CN113177521B - 一种基于组合孪生网络的智能辐射源识别方法 - Google Patents
一种基于组合孪生网络的智能辐射源识别方法 Download PDFInfo
- Publication number
- CN113177521B CN113177521B CN202110579620.5A CN202110579620A CN113177521B CN 113177521 B CN113177521 B CN 113177521B CN 202110579620 A CN202110579620 A CN 202110579620A CN 113177521 B CN113177521 B CN 113177521B
- Authority
- CN
- China
- Prior art keywords
- twin network
- radiation source
- unknown target
- network
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (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)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于组合孪生网络的智能辐射源识别方法,具体为:S1、采集若干样本,使用孪生网络进行数据增强;S2、根据增强后的数据,采用训练好的组合孪生网络对未知目标进行辨识;S3、对未知目标进行标定,并根据标定后的未知目标对组合孪生网络进行更新;S4、采用更新后的组合孪生网络对未知目标进行再入识别。本发明在充分融合传统信号识别的指纹信息的基础上,通过深度学习网络进一步挖掘辐射源信号的隐藏特征,有效解决了现有辐射源识别方法准确率低的问题。
Description
技术领域
本发明属于信号处理领域,具体涉及一种基于组合孪生网络的智能辐射源识别方法。
背景技术
近年来,随着电子技术的快速发展,电磁频谱智能应用呈现爆发式增长,为人们生活提供了便捷,为智能化武器提供基础。事实上,在复杂战场环境下获取的电磁数据存在数据体量大、目标有效样本少的问题。小样本威胁探测与个体识别技术是海量电磁数据处理的难点,由于不能预先知道电磁目标的信号特征,分类器设计复杂、识别率较低;另外,对于新型电磁目标,难以获得足够多的训练样本,不能训练出分类精度高的分类模型。因此如何有效地辨识威胁性高的未知目标并准确地进行再入识别对战场上主导权的获得至关重要。
当前利用深度学习对电磁目标进行识别仍处于前期探索阶段。通常场景下,训练一个有监督的深度学习网络模型需要大量的有标注的训练数据。然而,实际情况下,有标注的训练样本往往很少甚至是稀缺的。因此,获取大量有标注的数据将导致模型训练成本急剧的增加。例如,在战场等极端情况下,获取未标注的样本数据都存在着困难。故在控制计算成本的前提下,如何获得模型的最大性能提升是亟需解决的一个问题。另外,深度学习网络通常包含几十层,甚至上百层的结构,网络参数的规模更是达到亿级别,训练好如此复杂的深度网络通常需要十几个小时甚至几十个小时的时间,因此其计算复杂度是非常高的。相比之下,人类可以更快、更有效地学习新的概念和技能。例如只见过几张汽车的照片的小孩也能够在见到汽车时做出快速的判断;而懂得如何骑自行车的人可能会发现自己能够在没有指导的情况下快速获得骑摩托车的方法。是否能模拟人学习、知识迁移的过程,设计出一个具有类似特性的深度学习模型?换言之,希望算法模型能能学习到适用于准确识别已知目标并且能够辨识新目标的最佳模型,是大规模数据驱动的深度学习面临的新方向。因此,在复杂战场环境条件下,如何设计高智能低成本的深度学习未知目标辨识和再入识别模型成为了一个亟需解决的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于组合孪生网络的智能辐射源识别方法解决了在小样本条件下,现有技术无法有效地对未知目标进行辨识和再入识别的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于组合孪生网络的智能辐射源识别方法,包括以下步骤:
S1、采集若干样本,使用孪生网络进行数据增强;
S2、根据增强后的数据,采用训练好的组合孪生网络对未知目标进行辨识;
S3、对未知目标进行标定,并根据标定后的未知目标对组合孪生网络进行更新;
S4、采用更新后的组合孪生网络对未知目标进行再入识别。
进一步地,所述步骤S1具体为:
S1.2、通过样本组合,将单个孪生网络的训练样本数量扩充为k*nk的(k*nk-1)/2倍,完成数据增强。
进一步地,所述步骤S2具体为:
S2.1、使用增强后的数据对组合孪生网络进行训练,获取K个二分类器;
S2.2、将K个二分类器的输出进行softmax操作,得到组合孪生网络的输出P;
S2.3、采集待识别辐射源的若干信号并输入组合孪生网络,得到若干输出P;
S2.4、根据组合孪生网络的输出P,对待识别辐射源进行识别,得到未知目标识别结果。
进一步地,每个所述二分类器的输出为pk∈[0,1],k=1,2,...,K;所述组合孪生网络包括K个孪生网络,每个孪生网络对应一个类别。
进一步地,所述步骤S2.4包括采用香浓熵进行未知目标识别和采用网络输出分布P的最大值与第二大值的比值Pmax/Psec-max判断法进行未知目标识别。
进一步地,所述采用香浓熵进行未知目标识别的具体方法为:设定阈值,判断香浓熵Shannon(P)是否大于阈值,若是,则待识别辐射源为已知目标,否则为未知目标。
进一步地,所述香浓熵Shannon(P)具体为:
其中,Pk表示测试样本属于第k类目标的概率。
进一步地,所述采用网络输出分布P的最大值与第二大值的比值Pmax/Psec-max对未知目标进行识别的具体方法为:设定阈值,判断Pmax/Psec-max是否大于阈值,若是,则待识别辐射源为已知目标,否则为未知目标。
进一步地,所述步骤S3具体为:
S3.1、对未知目标进行标定,得到未知目标的分类标签;
S3.2、根据未知目标的分类标签,在组合孪生网络中增加第K+1类孪生网络,第K+1类为未知目标的类别;
S3.3、将未知目标的样本与数据增强后的样本进行组合,增加每个孪生网络的训练样本对;
S3.4、根据增加后的训练样本对,对增加网络后的组合孪生网络重新训练,完成更新。
本发明的有益效果为:
(1)本发明提供了一种基于组合孪生网络的智能辐射源识别方法,在充分融合传统信号识别的指纹信息的基础上,通过深度学习网络进一步挖掘辐射源信号的隐藏特征,有效解决了现有辐射源识别方法准确率低的问题。
(2)本发明利用孪生网络的输入特征,将不同类别的样本进行组合,增加训练样本的数量,解决了样本量少的问题。
(3)本发明通过识别未知目标,并增加网络结构进行再入识别,可以在小样本情况提高辐射源的识别准确率。
附图说明
图1为本发明提出的一种基于组合孪生网络的智能辐射源识别方法流程图。
图2为本发明中组合孪生网络示意图。
图3为本发明中判别指标值的分布图。
图4为本发明中网络更新示意图。
图5为本发明中已知目标识别混淆矩阵和未知目标再入识别混淆矩阵。
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。
下面结合附图详细说明本发明的实施例。
实施例1
如图1所示,一种基于组合孪生网络的智能辐射源识别方法,包括以下步骤:
S1、采集若干样本,并使用孪生网络进行数据增强;
S2、根据增强后的数据,采用训练好的组合孪生网络对未知目标进行辨识;
S3、对未知目标进行标定,并根据标定后的未知目标对组合孪生网络进行更新;
S4、采用更新后的组合孪生网络对未知目标进行再入识别。
所述步骤S1具体为:
S1.2、通过样本组合,将单个孪生网络的训练样本数量扩充为k*nk的(k*nk-1)/2倍,完成数据增强。
所述步骤S2具体为:
S2.1、使用增强后的数据对组合孪生网络进行训练,获取K个二分类器;
S2.2、将K个二分类器的输出进行softmax操作,得到组合孪生网络的输出P;
S2.3、采集待识别辐射源的若干信号并输入组合孪生网络,得到若干输出P;
S2.4、根据组合孪生网络的输出P,对待识别辐射源进行识别,得到未知目标识别结果。
每个所述二分类器的输出为pk∈[0,1],k=1,2,...,K;所述组合孪生网络包括K个孪生网络,每个孪生网络对应一个类别。
所述步骤S2.4包括采用香浓熵进行未知目标识别和采用输出阈值判断法进行未知目标识别。
所述采用香浓熵进行未知目标识别的具体方法为:设定阈值,判断香浓熵Shannon(P)是否大于阈值,若是,则待识别辐射源为已知目标,否则为未知目标。
所述香浓熵Shannon(P)具体为:
其中,Pk表示测试样本属于第k类目标的概率。
所述采用网络输出分布P的最大值与第二大值的比值Pmax/Psec-max对未知目标进行识别的具体方法为:设定阈值,判断Pmax/Psec-max是否大于阈值,若是,则待识别辐射源为已知目标,否则为未知目标。
所述步骤S3具体为:
S3.1、对未知目标进行标定,得到未知目标的分类标签;
S3.2、根据未知目标的分类标签,在组合孪生网络中增加第K+1类孪生网络,第K+1类为未知目标的类别;
S3.3、将未知目标的样本与数据增强后的样本进行组合,增加每个孪生网络的训练样本对;
S3.4、根据增加后的训练样本对,对增加网络后的组合孪生网络重新训练,完成更新。
本发明的有益效果为:
(1)本发明提供了一种基于组合孪生网络的智能辐射源识别方法,在充分融合传统信号识别的指纹信息的基础上,通过深度学习网络进一步挖掘辐射源信号的隐藏特征,有效解决了现有辐射源识别方法准确率低的问题。
(2)本发明利用孪生网络的输入特征,将不同类别的样本进行组合,增加训练样本的数量,解决了样本量少的问题。
(3)本发明通过识别未知目标,并增加网络结构进行再入识别,可以在小样本情况提高辐射源的识别准确率。
实施例2
本实施例提供一种基于组合孪生网络的智能辐射源识别方法。
Step 1:使用孪生网络进行数据增强。
孪生网络的输入为一对样本,网络通过学习样本对的相似性和差异性来识别样本对是否为同一类,如果两个输入样本是同一类,则网络输出为1;否则,输入0。对于k分类问题,在每类样本数量为nk的条件下,通过样本组合,单个孪生网络的训练样本数量为样本的数量扩充为原来的(k*nk-1)/2倍,从而实现数据增强。
Step 2:在小样本条件下,利用训练好的组合孪生网络对未知目标进行辨识。
在Step 1的基础上,使用孪生网络为每类目标训练一个二分类网络。即对于第k类目标,对应的第k个孪生网络的输入为第k类目标与其他类目标组合生成的样本对,用于识别样本对是否为同类,如果网络输出接近1,则样本对都为第k类目标的样本,否则,样本对中包含其他类样本。
对于K类已知目标,首先,使用组合孪生网络训练得到K个二分类器,每个二分类的输出为pk∈[0,1],对于已知目标,即判断测试样本属于第k类已知目标的概率,如果pk接近1,则测试样本属于第k类已知目标,如果pk接近0,则测试样本不属于第k类已知目标。
组合孪生网络具体结构如图2所示。
对于未知目标,网络的输入分布pk的分布具有一定的特点。在得到K个孪生网络的输出[p1,p2,...,pK]后,进行softmax操作,得到网络的最终输出P。然后,通过P的分布特点对已知目标进行识别和对未知目标进行辨识。未知目标的辨识是通过设置判别指标如P的香浓熵Shannon(P)以及P的最大值与第二大值的比值Pmax/Psec-max进行未知目标辨识。具体地,如果测试样本的输出对应的香浓熵和Pmax/Psec-max的值大于特定的阈值时,测试样本判别为未知目标,否则为已知目标。
香浓熵通常用于描述随机变量分布的混乱程度,其定义为:
对于已知目标,网络输出P的分布较集中,例如第一类测试样本的网络输出趋于P=[1,0,...,0],第k类测试样本的网络输出趋于P=[0,...,1,...,0],其中1位于第k个位置。对于未知目标,对应的测试样本的网络输出较混乱,因此可以通过Pmax/Psec-max进行判别。
通过大量测试样本,得到两个未知目标辨识的判别指标的数值的分布情况(如图3所示)。从图3中可以看到,未知目标的网络输出P的香浓熵较大(≥3),而已知目标的网络输出P的香浓熵较小(≤3)。另外,对于已知目标Pmax/Psec-max≥5,而未知目标Pmax/Psec-max≤5。
未知目标辨识准确率的计算公式为:
Acc1=(判别正确的已知测试目标数量+判别正确的未知测试目标数量)/测试样本总数。
Step 3:在小样本条件下,对网络进行更新。
在Step 2的基础上,将未知目标辨识出来之后,对网络结构进行更新,使得网络的结构与输入目标实时匹配。首先,增加已辨识的未知目标的孪生训练网络K+1;然后,更新每个网络的训练样本,即在原来的基础上,组合已辨识的未知目标样本与网络对应识别目标样本,生成新网络输入的样本对。具体原理如图4所示。
网络的更新过程主要通过增加已辨识的未知目标的二分类训练模型。首先,对已辨识的未知目标进行标定,增加其标签;然后,对每个孪生网络的训练样本集更新,对已辨识的未知目标与每类样本的进行组合,增加每个孪生网络的训练样本;最后,对所有孪生网络进行从新训练,从而实现网络更新。
Step 4:在小样本条件下,对未知目标进行再入识别。
在Step 3网络更新的基础上,对网络进行重新训练。由于网络结构更新的同时,每个子孪生网络的训练样本发生变化,所以需要对所有二分类器进行重新训练。此外,也可以在原来网络的基础上,对新增的输入样本进行重新训练,这样可以节省时间。网络重新训练之后就可以进行再入识别。
未知目标再入识别准确率公式为:
Acc2=(判别正确的已知测试目标数量+判别正确的已辨识的未知测试目标数量)/测试样本总数。
本发明提供的方法主要针对小样本条件下的未知目标辨识以及再入识别。首先,利用孪生网络的输入特征,将不同类别的样本进行组合,增加训练样本的数量,解决样本量少的问题;然后,为每一类目标训练一个二分类网络,即测试样本是否属于该类。若测试的样本属于该类,网络输出1,否则,网络输出0。最后,对所有目标训练网络的输出做softmax来辨识测试目标是否为未知目标,未知目标的辨识主要依赖两个判别指标,分别为网络输出分布的香浓熵以及输出分布的最大值与第二大值的比值。如果测试样本的这两个指标超过或低于相应的阈值,则判别为未知目标,否则为已知目标。在此基础上,利用已辨识的数量很少的未知目标对进行网络更新,进而实现未知目标的再入识别,从而有利于获得战场上的主导权。
最后给出本发明在小样本条件下,如100个雷达脉冲,5个已知雷达目标,1个未知目标条件下,已知目标识别混淆矩阵以及未知目标再入识别混淆矩阵(如图5所示)。
从图5中可以看出,已知目标识别准确率在90%以上。未知目标再入识别准确率在95%以上,这是由于网络是在已知目标分类的基础上进行训练的,已知目标识别准确率和未知目标再入识别准确率都较高。由此可以看出,本发明可以有效地辨识未知目标,而且对未知目标进行再入识别。
本发明的技术关键点是未知目标辨识判别指标。判别指标的有效性直接决定未知目标的辨识准确率,继而影响之后的网络更新以及再入识别。所以选取简单、高效的判别指标很重要。本发明中选取的香浓熵以及Pmax/Psec-max,计算简单而且能够有效识别未知目标。另外,阈值的选取也很重要。例如,未知目标的Pmax/Psec-max值在95%的置信区间内基本分布在[5,+∞],故该判别指标的阈值选为5。指标香浓熵在两种不同目标下的分布差别较明显,即未知目标在85%的的置信区间内基本分布在[3,+∞],故该判别指标的阈值选为3。
Claims (3)
1.一种基于组合孪生网络的智能辐射源识别方法,其特征在于,包括以下步骤:
S1、采集若干样本,使用孪生网络进行数据增强;
S2、根据增强后的数据,采用训练好的组合孪生网络对未知目标进行辨识;
S2.1、使用增强后的数据对组合孪生网络进行训练,获取K个二分类器;
S2.2、将K个二分类器的输出进行softmax操作,得到组合孪生网络的输出P;
S2.3、采集待识别辐射源的若干信号并输入组合孪生网络,得到若干输出P;
S2.4、根据组合孪生网络的输出P,对待识别辐射源进行识别,得到未知目标识别结果;
每个所述二分类器的输出为pk∈[0,1],k=1,2,...,K;所述组合孪生网络包括K个孪生网络,每个孪生网络对应一个类别;
所述步骤S2.4包括采用香浓熵进行未知目标识别和采用网络输出分布P的最大值与第二大值的比值Pmax/Psec-max对未知目标进行识别;
所述采用香浓熵进行未知目标识别的具体方法为:设定阈值,判断香浓熵Shannon(P)是否大于阈值,若是,则待识别辐射源为已知目标,否则为未知目标;
所述香浓熵Shannon(P)具体为:
其中,Pk表示测试样本属于第k类目标的概率;
所述采用网络输出分布P的最大值与第二大值的比值Pmax/Psec-max对未知目标进行识别的具体方法为:设定阈值,判断Pmax/Psec-max是否大于阈值,若是,则待识别辐射源为已知目标,否则为未知目标;
S3、对未知目标进行标定,并根据标定后的未知目标对组合孪生网络进行更新;
S4、采用更新后的组合孪生网络对未知目标进行再入识别。
3.根据权利要求2所述的基于组合孪生网络的智能辐射源识别方法,其特征在于,所述步骤S3具体为:
S3.1、对未知目标进行标定,得到未知目标的分类标签;
S3.2、根据未知目标的分类标签,在组合孪生网络中增加第K+1类孪生网络,第K+1类为未知目标的类别;
S3.3、将未知目标的样本与数据增强后的样本进行组合,增加每个孪生网络的训练样本对;
S3.4、根据增加后的训练样本对,对增加网络后的组合孪生网络重新训练,完成更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579620.5A CN113177521B (zh) | 2021-05-26 | 2021-05-26 | 一种基于组合孪生网络的智能辐射源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579620.5A CN113177521B (zh) | 2021-05-26 | 2021-05-26 | 一种基于组合孪生网络的智能辐射源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177521A CN113177521A (zh) | 2021-07-27 |
CN113177521B true CN113177521B (zh) | 2022-07-01 |
Family
ID=76927065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110579620.5A Active CN113177521B (zh) | 2021-05-26 | 2021-05-26 | 一种基于组合孪生网络的智能辐射源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177521B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707549B (zh) * | 2022-04-02 | 2023-04-07 | 中国人民解放军战略支援部队航天工程大学 | 一种辐射源电磁频谱指纹特征标定及提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN108805200A (zh) * | 2018-06-08 | 2018-11-13 | 中国矿业大学 | 基于深度孪生残差网络的光学遥感场景分类方法及装置 |
CN109993236A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 |
CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
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 |
CN112381121A (zh) * | 2020-10-28 | 2021-02-19 | 中国科学院信息工程研究所 | 一种基于孪生网络的未知类别网络流量的检测与识别方法 |
CN112784929A (zh) * | 2021-03-14 | 2021-05-11 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
CN112837747A (zh) * | 2021-01-13 | 2021-05-25 | 上海交通大学 | 基于注意力孪生网络的蛋白质结合位点预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010016109A1 (ja) * | 2008-08-05 | 2010-02-11 | 富士通株式会社 | サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置 |
CN109508655B (zh) * | 2018-10-28 | 2023-04-25 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
-
2021
- 2021-05-26 CN CN202110579620.5A patent/CN113177521B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN108805200A (zh) * | 2018-06-08 | 2018-11-13 | 中国矿业大学 | 基于深度孪生残差网络的光学遥感场景分类方法及装置 |
CN109993236A (zh) * | 2019-04-10 | 2019-07-09 | 大连民族大学 | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 |
CN111858991A (zh) * | 2020-08-06 | 2020-10-30 | 南京大学 | 一种基于协方差度量的小样本学习算法 |
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 |
CN112381121A (zh) * | 2020-10-28 | 2021-02-19 | 中国科学院信息工程研究所 | 一种基于孪生网络的未知类别网络流量的检测与识别方法 |
CN112837747A (zh) * | 2021-01-13 | 2021-05-25 | 上海交通大学 | 基于注意力孪生网络的蛋白质结合位点预测方法 |
CN112784929A (zh) * | 2021-03-14 | 2021-05-11 | 西北工业大学 | 一种基于双元组扩充的小样本图像分类方法及装置 |
Non-Patent Citations (5)
Title |
---|
Joint Feature and Similarity Deep Learning for Vehicle Re-identification;Jianqing Zhu 等;《Journals & Magazines(IEEE ACCESS)》;20180802;第6卷;43724-43731 * |
基于小样本学习的高光谱遥感图像分类算法;张婧等;《聊城大学学报(自然科学版)》;20200804(第06期);1-11 * |
基于深度学习的雷达干扰信号识别方法;邵广庆;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20210215;84 * |
基于深度级联孪生网络的小样本调制识别算法;冯磊 等;《计算机工程》;20200706;第47卷(第4期);108-114 * |
融合零样本学习和小样本学习的弱监督学习方法综述;潘崇煜等;《系统工程与电子技术》;20200916(第10期);2246-2256 * |
Also Published As
Publication number | Publication date |
---|---|
CN113177521A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN103955702B (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN111814871A (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
CN107885853A (zh) | 一种基于深度学习的组合式文本分类方法 | |
CN111428817B (zh) | 一种面向无线电信号识别对抗攻击的防御方法 | |
CN110166484A (zh) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 | |
CN109239669B (zh) | 一种基于深度学习的自进化雷达目标检测算法 | |
CN106817248A (zh) | 一种apt攻击检测方法 | |
CN108960342B (zh) | 基于改进Soft-Max损失函数的图像相似度计算方法 | |
CN112684427B (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
CN113127857B (zh) | 针对对抗性攻击的深度学习模型防御方法及深度学习模型 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
CN111382690A (zh) | 基于多损失融合模型的车辆再识别方法 | |
CN113177521B (zh) | 一种基于组合孪生网络的智能辐射源识别方法 | |
CN111123232A (zh) | 一种具有任务适应性的雷达个体识别系统 | |
CN113177520B (zh) | 一种基于集成学习的智能辐射源识别方法 | |
CN113901448A (zh) | 基于卷积神经网络和轻量级梯度提升机的入侵检测方法 | |
CN114943253A (zh) | 一种基于元学习模型的射频指纹小样本识别方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN113111774B (zh) | 一种基于主动增量式微调的雷达信号调制方式识别方法 | |
CN112085079B (zh) | 一种基于多尺度多任务学习的滚动轴承故障诊断方法 | |
CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
CN112132059B (zh) | 一种基于深度条件随机场的行人重识别方法和系统 |
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 |