CN113065395A - 一种基于生成对抗网络的雷达目标新类检测方法 - Google Patents
一种基于生成对抗网络的雷达目标新类检测方法 Download PDFInfo
- Publication number
- CN113065395A CN113065395A CN202110225266.6A CN202110225266A CN113065395A CN 113065395 A CN113065395 A CN 113065395A CN 202110225266 A CN202110225266 A CN 202110225266A CN 113065395 A CN113065395 A CN 113065395A
- Authority
- CN
- China
- Prior art keywords
- data
- class
- new
- sample
- network
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了了一种基于生成对抗网络的雷达目标新类检测方法,通过收集雷达辐射源信号数据,进行特征提取,利用生成对抗网络构建样本空间,并使用随机噪声数据,生成拟合低密度区域样本的新数据,利用该数据,进行对抗学习,使得判别器获得对新类的识别能力。之后对新类进行聚类,获得类别标签,并重新加入到网络中协助训练。同时考虑到网络可能出现灾难性遗忘的问题,引入弹性权重合并正则项帮助保护权重信息。本发明基于生成对抗网络,利用样本空间的低密度区域数据学习获得对新类的识别能力,并将已识别到的新类通过在线更新的方式重新加入网络协助训练,降低了模型更新的开销,进而实现对数据中新类别的检测。
Description
技术领域
本发明属于雷达信号检测技术领域,更为具体地讲,涉及一种基于生成对抗网络的雷达目标新类检测方法。
背景技术
随着科学技术的发展,战场雷达技术日新月异,各种新式雷达在战场上应用也越来越多。能够及时从繁杂的战场雷达信息中识别出敌方的新式雷达,对于提高战场效率有着至关重要的作用。
传统的雷达类别检测方法都是针对已有的雷达信息进行检测并分类,对于战场上出现的新类别雷达无法做出判断或者会将其划分到已知雷达种类中而导致错误。而传统的新类检测方法都是针对已有的类别检测方法进行改造,例如基于神经网络的OpenMax方法,这些方法依赖于分类器本身的分类性能,如果分类器针对已知类的分类效果不明显的话,新类的检测效果也不会好。新类检测系统必须能够准确地将已知类与新类划分开来,并对新类也完成准确地分类,这是当前新类检测领域需要解决的核心问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于生成对抗网络的雷达目标的新类检测方法,以实现对雷达目标的新类对象快速准确的分类检测。
为实现上述发明目的,本发明基于生成对抗网络的雷达目标新类检测方法,其特征在于、包括以下步骤:
(1)、收集雷达辐射源信号;
(2)、针对原始信号数据使用带注意力机制的循环神经网络进行特征提取;
(3)、构建样本空间,同时构建生成对抗网络,其中生成器将使用随机噪声作为输入,生成样本用来拟合样本空间中低密度区域的样本,生成样本输入到判别器中,帮助训练判别器,学习并获得识别新类样本的能力;
(4)、新样本到来后,判别器将处于低密度区域的新样本判别为“未知”类,并基于局部密度算法将真正的新类目标与噪声数据从“未知”类中划分开;
(5)、使用基于密度的聚类算法对新类数据进行聚类,为识别到的新类赋予人工标签,再将这些已识别的类别在线地加入到生成对抗网络的增量在线模型中,并利用新类样本数据进行训练,使得模型能够快速地对新类进行识别与学习;
同时,在生成对抗网络的判别器中加入弹性权重合并等正则项来保护网络中的重要权重,避免神经网络训练出现灾难性遗忘问题。并且将检测到的类作为新的标签类加入到生成对抗网络中进行训练,具体而言,利用初始数据学习一个生成对抗网络,同时通过一个同步微簇动态维护当前概念。对于一个新来的样本,首先利用生成对抗网络进行预测,当前已知的类别个数总数为C。如果新数据预测为“未知”类,则将该数据放入到一个缓冲区中,否则放入一个数据块中。当数据块达到一定数量时,利用数据块的数据增量式更新生成对抗网络模型。在检测“未知”类中有新类出现时,将新类作为第C+1个类动态加入到生成对抗网络中,并利用“未知”类中的数据进行训练。利用增量更新的方式可以减少新数据到来时更新模型的资源消耗,使得模型可以对雷达目标信号进行快速地未知类的识别与学习。
本发明的目的是这样实现的。
本发明基于生成对抗网络的雷达目标新类识别方法,通过获得雷达辐射源的特征数据,然后使用神经网络提取雷达信号数据的特征,并利用这些特征构建样本空间,生成对抗网络则利用随机噪声去拟合低密度区域的样本数据进行学习,使得判别器能够获得对新类样本的准确的辨识能力。同时,增加弹性权重合并正则项来避免网络出现灾难性遗忘的问题。此外,为了减少模型更新的资源消耗,并提高新类的识别效率,使用在线增量更新的方式,实现对新类的快速地识别与学习。
附图说明
图1是本发明基于生成对抗网络的雷达目标新类识别方法的一种具体实现方式流程图;
图2是本发明的生成对抗网络检测新类的示意图,其中左图中的点是三个已知类别的样本点x~pdata(x),中间图的小黑点是生成器从噪声空间中点学习生成的生成数据G(z),右图为新类检测与学习的示意图;
图3是本发明的基于局部密度方法划分新类数据和噪声数据的示意图,其中每个点都是“未知”类中的样本点。K=3表示使用点O周围3个点的局部密度进行判断,如果点O的异常分数LOF3(O)>1表明点O的局部密度要小于其周围的邻近点,则点O会被识别为噪声异常点;
图4是本发明基于生成对抗网络的雷达信号新类检测方法的一种具体实施方式的分析检测异常的系统框架图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明基于生成对抗网络的雷达目标新类识别的检测方法一种具体实施方式流程图。
在本实施例中,如图1所示,本发明基于生成对抗网络的雷达目标新类检测方法包括一项步骤:
S1:收集雷达辐射源信号
此处的数据主要指雷达接收设备的接收到的雷达辐射源信号数据。
将这些不同雷达信号的数据规格化,取相同时间段内的信号,就获得了一个多维时间序列数据集D。使用di表示某一个雷达目标的信号数据,yi表示di的类别,di包含N个特征x1,x2,…,xN,其中,每个雷达信号接收器记录了[0,t-1]的长度为t的信号数据(i表示第i个雷达目标,j表示第i个雷达上的第j个维度)。
S2:数据特征提取
对于从每个雷达目标上获得的数据,需要提取获得其特征向量,针对雷达信号是多维时间序列数据的特点,设计使用包含自注意力机制和随机分组置换的循环神经网络来对数据进行特征的提取工作。
在本实施例中,自注意力机制能够捕获时序数据的时间点之间的依赖关系,随机分组置换机制将原本多维时序的不同维度打乱顺序,随机抽取出若干维度作为一个小组,加入训练,能够捕获不同维度之间的交互和相互关联的特征信息。
S3:训练判别器
针对已获得特征向量,构建其样本空间,同时构建起生成对抗网络,其中的生成器使用基于随机噪声数据,生成新样本,用于拟合样本空间的低密度区域样本,并将生成样本输入到判别器中,让判别器训练识别新样本的能力。依据生成对抗网络的思想,在生成器与判别器之间不停进行对抗训练,使得双方的性能到达收敛的状态。具体来说,生成对抗网络基于已有的数据,首先学习到已有的数据的分布规律,利用噪声空间数据,学习生成低密度区域样本的分布规律。生成器将生成拟合真实数据的低密度区域数据,通过低密度区域中真实数据与生成数据之间的对抗帮助判别器学习更好的分类界面,同时检测新类数据,将其判别为“未知”类。
具体来说,步骤如下:
3.1)、为了使得生成器生成的数据能够拟合样本空间低密度区域的样本,需要对生成对抗网络原有的损失函数进行修改。
生成器的目标是让判别器将自己生成的样本识别为真实样本,其损失函数如下:
其中,D(G(z;θ);φ)为判别器将样本识别为真实数据的概率,G(z;θ)表示生成器由随机噪声空间Z生成的样本。
为了使得生成器生成的数据同时还需要拟合低密度区域样本,为其增加一个损失函数:
其中,表示数据被分类器识别为任何类别的概率都是相等的分布情况,也即数据无法被划分到任何一个已知类中。通过约束生成器生成的满足该分布的数据样本,就可以使得生成的数据点不再当前任何一个已知类别的范围内,也即样本空间的低密度区域。
综上,生成器的总的损失函数如下:
这样生成器就能够生成拟合低密度区域数据的新样本,使用这样的新样本对抗训练的判别器就能够识别新出现样本中的新类样本。
3.2)、生成对抗网络的判别器通过与生成器生成的新数据的对抗训练,获得了新类的识别能力,同时获得了对类别划分更好的分类边界。
对于到来的真实样本,判别能够将新类识别为“未知”类,并输出,其中“未知”类同时包含有噪声数据与新类数据。
在本实施例中,如图2左所示,生成对抗网络首先学习真实数据的分布情况,图2中生成器则生成拟合低密度区域的新数据,利用生成数据与判别器进行对抗训练,最终使得判别器能够学习到更好的分类界面,能够识别到新类数据,如图2右所示。
S4:区分新类数据与噪声数据
经过生成对抗网络训练之后的判别器能够区分之后新来数据的新类数据,新类数据在训练时从未见过,但是判别器能够将其区分出来,但是同时区分出来的还有噪声数据,即当前的“未知”类数据中同时包含了新类数据与噪声数据,需要将新类数据筛选出来。
考虑到新类数据与噪声数据存在不同分布的性质,使用基于局部密度的离群点检测算法对“未知”类数据进行离群点检测。那些噪声数据通常与正常数据的局部密度存在较大的偏离,因此基于每个点的局部密度信息能够将噪声点与新类数据分开,最终得到不包含噪声数据的新类数据。
具体来说,对于“未知”类中的任意两个样本点Xi和Xj,使用欧式距离来度量两者之间的距离。欧式距离定义如下:
其中,n为样本点的维数,(Xim-Xjm)计算了Xi和Xj的每个维度的差值。
为目标数据点O定义dk(O)为点O的第k距离,dk(O)=d(O,P),也即点P是距离O最近的第k个点。设Nk(O)为点O的第k距离邻域,满足Nk(O)={P′∈D{O}|d(O,P′)≤dk(O)},即该集合包含所有到点O距离小于点O第k邻域距离的点。将点P到点O的第k可达距离至少是点O的第k距离,定义为dk(O,P)=max{dk(O),d(O,P)}。
基于上述的定义,得到局部可到密度的定义为:
如果点O和周围领域点是同一簇,那么可达距离约可能为较小的dk(O),导致可达距离之和越小,局部可达密度越大。如果点O和周围邻域点较远,那么可达距离可能会取较大值d(O,P),导致可达距离之和越大,局部可达密度越小。
最终就能够计算每个样本点的局部离群因子:
即为,计算点O的邻域内的其他点的局部可达密度与点O的局部可达密度之比的平均数。如果这个比值约接近1,说明点O的邻域点密度差不多,O可能和邻域属于同一簇;如果这个比值小于1,说明O的密度高于其邻域点密度,O为密集点;如果这个比值大于1,说明O的密度小于其邻域点密度,O可能是异常点。基于此将真正的新类数据与噪声点进行了区分,获得了新类数据点。
在本实施例中,判断某个点与其邻域的其他点的局部可达密度比例如图3示意。图中点O选取了3个邻域内的点进行局部可达密度的比较,最终的结果大于1,表明O是噪声点。
S5:新类聚类
使用基于密度的聚类算法对新类进行聚类,再将已有类标签的数据重新加入到模型中,实现增量更新的目的。
5.1)、基于密度的新类聚类
对于获得的新类数据,如果采用一般的基于距离的聚类方式,可能会出现不同的类别数据之间的样本之间的距离也较小,从而影响聚类结果,使得结果不佳。基于密度的聚类算法,实现对新类的聚类。
在本实施例中,基于密度的聚类方法具体如下:
5.1.1)、样本点集为D={x1,x2,…,xm},邻域参数为(∈,MinPts)。初始化当前样本中的核心对象集合对样本集中的每一个样本xj计算其∈-邻域N∈(xj),即D中所有与xj的距离不大于∈的样本。如果|N∈(xj)|≥MinPts,则将样本xj加入到核心对象集合Ω中。
5.1.2)、初始化聚类簇数k=0,初始化未访问样本集合Γ=D。
5.1.3)、当核心对象集合Ω不为空时,进行如下操作:记录当前未访问样本集合Γold=Γ,随机选取一个核心对象o∈Ω,初始化队列Q=<o>,并更新Γ=Γ\{o}。当队列Q不为空时,取出队列Q中的首个样本q,如果|N∈(q)|≥MinPts,则令Δ=N∈(q)∩Γ,并将Δ中的样本加入到队列Q中,并将Δ从Γ中除去,重复上述操作直至队列Q为空。聚类簇数增加1,生成聚类簇Ck=Γold\Γ,将Ck从Ω中除去。直至核心对象集合Ω为空。
5.1.4)、得到了新类样本的簇划分C={C1,C2,…,Ck}。
5.2)、生成对抗网络的在线更新
在真实场景下,需要对连续到达的雷达目标数据进行不断的学习、更新模型并预测,同时将检测到的新类加入到生成对抗网络中,实现对网络的在线式增量学习,以降低模型更新的资源消耗。
在本发明中,在整个新类样本生成学习过程中,在判别器的优化函数中加入弹性权重合并等正则项来保护网络中的重要权重。具体来说,在学习过程中,计算每一个权重对于该任务的重要程度。当学习到新任务时,按照连接到旧任务的重要程度按比例对连接进行修改保护。同时,将赋予标签的新类重新动态地加入到网络中,进行训练。
在本实施例中,上述在线更新学习方法具体如下:
5.2.1)、为了防止生成对抗网络在连续学习中出现灾难性遗忘问题的出现,在判别器的优化函数中加入弹性权重合并正则项来保护重要权重。具体来说,任务B的偏置与之前任务A的偏置是非常接近的,为了将已经训练好的模型的参数用正则项保护起来。把参数的损失函数写成下面的公式:
上式中的F用于评估参数的重要程度,参数越重要,则其对应的F就越大,可以计算参数的对损失函数的二阶偏导。
5.2.2)、利用初始的样本数据学习一个生成对抗网络,同时利用动态微簇维护当前的概念。
5.2.3)、当新样本到来时,首先利用生成对抗网络进行预测。如果预测为“未知”类,则将该数据放入到一个缓冲区中,否则放入到一个数据块中。当数据块达到一定数量时,利用数据块中的数据增量更新生成对抗网络模型。在检测“未知”类中有新类出现时,将新类作为新的已知类动态加入生成对抗网络中,并利用“未知”类中的数据进行训练。
图4是本发明基于生成对抗网络的雷达目标新类检测方法一种具体实施方式的分析检测异常的系统框架图。
在本实施例中,如图4所示,接收到雷达目标信号数据,进行新类识别时,包含以下步骤(1)获得来雷达辐射源信号数据;(2)对雷达目标信号数据进行特征提取;(3)利用生成对抗网络学习低密度区域样本表征,识别“未知”类;(4)利用局部密度从“未知”类中识别新类;(5)对新类数据进行聚类,并将结果在线更新生成对抗网络网络。
尽管上面对本发明说明性的具体实施方式进行了描述,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,对本技术邻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文内,这些变化是显而易见的,一切利用本方面构思的发明创造均在保护之列。
Claims (2)
1.一种基于生成对抗网络的雷达目标新类检测方法,其特征在于,包括以下步骤:
(1)、收集雷达辐射源信号数据;
(2)、针对雷达目标信号的特点,使用带注意力机制的循环神经网络进行特征提取;
(3)、基于获得的特征,构建起一个样本空间。构建生成对抗网络,其中生成器使用噪声数据,生成用于拟合低密度区域的样本,生成样本对抗训练判别器;
(4)、将低密度区域样本判别为“未知”类,并基于局部密度算法将新类数据与噪声数据从“未知”类中划分开;
(5)、使用基于密度的聚类算法对新类数据进行聚类,为识别到的新类赋予人工标签,再将这些类别在线地加入到生成对抗网络的增量在线模型中,并利用新类样本数据进行训练,使得模型能够快速地对新类进行识别与学习;
同时,在生成对抗网络的判别器中加入弹性权重合并等正则项来保护网络中的重要权重,避免神经网络训练出现灾难性遗忘问题。并且将检测到的类作为新的标签类加入到生成对抗网络中进行训练,具体而言,利用初始数据学习一个生成对抗网络,同时通过一个同步微簇动态维护当前概念。对于一个新来的样本,首先利用生成对抗网络进行预测,如果预测为“未知”类,则将该数据放入到一个缓冲区中,否则放入一个数据块中。当数据块达到一定数量时,利用数据块的数据增量式更新生成对抗网络模型。在检测“未知”类中有新类出现时,将新类作为新的已知类动态加入到生成对抗网络中,并利用“未知”类中的数据进行训练。利用增量更新的方式可以减少新数据到来时更新模型的资源消耗,使得模型可以对雷达目标信号进行快速地未知类的识别与学习。
2.根据权利要求1所述的新类检测方法,其特征在于,步骤(3)中,利用随机噪声数据,生成样本,拟合低密度区域样本数据,使得判别器获得对新类的识别能力:
3.1)、为了使得生成器生成的数据能够拟合样本空间低密度区域的样本,需要对生成对抗网络原有的损失函数进行修改。
生成器的目标是让判别器将自己生成的样本识别为真实样本,其损失函数如下:
其中,D(G(z;θ);φ)为判别器将样本识别为真实数据的概率,G(z;θ)表示生成器由随机噪声空间Z生成的样本。
为了使得生成器生成的数据同时还需要拟合低密度区域样本,为其增加一个损失函数:
其中,表示数据被分类器识别为任何类别的概率都是相等的分布情况,也即数据无法被划分到任何一个已知类中。通过约束生成器生成的满足该分布的数据样本,就可以使得生成的数据点不再当前任何一个已知类别的范围内,也即样本空间的低密度区域。
综上,生成器的总的损失函数如下:
这样生成器就能够生成拟合低密度区域数据的新样本,使用这样的新样本对抗训练的判别器就能够识别新出现样本中的新类样本。
3.2)、生成对抗网络的判别器通过与生成器生成的新数据的对抗训练,获得了新类的识别能力,同时获得了对类别划分更好的分类边界。
对于到来的真实样本,判别能够将新类识别为“未知”类,并输出,其中“未知”类同时包含有噪声数据与新类数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110225266.6A CN113065395A (zh) | 2021-03-01 | 2021-03-01 | 一种基于生成对抗网络的雷达目标新类检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110225266.6A CN113065395A (zh) | 2021-03-01 | 2021-03-01 | 一种基于生成对抗网络的雷达目标新类检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065395A true CN113065395A (zh) | 2021-07-02 |
Family
ID=76559397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110225266.6A Pending CN113065395A (zh) | 2021-03-01 | 2021-03-01 | 一种基于生成对抗网络的雷达目标新类检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065395A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449807A (zh) * | 2021-07-13 | 2021-09-28 | 电子科技大学 | 一种基于可靠性检验的新类别雷达信号创建方法 |
CN116127345A (zh) * | 2022-12-23 | 2023-05-16 | 北京科技大学 | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 |
-
2021
- 2021-03-01 CN CN202110225266.6A patent/CN113065395A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449807A (zh) * | 2021-07-13 | 2021-09-28 | 电子科技大学 | 一种基于可靠性检验的新类别雷达信号创建方法 |
CN113449807B (zh) * | 2021-07-13 | 2022-06-14 | 电子科技大学 | 一种基于可靠性检验的新类别雷达信号创建方法 |
CN116127345A (zh) * | 2022-12-23 | 2023-05-16 | 北京科技大学 | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 |
CN116127345B (zh) * | 2022-12-23 | 2023-11-14 | 北京科技大学 | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111181939B (zh) | 一种基于集成学习的网络入侵检测方法及装置 | |
CN108023876B (zh) | 基于可持续性集成学习的入侵检测方法及入侵检测系统 | |
Umadevi et al. | A survey on data mining classification algorithms | |
Bianco et al. | Combination of video change detection algorithms by genetic programming | |
Din et al. | Exploiting evolving micro-clusters for data stream classification with emerging class detection | |
CN111314331A (zh) | 一种基于条件变分自编码器的未知网络攻击检测方法 | |
CN110827265B (zh) | 基于深度学习的图片异常检测方法 | |
CN113065395A (zh) | 一种基于生成对抗网络的雷达目标新类检测方法 | |
Jemilda et al. | Moving object detection and tracking using genetic algorithm enabled extreme learning machine | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
WO2021200392A1 (ja) | データ調整システム、データ調整装置、データ調整方法、端末装置及び情報処理装置 | |
US11829442B2 (en) | Methods and systems for efficient batch active learning of a deep neural network | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及系统 | |
CN113179276A (zh) | 基于显式和隐含特征学习的智能入侵检测方法和系统 | |
CN113011513A (zh) | 一种基于通用域自适应的图像大数据分类方法 | |
CN112800934A (zh) | 一种多类别工程车的行为识别方法及装置 | |
US20230260259A1 (en) | Method and device for training a neural network | |
Wang et al. | Contrastive GNN-based Traffic Anomaly Analysis Against Imbalanced Dataset in IoT-based ITS | |
JP2015232805A (ja) | 画像処理方法、画像処理装置、および画像処理プログラム | |
KR101468560B1 (ko) | 마할라노비스 거리 기반 레이더 신호에 대한 이상치 펄스 탐지 방법 | |
CN111556017B (zh) | 一种基于自编码机的网络入侵检测方法及电子装置 | |
Smith et al. | Network discovery using wide-area surveillance data | |
Desai et al. | Unsupervised estimation of domain applicability of models | |
JP7205628B2 (ja) | 情報処理装置、制御方法、およびプログラム | |
CN113313138A (zh) | 基于概率生成模型的入侵行为特征转换方法、检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210702 |