CN115081487A - 一种基于多域迁移学习的跨时间辐射源个体识别方法 - Google Patents
一种基于多域迁移学习的跨时间辐射源个体识别方法 Download PDFInfo
- Publication number
- CN115081487A CN115081487A CN202210797240.3A CN202210797240A CN115081487A CN 115081487 A CN115081487 A CN 115081487A CN 202210797240 A CN202210797240 A CN 202210797240A CN 115081487 A CN115081487 A CN 115081487A
- Authority
- CN
- China
- Prior art keywords
- layer
- radiation source
- sample set
- convolution
- training
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013526 transfer learning Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012795 verification Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 78
- 230000004913 activation Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 23
- 238000013508 migration Methods 0.000 description 11
- 230000005012 migration Effects 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100268665 Caenorhabditis elegans acc-1 gene Proteins 0.000 description 1
- 101100268668 Caenorhabditis elegans acc-2 gene Proteins 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多域迁移学习的跨时间辐射源个体识别方法,包括如下步骤:S1、采集不同时间下多个电台发射的中频AD信号数据,生成辐射源个体识别样本集;S2、继续采集不同时间下多个电台发射的中频AD信号数据,得到无标签样本集;S3、得到训练样本集与验证样本集;S4、构建基于多域迁移学习的跨时间辐射源个体识别模型;S5、训练识别模型;S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。本发明克服了现有技术的传统方法中难以提取辐射源指纹特征、需要长时间测量信号稳态特性才能完成对辐射源个体的识别的缺点;在更大程度上保留了信号的原始指纹信息,能够自动提取到更多更丰富的特征,有助于提高识别的准确率。
Description
技术领域
本发明属于信号处理技术领域,具体涉及辐射源信号处理技术领域中一种基于多域迁移学习的跨时间辐射源个体识别方法。
背景技术
辐射源个体识别是通过分析所截获辐射源信号来推断该辐射源体制、用途和型号等信息,进而掌握搭载该辐射源的相关武器平台的工作状态、制导方式、活动规律和作战能力的过程。当前,我们在进行辐射源信号识别时面临着愈发严峻的挑战:首先,随着电子信息技术的不断发展,现代战场中电子对抗越来越激烈,新型复杂体制辐射源通常采用了特定的调制样式,这些辐射源信号调制参数更加多样,体现出更加复杂的波形和形式;其次,现代战争中信号环境复杂,频率覆盖范围几近全频,这使得战场上电磁环境高度密集,给辐射源信号的识别带来了更大的难度;最后,辐射源信号往往夹杂着各种原因产生的噪声,且信噪比变化范围很大,这无疑又增加了识别的难度。
目前已有的机器学习方面的辐射源个体识别方法基本都只能针对相近时间的辐射源信号进行识别,而对于时间相距较远的辐射源信号的识别正确率较低或不能识别。
浙江大学在其申请的专利文献“一种高置信度动态调整的雷达辐射源个体识别系统”(申请号201911095829.3,申请公布号CN110988803A)公开了一种基于粒子群算法与热退火算法的辐射源个体识别系统。该申请将新识别的辐射源数据纳入计算,从而迭代更新辐射源个体识别系统的参数。该方法虽然可以跟踪辐射源指纹的变化,但是对数据的时间粘连性要求高,对某一辐射源较长时间间隔后采集的信号识别效果可能较差。
杭州电子科技大学在其申请的专利文献“一种基于小样本学习和特征增强的辐射源个体识别方法”(申请号201911302131.4,申请公布号111126226A)公开了一种基于小样本学习和特征增强的辐射源个体识别方法。该申请利用特征增强和对抗生成的方式对数据进行处理,实现辐射源个体识别,降低了噪声和辐射源指纹变化的影响。该方法虽然提出了一种辐射源个体识别方法,但是该方法仍然存在的不足之处是:采用了复杂的预处理步骤,这会极大程度降低模型的信号识别速度,在对识别速度要求较高的情况下并不适用。并且该方法对某一辐射源较长时间间隔后采集的信号识别效果仍可能较差。
发明内容
本发明的目的在于克服现有技术的不足,提供一种使用残差神经网络模型来对辐射源个体识别且仅对接收到的辐射源信号进行少量预处理,一方面克服了现有技术的传统方法中难以提取辐射源指纹特征、需要长时间测量信号稳态特性才能完成对辐射源个体的识别的缺点;另一方面在更大程度上保留了信号的原始指纹信息,能够自动提取到更多、更丰富的特征,有助于提高识别的准确率的基于多域迁移学习的跨时间辐射源个体识别方法。
本发明的目的是通过以下技术方案来实现的:一种基于多域迁移学习的跨时间辐射源个体识别方法,其特征在于,包括如下步骤:
S1、采集不同时间下多个电台发射的中频AD信号数据,生成辐射源个体识别样本集,并将辐射源个体识别样本集分为原始训练样本集和原始验证样本集;
S2、得到辐射源个体识别样本集之后,继续采集不同时间下多个电台发射的中频AD信号数据,得到无标签样本集,并将无标签样本集分为无标签训练样本集和无标签验证样本集;
S3、将辐射源个体识别样本集和无标签样本集中同一电台不同时间采集的信号均视为不同数据域,分别将将原始训练样本集和原始验证样本集中不同数据域中的同一辐射源的信号组成两两一对,分别将无标签训练样本集和无标签验证样本集中不同数据域中的信号组成两两一对,得到训练样本集与验证样本集;
S4、构建基于多域迁移学习的跨时间辐射源个体识别模型;
S5、利用训练样本集和验证样本集训练跨时间辐射源个体识别模型;
S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。
进一步地,所述步骤S4具体实现方法为:
S41、构建基于多域迁移学习的跨时间辐射源个体识别模型,其结构如下:
第一层为网络输入层,输入大小设置为(8192,1);
第二层为第一一维卷积层,卷积核个数为8,卷积核的大小为39,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第三层为第一批规范化层;
第四层为第二一维卷积层,卷积核个数为16,卷积核的大小为9,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第五层为第二批规范化层;
第六层为第三一维卷积层,卷积核个数为32,卷积核的大小为39,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第七层为第四一维卷积层,卷积核个数为32,卷积核的大小为13,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第八层为第五一维卷积层,卷积核个数为64,卷积核的大小为9,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第九层为第六一维卷积层,卷积核个数为32,卷积核的大小为7,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第十层为加法层,将第九层输出与第六层输出相加;
第十一层为第一全局平均池化层,该层输出为特征点位置;
第十二层为第一全连接层,神经元个数设置为8*M=128,激活函数为线性整流函数Relu,dropout=0.2,M为辐射源数目;
第十三层为第二全连接层,神经元个数设置为M=16,激活函数为Softmax函数,该层输出为模型分类结果;
S42、设置基于多域迁移学习的跨时间辐射源个体识别模型的超参数以及优化算法,超参数包括学习率和迭代次数,优化算法采用误差反向传播算法;
S43、选择损失函数L:损失函数L为交叉熵损失函数与最大均值差异函数的综合函数;其中交叉熵损失函数表示如下:
M为辐射源个体识别信号类别总数,c表示具体某一类别;yc为指示变量,如果该类别c和样本的类别相同,则yc为1,否则为0;pc表示对于样本属于类别c的预测概率;
均值差异函数表示如下:
F1表示数据对中第一个数据的特征,F2表示数据对中第二个数据的特征,||*||L1表示*的矩阵L1范数,上标T表示转置,H为数据的特征长度;
总损失函数L表述如下:
L=λ1×L1+λ2×L2
其中,λ1、λ2为两个函数分别的权重值。
进一步地,所述步骤S5具体实现方法为:
S51、打乱训练样本集和验证样本集中所有样本对的排列顺序,将训练样本集和验证样本集中的样本对输入基于多域迁移学习的跨时间辐射源个体识别模型中;
S52、通过Adam优化算法对损失函数L进行迭代优化,设置学习率下降机制和早停机制,迭代优化完成后,得到训练好的识别模型;其具体设置方式如下:当验证集的L值在8个周期内都不下降时,将学习率减半继续训练;当达到深度神经网络设置的训练次数或验证集的L值在30个周期内都不下降时,结束训练,将当前识别模型最为最终的识别模型。
本发明的有益效果是:
1、由于本发明使用了残差神经网络模型来对辐射源个体识别且仅对接收到的辐射源信号进行少量预处理,一方面克服了现有技术的传统方法中难以提取辐射源指纹特征、需要长时间测量信号稳态特性才能完成对辐射源个体的识别的缺点;另一方面在更大程度上保留了信号的原始指纹信息,能够自动提取到更多、更丰富的特征,有助于提高识别的准确率。
2、由于本发明采用基于多域迁移学习的方法对辐射源个体识别,在保证训练速度与预测准确率的同时,还将可以进一步解决辐射源指纹随时间不断变化从而导致识别准确率越来越低的问题,省去了不断采集标注数据并进行训练的工作量,具有一定的工程应用价值。
附图说明
图1为本发明基于多域迁移学习的跨时间辐射源个体识别方法的流程图;
图2为本发明的方法与其他方法测试准确率对比图。
具体实施方式
本发明将迁移学习中基于实例的迁移学习算法运用到辐射源识别中且加以改进。基于实例的迁移学习算法关注的是如何将源域与目标域混淆到一起,从而利用源域训练得到的模型也能用于目标域的识别,一般迁只针对两个领域即源领域与目标领域,本发明提出的多域迁移学习则是针对辐射源指纹的不停变化,将每一日的辐射源信号均视为一个数据域,而最终目的则是让模型通过在前几个领域上的综合训练,得以在每个领域上均表现良好。
实现本发明目的的具体思路是,在辐射源个体识别的训练过程中,利用多域迁移学习的方法强调将辐射源的不同时间的信号混淆在一起,从而使得辐射源个体的识别不会受到其指纹随时间变化的影响。该算法在辐射源识别中能够达到较高的识别准确率,同时又能解决传统辐射源个体识别方法识别准确率随时间大幅度下降的问题,并简化了传统方法的复杂数据预处理,保留了更多的信号原始信息。从而使辐射源个体识别更加准确、高效。
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种基于多域迁移学习的跨时间辐射源个体识别方法,包括如下步骤:
S1、采集不同时间下多个电台发射的中频AD信号数据,生成辐射源个体识别样本集,并将辐射源个体识别样本集分为原始训练样本集和原始验证样本集;
本实施例中将接收到的信号划分为等长度的信号段,每个信号段单独作为一个样本,得到辐射源个体识别样本集;
然后对每个样本进行归一化处理:本实施例根据零均值归一化公示对样本进行归一化处理,将所有归一化处理后的辐射源个体识别样本组合形成样本集合;零均值归一化公式如下:
Yi表示第i个信号样本Xi归一化处理后的样本数值,Mean为单个样本数据的均值,sigma为单个样本数据的标准差;sigma的计算公式如下:
N表示单个样本数据的采样点总数。
从生成的归一化信号样本集中随机抽取80%的样本,组成原始训练样本集;随机抽取的10%的样本组成原始验证样本集;为了验证本发明的识别效果,抽取余下的10%的样本组成原始测试样本集。
S2、得到辐射源个体识别样本集之后,继续采集不同时间下多个电台发射的中频AD信号数据,得到无标签样本集,并采用与步骤S1相同的处理方法将无标签样本集分为无标签训练样本集和无标签验证样本集,以及无标签测试样本集;
无标签样本集采集的信号是在辐射源个体识别样本集的信号采集之后,例如辐射源个体识别样本集分别在5月6日、5月7日、5月8日采集了数据,则在5月9日、5月10日采集无标签样本集。
S3、将辐射源个体识别样本集和无标签样本集中同一电台不同时间采集的信号均视为不同数据域,例如辐射源个体识别样本集中辐射源1分别在5月6日、5月7日、5月8日采集了数据,则将5月6日、5月7日、5月8日辐射源1采集的数据视为3个不同数据域。
分别将将原始训练样本集和原始验证样本集中不同数据域中的同一辐射源的信号组成两两一对,分别将无标签训练样本集和无标签验证样本集中不同数据域中的信号组成两两一对,得到训练样本集与验证样本集;例如原始训练样本集中辐射源1分别在5月6日、5月7日、5月8日采集了数据,在5月9日、5月10日采集了无标签训练样本集。则在6日、7日、8日中抽取的样本对需满足时间不同且辐射源相同的条件,在抽取的样本对中包含了9日、10日样本时,只要求抽取的样本对需满足时间不同的条件(无标签样本没有确定辐射源)。
S4、构建基于多域迁移学习的跨时间辐射源个体识别模型;具体实现方法为:
S41、构建基于多域迁移学习的跨时间辐射源个体识别模型,其结构如下:
第一层为网络输入层,输入大小设置为(8192,1);
第二层为第一一维卷积层,卷积核个数为8,卷积核的大小为39,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第三层为第一批规范化层;
第四层为第二一维卷积层,卷积核个数为16,卷积核的大小为9,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第五层为第二批规范化层;
第六层为第三一维卷积层,卷积核个数为32,卷积核的大小为39,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第七层为第四一维卷积层,卷积核个数为32,卷积核的大小为13,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第八层为第五一维卷积层,卷积核个数为64,卷积核的大小为9,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第九层为第六一维卷积层,卷积核个数为32,卷积核的大小为7,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第十层为加法层,将第九层输出与第六层输出相加;
第十一层为第一全局平均池化层,该层输出为特征点位置;
第十二层为第一全连接层,神经元个数设置为8*M=128,激活函数为线性整流函数Relu,dropout=0.2,M为辐射源数目;
第十三层为第二全连接层,神经元个数设置为M=16,激活函数为Softmax函数,该层输出为模型分类结果;
S42、设置基于多域迁移学习的跨时间辐射源个体识别模型的超参数以及优化算法,超参数包括学习率和迭代次数,优化算法采用误差反向传播算法;
S43、选择损失函数L:损失函数L为交叉熵损失函数与最大均值差异函数的综合函数;其中交叉熵损失函数表示如下:
M为辐射源个体识别信号类别总数,c表示具体某一类别;yc为指示变量,如果该类别c和样本的类别相同,则yc为1,否则为0;pc表示对于样本属于类别c的预测概率;
均值差异函数表示如下:
F1表示数据对中第一个数据的特征,F2表示数据对中第二个数据的特征,||*||L1表示*的矩阵L1范数,上标T表示转置,H为数据的特征长度;
总损失函数L表述如下:
L=λ1×L1+λ2×L2
其中,λ1、λ2为两个函数分别的权重值。
S5、利用训练样本集和验证样本集训练跨时间辐射源个体识别模型;具体实现方法为:
S51、打乱训练样本集和验证样本集中所有样本对的排列顺序,将训练样本集和验证样本集中的样本对输入基于多域迁移学习的跨时间辐射源个体识别模型中;
S52、通过Adam优化算法对损失函数L进行迭代优化,设置学习率下降机制和早停机制,迭代优化完成后,得到训练好的识别模型;其具体设置方式如下:当验证集的L值在8个周期内都不下降时,将学习率减半继续训练;当达到深度神经网络设置的训练次数或验证集的L值在30个周期内都不下降时,结束训练,将当前识别模型最为最终的识别模型。
S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。
利用原始测试样本集与无标签测试样本集获得辐射源个体模型识别结果并统计识别准确率:分别将原始测试样本集与无标签测试样本集输入到训练好的识别模型中,得到网络分类识别结果。将识别结果与测试集的真实类别对比,统计识别正确率。具体测试过程为:
1、测试条件:
本发明的测试实验在Intel i7-6800k CPU、64G RAM、NVIDIA GTX-2080 Ti GPU、Ubuntu16.04LTS系统下,Keras2.0.6运行平台上,完成基于多域迁移的跨时间辐射源个体识别的测试实验。
2、测试实验内容:本发明的测试实验采用16个不同电台分别在2022年04月25日、2022年04月26日、2022年04月27日、2022年04月28日、2022年04月29日、2022年04月30日、2022年05月01日、2022年05月02日、2022年05月03日、2022年05月04日、2022年05月05日、2022年05月24日、2022年05月25日、2022年05月26日、2022年05月27日采集的AD信号作为数据集。具体为2022年04月25日、2022年04月26日、2022年04月27日采集的数据作为原始数据集,2022年04月28日、2022年04月29日、2022年04月30日采集的数据作为无标签数据集。所有辐射源均为成都市FM电台,每个辐射源的每个时间内均生成多个信号样本(接收到的信号均为实际条件下接收,所以每个信号样本的信噪比为实际情况下的随机值),最终得到7346500个信号样本。所有样本均为8192个采样点,从而得到训练集与测试集数据。训练时仅有原始训练数据集和无标签训练数据集参与训练,而测试时所有时间的数据均参与测试。为验证模型效果,加入了不使用迁移方案(仅使用原始训练集进行训练)和使用传统迁移方案(将原始训练集作为源域,无标签训练集作为目标域进行迁移训练)的两个对照试验,从而验证模型对跨时间后的电台信号识别效果。
3、测试实验结果:本发明的测试实验结果如图2所示。图2中的横轴代表所测试的不同时间,同一横轴坐标上最左边的柱形图acc0对应不使用迁移方案的对照组,中间的柱形图acc1对应使用传统迁移方案的对照组,最右边的柱形图acc2对应多域迁移方法实验组。纵轴代表不同时间不同训练方法所对应的识别正确率。由图2可见,在原始测试集对应的时间上三组正确率相差不大,因为在这些时间上为有标签训练;而在无标签测试集和之后的时间上不使用迁移方案的对照组识别正确率下降明显,多域迁移方法实验组则没有明显下降。同时多域迁移方法实验组在无标签时上也明显优于传统迁移方案的对照组。以上的测试实验说明,针对跨时间辐射源个体的识别,本发明可以完成不同辐射源个体的识别任务,方法有效可行。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于多域迁移学习的跨时间辐射源个体识别方法,其特征在于,包括如下步骤:
S1、采集不同时间下多个电台发射的中频AD信号数据,生成辐射源个体识别样本集,并将辐射源个体识别样本集分为原始训练样本集和原始验证样本集;
S2、得到辐射源个体识别样本集之后,继续采集不同时间下多个电台发射的中频AD信号数据,得到无标签样本集,并将无标签样本集分为无标签训练样本集和无标签验证样本集;
S3、将辐射源个体识别样本集和无标签样本集中同一电台不同时间采集的信号均视为不同数据域,分别将将原始训练样本集和原始验证样本集中不同数据域中的同一辐射源的信号组成两两一对,分别将无标签训练样本集和无标签验证样本集中不同数据域中的信号组成两两一对,得到训练样本集与验证样本集;
S4、构建基于多域迁移学习的跨时间辐射源个体识别模型;
S5、利用训练样本集和验证样本集训练跨时间辐射源个体识别模型;
S6、利用训练好的跨时间辐射源个体识别模型进行辐射源个体识别。
2.根据权利要求1所述的一种基于多域迁移学习的跨时间辐射源个体识别方法,其特征在于,所述步骤S4具体实现方法为:
S41、构建基于多域迁移学习的跨时间辐射源个体识别模型,其结构如下:
第一层为网络输入层,输入大小设置为(8192,1);
第二层为第一一维卷积层,卷积核个数为8,卷积核的大小为39,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第三层为第一批规范化层;
第四层为第二一维卷积层,卷积核个数为16,卷积核的大小为9,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第五层为第二批规范化层;
第六层为第三一维卷积层,卷积核个数为32,卷积核的大小为39,卷积步长为2,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第七层为第四一维卷积层,卷积核个数为32,卷积核的大小为13,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第八层为第五一维卷积层,卷积核个数为64,卷积核的大小为9,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第九层为第六一维卷积层,卷积核个数为32,卷积核的大小为7,卷积步长为1,采用打补丁的方式进行扩展,激活函数为线性整流函数Relu;
第十层为加法层,将第九层输出与第六层输出相加;
第十一层为第一全局平均池化层,该层输出为特征点位置;
第十二层为第一全连接层,神经元个数设置为8*M=128,激活函数为线性整流函数Relu,dropout=0.2,M为辐射源数目;
第十三层为第二全连接层,神经元个数设置为M=16,激活函数为Softmax函数,该层输出为模型分类结果;
S42、设置基于多域迁移学习的跨时间辐射源个体识别模型的超参数以及优化算法,超参数包括学习率和迭代次数,优化算法采用误差反向传播算法;
S43、选择损失函数L:损失函数L为交叉熵损失函数与最大均值差异函数的综合函数;其中交叉熵损失函数表示如下:
M为辐射源个体识别信号类别总数,c表示具体某一类别;yc为指示变量,如果该类别c和样本的类别相同,则yc为1,否则为0;pc表示对于样本属于类别c的预测概率;
均值差异函数表示如下:
F1表示数据对中第一个数据的特征,F2表示数据对中第二个数据的特征,||*||L1表示*的矩阵L1范数,上标T表示转置,H为数据的特征长度;
总损失函数L表述如下:
L=λ1×L1+λ2×L2
其中,λ1、λ2为两个函数分别的权重值。
3.根据权利要求1所述的一种基于多域迁移学习的跨时间辐射源个体识别方法,其特征在于,所述步骤S5具体实现方法为:
S51、打乱训练样本集和验证样本集中所有样本对的排列顺序,将训练样本集和验证样本集中的样本对输入基于多域迁移学习的跨时间辐射源个体识别模型中;
S52、通过Adam优化算法对损失函数L进行迭代优化,设置学习率下降机制和早停机制,迭代优化完成后,得到训练好的识别模型;其具体设置方式如下:当验证集的L值在8个周期内都不下降时,将学习率减半继续训练;当达到深度神经网络设置的训练次数或验证集的L值在30个周期内都不下降时,结束训练,将当前识别模型最为最终的识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797240.3A CN115081487A (zh) | 2022-07-08 | 2022-07-08 | 一种基于多域迁移学习的跨时间辐射源个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797240.3A CN115081487A (zh) | 2022-07-08 | 2022-07-08 | 一种基于多域迁移学习的跨时间辐射源个体识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081487A true CN115081487A (zh) | 2022-09-20 |
Family
ID=83257843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210797240.3A Pending CN115081487A (zh) | 2022-07-08 | 2022-07-08 | 一种基于多域迁移学习的跨时间辐射源个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081487A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401588A (zh) * | 2023-06-08 | 2023-07-07 | 西南交通大学 | 一种基于深层网络的辐射源个体分析方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
CN113076996A (zh) * | 2021-03-31 | 2021-07-06 | 南京邮电大学 | 一种改进粒子群极限学习机的辐射源信号识别方法 |
CN113431635A (zh) * | 2021-05-20 | 2021-09-24 | 上海交通大学 | 半监督的盾构隧道掌子面地质类型预估方法及系统 |
CN114021459A (zh) * | 2021-11-05 | 2022-02-08 | 西安晟昕科技发展有限公司 | 一种小样本雷达辐射源的识别方法 |
-
2022
- 2022-07-08 CN CN202210797240.3A patent/CN115081487A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115924A (zh) * | 2020-09-27 | 2020-12-22 | 西安电子科技大学 | 基于一维cnn和lstm的雷达辐射源识别方法 |
CN112308008A (zh) * | 2020-11-12 | 2021-02-02 | 电子科技大学 | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 |
CN113076996A (zh) * | 2021-03-31 | 2021-07-06 | 南京邮电大学 | 一种改进粒子群极限学习机的辐射源信号识别方法 |
CN113431635A (zh) * | 2021-05-20 | 2021-09-24 | 上海交通大学 | 半监督的盾构隧道掌子面地质类型预估方法及系统 |
CN114021459A (zh) * | 2021-11-05 | 2022-02-08 | 西安晟昕科技发展有限公司 | 一种小样本雷达辐射源的识别方法 |
Non-Patent Citations (3)
Title |
---|
JIAXU LIU; JIANQING LI; JIAO WANG; HAO HUANG: "Specific Emitter Identification at Different Time Based on Multi-domain Migration", 《2022 ASIA-PACIFIC SIGNAL AND INFORMATION PROCESSING ASSOCIATION ANNUAL SUMMIT AND CONFERENCE (APSIPA ASC)》, 21 December 2022 (2022-12-21) * |
刘高辉;张晓博;: "一种基于深度置信网络的通信辐射源个体识别方法", 电波科学学报, no. 03, 12 June 2019 (2019-06-12) * |
胡瑾贤;高墨昀;王金锋;: "外场条件下辐射源脉内瞬时频率特征提取与个体识别有效性分析", 舰船电子对抗, no. 02, 25 April 2020 (2020-04-25) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401588A (zh) * | 2023-06-08 | 2023-07-07 | 西南交通大学 | 一种基于深层网络的辐射源个体分析方法及装置 |
CN116401588B (zh) * | 2023-06-08 | 2023-08-15 | 西南交通大学 | 一种基于深层网络的辐射源个体分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saucan et al. | A multisensor multi-Bernoulli filter | |
CN112308008B (zh) | 基于迁移学习的工作模式开集的雷达辐射源个体识别方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
Li et al. | IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data | |
CN113076996B (zh) | 一种改进粒子群极限学习机的辐射源信号识别方法 | |
CN104850867A (zh) | 一种基于直觉模糊c均值聚类的目标识别方法 | |
Li | A new robust signal recognition approach based on holder cloud features under varying SNR environment | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN111275744B (zh) | 基于深度学习及图像处理的非接触振动频率测量方法 | |
Du et al. | Balanced neural architecture search and its application in specific emitter identification | |
CN115081487A (zh) | 一种基于多域迁移学习的跨时间辐射源个体识别方法 | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
Chang et al. | Rail crack defect recognition based on a multi-feature fusion algorithm using electromagnetic acoustic emission technique | |
Kong et al. | Vibration fault analysis of hydropower units based on extreme learning machine optimized by improved sparrow search algorithm | |
CN116466408B (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN111983569A (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN112350745B (zh) | 一种跳频通信电台的分选方法 | |
Zhu et al. | Prediction of air quality index based on wavelet transform combination model | |
CN113111774A (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 | |
CN111898652A (zh) | 一种基于卷积神经网络的空间目标姿态分类识别方法 | |
CN114219004A (zh) | 一种基于高斯混合模型的数据过采样方法 | |
Yan et al. | Water Quality Detection Based on FCN and Embedded System |
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 |