I_Q}} \right|}}\sum\limits_{i \in Q} \sum\limits_{k = 1}^K {p_{ik}}\ln ({p_{ik}})\\ & + \lambda \sum\limits_{k = 1}^K {{{\hat p}_k}\ln ({{\hat p}_k})} \end{split} (10) {I_\alpha }({{\boldsymbol{X}}_Q};{Y_Q}) = \frac{1}{{\alpha - 1}} \left(\frac{1}{{\left| {{I_Q}} \right|}}\sum\limits_{i \in Q} {\sum\limits_{k = 1}^K {p_{ik}^\alpha - \sum\limits_{k = 1}^K {\hat p_k^\alpha } } } \right) (11) 其中, {I_{{\mathrm{KL}}}} 表示基于{\mathrm{KL}}散度的互信息, {I_\alpha } 表示基于\alpha 散度的互信息,{{\boldsymbol{X}}_Q}表示输入的测试集干扰样本,{Y_Q}表示输出的预测标签,{p_{ik}}表示标签的后验分布,{\hat p_k}表示标签的边缘分布。
经过直推式信息最大化微调训练后,得到最终的ZMILN复合干扰识别模型。该模型基于对库内单一干扰的深入识别认知,具备对库外复合干扰的快速识别能力。尤其在高动态、非均衡的实际战场场景中,ZMILN模型具有良好的复合干扰识别能力。
4. 实验与分析
4.1 实验设置
本文采用4种雷达单一干扰以及由其加性组合生成的7种复合干扰,即共11种雷达有源干扰对所提出的复合有源干扰识别方法进行实验验证,详细仿真参数如表1所示。为了构建一个真实的增量式复合干扰识别场景,本文首先定义了“库内”干扰为那些已经被识别并且包含在基础训练集中的单一干扰类型。相对地,“库外”干扰则指的是当前识别模型训练集中未包含的干扰类型。在实验中,将库内单一干扰类作为基础训练集,而剩下的复合干扰类则用于增量训练,以此来模拟在实际应用中不断遇到的新型干扰。通过这种方式,模型能够在不断变化的环境中学习和适应,提高对新型干扰的识别能力。在本实验中,所使用的测试集为非均衡测试集,通过狄利克雷分布生成器生成非均衡样本[22],表2详细说明了数据集配置。如表2所示,对于每种干扰类型,本文随机生成了300个样本,除了随机抽样生成训练样本以外,其余都用于测试。在进行非均衡测试时,每一次都通过狄利克雷分布生成器生成表2中的随机非均衡测试集,一共测试100轮来验证模型的稳健性和鲁棒性。
表 1 雷达干扰参数信号 参数 数值范围 LFM 信号宽度
带宽
采样频率10 μs
50 μs
125 MHzSMSP 干扰个数 3~7 SNJ 转发个数
切片长度
占空比3~5
10 μs
0.5~0.8DFTJ 假目标个数
假目标时延3~7
1~10 μsMISRJ 转发个数
切片长度
占空比3~5
10 μs
0.5~0.8表 2 增量干扰数据集配置阶段 序号 干扰名称 训练样本个数 单次测试样本个数 基础 1 SMSP 100 1 2 SNJ 100 2 3 DFTJ 100 2 4 MISRJ 100 8 增量 5 SNJ+SMSP 5 12 6 SMSP+MISRJ 5 5 7 DFTJ+MISRJ 5 9 8 SMSP+DFTJ 5 5 9 SNJ+DFTJ 5 12 10 SNJ+MISRJ 5 7 11 SNJ+SMSP+DFTJ 5 14 在实验中,为了保持数据输入的一致性,将所有输入的时频图裁剪成128×128的固定大小。为了验证提出的识别方法在不同干噪比(Jamming-to-Noise Ratio, JNR)下的稳健性,本文使用了包括–5~5 dB干噪比范围内的干扰信号进行测试。在基础训练阶段优化所提ZMILN模型时,将学习率设置为0.01,迭代次数设置为100。而在增量训练阶段,将学习率设置为0.01,迭代次数设置为10,以对ZMILN模型进行增量学习。整个实验过程在配置为Intel i7-12700F CPU和NVIDIA GeForce RTX 4090Ti GPU(16G)的服务器上运行,并使用Python3.8编程语言在CUDA 12.1环境下实现算法。
此外,为了尽可能全面地评估复合干扰识别效果,本文采用准确率和性能下降率[23]两种定量评价指标。为了评估增量学习的性能,在每个增量学习阶段都计算了准确率,以衡量模型对新旧类别的识别能力。同时,为了更直观地展示方法的整体性能,本文还提供了平均准确率,该指标通过对增量学习过程中所有阶段的准确率进行平均计算得出。准确率值越大,表示模型识别性能越好;性能下降率值越小,则表明模型在新增类别学习过程中的遗忘程度越低,即模型能够更好地保留旧知识。
4.2 TIM模块分析
为了进一步验证测试阶段加入TIM模块的有效性,分别在样本数均衡和非均衡场景下进行了1-way 5-shot的消融实验,实验结果见表3。
表 3 TIM模块对模型的影响(%)测试样本分布 TIM 基础阶段准确率 增量阶段准确率 平均准确率 性能下降率 1 2 3 4 5 6 7 8 均衡 √ 100.00 100.00 97.95 97.60 96.61 95.72 94.88 94.62 97.17 5.38 \times 100.00 97.42 92.94 91.70 90.42 89.21 87.61 85.72 91.87 14.28 非均衡 √ 100.00 100.00 98.95 97.60 96.61 94.72 93.88 93.62 96.92 6.38 \times 99.85 95.22 93.71 87.83 86.44 84.72 72.51 80.66 87.61 19.19 实验结果表明,在样本数均衡的情况下加入TIM模块进一步充分利用了测试集的样本特征信息,可以提升ZMILN的整体识别性能,平均识别准确率提升在5%左右,减缓了模型遗忘速度;在样本数非均衡的情况下,加入TIM模块使得ZMILN适应非均衡测试环境,克服了类别不均衡问题,更加突出了TIM模块的有效性,干扰平均识别准确率提升在9%左右。总之所提出的ZMILN方法在加入TIM模块后的总体识别精度始终优于基线方法,其优势变得更加明显。
4.3 干扰识别结果对比分析
在本文的实验中,通过表2所示的雷达有源干扰数据集评估了所提出的方法,并与一系列基础增量学习方法的性能进行了比较。对于传统静态复合干扰识别模型,本文选择基于CNN的网络框架作为基准,特别地,采用Du等人[8]提出的聚合注意力可变形CNN网络作为基础框架,该模型直接通过当前阶段的新型复合干扰样本进行模型微调,将其标记为微调卷积神经网络(Fine-tuned CNN, Ft-CNN)。对于经典的FSCIL方法,拓扑知识增量(TOpology-Preserving knowledge InCrementer, TOPIC)[16]方法应用神经气体网络,通过保持不同类别特征的拓扑结构来解决知识保存问题。持续进化分类(Continually Evolved Classifier, CEC)[23]方法通过图注意网络自适应连贯地调整测试样本的类权值和特征。增量分类和表示学习(incremental Classifier and Representation Learning, iCaRL)[24]方法通过从群体策略选择的样本中提取知识来保留旧知识,并基于欧氏距离的分类器预测结果。寻找平坦最小值(Finding Flat Minima, F2M)[25]方法通过寻找局部最小值来克服灾难性遗忘,并通过约束可训练权值的范围来获得增量式全连接分类器。前向兼容训练(ForwArd Compatible Training, FACT)[26]方法通过设计前向兼容模型来实现增量学习,通过分配虚拟原型来压缩已知类的嵌入并保留新类。
将本文方法与上述六种基础方法进行了3种FSCIL设置(1-way 5-shot, 2-way 5-shot, 1-step 5-shot)下的对比实验。表4给出了在1-way 5-shot设置下不同方法的干扰识别结果,实验结果表明,本文方法在1-way 5-shot任务上表现出卓越的性能,取得了最高的识别精度,在1-way 5-shot任务上的平均准确率为96.92%,显著超过其他方法的平均准确率,性能曲线如图5所示。由于基础阶段只有4种单一干扰识别,所以多个模型达到了100.00%的识别准确率。同时,该方法性能下降率仅仅6.38%,也明显高于其他次优方法。毫无疑问,得益于超维原型的存储以及TIM模块的非均衡策略,本文方法在样本数非均衡的测试环境下取得了理想的性能,平均识别准确率稳定在95%左右,模型在增量中间过程中获得了具有较低下降率的长期增量学习性能。从表4中可以看出,本文方法在训练时间上优于其他同类型增量学习方法,大幅度地优化了训练过程,真正做到了识别模型的快速动态更新。由于Ft-CNN方法只是利用新的训练集进行模型微调,所以其训练时间是最短的,但是其模型微调过程中存在严重的灾难性遗忘问题,模型整体的干扰识别准确率无法保证,这也是本文提出增量学习进行雷达干扰识别的根本动机。在测试时间上,由于本文方法在测试阶段加入了TIM微调模块,导致本文方法的测试时间相比其他对比方法略长。这表明,通过零记忆增量学习本文方法在合理的计算资源消耗下,实现了对多种组合条件下库外复合干扰的快速动态识别。
表 4 在1-way 5-shot设置下不同方法的干扰识别结果方法 基础阶段准确率(%) 增量阶段准确率(%) 平均准确率
(%)性能下降率
(%)训练平均时间
(min)测试平均时间
(s)1 2 3 4 5 6 7 8 Ft-CNN[8] 100.00 92.22 83.33 74.16 67.77 61.33 55.55 51.55 73.23 48.45 50.59 15.73 iCaRL[24] 100.00 91.14 85.72 85.83 83.51 82.66 80.75 78.47 86.01 21.53 185.15 20.79 TOPIC[16] 99.31 89.77 83.54 84.91 84.67 81.03 78.75 75.98 84.74 23.33 141.96 19.86 FACT[26] 97.55 97.77 93.80 92.57 91.29 88.74 85.45 83.12 91.28 14.43 98.15 12.02 CEC[23] 98.44 96.74 93.94 92.70 90.61 88.72 85.88 84.62 91.45 13.82 169.64 16.95 F2M[25] 100.00 95.71 93.44 87.70 86.41 84.72 82.45 80.74 88.89 19.26 78.96 9.93 本文(ZMILN) 100.00 100.00 98.95 97.60 96.61 94.72 93.88 93.62 96.92 6.38 62.45 36.95 除了性能指标之外,本文还通过t分布随机邻域嵌入(t-distributed Stochastic Neighbor Embedding, t-SNE)可视化实验,展示了模型在增量学习过程中各个阶段的干扰特征分布情况,如图6所示。从实验结果中可以清楚地看出,模型从基础阶段可识别4种单一干扰,依次经过7次增量学习后,识别模型具备同时识别4种单一干扰和7种复合干扰的能力,模型在不同增量阶段都取得了很好的分类效果,这进一步验证了所提方法在复合干扰识别任务中的有效性和优越性能。通过干扰特征t-SNE特征降维可视化图来展示零记忆增量学习的中间过程,每一次的增量训练会新增一种复合干扰,干扰特征空间分布的变化表明了模型的动态更新过程,模型的干扰知识库不断丰富。该方法可以很好地分离类间特征,通过使用少量的样本,同时提高类内样本的聚合度。
4.4 库内不同单一干扰类别数对比分析
本文进一步探讨了基础训练阶段库内单一干扰类别数对ZMILN性能的影响,并通过折线图对实验结果进行了详细分析。在干扰类别总数为11种的情况下,分别设置单一干扰类别数为1, 2, 3, 4,并对7种复合干扰进行增量式干扰识别实验。实验结果的干扰识别准确率曲线如图7所示。
实验结果表明,当ZMILN模型在基础训练阶段库内包含的单一干扰类别数越多时,模型的整体识别性能表现越佳,并且在增量学习过程中对旧知识的遗忘速度也越慢。这一发现进一步说明,当ZMILN模型对单一干扰的认知越充分时,其对复合干扰的识别能力也越强。这能证明本文所提方法实现了由单一干扰到复杂复合干扰的泛化识别。模型通过对库内单一干扰的识别与认知,具备对库外复合干扰的快速识别能力。其复合干扰识别性能受到本地单一干扰识别库的影响,即库内单一干扰类型越丰富,模型的复合干扰识别泛化能力越强。
5. 结束语
面对库外类型多样、参数多变、组合方式多元的复合干扰,本文提出一种零记忆增量学习的复合有源干扰识别方法,本方法基于元学习和FSCIL范式,实现库外复合干扰的快速动态识别。通过结合超维空间和原型学习,构建ZMILN干扰识别模型,将复合干扰原型向量映射到超维空间并存储,从而实现识别模型动态部署。此外,在ZMILN模型测试阶段加入TIM模块,对模型进一步强化训练,使得模型能够更好地应对非均衡干扰识别环境。通过在雷达复合有源干扰数据集上进行的多种实验结果表明,本文所提方法在FSCIL增量任务设置下,对11种雷达有源干扰进行非均衡干扰样本识别,平均识别准确率稳定在95%左右,在雷达复合有源干扰识别的准确性和稳健性方面都取得了最优的性能,显著超过其他增量学习方法。所提方法通过对库内多类型单一干扰知识充分提取,具备对多种组合条件下库外复合干扰的快速动态识别能力。在未来,将进一步探索开集识别模型,以实现全开放、高动态对抗环境下复合有源干扰识别的敏捷认知闭环。
-
表 1 雷达干扰参数
信号 参数 数值范围 LFM 信号宽度
带宽
采样频率10 μs
50 μs
125 MHzSMSP 干扰个数 3~7 SNJ 转发个数
切片长度
占空比3~5
10 μs
0.5~0.8DFTJ 假目标个数
假目标时延3~7
1~10 μsMISRJ 转发个数
切片长度
占空比3~5
10 μs
0.5~0.8表 2 增量干扰数据集配置
阶段 序号 干扰名称 训练样本个数 单次测试样本个数 基础 1 SMSP 100 1 2 SNJ 100 2 3 DFTJ 100 2 4 MISRJ 100 8 增量 5 SNJ+SMSP 5 12 6 SMSP+MISRJ 5 5 7 DFTJ+MISRJ 5 9 8 SMSP+DFTJ 5 5 9 SNJ+DFTJ 5 12 10 SNJ+MISRJ 5 7 11 SNJ+SMSP+DFTJ 5 14 表 3 TIM模块对模型的影响(%)
测试样本分布 TIM 基础阶段准确率 增量阶段准确率 平均准确率 性能下降率 1 2 3 4 5 6 7 8 均衡 √ 100.00 100.00 97.95 97.60 96.61 95.72 94.88 94.62 97.17 5.38 \times 100.00 97.42 92.94 91.70 90.42 89.21 87.61 85.72 91.87 14.28 非均衡 √ 100.00 100.00 98.95 97.60 96.61 94.72 93.88 93.62 96.92 6.38 \times 99.85 95.22 93.71 87.83 86.44 84.72 72.51 80.66 87.61 19.19 表 4 在1-way 5-shot设置下不同方法的干扰识别结果
方法 基础阶段准确率(%) 增量阶段准确率(%) 平均准确率
(%)性能下降率
(%)训练平均时间
(min)测试平均时间
(s)1 2 3 4 5 6 7 8 Ft-CNN[8] 100.00 92.22 83.33 74.16 67.77 61.33 55.55 51.55 73.23 48.45 50.59 15.73 iCaRL[24] 100.00 91.14 85.72 85.83 83.51 82.66 80.75 78.47 86.01 21.53 185.15 20.79 TOPIC[16] 99.31 89.77 83.54 84.91 84.67 81.03 78.75 75.98 84.74 23.33 141.96 19.86 FACT[26] 97.55 97.77 93.80 92.57 91.29 88.74 85.45 83.12 91.28 14.43 98.15 12.02 CEC[23] 98.44 96.74 93.94 92.70 90.61 88.72 85.88 84.62 91.45 13.82 169.64 16.95 F2M[25] 100.00 95.71 93.44 87.70 86.41 84.72 82.45 80.74 88.89 19.26 78.96 9.93 本文(ZMILN) 100.00 100.00 98.95 97.60 96.61 94.72 93.88 93.62 96.92 6.38 62.45 36.95 -
[1] 魏毅寅, 杨文华. 海战场典型干扰对抗场景及反舰导弹应对策略研究[J]. 战术导弹技术, 2020(5): 1–8. doi: 10.16358/j.issn.1009-1300.2020.1.538.WEI Yiyin and YANG Wenhua. Study on typical jamming scenes in naval battle field and countermeasures of anti-ship missile[J]. Tactical Missile Technology, 2020(5): 1–8. doi: 10.16358/j.issn.1009-1300.2020.1.538. [2] ZHANG Xiang, LAN Lan, ZHU Shengqi, et al. Intelligent suppression of interferences based on reinforcement learning[J]. IEEE Transactions on Aerospace and Electronic Systems, 2024, 60(2): 1400–1415. doi: 10.1109/TAES.2023.3336643. [3] 崔国龙, 余显祥, 魏文强, 等. 认知智能雷达抗干扰技术综述与展望[J]. 雷达学报, 2022, 11(6): 974–1002. doi: 10.12000/JR22191.CUI Guolong, YU Xianxiang, WEI Wenqiang, et al. An overview of antijamming methods and future works on cognitive intelligent radar[J]. Journal of Radars, 2022, 11(6): 974–1002. doi: 10.12000/JR22191. [4] 周红平, 王子伟, 郭忠义. 雷达有源干扰识别算法综述[J]. 数据采集与处理, 2022, 37(1): 1–20. doi: 10.16337/j.1004-9037.2022.01.001.ZHOU Hongping, WANG Ziwei, and GUO Zhongyi. Overview on recognition algorithms of radar active jamming[J]. Journal of Data Acquisition and Processing, 2022, 37(1): 1–20. doi: 10.16337/j.1004-9037.2022.01.001. [5] QU Qizhe, WEI Shunjun, LIU Shan, et al. JRNet: Jamming recognition networks for radar compound suppression jamming signals[J]. IEEE Transactions on Vehicular Technology, 2020, 69(12): 15035–15045. doi: 10.1109/TVT.2020.3032197. [6] ZHANG Jiaxiang, LIANG Zhennan, ZHOU Chao, et al. Radar compound jamming cognition based on a deep object detection network[J]. IEEE Transactions on Aerospace and Electronic Systems, 2023, 59(3): 3251–3263. doi: 10.1109/TAES.2022.3224695. [7] LV Qinzhe, QUAN Yinghui, FENG Wei, et al. Radar deception jamming recognition based on weighted ensemble CNN with transfer learning[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5107511. doi: 10.1109/TGRS.2021.3129645. [8] DU Jinbiao, FAN Weiwei, GONG Chen, et al. Aggregated-attention deformable convolutional network for few-shot SAR jamming recognition[J]. Pattern Recognition, 2024, 146: 109990. doi: 10.1016/j.patcog.2023.109990. [9] LUO Zhenyu, CAO Yunhe, YEO T S, et al. Few-shot radar jamming recognition network via time-frequency self-attention and global knowledge distillation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5105612. doi: 10.1109/TGRS.2023.3280322. [10] ZHOU Hongping, WANG Lei, GUO Zhongyi. Recognition of radar compound jamming based on convolutional neural network[J]. IEEE Transactions on Aerospace and Electronic Systems, 2023, 59(6): 7380–7394. doi: 10.1109/TAES.2023.3288080. [11] LI Boran, ZHANG Lei, DAI Jingwei, et al. FETTrans: Analysis of compound interference identification based on bidirectional dynamic feature adaptation of improved transformer[J]. IEEE Access, 2022, 10: 66321–66331. doi: 10.1109/ACCESS.2022.3182010. [12] MENG Yunyun, YU Lei, and WEI Yinsheng. Multi-label radar compound jamming signal recognition using complex-valued CNN with jamming class representation fusion[J]. Remote Sensing, 2023, 15(21): 5180. doi: 10.3390/rs15215180. [13] ZHOU Hongping, WANG Lei, MA Minghui, et al. Compound radar jamming recognition based on signal source separation[J]. Signal Processing, 2024, 214: 109246. doi: 10.1016/j.sigpro.2023.109246. [14] LV Qinzhe, FAN Hanxin, LIU Junliang, et al. Multilabel deep learning-based lightweight radar compound jamming recognition method[J]. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 2521115. doi: 10.1109/TIM.2024.3400337. [15] KONG Yukai, XIA Senlin, DONG Luxin, et al. Compound jamming recognition via contrastive learning for distributed MIMO radars[J]. IEEE Transactions on Vehicular Technology, 2024, 73(6): 7892–7907. doi: 10.1109/TVT.2024.3358996. [16] TAO Xiaoyu, HONG Xiaopeng, CHANG Xinyuan, et al. Few-shot class-incremental learning[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Seattle, USA, 2020: 12183–12192. doi: 10.1109/CVPR42600.2020.01220. [17] LI Bin, CUI Zongyong, WANG Haohan, et al. SAR incremental automatic target recognition based on mutual information maximization[J]. IEEE Geoscience and Remote Sensing Letters, 2024, 21: 4005305. doi: 10.1109/LGRS. 2024.3368063. [18] SERBES A. On the estimation of LFM signal parameters: Analytical formulation[J]. IEEE Transactions on Aerospace and Electronic Systems, 2018, 54(2): 848–860. doi: 10.1109/TAES.2017.2767978. [19] WANG J X. Meta-learning in natural and artificial intelligence[J]. Current Opinion in Behavioral Sciences, 2021, 38: 90–95. doi: 10.1016/j.cobeha.2021.01.002. [20] SANTORO A, BARTUNOV S, BOTVINICK M, et al. Meta-learning with memory-augmented neural networks[C]. The 33rd International Conference on International Conference on Machine Learning, New York, USA, 2016: 1842-1850. [21] KARUNARATNE G, SCHMUCK M, LE GALLO M, et al. Robust high-dimensional memory-augmented neural networks[J]. Nature Communications, 2021, 12(1): 2468. doi: 10.1038/s41467-021-22364-0. [22] VEILLEUX O, BOUDIAF M, PIANTANIDA P, et al. Realistic evaluation of transductive few-shot learning[C]. Proceedings of the 35th International Conference on Neural Information Processing Systems, 2021: 711. [23] ZHANG Chi, SONG Nan, LIN Guosheng, et al. Few-shot incremental learning with continually evolved classifiers[C]. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Nashville, USA, 2021: 12455–12464. doi: 10.1109/CVPR46437.2021.01227. [24] REBUFFI S A, KOLESNIKOV A, SPERL G, et al. iCaRL: Incremental classifier and representation learning[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, USA, 2017: 2001–2010. doi: 10.1109/cvpr.2017.587. [25] SHI Guangyuan, CHEN Jiaxin, ZHANG Wenlong, et al. Overcoming catastrophic forgetting in incremental few-shot learning by finding flat minima[C]. The 35th International Conference on Neural Information Processing Systems, 2021: 517. [26] ZHOU Dawei, WANG Fuyun, YE Hanjia, et al. Forward compatible few-shot class-incremental learning[C]. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition, New Orleans, USA, 2022: 9046–9056. doi: 10.1109/cvpr52688.2022.00884. -