CN111340076A - 一种对新体制雷达目标未知模式的零样本识别方法 - Google Patents
一种对新体制雷达目标未知模式的零样本识别方法 Download PDFInfo
- Publication number
- CN111340076A CN111340076A CN202010097101.0A CN202010097101A CN111340076A CN 111340076 A CN111340076 A CN 111340076A CN 202010097101 A CN202010097101 A CN 202010097101A CN 111340076 A CN111340076 A CN 111340076A
- Authority
- CN
- China
- Prior art keywords
- layer
- encoder
- network
- semantic description
- radiation source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种对新体制雷达目标未知模式的零样本识别方法,通过跨层结构和自编码器机制对传统的辐射源模式识别算法进行改进,为每一个类别提供一个一一对应的语义描述向量,在训练阶段,学习输入样本到语义描述向量的映射,并利用该映射关系,预测测试样本的语义描述,并将该语义描述分别与测试集已知的语义描述向量匹配,最终选择最相近的语义描述向量所代表的类别,在线识别时,只需要进行简单的乘加运算即可得到结果,相较于聚类算法,既提高了准确率又缓解了在线识别的时间复杂度。
Description
技术领域
本发明涉及雷达电子侦察和人工智能的交叉技术领域,具体涉及一种对新体制雷达目标未知模式的零样本识别方法。
背景技术
电子战系统的主要任务是发现辐射源的存在并尽快生成对抗策略,该系统的主要组成部分是需要对辐射源进行监测并识别其当前的工作模式,为后续干扰措施的选择打下基础。
传统的辐射源模式识别算法依赖于已有特征模板的匹配,或是预先采集足够数量样本以进行识别模型的训练。这些已知模板或是可以经过离线学习的模式被称为已知类。然而,当复杂电磁环境信号密度强、存在捷变模式的先进辐射源时,传统分类方法往往无法得到全部的特征模板和数据,会出现从未见过的辐射源未知模式信号,尽管基于聚类的算法例如吸引子传播 (Affinity Propagation,AP)算法和快速密度峰(Cluster of FastSearching Density Peaks,CFS)算法能够在没有任何先验信息的情况下,将信号进行聚类,然而这些完全由数据驱动的方法往往准确率较低并且在线识别的时间复杂度很高,即未知类的数据很难快速准确的识别。
发明内容
为了解决未知辐射源的模式识别问题,本文提出了一种对新体制雷达目标未知模式的零样本学习方法。零样本学习为每一个类别提供一个一一对应的语义描述向量,在训练阶段,学习输入样本到语义描述向量的映射,并利用该映射关系,预测测试样本的语义描述,并将该语义描述分别与测试集已知的语义描述向量匹配,最终选择最相近的语义描述向量所代表的类别,作为该测试样本的所属类别。
本发明的技术方案如下:一种对新体制雷达目标未知模式的零样本识别方法,该方法的模型包括特征提取网络和跨层自编码器网络两部分,特征提取网络提取输入信号样本的特征,作为跨层自编码器的输入,跨层自编码器由编码器和解码器两部分组成,编码器包含视觉特征输入层、中间层、全连接输出层、捷层和语义特征层,视觉特征输入层、中间层和全连接输出层构成了一个两层的全连接神经网络,视觉特征输入层和快捷层构成了一个跨层网络,解码器由转移层、中间层*和视觉特征输出层组成,具体包括以下步骤:
步骤一、选取m个雷达信号特征参数进行雷达辐射源模式语义描述,构建N种m维雷达辐射源模式语义描述向量i={1,2,...,N}和与其对应的辐射源模式ui,i={1,2,...,N},构建输入信号样本数据集,包括含有Ctr种雷达辐射源模式的训练集Ik,k∈{1,2,…,K}和含有Cte种雷达辐射源模式的测试集Im,m∈{1,2,…,M};设置特征提取网络层数L和每层的节点数设置跨层自编码器网络中的视觉特征输入层、转移层、视觉特征输出层节点数相同,记为中间层和中间层*节点数为NODEC,全连接输出层,快捷层和语义特征层的节点数相同为NODEse,设置编码器权重稀疏化项的权重λ,解码器损失函数权重α以及正则化权重β,训练的迭代次数epo,随机初始化待训练的特征提取神经网络权重WF和跨层自编码器每层的网络权重W1,W2,W3;
其中,训练集Ik中每一个信号样本对应一个语义描述向量Ak是信号样本Ik所属辐射源模式uk对应的语义描述向量,共对应Ctr种从Ai'中抽取的雷达辐射源模式语义描述向量,测试集Im包含等待预测的M个雷达辐射源信号样本Im和Cte个语义描述向量ctest∈{1,...,Cte},Actest是从Ai'中抽取的所属辐射源模式uctest的语义描述向量;
步骤二、将训练集Ik作为训练特征提取网络的输入数据,训练特征提取网络并得到权重WF,WF由一组权重组成,其大小为提取输入数据中间层的输出特征 Xk=IkWF,k∈{1,2,…,K},作为跨层自编码器的输入;
步骤三、将步骤二的特征提取网络的输出Xk作为输入数据,计算权重值利用权重值分别计算编码器的损失函数LossEn、解码器的损失函数LossDe和正则化项Θ,并加权求和得到跨层自编码器网络的损失函数LossCLAE,利用优化算法根据损失函数LossCLAE对跨层自编码器网络进行训练,重复步骤三迭代训练epo次,得到跨层自编码器网络权重W1,W2,W3;
步骤四、对测试样本Im进行特征提取,使测试样本通过步骤二中训练的特征提取网络,利用步骤二中经训练特征网络得到的权重WF,输出测试样本的特征Xm=ImWF,作为测试时跨层自编码器网络的输入;
步骤五、将测试样本的特征Xm输入到步骤三中训练好的跨层自编码器网络中的编码器部分,编码器部分对测试样本Im进行编码和分类识别,编码器输出结果即为模型预测的语义描述向量OEn(Xm),寻找与其最相近的已知的语义描述向量Actest进行匹配,得到样本所属的辐射源模式uctest。
优选地,步骤一中所述的选取m个雷达信号特征参数进行雷达辐射源语义描述,包括对频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度这四个雷达信号特征参数进行语义描述。
优选地,步骤二中所述的输入数据中间层的输出特征选择是除了特征提取网络第一层和最后一层外的任意一层。
优选地,步骤二中所述的特征提取网络可采用全连接神经网络、卷积神经网络或循环神经网络等多种神经网络。
进一步地,步骤三中所述的跨层自编码器网络损失函数LossCLAE具体计算方法为:
3.1所述编码器部分的输出OEn定义如下:
OEn(Xk)=f(f(XkW1)W2)+f(XkW3) (1)
其中W1,W2分别是所述视觉特征输入层和中间层、中间层和全连接输出层的权重,W3是所述快捷层的权重,f(·)是ReLU激活函数;
3.2编码器网络每层的权重加入稀疏化项,并配以步骤一中所述权重λ,编码器所述损失函数LossEn定义如下:
根据自编码器的原理,(3)式右侧的第二项应该与输入特征Xk相近,解码器部分所述转移层的输出OTrans为:
ODe应该与输入Xk尽可能的相似,所以所述解码器的损失函数LossDe为:
3.4正则化项所述Θ,利用类相似矩阵S来保持已知类和未知类的局部信息:
其中W包含了W1,W2,W3,并且Sd,v是雷达辐射源模式ud和uv,其中 d,v∈{1,...,Ctr}的视觉特征输入层类别间的语义信息余弦相似度,上式简化为:
Θ=tr(OEnT(Xk)LAOEn(Xk)) (8)
其中LA是拉普拉斯矩阵,LA=D-S,且D是一个对角矩阵,对角线上的元素是Ddd=∑vSd,v,tr(·)是矩阵的迹;
3.5综上,所述跨层自编码器网络损失函数LossCLAE为:
LossCLAE=LossEn+α×LossDe+β×Θ (9)
优选地,步骤二中所述训练特征提取网络和步骤三中所述训练跨层自编码器网络采用Adam算法。
进一步地,步骤五中所述的模型预测语义描述向量OEn(Xm),与已知的语义描述向量Actest进行匹配的方法为最近邻方法,得到测试样本所属的辐射源模式uctest,具体为:
其中ctest是未知类别的标号,D(Q,J)表示向量Q和J的欧氏距离。
本发明的有益效果:本发明通过利用比较容易获得的先验信息,即语义描述向量作为媒介,在离线训练阶段学习了输入信号样本到语义关系的映射,并将其迁移到未知信号样本中,在线识别时,只需要进行简单的乘加运算即可得到结果,相较于聚类算法,既提高了准确率又缓解了在线识别的时间复杂度。
附图说明
图1为本发明的模型架构图;
图2为本发明的算法流程图;
图3为本发明实施例的算法准确率的实验结果;
图4为本发明实施例与其他两种聚类方法的对比实验结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
(1)实验的场景设置
本实验将雷达辐射源模式定义为一个固定的特征组合,通常一些雷达信号的特征描述,包括频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度4种特征参数,可以用来描述特定的雷达辐射源模式,将这些描述作为语义信息,构建信号样本的语义描述向量。
本实验在两种不同设置的模拟雷达信号数据集上对该方法进行评估。
①新的特征组合:尽管语义特征的组合是不可见的,但是其单个的特征已经在已知类中出现过。针对上述的4种特征,每个有2个取值情况,选择其中12种特征组合作为雷达模式,其中,将8个模式作为已知类别作为训练集,剩余4个类别被选作未知类别,作为测试集。
②新的特征范围:已知类的生成方式与新的语义组合设置一样,但是语义特征会出现新的范围外的值。针对4个未知类,每个类别至少包含1个未知的特征值,训练集和测试集样本数,与①一致。
传统的零样本学习假定测试过程中,并没有出现已知类别的数据,然而实际测试情况中,只包含未知模式的数据是不现实的。因此,对于更真实的复杂情况,实验同样考虑了广义的零样本学习的场景,即已知类的样本也出现在测试集中。
(2)评价指标设置
实验评价了不同信噪比下,新的特征组合和新的特征范围两种数据集测试集的分类精度。此外,在广义零样本学习中,分别计算已知类和未知类的识别准确率,并且计算了两个准确率的调和平均值H。为了使分类效果更直观的体现,实验利用t-SNE降维的方法,将数据进行可视化。
(3)实验流程
跨层自编码器模型结构图如图1所示,算法流程图如图2所示,具体地:
根据上述两种实验场景设置,根据12个类别中的每一个辐射源描述,对其频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度四个特征进行描述,构建12种四维的语义描述向量C={1,2,...,12}和对应的辐射源模式ui,i={1,2,...,12},每一个辐射源信号样本的长度为5000,如果不足则用0补齐,准备含有Ctr=8个辐射源模式的训练集k∈{1,2,…,K},其中K=1200,每个样本对应的语义描述Ak是信号样本Ik所属辐射源模式uk对应的语义描述向量,共对应Ctr=8种从Ai'中抽取的雷达辐射源模式语义描述向量;准备含有Cte=4个辐射源模式的测试集m∈{1,2,…,M},其中,M=200,每个备选类别uctest所对应的语义描述向量为ctest={1,…,4};设置模型参数,选择全连接神经网络作为特征提取网络,层数L=5,每层节点数选择第四层为特征提取的中间层,作为信号样本提取的特征,即p=4,中间层和中间层*节点数NODEC=50,全连接输出层、快阶层和语义描述层节点数NODEse=4,λ=0.01,α=10-5,β=10-5,训练迭代总次数epo设置为500次;
3)随机初始化特征提取网络权重WF和跨层自编码器网络权重W1,W2,W3;
W1∈R150×50,W2∈R50×4,W3∈R150×4,计算编码器的损失函数LossEn、解码器的损失函数LossDe和正则化项Θ,并加权求和得到跨层自编码器网络的损失函数 LossCLAE,具体为:
3.1根据公式(1)计算编码器部分的输出:
3.2计算样本的损失和权重的稀疏化项,根据公式(2)得到编码器的损失值LossEn:
3.3根据公式(3)-(5)计算解码器的输出:
根据公式(6)计算解码器的损失值LossDe:
根据视觉特征输入层类别间的语义信息的余弦相似度构建类相似矩阵 S:
3.4利用公式(8)计算正则化项的值Θ;
3.5根据公式(9)计算总体的LossCLAE=LossEn+10-5*LossDe+10-5*Θ,并利用Adam优化算法进行训练,迭代epo=500次后,保存跨层自编码器的权重 W1,W2,W3;
步骤五:输入Xm,并跟据步骤三中保存的跨层自编码器权重W1,W2,W3和公式(1)分别计算模型预测测试样本的语义描述向量和测试集中的4个语义描述向量的欧式距离,根据公式(10),输出该测试样本的对应的语义描述向量所属的类别uctest。
(4)结果分析
从图3的表1和表2中可以看出,在两种设置中,即使在较低的信噪比下,跨层自编码器对零样本任务的分类精度很高,而且在广义零样本任务的四个指标上都有不错的效果。随着信噪比的降低,零样本任务和广义零样本任务的精度都逐渐下降。
图4比较了在广义零样本任务中,信噪比在10dB下,跨层自编码器的效果与两种常用的聚类方法(AP和CFS)的可视化分析对比,从图中可以清楚地看到本方法几乎完全符合真实标签。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种对新体制雷达目标未知模式的零样本识别方法,其特征在于,该方法的模型包括特征提取网络和跨层自编码器网络两部分,特征提取网络提取输入信号样本的特征,作为跨层自编码器的输入,跨层自编码器由编码器和解码器两部分组成,编码器包含视觉特征输入层、中间层、全连接输出层、快捷层和语义特征层,视觉特征输入层、中间层和全连接输出层构成了一个两层的全连接神经网络,视觉特征输入层和快捷层构成了一个跨层网络,解码器由转移层、中间层*和视觉特征输出层组成,具体包括以下步骤:
步骤一、选取m个雷达信号特征参数进行雷达辐射源模式语义描述,构建N种m维雷达辐射源模式语义描述向量和与其对应的辐射源模式ui,i={1,2,...,N},构建输入信号样本数据集,包括含有Ctr种雷达辐射源模式的训练集Ik,k∈{1,2,…,K}和含有Cte种雷达辐射源模式的测试集Im,m∈{1,2,…,M};设置特征提取网络层数L和每层的节点数设置跨层自编码器网络中的视觉特征输入层、转移层、视觉特征输出层节点数相同,记为中间层和中间层*节点数为NODEC,全连接输出层,快捷层和语义特征层的节点数相同为NODEse,设置编码器权重稀疏化项的权重λ,解码器损失函数权重α以及正则化权重β,训练的迭代次数epo,随机初始化待训练的特征提取神经网络权重WF和跨层自编码器每层的网络权重W1,W2,W3;
其中,训练集Ik中每一个信号样本对应一个语义描述向量Ak是信号样本Ik所属辐射源模式uk对应的语义描述向量,共对应Ctr种从Ai'中抽取的雷达辐射源模式语义描述向量,测试集Im包含等待预测的M个雷达辐射源信号样本Im和Cte个语义描述向量Actest是从Ai'中抽取的所属辐射源模式uctest的语义描述向量;
步骤二、将训练集Ik作为训练特征提取网络的输入数据,训练特征提取网络并得到权重WF,WF由一组权重组成,其大小为提取输入数据中间层的输出特征Xk=IkWF,k∈{1,2,…,K},作为跨层自编码器的输入;
步骤三、将步骤二的特征提取网络的输出Xk作为输入数据,计算权重值利用权重值分别计算编码器的损失函数LossEn、解码器的损失函数LossDe和正则化项Θ,并加权求和得到跨层自编码器网络的损失函数LossCLAE,利用优化算法根据损失函数LossCLAE对跨层自编码器网络进行训练,重复步骤三迭代训练epo次,得到跨层自编码器网络权重W1,W2,W3;
步骤四、对测试样本Im进行特征提取,使测试样本通过步骤二中训练的特征提取网络,利用步骤二中经训练特征网络得到的权重WF,输出测试样本的特征Xm=ImWF,作为测试时跨层自编码器网络的输入;
步骤五、将测试样本的特征Xm输入到步骤三中训练好的跨层自编码器网络中的编码器部分,编码器部分对测试样本Im进行编码和分类识别,编码器输出结果即为模型预测的语义描述向量OEn(Xm),寻找与其最相近的已知的语义描述向量Actest进行匹配,得到样本所属的辐射源模式uctest。
2.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法,其特征在于,步骤一中所述的选取m个雷达信号特征参数进行雷达辐射源语义描述,包括对频率范围、脉冲重复间隔、脉冲重复频率类型和脉冲宽度这四个雷达信号特征参数进行语义描述。
3.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法,其特征在于,步骤二中所述的特征提取网络可采用全连接神经网络、卷积神经网络或循环神经网络等多种神经网络。
4.根据权利要求3所述的一种对新体制雷达目标未知模式的零样本识别方法,其特征在于,步骤二中所述的输入数据中间层的输出特征选择是除了特征提取网络第一层和最后一层外的任意一层。
5.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法,其特征在于,步骤三中所述的跨层自编码器网络损失函数LossCLAE具体计算方法为:
3.1所述编码器部分的输出OEn定义如下:
OEn(Xk)=f(f(XkW1)W2)+f(XkW3) (1)
其中W1,W2分别是所述视觉特征输入层和中间层、中间层和全连接输出层的权重,W3是所述快捷层的权重,f(·)是ReLU激活函数;
3.2编码器网络每层的权重加入稀疏化项,并配以步骤一中所述权重λ,编码器所述损失函数LossEn定义如下:
根据自编码器的原理,(3)式右侧的第二项应该与输入特征Xk相近,解码器部分所述转移层的输出OTrans为:
ODe(Xk)=OTrans(Xk)W3W2 TW1 T (5)
ODe应该与输入Xk尽可能的相似,所以所述解码器的损失函数LossDe为:
3.4正则化项所述Θ,利用类相似矩阵S来保持已知类和未知类的局部信息:
其中W包含了W1,W2,W3,并且Sd,v是雷达辐射源模式ud和uv,其中d,v∈{1,...,Ctr}的视觉特征输入层类别间的语义信息余弦相似度,上式简化为:
Θ=tr(OEnT(Xk)LAOEn(Xk)) (8)
其中LA是拉普拉斯矩阵,LA=D-S,且D是一个对角矩阵,对角线上的元素是Ddd=∑vSd,v,tr(·)是矩阵的迹;
3.5综上,所述跨层自编码器网络损失函数LossCLAE为:
LossCLAE=LossEn+α×LossDe+β×Θ (9)
6.根据权利要求1所述的一种对新体制雷达目标未知模式的零样本识别方法,其特征在于,步骤二中所述训练特征提取网络和步骤三中所述训练跨层自编码器网络采用Adam算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097101.0A CN111340076B (zh) | 2020-02-17 | 2020-02-17 | 一种对新体制雷达目标未知模式的零样本识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010097101.0A CN111340076B (zh) | 2020-02-17 | 2020-02-17 | 一种对新体制雷达目标未知模式的零样本识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340076A true CN111340076A (zh) | 2020-06-26 |
CN111340076B CN111340076B (zh) | 2020-10-02 |
Family
ID=71181594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010097101.0A Active CN111340076B (zh) | 2020-02-17 | 2020-02-17 | 一种对新体制雷达目标未知模式的零样本识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340076B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016480A (zh) * | 2020-08-31 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 人脸特征表示方法、系统、电子设备和存储介质 |
CN113033615A (zh) * | 2021-03-01 | 2021-06-25 | 电子科技大学 | 一种基于在线微簇聚类的雷达信号目标实时关联方法 |
CN113177584A (zh) * | 2021-04-19 | 2021-07-27 | 合肥工业大学 | 基于零样本学习的复合故障诊断方法 |
CN114580623A (zh) * | 2022-05-07 | 2022-06-03 | 中国科学院空天信息创新研究院 | 模型的训练方法、多源多目标数据关联方法及装置 |
CN115019149A (zh) * | 2022-08-03 | 2022-09-06 | 中国电子科技集团公司第五十四研究所 | 一种基于模型解释结果的零样本识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN108267724A (zh) * | 2018-01-19 | 2018-07-10 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的未知目标识别方法 |
CN108564121A (zh) * | 2018-04-09 | 2018-09-21 | 南京邮电大学 | 一种基于自编码器的未知类别图像标签预测方法 |
CN108846412A (zh) * | 2018-05-08 | 2018-11-20 | 复旦大学 | 一种泛化零样本学习的方法 |
CN109829299A (zh) * | 2018-11-29 | 2019-05-31 | 电子科技大学 | 一种基于深度自编码器的未知攻击识别方法 |
US10504004B2 (en) * | 2016-09-16 | 2019-12-10 | General Dynamics Mission Systems, Inc. | Systems and methods for deep model translation generation |
-
2020
- 2020-02-17 CN CN202010097101.0A patent/CN111340076B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10504004B2 (en) * | 2016-09-16 | 2019-12-10 | General Dynamics Mission Systems, Inc. | Systems and methods for deep model translation generation |
CN107832787A (zh) * | 2017-10-31 | 2018-03-23 | 杭州电子科技大学 | 基于双谱自编码特征的雷达辐射源识别方法 |
CN108267724A (zh) * | 2018-01-19 | 2018-07-10 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的未知目标识别方法 |
CN108564121A (zh) * | 2018-04-09 | 2018-09-21 | 南京邮电大学 | 一种基于自编码器的未知类别图像标签预测方法 |
CN108846412A (zh) * | 2018-05-08 | 2018-11-20 | 复旦大学 | 一种泛化零样本学习的方法 |
CN109829299A (zh) * | 2018-11-29 | 2019-05-31 | 电子科技大学 | 一种基于深度自编码器的未知攻击识别方法 |
Non-Patent Citations (1)
Title |
---|
ZILIN ZHANG,YUNJIE LI, JIAN YANG, YAN LI, MEIGUO GAO: "Cross-Layer Autoencoder for Zero-Shot Learning", 《IEEE ACCESS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016480A (zh) * | 2020-08-31 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 人脸特征表示方法、系统、电子设备和存储介质 |
CN112016480B (zh) * | 2020-08-31 | 2024-05-28 | 中移(杭州)信息技术有限公司 | 人脸特征表示方法、系统、电子设备和存储介质 |
CN113033615A (zh) * | 2021-03-01 | 2021-06-25 | 电子科技大学 | 一种基于在线微簇聚类的雷达信号目标实时关联方法 |
CN113033615B (zh) * | 2021-03-01 | 2022-06-07 | 电子科技大学 | 一种基于在线微簇聚类的雷达信号目标实时关联方法 |
CN113177584A (zh) * | 2021-04-19 | 2021-07-27 | 合肥工业大学 | 基于零样本学习的复合故障诊断方法 |
CN113177584B (zh) * | 2021-04-19 | 2022-10-28 | 合肥工业大学 | 基于零样本学习的复合故障诊断方法 |
CN114580623A (zh) * | 2022-05-07 | 2022-06-03 | 中国科学院空天信息创新研究院 | 模型的训练方法、多源多目标数据关联方法及装置 |
CN114580623B (zh) * | 2022-05-07 | 2022-07-08 | 中国科学院空天信息创新研究院 | 模型的训练方法、多源多目标数据关联方法及装置 |
CN115019149A (zh) * | 2022-08-03 | 2022-09-06 | 中国电子科技集团公司第五十四研究所 | 一种基于模型解释结果的零样本识别方法 |
CN115019149B (zh) * | 2022-08-03 | 2022-11-11 | 中国电子科技集团公司第五十四研究所 | 一种基于模型解释结果的零样本识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111340076B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340076B (zh) | 一种对新体制雷达目标未知模式的零样本识别方法 | |
CN109214452B (zh) | 基于注意深度双向循环神经网络的hrrp目标识别方法 | |
CN112165464B (zh) | 一种基于深度学习的工控混合入侵检测方法 | |
CN112560432B (zh) | 基于图注意力网络的文本情感分析方法 | |
CN112116090B (zh) | 神经网络结构搜索方法、装置、计算机设备及存储介质 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN111815806A (zh) | 一种基于野值剔除和特征提取的飞参数据预处理方法 | |
CN112766496B (zh) | 基于强化学习的深度学习模型安全性保障压缩方法与装置 | |
CN113011487B (zh) | 一种基于联合学习与知识迁移的开放集图像分类方法 | |
CN112367130A (zh) | 一种无线网络信号传输强度计算方法及计算机存储介质 | |
Wan et al. | Confnet: predict with confidence | |
CN115757103A (zh) | 基于树结构的神经网络测试用例生成方法 | |
Wang et al. | Lightweight deep neural networks for ship target detection in SAR imagery | |
CN114818853A (zh) | 基于双向门控循环单元和条件随机场的意图识别方法 | |
CN110717374A (zh) | 一种基于改进的多层感知机的高光谱遥感影像分类方法 | |
CN115705393A (zh) | 一种基于持续学习的雷达辐射源分级识别方法 | |
Yong et al. | Learning-based algorithm selection for image segmentation | |
Maloney et al. | The use of probabilistic neural networks to improve solution times for hull-to-emitter correlation problems | |
CN115834161A (zh) | 一种人工智能四层架构的电网假数据注入攻击检测方法 | |
CN115512214A (zh) | 一种基于因果注意力的室内视觉导航方法 | |
Pan et al. | Transductive graph-attention network for few-shot classification | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
Perez et al. | Face Patches Designed through Neuroevolution for Face Recognition with Large Pose Variation | |
Cardon et al. | Key issues for successful industrial neural-network applications: An application in geology | |
Bazanov et al. | Hybrid and parallel face classifier based on artificial neural networks and principal component analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |