在特定辐射源识别（SEI）研究中，样本标注稀缺是高精度识别的关键挑战。传统深度学习方法依赖大量标注数据，成本高且难以适应动态信号环境。

为此，国家授时中心研究团队提出了基于自监督对比学习的SEI框架（SSL-SEI）。该框架分为两个阶段：第一阶段通过自监督对比学习预训练，结合定制数据增强策略与ResNet-Transformer混合编码器，学习通用射频指纹表示；第二阶段通过少量标注样本进行虚拟对抗训练微调，从而在少量标注数据下显著提升模型鲁棒性与泛化能力。

为了验证以上方法的有效性和可靠性，科研人员利用天线采集真实卫星导航信号并构建数据集，开展了多组少样本识别实验（如表1所示）。

表1不同数量标记样本下的识别准确率

实验表明，该方法仅用极少量标注样本，性能即优于现有主流方法。研究团队利用2021年至2024年的长期观测数据进一步验证，模型仅需少量标注样本进行微调即可快速适应信号变化，并在样本增加时恢复高识别精度，验证了其在真实环境中的泛化能力与实用性，为标注稀缺条件下的卫星个体识别提供了新方案。

研究成果以题为《A Self-Supervised Contrastive Framework for Specific Emitter Identification with Limited Labeled Data》发表于期刊Remote Sensing。