CN113269134A - 一种异常广播识别模型及其构建方法和使用方法 - Google Patents
一种异常广播识别模型及其构建方法和使用方法 Download PDFInfo
- Publication number
- CN113269134A CN113269134A CN202110670190.8A CN202110670190A CN113269134A CN 113269134 A CN113269134 A CN 113269134A CN 202110670190 A CN202110670190 A CN 202110670190A CN 113269134 A CN113269134 A CN 113269134A
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- model
- abnormal
- training data
- broadcast signal
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010276 construction Methods 0.000 title description 8
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013508 migration Methods 0.000 claims abstract description 18
- 230000005012 migration Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000001228 spectrum Methods 0.000 description 8
- 238000013526 transfer learning Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- 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
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种异常广播识别模型的构建方法，包括：构建训练数据集；训练数据预处理；利用经过预处理的训练数据集，基于已经在图像分类数据集上预训练好的神经网络模型进行迁移训练，以得到异常广播识别模型。其中，所述训练数据集中的训练数据为频谱图。其中，所述训练数据预处理步骤包括对频谱图进行以下处理：遍历所有频谱图，取最小的频谱图的尺寸作为标准尺寸；对除具有标准尺寸的频谱图以外的频谱图进行裁剪，使所有的频谱图具有所述标准尺寸。
Description
技术领域
本申请涉及一种异常广播识别技术，尤其涉及一种异常广播识别模型及其构建方法和使用方法。
背景技术
随着电磁波理论和应用不断取得重大成就，电磁波已成为人类传递信息和能量的最重要形式。无线电波的开放性使其容易受到干扰和非法利用，导致正常通信系统受扰甚至中断。为保障居民安全，维护正常的生产生活秩序，发现、定位、打击非法用频行为已刻不容缓。
目前，传统方法基于人工对可疑频点广播信号谱图实时观测以及广播音频信息辅助判断信号类别，然后依据人工判别结果进一步统计异常广播电台发射时间分布。每个专家单次观测只能关注一个可疑频点，此外与正常使用相比异常使用情况是偶发的、仅存在于少数时间，单次观测很可能耗费大量时间精力却捕获不到异常广播信号，进而对于异常广播发射时间分布问题无从着手。传统方法需要构建完备的频谱执照数据库，积累足够的频谱监测数据，并且需要了解众多用频参数先验概率分布。这些信息的获取、积累、解析、存储都具有难度。传统方法需要处理的输入信息特征复杂多样，人工观测依赖于观测人员的专业知识和自身经验，观测结果主观性较强，耗费大量人力物力工作效率低下。
发明内容
本申请的至少一个目的在于提供一种异常广播识别模型及其构建方法和使用方法，能够自动化地从原始频谱数据中提取出更具表现力的特征，满足实际应用中端到端(End-to-End)需求，从原始数据中直接判断数据类别标签，实现对可疑频点全天侯监测数据分析识别，对该分析识别结果反推可得到相应频点异常广播发射时间分布。
本申请提供的异常广播识别模型及其构建方法和使用方法可替代人工观测，并能够减少错检漏检、提高异常广播电台发射时间分布分析挖掘效率。
本申请提供了一种异常广播识别模型的构建方法，包括：
S1：构建训练数据集；
S2：训练数据预处理；
S3：利用经过预处理的训练数据集，基于已经在图像分类数据集上预训练好的神经网络模型进行迁移训练，以得到异常广播识别模型，
其中，所述训练数据集中的训练数据为频谱图；
其中，所述训练数据预处理步骤包括对频谱图进行以下处理：
遍历所有频谱图，取最小的频谱图的尺寸作为标准尺寸(Ls,Ws)；
对除具有标准尺寸(Ls,Ws)的频谱图以外的频谱图进行裁剪，使所有的频谱图具有所述标准尺寸(Ls,Ws)。
根据本申请的至少一个实施例，其中，对频谱图进行裁剪的步骤包括：
设频谱图i的原始尺寸为(Li,Wi)，将频谱图i的左、右两侧均裁剪掉0.5(Li-Ls)，将频谱图i的上、下两侧均裁剪掉0.5(Wi-Ws)。
根据本申请的至少一个实施例，其中，所述步骤S1所构建的训练数据集的训练数据的类型为以下三种类型中的一种：异常广播信号；正常广播信号；无广播信号。
根据本申请的至少一个实施例，其中，所述异常广播信号、所述正常广播信号、所述无广播信号类型的训练数据的数量相等。
根据本申请的至少一个实施例，其中，步骤S3中所述的神经网络模型以ResNet18模型作为主干网络，所述ResNet18模型包括：
第1至第17层，均为卷积层，用于提取输入数据特征；
第18层，为全连接层，用于组合由所述神经网络模型所提取的特征，输出预测分类结果。
根据本申请的至少一个实施例，其中，所述步骤S3包括：
加载已经在所述图像分类数据集上预训练好的所述ResNet18模型；
在所述ResNet18模型的所述第17层与所述全连接层之间增加第18至第21层，以构建深度迁移网络模型，所述深度迁移网络模型包括：第1至第3层，用于学习通用特征；第4至第17层，用于学习特定于任务的特征；第18至第21层，为4个自适应层，以使得目标域数据分布更接近于源域；
利用所述深度迁移网络模型进行迁移训练。
根据本申请的至少一个实施例，其中，优化目标函数为
其中l表示总损失，第一项是CrossEntropyLoss损失，第二项表示网络的自适应损失，Ds是源域，Dt是目标域，λ为权重参数，l1、l2分别等于18和21。
根据本申请的至少一个实施例，其中，所述图像分类数据集为ImageNet数据集。
本申请还提供了一种异常广播识别模型，所述异常广播识别模型由上述方法构建而成。
本申请还提供了一种异常广播识别模型的使用方法，利用上述异常广播识别模型对广播信号进行分类，以识别出异常广播信号。
通过本申请提供的异常广播识别模型，可以替代人工观测实现对异常广播信号的自动识别。本申请提供的技术方案中，将异常广播识别问题转换为图像分类问题，从而将复杂的多参数问题变得直观简单。
本申请提供的技术方案中，只需少量的频谱数据即可训练出准确度足够高的神经网络分类器模型。与本申请提供的异常广播识别模型相适应地，本申请还提供了一种使频谱图尺寸一致化的数据预处理方法，可有效减轻神经网络数据处理压力，且能够提高其所训练的异常广播识别模型的识别精度。
附图说明
下文将以明确易懂的方式通过对优选实施例的说明并结合附图来对本申请上述特性、技术特征、优点及其实现方式予以进一步说明。以下附图仅旨在于对本申请做示意性说明和解释，并不限定本申请的范围。其中：
图1示出了根据本申请的一个实施例的异常广播识别模型的构建方法的流程图；
图2示出了根据本申请的一个实施例得到的异常广播信号发射时间分布图；
图3示出了根据本申请的又一个实施例得到的异常广播信号发射时间分布图。
具体实施方式
为了对本申请的技术特征、目的和效果有更加清楚的理解，现对照附图说明本申请的具体实施方式。
异常广播信号通常相较于授权广播信号的频点(单位通常为MHz)存在细微频偏(频偏通常不超过0.1KHz)。本申请中，将这种在已知授权广播信号频点(单位通常为MHz)处存在细微频偏(频偏通常不超过0.1KHz)的广播信号定义为异常广播信号。利用异常广播信号与授权广播信号之间的这种细微的频偏，可以从授权广播信号中将异常广播信号识别出来。
现有技术中，通常利用人工观测频偏的方式来识别异常广播信号。但由于这种细微的频偏通常不易发觉，人工观测结果主观性较强，依赖于观测人员的专业知识和自身经验，容易发生错检和漏检。
为了替代人工观测，本申请提供了一种基于神经网络的异常广播识别模型及其构建方法和使用方法，以实现对异常广播信号的自动识别。
本申请的技术方案中，基于所接收广播的频谱图，利用人工神经网络构建异常广播识别模型，并利用训练数据集对该异常广播识别模型进行训练。利用该训练好的异常广播识别模型，可以对所接收的广播信号的频谱图进行分类，从而识别出该广播信号是异常/正常/无广播信号中的哪一种。
由此可见，本申请提供的技术方案中，将异常广播识别问题转换为图像分类问题，从而将复杂的多参数问题变得直观简单。
然而，普通的神经网络分类器模型需要利用大量的频谱图进行训练，才能够实现足够的分类准确度。由于异常广播是偶发的，仅存在于少数时间，因此现有的频谱图量积累不足以训练出一个能够捕获类似于频偏这种精细特征的神经网络分类器模型，神经网络的优越性能没有发挥出来。
为了解决频谱数据量积累不足、无法训练出准确度足够高的神经网络分类器模型的问题，本申请提供了一种基于迁移学习的异常广播识别模型及其构建方法和使用方法。
如图1所示，根据本申请提供的异常广播识别模型的构建方法包括以下步骤：
S1：构建训练数据集
由于深度学习是一种受数据驱动的表示学习方法，模型性能的优劣依赖于训练数据的质量，因此一个高质量的训练数据集至关重要。
根据本申请的一个实施例，提供了一种构建高质量训练数据集的方法，该方法包括：
1.数据获取
采样持续时间近72小时(2020年10月30日08：50：32-2020年11月01日08：50：12)，采样间隔为10秒，以获得原始数据样本。该数据样本的具体形式为信号频谱图，其横轴为频率，纵轴为幅值。
2.数据清洗
为了保证训练数据集质量，首先剔除存在干扰信号的数据样本。
3.数据分类
根据输入的数据样本的类别数目可以将问题理解为三分类问题，三分类问题将信号的数据样本分类为异常/正常/无广播信号三类。如上文所述，现有的频谱图的数据量积累不足以训练出一个能够捕获类似于频偏这种精细特征的神经网络分类器模型，神经网络的优越性能没有发挥出来。
而迁移学习具有小样本学习能力，只需要少量关注频点的异常/正常/无广播信号的数据样本，就能够训练出一个能够捕获类似于频偏这种精细特征的神经网络分类器模型，以用作异常广播识别模型。这种被训练后的异常广播识别模型能够被应用到广播信号识别分类问题中来，以将未知类型的广播信号分成异常广播信号、正常广播信号、无广播信号这三种类型。
在本实施例中，根据已知频点A的典型的异常/正常/无广播信号频谱图的样式，将原始数据样本(即，信号的频谱图)人工划分为异常广播信号、正常广播信号、无广播信号三类，其中每种类型的信号包含的数据样本的数量分别为3222、2783、11218个。由此可见，数据样本类别分布很不均匀。这三种类型的数据样本中，属于无广播信号的类型的信号占据绝大多数(比异常广播信号、正常广播信号之和的二倍还要多)。
发明人发现，在基于迁移学习进行模型训练时，如果样本类型分布不均衡，会对训练效率和训练结果产生不良影响。为了避免训练数据类型分布不均匀对模型训练的影响、同时提高模型训练效率，优选地，从异常/正常/无广播信号这三种类型中随机选择数目相近的数据样本。在该实施例中，从异常/正常/无广播信号三类数据中随机各选取1000个样本构成训练数据集。
S2：训练数据预处理
如上文所述，异常/正常广播信号之间的频偏是细微的。对于这种精细特征的提取识别问题，需要从神经网络结构和激活函数选择这两方面提高分类模型对细微差别的敏感度。因此，主干神经网络选择卷积神经网络(CNN)，激活函数在SoftMax的基础上取对数，选择LogSoftMax。
由于卷积神经网络要求输入图片的尺寸一致，因此首先进行图片尺寸一致化处理。针对本申请提供的基于迁移学习的异常广播识别模型所需要的这种训练数据集的构建，本申请提出一种使频谱图尺寸一致化的数据预处理方法。经过该方法处理的频谱图可以满足卷积神经网络对于输入图片的尺寸的一致性的要求，另外，采用该方法处理的频谱图所构成的训练数据集，能够提高其所训练的异常广播识别模型的识别精度。
频谱图是针对关注频点采集生成的，重点关注的频点都位于频谱图的中间，因此频谱图中的重要特征元素都位于图片中央区域。本申请提出的使频谱图尺寸一致化的数据预处理方法包括：
1.遍历所有频谱图，统计每一频谱图的图形尺寸，取最小的图形尺寸作为标准尺寸，记为标准尺寸(Ls,Ws)；
2.将除具有标准尺寸以外的其余所有频谱图均裁剪处理成该标准尺寸。具体裁剪方式为：以具有该标准尺寸(Ls,Ws)的频谱图的左下角为原点(0,0)，该频谱图中心坐标记为C(0.5Ls,0.5Ws)。然后，将除具有标准尺寸以外的其余所有频谱图均以点C(0.5Ls,0.5Ws)为中心进行均匀裁剪，设频谱图i的原始尺寸为(Li,Wi)，则将频谱图i的左、右两侧均裁剪掉0.5(Li-Ls)，将频谱图i的上、下两侧均裁剪掉0.5(Wi-Ws)。以这种方式，完成频谱图的尺寸一致化处理。
以最小的图形尺寸作为标准尺寸还可以实现以下技术效果：1)、减轻神经网络数据处理压力、缩短结果运算时间、满足实时性要求；2)、这种裁剪方式不会丢失有用信息。
由于需要提取的精细特征均位于频谱图的中央区域，对频谱图的四周进行均匀裁剪并不会丢失有用信息，且采用该方法裁剪的频谱图所构成的训练数据集能够提高其所训练的异常广播识别模型的识别精度。
S3：微调自适应深度网络迁移训练
为提升异常广播识别模型的训练效率，增强模型推广能力，本申请提供的技术方案中，引入了迁移学习。
普通的神经网络分类器模型需要从头开始训练，且所有权重参数全部初始化。如上文所述，由于训练样本数量有限，现有的频谱图量积累不足以训练出一个能够捕获类似于频偏这种精细特征的神经网络分类器模型。
而相比于从头开始训练、所有权重参数全部初始化的训练方法，使用预训练模型的迁移学习方法所需的训练数据样本需求量更小、模型收敛更快、训练时间更短、精度更高。
ResNet通过引入残差学习来缓解深层神经网络训练中面临的梯度消失或爆炸问题，可使网络进一步加深，进而可以进行更加复杂的特征模式提取，其对精细特征更加敏感。因此，本申请提供的迁移学习方案中，采用ResNet18模型作为迁移训练的主干网络。ResNet18由17个卷积层和1个全连接层组成。该全连接层用于组合由ResNet18网络所提取的特征。
用于迁移训练的数据来自利用上述步骤S1所构建的训练数据集且已经由上述步骤S2进行过预处理。
迁移训练前，通过裁剪、水平旋转图像对经过预处理的训练数据进行数据增强操作，以提高训练数据的丰富性。迁移训练时，加载已经在ImageNet数据集上预训练好的ResNet18模型。将在ImageNet数据集上训练的分类器参数作为相应网络层的初始化参数，其余参数随机初始化。
由于源域光学图像与目标域频谱图差异较大，因此，为使源域和目标域的数据分布更加接近，本申请提供的技术方案中在ResNet18模型中引入了自适应层，从而进行数据分布自适应，在ResNet18模型的第18层上加入自适应度量。由于特征提取网络深度较深，为适配其深度，额外在ResNet18模型的全连接层前再增加3个自适应层，即，一共加入4个自适应层，以使目标域数据分布更接近于源域。其中，每个自适应层均采用MMD准则。
神经网络的一个关键点在于网络损失的定义。本申请提供的技术方案中，定义了新的神经网络的优化目标函数
通过学习率、批大小等超参数选取，继续优化分类模型(epoch＝64，batch_size＝4)。迁移训练中，分类模型网络的第1至第3层的网络权重参数保持不变(网络的第1至第3层学习到的是通用的特征)，第4-17层的网络权重会随着误差反向传播而更新微调(随着网络层数的加深，后面的网络更偏重于学习任务特定的特征)，第18-21层为4个自适应层(目的是使目标域数据分布更接近于源域)，最后接一个全连接层输出预测分类结果。
经测试，根据本申请提供的微调自适应迁移学习分类模型的三分类准确性可达95.8％。
利用根据本申请提供的异常广播识别模型，能够对未知类型的广播信号进行自动分类，将其分类为以下三种类型中的一种：异常广播信号；正常广播信号；无广播信号，从而对异常广播信号进行自动识别。根据识别的结果，可绘制异常广播信号发射时间分布图，从而实现结果可视化。图2和图3示出了一种这样的异常广播信号发射时间分布图。原始数据样本以采样时刻命名，时间分辨率为10秒，将识别分类结果分别写入abnormal.txt,normal.txt，no signal.txt文件中，即每个txt文档中写入了属于该类别样本的文件名，然后根据txt文档内容分别以‘天’为单位绘图(见图2)和以‘小时’为单位绘图(见图3)。其中，异常广播信号和正常广播信号分别由灰度不同的线段表示。
综上，本申请提供了一种异常广播识别模型及其构建方法和使用方法，可以替代人工观测实现对异常广播信号的自动识别。本申请提供的技术方案中，将异常广播识别问题转换为图像分类问题，从而将复杂的多参数问题变得直观简单。本申请提供的技术方案中，只需少量的频谱数据即可训练出准确度足够高的神经网络分类器模型。与本申请提供的异常广播识别模型相适应地，本申请还提供了一种使频谱图尺寸一致化的数据预处理方法，可有效减轻神经网络数据处理压力，且能够提高其所训练的异常广播识别模型的识别精度。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
以上所述仅为本申请示意性的具体实施方式，并非用以限定本申请的范围。任何本领域的技术人员，在不脱离本申请的构思和原则的前提下所作的等同变化、修改与结合，均应属于本申请保护的范围。
Claims (10)
1.一种异常广播识别模型的构建方法，包括：
S1：构建训练数据集；
S2：训练数据预处理；
S3：利用经过预处理的训练数据集，基于已经在图像分类数据集上预训练好的神经网络模型进行迁移训练，以得到异常广播识别模型，
其中，所述训练数据集中的训练数据为频谱图；
其中，所述训练数据预处理步骤包括对频谱图进行以下处理：
遍历所有频谱图，取最小的频谱图的尺寸作为标准尺寸(Ls,Ws)；
对除具有标准尺寸(Ls,Ws)的频谱图以外的频谱图进行裁剪，使所有的频谱图具有所述标准尺寸(Ls,Ws)。
2.根据权利要求1所述的方法，其中，对频谱图进行裁剪的步骤包括：
设频谱图i的原始尺寸为(Li,Wi)，将频谱图i的左、右两侧均裁剪掉0.5(Li-Ls)，将频谱图i的上、下两侧均裁剪掉0.5(Wi-Ws)。
3.根据权利要求1所述的方法，其中，所述步骤S1所构建的训练数据集的训练数据的类型为以下三种类型中的一种：异常广播信号；正常广播信号；无广播信号。
4.根据权利要求3所述的方法，其中，所述异常广播信号、所述正常广播信号、所述无广播信号类型的训练数据的数量相等。
5.根据权利要求1所述的方法，其中，步骤S3中所述的神经网络模型以ResNet18模型作为主干网络，所述ResNet18模型包括：
第1至第17层，均为卷积层，用于提取输入数据特征；
第18层，为全连接层，用于组合由所述神经网络模型所提取的特征，输出预测分类结果。
6.根据权利要求5所述的方法，其中，所述步骤S3包括：
加载已经在所述图像分类数据集上预训练好的所述ResNet18模型；
在所述ResNet18模型的所述第17层与所述全连接层之间增加第18至第21层，以构建深度迁移网络模型，所述深度迁移网络模型包括：第1至第3层，用于学习通用特征；第4至第17层，用于学习特定于任务的特征；第18至第21层，为4个自适应层，以使得目标域数据分布更接近于源域；
利用所述深度迁移网络模型进行迁移训练。
7.根据权利要求6所述的方法，其中，优化目标函数为
其中l表示总损失，第一项是CrossEntropyLoss损失，第二项表示网络的自适应损失，Ds是源域，Dt是目标域，λ为权重参数，l1、l2分别等于18和21。
8.根据权利要求1或6所述的方法，其中，所述图像分类数据集为ImageNet数据集。
9.一种异常广播识别模型，所述异常广播识别模型由根据权利要求1-8中任一项所述的方法构建而成。
10.一种异常广播识别模型的使用方法，利用根据权利要求9所述的异常广播识别模型对广播信号进行分类，以识别出异常广播信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110670190.8A CN113269134A (zh) | 2021-06-17 | 2021-06-17 | 一种异常广播识别模型及其构建方法和使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110670190.8A CN113269134A (zh) | 2021-06-17 | 2021-06-17 | 一种异常广播识别模型及其构建方法和使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113269134A true CN113269134A (zh) | 2021-08-17 |
Family
ID=77235203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110670190.8A Pending CN113269134A (zh) | 2021-06-17 | 2021-06-17 | 一种异常广播识别模型及其构建方法和使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269134A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114205667A (zh) * | 2021-12-03 | 2022-03-18 | 江苏省广播电视总台 | 一种广播电视播出异态画面识别和故障分析系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110096976A (zh) * | 2019-04-18 | 2019-08-06 | 中国人民解放军国防科技大学 | 基于稀疏迁移网络的人体行为微多普勒分类方法 |
| CN110275147A (zh) * | 2018-03-13 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于迁移深度神经网络的人体行为微多普勒的分类识别方法 |
| US20200074622A1 (en) * | 2018-08-30 | 2020-03-05 | Topcon Corporation | Multivariate and multi-resolution retinal image anomaly detection system |
| CN112006678A (zh) * | 2020-09-10 | 2020-12-01 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 |
-
2021
- 2021-06-17 CN CN202110670190.8A patent/CN113269134A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275147A (zh) * | 2018-03-13 | 2019-09-24 | 中国人民解放军国防科技大学 | 基于迁移深度神经网络的人体行为微多普勒的分类识别方法 |
| US20200074622A1 (en) * | 2018-08-30 | 2020-03-05 | Topcon Corporation | Multivariate and multi-resolution retinal image anomaly detection system |
| CN110096976A (zh) * | 2019-04-18 | 2019-08-06 | 中国人民解放军国防科技大学 | 基于稀疏迁移网络的人体行为微多普勒分类方法 |
| CN112006678A (zh) * | 2020-09-10 | 2020-12-01 | 齐鲁工业大学 | 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114205667A (zh) * | 2021-12-03 | 2022-03-18 | 江苏省广播电视总台 | 一种广播电视播出异态画面识别和故障分析系统 |
| CN114205667B (zh) * | 2021-12-03 | 2024-01-26 | 江苏省广播电视总台 | 一种广播电视播出异态画面识别和故障分析系统 |
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 | |
| CN110245608B (zh) | 一种基于半张量积神经网络的水下目标识别方法 | |
| CN109558811B (zh) | 一种基于运动前景关注及非监督的关键帧提取的动作识别方法 | |
| CN110166484A (zh) | 一种基于LSTM-Attention网络的工业控制系统入侵检测方法 | |
| Ozturk et al. | RF-based low-SNR classification of UAVs using convolutional neural networks | |
| CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
| CN106772331A (zh) | 目标识别方法和目标识别装置 | |
| CN113011357A (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
| CN110968845B (zh) | 基于卷积神经网络生成的针对lsb隐写的检测方法 | |
| CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
| CN112200238B (zh) | 基于声响特征的硬岩拉剪破裂识别方法与装置 | |
| CN112526606A (zh) | 一种基于异构多分类模型的震源类型预测方法和系统 | |
| CN114330453A (zh) | 基于声学特征和视觉特征融合的生猪咳嗽声音识别方法 | |
| CN113269134A (zh) | 一种异常广播识别模型及其构建方法和使用方法 | |
| CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
| CN112307926B (zh) | 一种基于生成对抗网络的声学被动式舰船目标分类方法 | |
| Huang et al. | Automated detection and identification of blue and fin whale foraging calls by combining pattern recognition and machine learning techniques | |
| Bedoya et al. | Acoustic censusing and individual identification of birds in the wild | |
| CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
| CN116460931B (zh) | 机器人智能钻孔方法、终端及板材生产线 | |
| CN111627030A (zh) | 快速高效的可见光遥感影像海陆精确分割方法 | |
| CN116863327A (zh) | 一种基于双域分类器协同对抗的跨域小样本分类方法 | |
| Lin et al. | Overlapping animal sound classification using sparse representation | |
| CN111667000B (zh) | 自适应领域深度神经网络的地震预警方法 | |
| Sánchez-García et al. | A novel image-processing based method for the automatic detection, extraction and characterization of marine mammal tonal calls |
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 |