यह पत्र इलेक्ट्रॉनिक युद्ध (ईडब्ल्यू) में रडार सिग्नल पहचान (आरएसआर) के महत्व पर ज़ोर देता है और उन वातावरणों में आरएसआर के प्रदर्शन को बेहतर बनाने का लक्ष्य रखता है जहाँ लेबलयुक्त आरएफ डेटा दुर्लभ है। इसके लिए, हम एक स्व-पर्यवेक्षित शिक्षण (एसएसएल) विधि प्रस्तावित करते हैं जो मास्क्ड सिग्नल मॉडलिंग और आरएफ डोमेन अनुकूलन का उपयोग करती है। दो-चरणीय दृष्टिकोण में, हम विभिन्न आरएफ डोमेन से बेसबैंड I/Q सिग्नल का उपयोग करके एक मास्क्ड ऑटोएनकोडर (MAE) को पूर्व-प्रशिक्षित करते हैं, और फिर सीखे गए अभ्यावेदन को रडार डोमेन में स्थानांतरित करते हैं। अनुभवजन्य परिणाम दर्शाते हैं कि डोमेन अनुकूलन के साथ एक हल्का स्व-पर्यवेक्षित शिक्षण ResNet1D मॉडल, बिना पूर्व-प्रशिक्षण वाले बेसलाइन मॉडल की तुलना में 1-शॉट वर्गीकरण सटीकता में 17.5% (इन-डोमेन सिग्नल पूर्व-प्रशिक्षण के साथ) और 16.31% (आउट-ऑफ-डोमेन सिग्नल पूर्व-प्रशिक्षण के साथ) तक सुधार करता है। इसके अलावा, हम कई MAE डिज़ाइनों और पूर्व-प्रशिक्षण रणनीतियों के लिए संदर्भ परिणाम प्रस्तुत करते हैं, जिससे अल्ट्रा-लो-डेटासेट रडार सिग्नल वर्गीकरण के लिए एक नया बेंचमार्क प्रस्तुत होता है।
