CN112949720B - 一种基于三元组损失的未知辐射源辨别方法 - Google Patents

一种基于三元组损失的未知辐射源辨别方法 Download PDF

Info

Publication number
CN112949720B
CN112949720B CN202110238027.4A CN202110238027A CN112949720B CN 112949720 B CN112949720 B CN 112949720B CN 202110238027 A CN202110238027 A CN 202110238027A CN 112949720 B CN112949720 B CN 112949720B
Authority
CN
China
Prior art keywords
radiation source
vector
source data
data
triplet
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.)
Active
Application number
CN202110238027.4A
Other languages
English (en)
Other versions
CN112949720A (zh
Inventor
林万杰
林静然
潘晔
邵怀宗
利强
胡全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110238027.4A priority Critical patent/CN112949720B/zh
Publication of CN112949720A publication Critical patent/CN112949720A/zh
Application granted granted Critical
Publication of CN112949720B publication Critical patent/CN112949720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于三元组损失的未知辐射源辨别方法，属于辐射源识别领域，该方法通过一定规则选取合适的辐射源数据，构成三元组进行网络训练。训练出的网络能够使同一辐射源的数据在embedding特征空间中距离互相靠近，同时使不同辐射源的特征向量互相远离。测试时，将待测样本与各个已知源的特征向量计算距离，即可判断待测样本是否属于已知源或者属于哪个已知源。

Description

一种基于三元组损失的未知辐射源辨别方法
技术领域
本发明涉及辐射源识别领域，具体涉及一种基于三元组损失的未知辐射源辨别方法。
背景技术
如今人工智能、深度学习被广泛应用于各式各样的分类问题。在各个领域，诸如图像、语音、文字、信号等，基于神经网络的分类算法都有着得不错的效果，并且有着广阔的研究前景。但这种方法对于开放场景下的辐射源识别有一定困难。
现阶段，在通信、雷达的辐射源识别领域，多是采用各种人工方法或直接利用神经网络提取特征，再利用分类器对特征进行分类。而目前最常用且使用最广泛的分类器就是使用交叉熵损失函数的神经网络。这类方法一般在神经网络最后一层使用softmax函数激活，并以交叉熵作为损失函数，然后利用反向传播算法对模型参数进行优化。这类方法虽然解决了已知辐射源的分类问题，但不能解决未知辐射源的判决问题，即当不能保障测试数据只包含已知辐射源时，这类方法没有办法判别待测数据是否为新的目标，是否为已知辐射源。因此在现实场景中，这类方法的适用性和有效性无法保障。
发明内容
针对现有技术中的上述不足，本发明提供的种基于三元组损失的未知辐射源辨别方法解决了现有技术对未知辐射源的无法判决的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于三元组损失的未知辐射源辨别方法，包括以下步骤：
S1、采集已知辐射源数据，构建训练集；
S2、从训练集选取一批带标签的样本，构建标准三元组，采用标准三元组对辐射源识别模型进行训练，得到训练完成的辐射源识别模型；
S3、将多个已知辐射源数据输入训练完成的辐射源识别模型中，正向传播，得到每个已知辐射源数据对应的嵌套向量；
S4、对每个已知辐射源数据对应的嵌套向量进行可视化处理，构建已知库；
S5、将待测辐射源数据输入训练完成的辐射源识别模型，正向传播，得到待测辐射源数据对应的嵌套向量；
S6、根据待测辐射源数据对应的嵌套向量和已知库，判断该待测辐射源数据为已知源或未知源。
进一步地，所述步骤S2中辐射源识别模型包括依次连接的预处理模块、信号域变换模块、神经网络模型和归一化处理模块。
进一步地，所述步骤S2包括以下分步骤：
S21、从训练集选取一批带标签的样本；
S22、将带标签的样本输入辐射源识别模型中，得到每个样本对应的嵌套向量；
S23、根据每个样本对应的嵌套向量，从带标签的样本中选取锚点、正例和负例构建标准三元组；
S24、采用标准三元组对辐射源识别模型进行训练，判断标准三元组损失函数是否收敛，若是，则得到训练完成的辐射源识别模型，若否，则跳转至步骤S21。
进一步地，所述步骤S23包括以下分步骤：
S231、从带标签的样本中随机选取锚点，选取同标签样本作为正例，选取异标签样本作为负例；
S232、将锚点、正例和负例构成原始三元组；
S233、选取满足d(锚点,负例)-d(锚点,正例)<设定阈值的三元组，得到标准三元组，其中，d(锚点,负例)为锚点与负例在embedding空间的距离，d(锚点,正例)为锚点与正例在embedding空间的距离。
进一步地，所述步骤S24中对辐射源识别模型进行训练的方法为：将标准三元组输入辐射源识别模型中，采用优化器最小化三元组损失函数，反向传播，优化辐射源识别模型的参数。
进一步地，所述三元组损失函数为：
Figure BDA0002961027920000031
其中，l为三元组损失函数，d(锚点,正例)为锚点与正例在embedding空间的距离，d(锚点,负例)为锚点与负例在embedding空间的距离，margin为设置阈值，λ为比重参数。
上述进一步方案的有益效果为：原始三元组损失只控制锚点远离负例、靠近正例，不直接控制正负例的距离。而在改进的三元组损失中锚点与正例处于同种地位，靠近锚点与正例二者的同时，控制负例同时远离锚点与正例。这样做改进了负例远离正例时的优化方向，提高优化效率。同时，类间距和类内距的优化比重可由参数λ调整，以适应不同类型的数据，加速网络收敛，提升网络识别效果。
进一步地，所述步骤S4包括以下分步骤：
S41、采用PCA对每个已知辐射源数据对应的嵌套向量进行可视化处理，判断每个已知辐射源数据对应的嵌套向量是否为单个中心簇状结构，若是，则计算每个已知辐射源数据对应的所有嵌套向量的均值的单位向量，并将该单位向量作为该已知辐射源数据的向量中心，若否，则跳转至步骤S42；
S42、选取同一已知辐射源数据的各个簇的特征向量作为该已知辐射源数据的多个参考特征向量；
S43、将多个参考特征向量、向量中心、以及参考特征向量和向量中心对应已知辐射源数据的标签作为已知库。
上述进一步方案的有益效果为：将各个已知辐射源的典型向量而不是所有特征向量存入已知库，保证准确率的同时，减少了存储空间和比对次数。同时兼顾单簇聚拢和多簇聚拢的情形，给出两种不同的典型向量选取方法。最终构建了已知库，用于检测时的对比和判断。
进一步地，所述步骤S6包括以下分步骤：
S61、在已知库找到与待测辐射源数据对应的嵌套向量距离最近的参考特征向量或向量中心，即最近特征向量，并基于距离最近特征向量找到已知库中对应的已知辐射源数据的标签，得到已知源；
S62、计算待测辐射源数据对应的嵌套向量与最近特征向量的距离，判断该距离是否大于设定额定阈值，若是，则判定该待测辐射源数据为已知源，若否，则为未知源。
上述进一步方案的有益效果为：利用待测数据的特征向量与多个参考特征向量之间的最小距离大小来判断待测数据是否为已知源，若是，再根据最小距离的参考特征向量的标签来判断所属已知源，方案简单有效易施行。
综上，本发明的有益效果为：本发明可以解决一般分类神经网络无法解决的未知判别问题。没有待测数据必须为已知辐射源的限定，更加贴近实际，应用面更加广。使用度量距离，利用相似度来判决待测数据是否属于已知辐射源或者属于哪个辐射源。巧妙利用三元组训练网络，拉近同类距离的同时，伸长异类距离。新的辐射源出现时，能在不用重新训练网络的前提下，简便的作为已知源加入已知库。
附图说明
图1为一种基于三元组损失的未知辐射源辨别方法的流程图；
图2为辐射源识别模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于三元组损失的未知辐射源辨别方法，包括以下步骤：
S1、采集已知辐射源数据，构建训练集；
S2、从训练集选取一批带标签的样本，构建标准三元组，采用标准三元组对辐射源识别模型进行训练，得到训练完成的辐射源识别模型；
如图2所示，步骤S2中辐射源识别模型包括依次连接的预处理模块、信号域变换模块、神经网络模型和归一化处理模块。
预处理模块包括：数据分割、过滤、清洗和归一化操作。
数据分割是为了让输入样本保持一样的数据长度。其长度不能太长，太长会加大网络负担，计算太慢。长度也不能太短，太短会导致数据中包含的辐射源指纹特征过少，不利于辨识。具体的长度设置取决于具体数据。
过滤指对目标信号频带外的杂波和干扰的过滤，过滤使用信号处理的手段，可以设计特定的FIR滤波器进行滤波。
清洗是针对异常的信号或者空信号的，采集的信号难免会有无信号和有干扰的情况。使用目标频带信噪比、时域能量等指标来估计数据的有效性，再对剔除无效数据。归一化是为了提高模型的鲁棒性。
信号域变换是为了神经网络方法适应电磁认知所增加的模块，目的是通过某种变换方法向网络提供电磁数据在其他维度上网络不易直接提取的、更加丰富细微的、更加适合网络输入的特性。具体的信号域变换方法有短时傅里叶变换、小波变换和高阶谱特征法等，本发明采用多特征融合技术，将多种特征组合成高阶张量，将各个特征放入不同通道，例如将短时傅里叶变换实部、短时傅里叶变换虚部、对数幅度特征、相位特征、小波变换等组合作为网络输入。需要注意的是需要调整参数或通过裁剪使各个特征维持相同尺寸。使用多特征融合技术的好处是，通过人工手段获得线性变换难以得到的特征，丰富了信号特征表达，使网络自主从各个特征综合学习指纹特征，让各种特征互补，提高网络识别准确率。神经网络部分可采取一些成熟的网络结构如Resnet、Inception等。
在本实施例中，信号域变换的具体实现如下：
对预处理模块的输出x(n)作短时傅里叶变换，其中x(n)为复向量，长度L为8192，即n的取值范围为0,1,…,8191。使用的短时傅里叶变换公式如下：
Figure BDA0002961027920000061
其中，N为傅里叶变换点数，S为窗口平移间隔，M为窗口平移次数，w(n)为窗函数，得到的短时傅里叶变换X(k,m)为N*M的矩阵。
本例中，N＝256,R＝64,M＝256，w(n)取窗长为128的Hamming窗。在这样的参数设置下短时傅里叶变换X(k,m)恰好为256*256的复数矩阵。
经多维度特征融合，将最终的融合特征f∈RN*M*4进行归一化后就可以作为神经网络的输入，具体公式如下:
Figure BDA0002961027920000071
其中，real为取实部函数，img为取虚部函数。
步骤S2包括以下分步骤：
S21、从训练集选取一批带标签的样本；
S22、将带标签的样本输入辐射源识别模型中，得到每个样本对应的嵌套向量；
S23、根据每个样本对应的嵌套向量，从带标签的样本中选取锚点、正例和负例构建标准三元组；
步骤S23包括以下分步骤：
S231、从带标签的样本中随机选取锚点，选取同标签样本作为正例，选取异标签样本作为负例；
S232、将锚点、正例和负例构成原始三元组；
S233、选取满足d(锚点,负例)-d(锚点,正例)<设定阈值的三元组，得到标准三元组，其中，d(锚点,负例)为锚点与负例在embedding空间的距离，d(锚点,正例)为锚点与正例在embedding空间的距离。
在本实施例中，设定阈值范围为区间(0,2)。
S24、采用标准三元组对辐射源识别模型进行训练，判断标准三元组损失函数是否收敛，若是，则得到训练完成的辐射源识别模型，若否，则跳转至步骤S21。
步骤S24中对辐射源识别模型进行训练的方法为：将标准三元组输入辐射源识别模型中，采用优化器最小化三元组损失函数，反向传播，优化辐射源识别模型的参数；经过逐步优化，网络将具备使同源样本聚合，异源样本分离的功能。
三元组损失函数为：
Figure BDA0002961027920000081
其中，l为三元组损失函数，d(锚点,正例)为锚点与正例在embedding空间的距离，d(锚点,负例)为锚点与负例在embedding空间的距离，margin为设置阈值，λ为
Figure BDA0002961027920000082
和d(锚点,正例)间的比重。
S3、将多个已知辐射源数据输入训练完成的辐射源识别模型中，正向传播，得到每个已知辐射源数据对应的嵌套向量；
S4、对每个已知辐射源数据对应的嵌套向量进行可视化处理，构建已知库；
步骤S4包括以下分步骤：
S41、采用PCA对每个已知辐射源数据对应的嵌套向量进行可视化处理，判断每个已知辐射源数据对应的嵌套向量是否为单个中心簇状结构，若是，则计算每个已知辐射源数据对应的所有嵌套向量的均值的单位向量，并将该单位向量作为该已知辐射源数据的向量中心，若否，则跳转至步骤S42；
S42、选取同一已知辐射源数据的各个簇的特征向量作为该已知辐射源数据的多个参考特征向量；
同一辐射源数据可能会以多个簇的形式汇聚，这种情况则选出各个簇的典型特征向量作为该辐射源的多个参考特征向量。
S43、将多个参考特征向量、向量中心、以及参考特征向量和向量中心对应已知辐射源数据的标签作为已知库。
S5、将待测辐射源数据输入训练完成的辐射源识别模型，正向传播，得到待测辐射源数据对应的嵌套向量；
S6、根据待测辐射源数据对应的嵌套向量和已知库，判断该待测辐射源数据为已知源或未知源。
步骤S6包括以下分步骤：
S61、在已知库找到与待测辐射源数据对应的嵌套向量距离最近的参考特征向量或向量中心，即最近特征向量，并基于距离最近特征向量找到已知库中对应的已知辐射源数据的标签，得到已知源；
S62、计算待测辐射源数据对应的嵌套向量与最近特征向量的距离，判断该距离是否大于设定额定阈值，若是，则判定该待测辐射源数据为已知源，若否，则为未知源。
本发明通过一定规则选取合适的辐射源数据，构成三元组进行网络训练。训练出的网络能够使同一辐射源的数据在embedding特征空间中距离互相靠近，同时使不同辐射源的特征向量互相远离。测试时，将待测样本与各个已知源的特征向量计算距离，即可判断待测样本是否属于已知源或者属于哪个已知源。

Claims (7)

1.一种基于三元组损失的未知辐射源辨别方法，其特征在于，包括以下步骤：
S1、采集已知辐射源数据，构建训练集；
S2、从训练集选取一批带标签的样本，构建标准三元组，采用标准三元组对辐射源识别模型进行训练，得到训练完成的辐射源识别模型；
S3、将多个已知辐射源数据输入训练完成的辐射源识别模型中，正向传播，得到每个已知辐射源数据对应的嵌套向量；
S4、对每个已知辐射源数据对应的嵌套向量进行可视化处理，构建已知库；
所述步骤S4包括以下分步骤：
S41、采用PCA对每个已知辐射源数据对应的嵌套向量进行可视化处理，判断每个已知辐射源数据对应的嵌套向量是否为单个中心簇状结构，若是，则计算每个已知辐射源数据对应的所有嵌套向量的均值的单位向量，并将该单位向量作为该已知辐射源数据的向量中心，若否，则跳转至步骤S42；
S42、选取同一已知辐射源数据的各个簇的特征向量作为该已知辐射源数据的多个参考特征向量；
S43、将多个参考特征向量、向量中心、以及参考特征向量和向量中心对应已知辐射源数据的标签作为已知库；
S5、将待测辐射源数据输入训练完成的辐射源识别模型，正向传播，得到待测辐射源数据对应的嵌套向量；
S6、根据待测辐射源数据对应的嵌套向量和已知库，判断该待测辐射源数据为已知源或未知源。
2.根据权利要求1所述的基于三元组损失的未知辐射源辨别方法，其特征在于，所述步骤S2中辐射源识别模型包括依次连接的预处理模块、信号域变换模块、神经网络模型和归一化处理模块。
3.根据权利要求1所述的基于三元组损失的未知辐射源辨别方法，其特征在于，所述步骤S2包括以下分步骤：
S21、从训练集选取一批带标签的样本；
S22、将带标签的样本输入辐射源识别模型中，得到每个样本对应的嵌套向量；
S23、根据每个样本对应的嵌套向量，从带标签的样本中选取锚点、正例和负例构建标准三元组；
S24、采用标准三元组对辐射源识别模型进行训练，判断标准三元组损失函数是否收敛，若是，则得到训练完成的辐射源识别模型，若否，则跳转至步骤S21。
4.根据权利要求3所述的基于三元组损失的未知辐射源辨别方法，其特征在于，所述步骤S23包括以下分步骤：
S231、从带标签的样本中随机选取锚点，选取同标签样本作为正例，选取异标签样本作为负例；
S232、将锚点、正例和负例构成原始三元组；
S233、选取满足d(锚点,负例)-d(锚点,正例)＜设定阈值的三元组，得到标准三元组，其中，d(锚点,负例)为锚点与负例在embedding空间的距离，d(锚点,正例)为锚点与正例在embedding空间的距离。
5.根据权利要求3所述的基于三元组损失的未知辐射源辨别方法，其特征在于，所述步骤S24中对辐射源识别模型进行训练的方法为：将标准三元组输入辐射源识别模型中，采用优化器最小化三元组损失函数，反向传播，优化辐射源识别模型的参数。
6.根据权利要求5所述的基于三元组损失的未知辐射源辨别方法，其特征在于，所述三元组损失函数为：
Figure FDA0003695915220000031
其中，l为三元组损失函数，d(锚点,正例)为锚点与正例在embedding空间的距离，d(锚点,负例)为锚点与负例在embedding空间的距离，margin为设置阈值，λ为比重参数。
7.根据权利要求1所述的基于三元组损失的未知辐射源辨别方法，其特征在于，所述步骤S6包括以下分步骤：
S61、在已知库找到与待测辐射源数据对应的嵌套向量距离最近的参考特征向量或向量中心，即最近特征向量，并基于距离最近特征向量找到已知库中对应的已知辐射源数据的标签，得到已知源；
S62、计算待测辐射源数据对应的嵌套向量与最近特征向量的距离，判断该距离是否大于设定额定阈值，若是，则判定该待测辐射源数据为已知源，若否，则为未知源。
CN202110238027.4A 2021-03-04 2021-03-04 一种基于三元组损失的未知辐射源辨别方法 Active CN112949720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110238027.4A CN112949720B (zh) 2021-03-04 2021-03-04 一种基于三元组损失的未知辐射源辨别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110238027.4A CN112949720B (zh) 2021-03-04 2021-03-04 一种基于三元组损失的未知辐射源辨别方法

Publications (2)

Publication Number Publication Date
CN112949720A CN112949720A (zh) 2021-06-11
CN112949720B true CN112949720B (zh) 2022-08-05

Family

ID=76247491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110238027.4A Active CN112949720B (zh) 2021-03-04 2021-03-04 一种基于三元组损失的未知辐射源辨别方法

Country Status (1)

Country Link
CN (1) CN112949720B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881079A (zh) * 2022-05-11 2022-08-09 北京大学 面向穿戴式传感器的人体运动意图异常检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287770A (zh) * 2019-05-10 2019-09-27 中国船舶重工集团公司第七一五研究所 一种基于卷积神经网络的水中个体目标匹配识别方法
CN112163636A (zh) * 2020-10-15 2021-01-01 电子科技大学 基于孪生神经网络的电磁信号辐射源的未知模式识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5637157B2 (ja) * 2012-03-01 2014-12-10 日本電気株式会社 無線局データベース作成装置、電波監視装置、方法およびプログラム
JP5301717B1 (ja) * 2012-08-01 2013-09-25 株式会社日立パワーソリューションズ 設備状態監視方法およびその装置
CN108399395A (zh) * 2018-03-13 2018-08-14 成都数智凌云科技有限公司 基于端到端深度神经网络的语音和人脸复合身份认证方法
WO2019231105A1 (ko) * 2018-05-31 2019-12-05 한국과학기술원 트리플릿 기반의 손실함수를 활용한 순서가 있는 분류문제를 위한 딥러닝 모델 학습 방법 및 장치
CN111582320B (zh) * 2020-04-17 2022-10-14 电子科技大学 一种基于半监督学习的动态个体识别方法
CN112183659B (zh) * 2020-10-15 2023-04-07 电子科技大学 一种基于卷积神经网络的未知信号辐射源识别方法
CN112016539B (zh) * 2020-10-29 2021-03-26 上海特金信息科技有限公司 信号识别方法、装置、电子设备与存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287770A (zh) * 2019-05-10 2019-09-27 中国船舶重工集团公司第七一五研究所 一种基于卷积神经网络的水中个体目标匹配识别方法
CN112163636A (zh) * 2020-10-15 2021-01-01 电子科技大学 基于孪生神经网络的电磁信号辐射源的未知模式识别方法

Also Published As

Publication number Publication date
CN112949720A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN113378632A (zh) 一种基于伪标签优化的无监督域适应行人重识别算法
CN110826630A (zh) 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法
CN110942091B (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN109142946A (zh) 基于蚁群算法优化随机森林的变压器故障检测方法
CN113326731A (zh) 一种基于动量网络指导的跨域行人重识别算法
CN112183659B (zh) 一种基于卷积神经网络的未知信号辐射源识别方法
CN112241724A (zh) 一种基于双路卷积长短期神经网络的自动识别方法及系统
CN113364751B (zh) 网络攻击预测方法、计算机可读存储介质及电子设备
CN112560596B (zh) 一种雷达干扰类别识别方法及系统
CN113541834B (zh) 一种异常信号半监督分类方法、系统、数据处理终端
CN112613536A (zh) 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN112949720B (zh) 一种基于三元组损失的未知辐射源辨别方法
CN114626435A (zh) 一种高准确率的滚动轴承智能故障特征选择方法
CN109150830A (zh) 一种基于支持向量机和概率神经网络的层次入侵检测方法
Mishra et al. Kohonen self organizing map with modified k-means clustering for high dimensional data set
CN107195297A (zh) 一种融合数据归一化的自适应变异鸟群语音识别系统
CN112487933B (zh) 一种基于自动化深度学习的雷达波形识别方法及系统
CN112699936B (zh) 一种电力cps广义虚假数据注入攻击识别方法
Liang et al. Comparison-based convolutional neural networks for cervical cell/clumps detection in the limited data scenario
Zheng Improved K-means clustering algorithm based on dynamic clustering
CN110532867A (zh) 一种基于黄金分割法的人脸图像聚类方法
CN115982722A (zh) 一种基于决策树的漏洞分类检测方法
Cui et al. Weighted particle swarm clustering algorithm for self-organizing maps
CN114463569A (zh) 一种基于优化自适应度量学习的图像匹配方法及系统
CN115438239A (zh) 一种自动化异常样本筛选的异常检测方法及装置

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