CN115409073A - 一种面向i/q信号识别的半监督宽度学习方法及装置 - Google Patents

一种面向i/q信号识别的半监督宽度学习方法及装置 Download PDF

Info

Publication number
CN115409073A
CN115409073A CN202211341465.4A CN202211341465A CN115409073A CN 115409073 A CN115409073 A CN 115409073A CN 202211341465 A CN202211341465 A CN 202211341465A CN 115409073 A CN115409073 A CN 115409073A
Authority
CN
China
Prior art keywords
signal
label
supervised
real
nodes
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.)
Granted
Application number
CN202211341465.4A
Other languages
English (en)
Other versions
CN115409073B (zh
Inventor
韩光洁
徐政伟
李超
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202211341465.4A priority Critical patent/CN115409073B/zh
Publication of CN115409073A publication Critical patent/CN115409073A/zh
Application granted granted Critical
Publication of CN115409073B publication Critical patent/CN115409073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向I/Q信号识别的半监督宽度学习方法及装置，该方法首先对场景中采集到的I/Q信号以复数形式进行表征，并随机选取部分数据进行标注，构建半监督I/Q信号数据集作为模型输入；然后构建实特征节点和虚特征节点，采用特征节点构建增强节点，以表征特征节点的实部和虚部的融合特征；采用流形正则化构建损失函数，以将I/Q信号的标签信息从标签数据中传播到无标签数据中；最后将特征节点与增强节点直接与输出层相连，以构建权重矩阵，并结合损失函数构建权重系数的求解方程。本发明不仅能够从无标签数据中提取I/Q信号特征，还能有效地学习I载波与Q载波之间的互耦信息以进一步提高I/Q信号的识别率。

Description

一种面向I/Q信号识别的半监督宽度学习方法及装置
技术领域
本发明属于信号识别技术应用领域，具体涉及一种面向I/Q信号识别的半监督宽度学习方法及装置。
背景技术
随着无线通信技术的不断发展，雷达、无人机和传感器等发射器的种类和数量不断增加，这使得电磁环境更加复杂。因此，在非合作场景下识别和分析接收到的I/Q信号具有重要意义。近年来，深度学习（deep learning，DL）作为自然语言处理、计算机视觉和语音识别领域的一种强大且有效的解决方案，在半监督I/Q信号识别领域也取得了许多成就，主要包括：（1）基于伪标签的I/Q信号识别方法，它首先采用有标签的I/Q数据进行特征提取并训练分类器，然后通过对无标签数据进行预测后与标签数据一同进行特征提取。但该方法建立在一个很高精度的基准模型之上，但当基准模型精度不能够达到要求时，则识别性能不佳。（2）采用生成对抗网络，有效利用少量标签数据和大量未标签数据，通过两个基础网络间的交替对抗训练，更好地学习不同分布域的I/Q信号特征，从而达到比仅用标签数据更好的识别效果。但该方法通常需要较大的计算资源和较长的训练时间。
为了解决上述问题，本文提出了一种面向I/Q信号识别的复数半监督宽度学习方法。相较于深度学习，其结扁平形的设计可以避免过量的冗余节点，降低了需要计算的参数量。此外，它还进一步考虑了以复数形式表征的I/Q信号，通过设计实特征节点和虚特征节点以有效的提取I载波和Q载波之间的互耦信息。经过分析验证，本文提出的一种面向I/Q信号识别的复数半监督宽度学习方法在数据集规模较小时在识别精度和训练时间方面都更有优势。
发明内容
本发明的目的在于针对现有技术的不足，提供一种面向I/Q信号识别的半监督宽度学习方法及装置。
本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种面向I/Q信号识别的半监督宽度学习方法，包括以下步骤：
（1）对场景中采集到的I/Q信号以复数形式进行表征，并随机选取部分数据进行标注，构建半监督I/Q信号数据集作为模型输入；
（2）构建实特征节点和虚特征节点，所述实特征节点和所述虚特征节点分别映射所述半监督I/Q信号数据集中的实部特征和虚部特征，采用特征节点构建增强节点，以表征所述特征节点的实部和虚部的融合特征；
（3）采用流形正则化构建损失函数，以将I/Q信号的标签信息从标签数据中传播到无标签数据中；
（4）将所述特征节点与所述增强节点直接与输出层相连，以构建权重矩阵，并结合所述步骤（3）中的损失函数构建权重系数的求解方程。
进一步地，所述步骤（1）中的I/Q信号为双通道信号，所述I/Q信号由I载波和Q载波组成，通过将所述I载波旋转90度以获得所述Q载波；
所述I载波的表达式为：
Figure 854046DEST_PATH_IMAGE001
所述Q载波的表达式为：
Figure 567924DEST_PATH_IMAGE002
其中，A表示振幅，
Figure 754186DEST_PATH_IMAGE003
代表频率，u代表采样点。
进一步地，对所述I/Q信号数据集中的部分数据进行标注，构建带标签的I/Q信号数据集以及无标签的I/Q信号数据集；所述模型输入的I/Q信号数据的实部和虚部均由带标签样本和对应的标签以及无标签样本三部分组成。
进一步地，所述步骤（2）包括以下子步骤：
（2.1）将处理后的所述半监督I/Q信号数据集表示为
Figure 680554DEST_PATH_IMAGE004
，
Figure 150718DEST_PATH_IMAGE004
作为模型输入，其实部和 虚部分别表示为
Figure 504339DEST_PATH_IMAGE005
和
Figure 177897DEST_PATH_IMAGE006
；第c对所述实特征节点和所述虚特征节点的表达式分别为：
Figure 907956DEST_PATH_IMAGE007
Figure 232627DEST_PATH_IMAGE008
其中，
Figure 898094DEST_PATH_IMAGE009
和
Figure 183582DEST_PATH_IMAGE010
分别表示实特征节点的权重和偏置，
Figure 576386DEST_PATH_IMAGE011
和
Figure 630930DEST_PATH_IMAGE012
分别表示虚特征节点 的权重和偏置，
Figure 467299DEST_PATH_IMAGE013
为激活函数；
根据所述实特征节点和虚特征节点，构建实特征节点集和虚特征节点集，将所述 实特征节点集表示为
Figure 240083DEST_PATH_IMAGE014
，将所述虚特征节点集表示为
Figure 170999DEST_PATH_IMAGE015
；
（2.2）将所述实特征节点集和所述虚特征节点集合并，以得到特征节点集，并构建 增强节点；所述特征节点集表示为
Figure 345628DEST_PATH_IMAGE016
；第
Figure 352898DEST_PATH_IMAGE017
个所述增强节点的表达式为：
Figure 612978DEST_PATH_IMAGE018
其中，
Figure 347585DEST_PATH_IMAGE019
和
Figure 376721DEST_PATH_IMAGE020
代表增强节点的权重和偏置，
Figure 554892DEST_PATH_IMAGE021
为激活函数；
根据所述增强节点，构建增强节点集，将所述增强节点集表示为
Figure 36689DEST_PATH_IMAGE022
；
（2.3）将所述实特征节点集、虚特征节点集和增强节点集合并，以得到节点集，所 述节点集表示为
Figure 574987DEST_PATH_IMAGE023
，对节点集
Figure 458629DEST_PATH_IMAGE023
与权重矩阵
Figure 807702DEST_PATH_IMAGE024
求积以得到模型的输出，所述模型的输出表 示为
Figure 776795DEST_PATH_IMAGE025
。
进一步地，所述步骤（3）包括以下子步骤：
（3.1）所述I/Q信号数据集满足平滑度假设，使用流形正则化对无标签样本的无标签数据进行预测；
（3.2）根据所述I/Q信号数据集的形状约束提取数据的高维特征，并判断数据的模 式之间的相似性；通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预 测，以得出两个样本
Figure 853204DEST_PATH_IMAGE026
和
Figure 997878DEST_PATH_IMAGE027
对应的模型输出
Figure 642486DEST_PATH_IMAGE028
和
Figure 833296DEST_PATH_IMAGE029
，根据模型输出
Figure 978975DEST_PATH_IMAGE028
和
Figure 306051DEST_PATH_IMAGE029
以及两个样本
Figure 262506DEST_PATH_IMAGE026
和
Figure 330825DEST_PATH_IMAGE027
之间的成对相似度
Figure 889982DEST_PATH_IMAGE030
得出模型的损失函数
Figure 478090DEST_PATH_IMAGE031
；
（3.3）构建拉普拉斯矩阵表征信号的特征，拉普拉斯矩阵的表达式为：
Figure 198921DEST_PATH_IMAGE032
其中，L是信号特征的拉普拉斯矩阵，D是对角矩阵，其对角元素为
Figure 754536DEST_PATH_IMAGE033
，K 是所有样本的成对相似性矩阵；
（3.4）将所述步骤（3.2）得到的损失函数简化为：
Figure 851805DEST_PATH_IMAGE034
其中，
Figure 559998DEST_PATH_IMAGE035
表示损失函数，
Figure 717310DEST_PATH_IMAGE036
是矩阵的迹，
Figure 760221DEST_PATH_IMAGE037
为预测的样本标签；
根据简化的损失函数将I/Q信号的标签信息从标签数据中传播到无标签数据中。
进一步地，所述I/Q信号数据集满足平滑度假设，具体为：带标签数据集
Figure 661181DEST_PATH_IMAGE038
和无标 签数据集
Figure 958301DEST_PATH_IMAGE039
满足同一边缘分布
Figure 286515DEST_PATH_IMAGE040
；当两个样本
Figure 551143DEST_PATH_IMAGE041
和
Figure 255794DEST_PATH_IMAGE042
在高密度区域中接近，则认定二者条 件概率
Figure 938579DEST_PATH_IMAGE043
和
Figure 562327DEST_PATH_IMAGE044
近似相等，两个样本属于同一标签类别。
进一步地，所述成对相似度通过热核函数计算得出，其表达式为：
Figure 189617DEST_PATH_IMAGE045
其中，
Figure 307746DEST_PATH_IMAGE046
为样本
Figure 704092DEST_PATH_IMAGE047
和
Figure 498742DEST_PATH_IMAGE048
之间的成对相似度，
Figure 613329DEST_PATH_IMAGE049
是样本x的t近邻的集合。
进一步地，所述步骤（4）包括以下子步骤：
（4.1）采用所述步骤（2）得到样本
Figure 269569DEST_PATH_IMAGE050
的模型输出
Figure 786001DEST_PATH_IMAGE051
，根据所述模型输出
Figure 751552DEST_PATH_IMAGE051
和真实标签以得到预测标签与真实标签之间的误差，所述误差的表达式为：
Figure 353434DEST_PATH_IMAGE052
其中，
Figure 78945DEST_PATH_IMAGE051
代表预测的标签，
Figure 449883DEST_PATH_IMAGE053
代表真实的标签，
Figure 586336DEST_PATH_IMAGE054
代表样本
Figure 409935DEST_PATH_IMAGE055
映射后得 到的节点集合，
Figure 673557DEST_PATH_IMAGE056
为网络的权重矩阵，
Figure 899002DEST_PATH_IMAGE057
代表第i个样本预测标签与真实标签之间的误差；
（4.2）所述误差
Figure 206356DEST_PATH_IMAGE058
为最小值时，对应的权重矩阵
Figure 782831DEST_PATH_IMAGE056
为模型的最优解；
（4.3）在半监督场景下，将所述步骤（4.2）中的误差结合流形正则化公式做进一步处理，表示为：
Figure 584564DEST_PATH_IMAGE059
其中，
Figure 664516DEST_PATH_IMAGE060
是A的转置矩阵，C是由标签样本和无标签样本构成的对角矩阵；L是所述 步骤（3）中得到的拉普拉斯矩阵，
Figure 408350DEST_PATH_IMAGE061
和
Figure 206542DEST_PATH_IMAGE062
是两个补偿系数；
以得到最优的网络的权重矩阵。
本发明实施例第二方面提供了一种面向I/Q信号识别的半监督宽度学习装置，包括一个或多个处理器，用于实现上述的面向I/Q信号识别的半监督宽度学习方法。
本发明实施例第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的面向I/Q信号识别的半监督宽度学习方法。
本发明的有益效果是，本发明将两通道的I/Q信号以复数形式表征，并将其中少部分数据进行标注，其余数据不做标注处理；构建实特征映射节点和虚特征映射节点提取I/Q信号的实部特征和虚部特征；构建增强节点融合实虚特征节点映射的单一载波特征，并进一步增强特征提取能力；将特征节点和增强节点合并后直接与输出层相连得到宽度网络的权重矩阵；采用热核函数估计相邻两I/Q信号样本之间的相似度；根据所有样本的相似度构建拉普拉斯矩阵映射I/Q信号样本特征；采用流形正则化构建损失函数预测无标签I/Q信号的类型；将构建的损失函数带入到宽度网络的权重矩阵中求解从而完成模型的构建。本发明解决了传统宽度学习仅支持带标签且仅支持实数域的数据集的问题，进一步扩展了基于宽度学习的识别模型的适用范围；提出的复数半监督宽度学习方法不仅能够从无标签数据中提取I/Q信号特征，还能有效的学习I载波与Q载波之间的互耦信息以进一步提高I/Q信号的识别率。
附图说明
图1本发明的流程示意图；
图2为本发明面向I/Q信号识别的半监督宽度学习装置的一种结构示意图。
具体实施方式
下面根据图1-图2详细说明本发明。
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明中的面向I/Q信号识别的复数半监督宽度学习方法，具体包括如下步骤：
（1）对场景中采集到的I/Q信号以复数形式进行表征，并随机选取部分数据，对部分数据进行标注，构建半监督I/Q信号数据集作为模型输入。
其中，I/Q信号为双通道信号，I/Q信号由I载波和Q载波组成，通过将I载波旋转90度以获得所述Q载波。
I载波的表达式为：
Figure 811966DEST_PATH_IMAGE001
Q载波的表达式为：
Figure 746424DEST_PATH_IMAGE002
其中，A表示振幅，
Figure 661160DEST_PATH_IMAGE063
代表频率，u代表采样点。
对I/Q信号数据集中的部分数据进行标注，构建带标签的I/Q信号数据集，表示为
Figure 946647DEST_PATH_IMAGE064
，其中，
Figure 90184DEST_PATH_IMAGE065
代表带标签的I/Q数据，
Figure 534941DEST_PATH_IMAGE066
为对应的标签，n代表标签样本的 数量。
I/Q信号数据集中未标注的数据即为无标签的I/Q信号数据集，表示为
Figure 495943DEST_PATH_IMAGE067
，其中，
Figure 878514DEST_PATH_IMAGE068
代表无标签的I/Q数据，m代表无标签样本的数量。
综上，作为模型输入的I/Q信号数据的实部和虚部分别可以表示为：
Figure 950376DEST_PATH_IMAGE069
其中，
Figure 249639DEST_PATH_IMAGE070
和
Figure 115964DEST_PATH_IMAGE071
是输入数据集的实部和虚部，分别对应I/Q信号的I载波和Q载波，它 们均是由无标签样本，带标签样本和对应的标签三部分组成。
（2）构建实特征节点和虚特征节点，实特征节点和虚特征节点分别映射半监督I/Q信号数据集中的实部特征和虚部特征，采用特征节点构建增强节点，以表征特征节点的实部和虚部的融合特征。
（2.1）将定处理后的半监督I/Q信号数据集表示为
Figure 251410DEST_PATH_IMAGE072
，
Figure 861383DEST_PATH_IMAGE072
作为模型输入，其实部和虚 部分别为
Figure 116669DEST_PATH_IMAGE073
和
Figure 153895DEST_PATH_IMAGE074
。
需要说明的是，模型的输出为Y，其空间域为
Figure 776638DEST_PATH_IMAGE075
，其中，
Figure 190301DEST_PATH_IMAGE076
代表域，N代表数 据集中样本的个数，C代表需要识别的信号总数。
第c对实特征节点和虚特征节点的表达式分别为：
Figure 198578DEST_PATH_IMAGE077
其中，
Figure 672284DEST_PATH_IMAGE078
和
Figure 516743DEST_PATH_IMAGE079
分别表示实特征节点的权重和偏置，
Figure 858732DEST_PATH_IMAGE080
和
Figure 862460DEST_PATH_IMAGE081
分别表示虚特征节点 的权重和偏置，
Figure 116855DEST_PATH_IMAGE082
为激活函数。
应当理解的是，
Figure 573244DEST_PATH_IMAGE078
、
Figure 453344DEST_PATH_IMAGE079
、
Figure 311579DEST_PATH_IMAGE080
和
Figure 2454DEST_PATH_IMAGE081
均是以随机的方式产生的，
Figure 946140DEST_PATH_IMAGE082
可以为Sigmoid 线性激活函数，也可以为其他类型的激活函数。
根据实特征节点和虚特征节点，构建实特征节点集和虚特征节点集，将实特征节 点集表示为
Figure 629931DEST_PATH_IMAGE083
，将虚特征节点集表示为
Figure 342672DEST_PATH_IMAGE084
，其表达式分别为
Figure 204449DEST_PATH_IMAGE085
和
Figure 635430DEST_PATH_IMAGE086
。
需要说明的是，实部数据生成一组特征节点，虚部生成另外一组特征节点，两组特征节点均是独立的，分别称为实特征节点和虚特征节点。
（2.2）将实特征节点集和虚特征节点集合并，据此可以得到特征节点集，特征节点 集表示为
Figure 857333DEST_PATH_IMAGE087
；为了进一步表I载波和Q载波的融合特征，需要构建增强节点，第
Figure 159001DEST_PATH_IMAGE088
个所述增强节点的表达式为：
Figure 457258DEST_PATH_IMAGE089
其中，
Figure 375536DEST_PATH_IMAGE090
和
Figure 135550DEST_PATH_IMAGE091
代表增强节点的权重和偏置，
Figure 822884DEST_PATH_IMAGE092
为激活函数。
应当理解的是，
Figure 292042DEST_PATH_IMAGE093
和
Figure 166457DEST_PATH_IMAGE091
同样均是以随机的方式产生的权重和偏置，
Figure 995742DEST_PATH_IMAGE092
可以为 sigmoid线性激活函数，也可以为其他类型的激活函数。这里需要注意的是，根据信号的特 征不同，可以选择不同类型的激活函数，例如Tanh，Relu等。此外，
Figure 537582DEST_PATH_IMAGE092
和
Figure 177642DEST_PATH_IMAGE082
可以为不同类 型的激活函数，也可以为相同类型的激活函数。例如，
Figure 539353DEST_PATH_IMAGE092
为Sigmoid线性激活函数时发生了 训练饱和问题，可以将
Figure 906749DEST_PATH_IMAGE082
设置为Relu以缓解该问题。
通过这种方式，根据增强节点，可以构建增强节点集，将增强节点集表示为
Figure 444041DEST_PATH_IMAGE094
。
（2.3）将实特征节点集、虚特征节点集和增强节点集合并，可以得到节点集，将节 点集表示为
Figure 114056DEST_PATH_IMAGE095
，对节点集
Figure 353277DEST_PATH_IMAGE095
与权重矩阵
Figure 134151DEST_PATH_IMAGE096
求积以得到模型的输出，将模型的输出表示为
Figure 525949DEST_PATH_IMAGE097
。其中，节点集具体可表示为：
Figure 366866DEST_PATH_IMAGE098
综上，本发明构建模型的预测输出可以表示为节点集与权重矩阵相乘，具体为：
Figure 93383DEST_PATH_IMAGE099
（3）采用流形正则化构建损失函数，以将I/Q信号的标签信息从标签数据中传播到无标签数据中。
应当理解的是，流形正则化是一个从已标记样本和未标记样本中学习的几何框架。
（3.1）在使用流型正则化对无标签数据进行预测时，I/Q信号数据集必须先满足平滑度假设。
平滑度假设具体为：标签数据集
Figure 677948DEST_PATH_IMAGE100
和无标签数据集
Figure 924252DEST_PATH_IMAGE101
满足同一边缘分布；当两 个样本
Figure 201650DEST_PATH_IMAGE102
和
Figure 149883DEST_PATH_IMAGE103
在高密度区域中非常接近，则认定它们条件概率
Figure 538139DEST_PATH_IMAGE104
和
Figure 638951DEST_PATH_IMAGE105
近似相 等，两个样本属于同一标签类别。
如图1所示，这是一个并行操作，输入的数据
Figure 821670DEST_PATH_IMAGE106
会分别经过两条路径。路径1是构建 宽度网络的特征节点和增强节点。路径2就是本步骤，输入数据经过流形正则化框架将通过 标签数据预测无标签数据的标签。最后两条路径汇合，共同构建权重矩阵，完成整体架构的 搭建。这里的平滑度假设条件其实就是流形正则化的充要条件，换句话说，也就是该方法仅 对部分数据场景有效，也就是满足该平滑度假设条件的场景。所以满足该平滑度假设，本文 模型才能建立，满足不了就无法使用文本模型。
（3.2）根据I/Q信号数据集的形状约束提取数据的高维特征，并判断数据的模式之 间的相似性；通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预测，以 得出两个样本
Figure 522779DEST_PATH_IMAGE107
和
Figure 449147DEST_PATH_IMAGE108
对应的模型输出
Figure 670043DEST_PATH_IMAGE109
和
Figure 413877DEST_PATH_IMAGE110
，根据模型输出
Figure 212069DEST_PATH_IMAGE109
和
Figure 551915DEST_PATH_IMAGE110
以及两个样本
Figure 751952DEST_PATH_IMAGE107
和
Figure 666687DEST_PATH_IMAGE108
之间的成对相似度得出模型的损失函数
Figure 686596DEST_PATH_IMAGE111
。
其中，形状约束指的是I/Q信号数据分布的几何形状。该流形正则化过程可以转换为对最小化损失函数过程的求解，根据任意两个数据样本之间的成对相似度构建损失函数，损失函数的表达式为：
Figure 95711DEST_PATH_IMAGE112
其中，
Figure 415834DEST_PATH_IMAGE111
代表损失函数，n和m分别代表带标签样本的数量和无标签样本的数量，
Figure 235892DEST_PATH_IMAGE113
为样本
Figure 8676DEST_PATH_IMAGE107
和
Figure 955903DEST_PATH_IMAGE108
之间的成对相似度，
Figure 864953DEST_PATH_IMAGE109
和
Figure 121491DEST_PATH_IMAGE110
为对应的模型的输出。
另外，成对相似度可以通过热核函数计算，其表达式为：
Figure 115992DEST_PATH_IMAGE114
其中，
Figure 866910DEST_PATH_IMAGE113
为样本
Figure 896046DEST_PATH_IMAGE107
和
Figure 57906DEST_PATH_IMAGE108
之间的成对相似度，
Figure 805282DEST_PATH_IMAGE115
是样本x的t近邻的集合。
（3.3）构建拉普拉斯矩阵表征信号的特征，拉普拉斯矩阵的表达式为：
Figure 94312DEST_PATH_IMAGE116
其中，L是信号特征的拉普拉斯矩阵，D是对角矩阵，其对角元素为
Figure 977955DEST_PATH_IMAGE117
，K 是所有样本的成对相似性矩阵。
（3.4）将步骤（3.2）得到的损失函数简化为：
Figure 310716DEST_PATH_IMAGE118
其中，
Figure 279809DEST_PATH_IMAGE111
表示损失函数，
Figure 372530DEST_PATH_IMAGE119
是矩阵的迹，
Figure 500892DEST_PATH_IMAGE120
为预测的样本标签。
然后根据简化的损失函数将I/Q信号的标签信息从带标签数据中传播到无标签数据中。
（4）将特征节点与增强节点直接与输出层相连，以构建权重矩阵，并结合步骤（3）中的损失函数构建权重系数的求解方程。
（4.1）对于样本
Figure 145500DEST_PATH_IMAGE121
，采用步骤（2）得到样本
Figure 477255DEST_PATH_IMAGE121
的的模型输出，根据模型输出和真实 标签的差值可以得到预测标签与真实标签之间的误差，误差的表达式为：
Figure 232721DEST_PATH_IMAGE122
其中，
Figure 215590DEST_PATH_IMAGE123
代表预测的标签，
Figure 31099DEST_PATH_IMAGE124
代表真实的标签，
Figure 584571DEST_PATH_IMAGE125
代表样本
Figure 878149DEST_PATH_IMAGE121
映射后 得到的节点集合，
Figure 981103DEST_PATH_IMAGE126
为网络的权重矩阵，
Figure 967514DEST_PATH_IMAGE127
代表第i个样本预测标签与真实标签之间的误 差。
（4.2）当误差
Figure 273861DEST_PATH_IMAGE127
最小时，对应的权重矩阵
Figure 371130DEST_PATH_IMAGE126
变为模型的最优解，权重模型最优化公 式为：
Figure 63012DEST_PATH_IMAGE128
其中，
Figure 220324DEST_PATH_IMAGE126
是网络的权重矩阵，
Figure 748388DEST_PATH_IMAGE129
代表权重
Figure 649348DEST_PATH_IMAGE126
的约束系数，n是标签样本的数量。上述 公式描述了在监督环境下，宽度学习的权重模型最优化公式。
（4.3）在半监督场景下，将所述步骤（4.2）中的误差结合流形正则化公式做进一步处理，表示为：
Figure 461315DEST_PATH_IMAGE130
其中，
Figure 55107DEST_PATH_IMAGE060
是A的转置矩阵，C是由标签样本和无标签样本构成的对角矩阵，L是步骤 （3）中得到的拉普拉斯矩阵，
Figure 70468DEST_PATH_IMAGE131
和
Figure 509540DEST_PATH_IMAGE132
是两个补偿系数。
所以网络的权重矩阵可以表示为：
Figure 176013DEST_PATH_IMAGE133
至此，根据上述公式，通过标签数据和无标签数据可以得到网络的权重矩阵，从而完成识别模型的构建。
本发明通过将两通道的I/Q信号以复数形式表征，并将其中少部分数据进行标注，其余数据不做标注处理；构建实特征映射节点和虚特征映射节点提取I/Q信号的实部特征和虚部特征；构建增强节点融合实虚特征节点映射的单一载波特征，并进一步增强特征提取能力；将特征节点和增强节点合并后直接与输出层相连得到宽度网络的权重矩阵；采用热核函数估计相邻两I/Q信号样本之间的相似度；根据所有样本的相似度构建拉普拉斯矩阵映射I/Q信号样本特征；采用流形正则化构建损失函数预测无标签I/Q信号的类型；将构建的损失函数带入到宽度网络的权重矩阵中求解从而完成模型的构建。不仅解决了传统宽度学习仅支持带标签且仅支持实数域的数据集的问题，进一步扩展了基于宽度学习的识别模型的适用范围；提出的复数半监督宽度学习方法不仅能够从无标签数据中提取I/Q信号特征，同时还能有效的学习I载波与Q载波之间的互耦信息，从而有助于进一步提高I/Q信号的识别率。
与前述面向I/Q信号识别的半监督宽度学习方法的实施例相对应，本发明还提供了面向I/Q信号识别的半监督宽度学习装置的实施例。
参见图2，本发明实施例提供的一种面向I/Q信号识别的半监督宽度学习装置，包括一个或多个处理器，用于实现上述实施例中的面向I/Q信号识别的半监督宽度学习方法。
本发明面向I/Q信号识别的半监督宽度学习装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图2所示，为本发明面向I/Q信号识别的半监督宽度学习装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的面向I/Q信号识别的半监督宽度学习方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (10)

1.一种面向I/Q信号识别的半监督宽度学习方法，其特征在于，包括以下步骤：
（1）对场景中采集到的I/Q信号以复数形式进行表征，并随机选取部分数据进行标注，构建半监督I/Q信号数据集作为模型输入；
（2）构建实特征节点和虚特征节点，所述实特征节点和所述虚特征节点分别映射所述半监督I/Q信号数据集中的实部特征和虚部特征，采用特征节点构建增强节点，以表征所述特征节点的实部和虚部的融合特征；
（3）采用流形正则化构建损失函数，以将I/Q信号的标签信息从标签数据中传播到无标签数据中；
（4）将所述特征节点与所述增强节点直接与输出层相连，以构建权重矩阵，并结合所述步骤（3）中的损失函数构建权重系数的求解方程。
2.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法，其特征在于，所述步骤（1）中的I/Q信号为双通道信号，所述I/Q信号由I载波和Q载波组成，通过将所述I载波旋转90度以获得所述Q载波；
所述I载波的表达式为：将采样点u的二分之一的幅值A与相位求积得到I载波
Figure 463870DEST_PATH_IMAGE001
；
所述Q载波的表达式为：将I载波旋转90度后与采样点u的二分之一的幅值A求积可得到 Q载波
Figure 232106DEST_PATH_IMAGE002
。
3.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法，其特征在于，对所述I/Q信号数据集中的部分数据进行标注，构建带标签的I/Q信号数据集以及无标签的I/Q信号数据集；所述模型输入的I/Q信号数据的实部和虚部均由带标签样本和对应的标签以及无标签样本三部分组成。
4.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法，其特征在于，所述步骤（2）包括以下子步骤：
（2.1）将处理后的所述半监督I/Q信号数据集表示为
Figure 474868DEST_PATH_IMAGE003
，
Figure 527007DEST_PATH_IMAGE003
作为模型输入，其实部和虚部 分别表示为
Figure 337968DEST_PATH_IMAGE004
和
Figure 577188DEST_PATH_IMAGE005
；第c对所述实特征节点和所述虚特征节点的表达式分别为：
将输入样本的实部与随机产生的权重
Figure 623641DEST_PATH_IMAGE006
求积，再与随机偏置
Figure 15440DEST_PATH_IMAGE007
求和，然后经过激活函 数
Figure 856357DEST_PATH_IMAGE008
得到映射后的实特征节点
Figure 582873DEST_PATH_IMAGE009
；
将输入样本的虚部与随机产生的权重
Figure 901859DEST_PATH_IMAGE010
求积，再与随机偏置
Figure 413743DEST_PATH_IMAGE011
求和，然后经过激活 函数
Figure 425561DEST_PATH_IMAGE008
得到映射后的虚特征节点
Figure 904953DEST_PATH_IMAGE012
；
根据所述实特征节点和虚特征节点，构建实特征节点集和虚特征节点集，将所述实特 征节点集表示为
Figure 902996DEST_PATH_IMAGE013
，将所述虚特征节点集表示为
Figure 394020DEST_PATH_IMAGE014
；
（2.2）将所述实特征节点集和所述虚特征节点集合并，以得到特征节点集，并构建增强 节点；所述特征节点集表示为
Figure 701374DEST_PATH_IMAGE015
；第
Figure 12269DEST_PATH_IMAGE016
个所述增强节点的表达式为：
将所述特征节点
Figure 673058DEST_PATH_IMAGE017
与随机产生的权重
Figure 159534DEST_PATH_IMAGE018
求积，再与随机偏置
Figure 637789DEST_PATH_IMAGE019
求和，然后经过激活 函数
Figure 435980DEST_PATH_IMAGE020
得到增强节点
Figure 41405DEST_PATH_IMAGE021
；
根据所述增强节点，构建增强节点集，将所述增强节点集表示为
Figure 241442DEST_PATH_IMAGE022
；
（2.3）将所述实特征节点集、虚特征节点集和增强节点集合并，以得到节点集，所述节 点集表示为
Figure 914036DEST_PATH_IMAGE023
，对节点集
Figure 199524DEST_PATH_IMAGE023
与权重矩阵
Figure 608639DEST_PATH_IMAGE024
求积以得到模型的输出，所述模型的输出表示为
Figure 663183DEST_PATH_IMAGE025
。
5.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法，其特征在于，所述步骤（3）包括以下子步骤：
（3.1）所述I/Q信号数据集满足平滑度假设，使用流形正则化对无标签样本的无标签数据进行预测；
（3.2）根据所述I/Q信号数据集的形状约束提取数据的高维特征，并判断数据的模式之 间的相似性；通过选取与无标签样本的相似性值中最高的标签样本对其标签进行预测，以 得出两个样本
Figure 483240DEST_PATH_IMAGE026
和
Figure 256024DEST_PATH_IMAGE027
对应的模型输出
Figure 468831DEST_PATH_IMAGE028
和
Figure 377881DEST_PATH_IMAGE029
，根据模型输出
Figure 634419DEST_PATH_IMAGE028
和
Figure 363341DEST_PATH_IMAGE029
以及两个样本
Figure 379838DEST_PATH_IMAGE026
和
Figure 143395DEST_PATH_IMAGE027
之 间的成对相似度
Figure 570834DEST_PATH_IMAGE030
得出模型的损失函数
Figure 52631DEST_PATH_IMAGE031
；
（3.3）构建拉普拉斯矩阵表征信号的特征，拉普拉斯矩阵的表达式为：
样本成对相似性的对角矩阵D减去所有样本的成对相似性矩阵K，以得到信号特征的拉普拉斯矩阵L；
（3.4）将所述步骤（3.2）得到的损失函数
Figure 341661DEST_PATH_IMAGE031
简化为：对预测的样本标签的转置
Figure 225303DEST_PATH_IMAGE032
与拉 普拉斯矩阵L求积，再对其与预测的样本标签
Figure 823644DEST_PATH_IMAGE033
求积，然后再对其求矩阵的迹
Figure 792737DEST_PATH_IMAGE034
；
根据简化的损失函数将I/Q信号的标签信息从标签数据中传播到无标签数据中。
6.根据权利要求5所述的面向I/Q信号识别的半监督宽度学习方法，其特征在于，所述 I/Q信号数据集满足平滑度假设，具体为：带标签数据集
Figure 885458DEST_PATH_IMAGE035
和无标签数据集
Figure 623607DEST_PATH_IMAGE036
满足同一边 缘分布
Figure 392848DEST_PATH_IMAGE037
；当两个样本
Figure 990183DEST_PATH_IMAGE038
和
Figure 745649DEST_PATH_IMAGE039
在高密度区域中接近，则认定二者条件概率
Figure 728518DEST_PATH_IMAGE040
和
Figure 278448DEST_PATH_IMAGE041
近似相等，两个样本属于同一标签类别。
7.根据权利要求5所述的面向I/Q信号识别的半监督宽度学习方法，其特征在于，所述 成对相似度
Figure 97499DEST_PATH_IMAGE030
通过热核函数计算得出，其表达式为：
当两个样本
Figure 656657DEST_PATH_IMAGE026
和
Figure 494031DEST_PATH_IMAGE027
属于彼此的t近邻集合时，两个样本
Figure 480442DEST_PATH_IMAGE026
和
Figure 786789DEST_PATH_IMAGE027
差值的范数的平方除以- 2，然后再对其求指数函数，以得出
Figure 884058DEST_PATH_IMAGE030
；否则，
Figure 841519DEST_PATH_IMAGE030
为0。
8.根据权利要求1所述的面向I/Q信号识别的半监督宽度学习方法，其特征在于，所述步骤（4）包括以下子步骤：
（4.1）采用所述步骤（2）得到样本
Figure 998831DEST_PATH_IMAGE042
的模型输出
Figure 526895DEST_PATH_IMAGE043
，根据所述模型输出
Figure 427855DEST_PATH_IMAGE043
和真实 标签以得到预测标签与真实标签之间的误差，所述误差的表达式为：
对样本
Figure 239822DEST_PATH_IMAGE042
映射后得到的节点集合
Figure 568035DEST_PATH_IMAGE044
与网络的权重矩阵
Figure 848975DEST_PATH_IMAGE045
求积后减去真实标签
Figure 412681DEST_PATH_IMAGE046
，以得到第i个样本预测标签与真实标签之间的误差
Figure 954520DEST_PATH_IMAGE047
；
（4.2）所述误差
Figure 329001DEST_PATH_IMAGE047
为最小值时，对应的权重矩阵
Figure 956291DEST_PATH_IMAGE045
为模型的最优解；
（4.3）在半监督场景下，将所述步骤（4.2）中的误差结合流形正则化公式做进一步处理，表示为：
样本的真实标签
Figure 323688DEST_PATH_IMAGE048
减去输入数据的映射节点A与权重矩阵
Figure 720034DEST_PATH_IMAGE045
之积，然后与标签样本和无 标签样本构成的对角矩阵C的二分之一次方相乘，再对其求范数的平方，得到第一项，补偿 系数
Figure 265416DEST_PATH_IMAGE049
与权重矩阵
Figure 380003DEST_PATH_IMAGE045
范数的平方相乘，得到第二项，权重矩阵
Figure 816669DEST_PATH_IMAGE045
的转置乘上节点集合矩阵 的转置
Figure 801943DEST_PATH_IMAGE050
，再乘上拉布拉斯矩阵L，再乘上节点集合矩阵A，然后乘上权重矩阵
Figure 518226DEST_PATH_IMAGE045
的迹，再与 补偿系数
Figure 120108DEST_PATH_IMAGE051
相乘，得到第三项，最后对第一项、第二项和第三项求和；
以得到最优的网络的权重矩阵。
9.一种面向I/Q信号识别的半监督宽度学习装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-8中任一项所述的面向I/Q信号识别的半监督宽度学习方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，用于实现权利要求1-8中任一项所述的面向I/Q信号识别的半监督宽度学习方法。
CN202211341465.4A 2022-10-31 2022-10-31 一种面向i/q信号识别的半监督宽度学习方法及装置 Active CN115409073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211341465.4A CN115409073B (zh) 2022-10-31 2022-10-31 一种面向i/q信号识别的半监督宽度学习方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211341465.4A CN115409073B (zh) 2022-10-31 2022-10-31 一种面向i/q信号识别的半监督宽度学习方法及装置

Publications (2)

Publication Number Publication Date
CN115409073A true CN115409073A (zh) 2022-11-29
CN115409073B CN115409073B (zh) 2023-03-24

Family

ID=84168450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211341465.4A Active CN115409073B (zh) 2022-10-31 2022-10-31 一种面向i/q信号识别的半监督宽度学习方法及装置

Country Status (1)

Country Link
CN (1) CN115409073B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007026115A (ja) * 2005-07-15 2007-02-01 Nippon Telegr & Teleph Corp <Ntt> ラベル付与システムおよびラベル付与方法
US20100297147A1 (en) * 2006-10-18 2010-11-25 Wyeth Compositions and methods for modulating tlr14 activity
US20130095049A1 (en) * 2010-06-15 2013-04-18 Histocell, S.L. Antioxidant composition
JP2015057630A (ja) * 2013-08-13 2015-03-26 日本電信電話株式会社 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム
CN107844755A (zh) * 2017-10-23 2018-03-27 重庆邮电大学 一种结合dae和cnn的脑电信号特征提取与分类方法
US10003483B1 (en) * 2017-05-03 2018-06-19 The United States Of America, As Represented By The Secretary Of The Navy Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders
CN108777777A (zh) * 2018-05-04 2018-11-09 江苏理工学院 一种基于深度神经网络的监控视频秸秆焚烧巡检方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
WO2019094562A1 (en) * 2017-11-08 2019-05-16 Google Llc Neural network based blind source separation
CN110147852A (zh) * 2019-05-29 2019-08-20 北京达佳互联信息技术有限公司 图像识别的方法、装置、设备及存储介质
US10429486B1 (en) * 2017-08-18 2019-10-01 DeepSig Inc. Method and system for learned communications signal shaping
CN110613445A (zh) * 2019-09-25 2019-12-27 西安邮电大学 一种基于dwnn框架的心电信号的识别方法
US20200037974A1 (en) * 2018-08-02 2020-02-06 Zhejiang University Deep-learning based separation method of a mixture of dual-tracer single-acquisition pet signals with equal half-lives
CN110807365A (zh) * 2019-09-29 2020-02-18 浙江大学 一种基于gru与一维cnn神经网络融合的水下目标识别方法
CN111243620A (zh) * 2020-01-07 2020-06-05 腾讯科技（深圳）有限公司 语音分离模型训练方法、装置、存储介质和计算机设备
CN111449645A (zh) * 2020-03-07 2020-07-28 河南大学 心电图心拍智能分类识别方法
CN111887858A (zh) * 2020-08-04 2020-11-06 西安电子科技大学 基于跨模态映射的心冲击图信号心率估计方法
CN112132149A (zh) * 2020-09-10 2020-12-25 武汉汉达瑞科技有限公司 一种遥感影像语义分割方法及装置
US20210233513A1 (en) * 2019-01-29 2021-07-29 Tencent Technology (Shenzhen) Company Limited Audio recognition method and system and machine device
CN113705633A (zh) * 2021-08-11 2021-11-26 西安交通大学 基于自适应图的半监督核宽度分类学习方法及设备
CN113705635A (zh) * 2021-08-11 2021-11-26 西安交通大学 基于自适应图的半监督宽度学习分类方法及设备
CN114581434A (zh) * 2022-03-24 2022-06-03 生仝智能科技(北京)有限公司 基于深度学习分割模型的病理图像处理方法、电子设备

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007026115A (ja) * 2005-07-15 2007-02-01 Nippon Telegr & Teleph Corp <Ntt> ラベル付与システムおよびラベル付与方法
US20100297147A1 (en) * 2006-10-18 2010-11-25 Wyeth Compositions and methods for modulating tlr14 activity
US20130095049A1 (en) * 2010-06-15 2013-04-18 Histocell, S.L. Antioxidant composition
JP2015057630A (ja) * 2013-08-13 2015-03-26 日本電信電話株式会社 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム
US10003483B1 (en) * 2017-05-03 2018-06-19 The United States Of America, As Represented By The Secretary Of The Navy Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders
US10429486B1 (en) * 2017-08-18 2019-10-01 DeepSig Inc. Method and system for learned communications signal shaping
CN107844755A (zh) * 2017-10-23 2018-03-27 重庆邮电大学 一种结合dae和cnn的脑电信号特征提取与分类方法
WO2019094562A1 (en) * 2017-11-08 2019-05-16 Google Llc Neural network based blind source separation
CN108777777A (zh) * 2018-05-04 2018-11-09 江苏理工学院 一种基于深度神经网络的监控视频秸秆焚烧巡检方法
US20200037974A1 (en) * 2018-08-02 2020-02-06 Zhejiang University Deep-learning based separation method of a mixture of dual-tracer single-acquisition pet signals with equal half-lives
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
US20210233513A1 (en) * 2019-01-29 2021-07-29 Tencent Technology (Shenzhen) Company Limited Audio recognition method and system and machine device
CN110147852A (zh) * 2019-05-29 2019-08-20 北京达佳互联信息技术有限公司 图像识别的方法、装置、设备及存储介质
CN110613445A (zh) * 2019-09-25 2019-12-27 西安邮电大学 一种基于dwnn框架的心电信号的识别方法
CN110807365A (zh) * 2019-09-29 2020-02-18 浙江大学 一种基于gru与一维cnn神经网络融合的水下目标识别方法
CN111243620A (zh) * 2020-01-07 2020-06-05 腾讯科技（深圳）有限公司 语音分离模型训练方法、装置、存储介质和计算机设备
CN111449645A (zh) * 2020-03-07 2020-07-28 河南大学 心电图心拍智能分类识别方法
CN111887858A (zh) * 2020-08-04 2020-11-06 西安电子科技大学 基于跨模态映射的心冲击图信号心率估计方法
CN112132149A (zh) * 2020-09-10 2020-12-25 武汉汉达瑞科技有限公司 一种遥感影像语义分割方法及装置
CN113705633A (zh) * 2021-08-11 2021-11-26 西安交通大学 基于自适应图的半监督核宽度分类学习方法及设备
CN113705635A (zh) * 2021-08-11 2021-11-26 西安交通大学 基于自适应图的半监督宽度学习分类方法及设备
CN114581434A (zh) * 2022-03-24 2022-06-03 生仝智能科技(北京)有限公司 基于深度学习分割模型的病理图像处理方法、电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAN-MIN QIAN等: "Past review,current progress,and challenges ahead on the cocktail party problem", 《FRONTIERS OF INFORMATION TECHNOLOGY & ELECTRONIC ENGINEERING》 *
骆俊锦等: "基于时序二维化和卷积特征融合的表面肌电信号分类方法", 《模式识别与人工智能》 *

Also Published As

Publication number Publication date
CN115409073B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Boscaini et al. Anisotropic diffusion descriptors
Xiong et al. Doubly deformable aggregation of covariance matrices for few-shot segmentation
Wu et al. Dual adaptive transformations for weakly supervised point cloud segmentation
Zhang On mode collapse in generative adversarial networks
Zhang et al. An open set domain adaptation algorithm via exploring transferability and discriminability for remote sensing image scene classification
He et al. Diff-font: Diffusion model for robust one-shot font generation
Li et al. Small Object Detection Algorithm Based on Feature Pyramid‐Enhanced Fusion SSD
Cheng et al. Meta-sampler: Almost-universal yet task-oriented sampling for point clouds
Diao et al. Multi-label remote sensing image classification with deformable convolutions and graph neural networks
Zheng et al. Learn from model beyond fine-tuning: A survey
Wang et al. Multi‐scale network for remote sensing segmentation
Nie et al. Multi-label image recognition with attentive transformer-localizer module
Ma Realization of artificial intelligence interactive system for advertising education in the era of 5G integrated media
CN115409073B (zh) 一种面向i/q信号识别的半监督宽度学习方法及装置
Liu et al. AWEDD: a descriptor simultaneously encoding multiscale extrinsic and intrinsic shape features
Zheng et al. Leaf recognition based on capsule network
Xu et al. Semi-supervised self-growing generative adversarial networks for image recognition
Luo et al. An image classification method based on adaptive attention mechanism and feature extraction network
Cheung et al. Data-scarce surrogate modeling of shock-induced pore collapse process
Ha et al. Comprehensive analysis of privacy in black-box and white-box inference attacks against generative adversarial network
Qiu et al. Few-shot remote sensing image scene classification: Recent advances, new baselines, and future trends
Yuan et al. A decoupled yolov5 with deformable convolution and multi-scale attention
Azencot et al. A Data‐Driven Approach to Functional Map Construction and Bases Pursuit
Dong et al. GAME: GAussian Mixture Error-based meta-learning architecture
Wang et al. CAW: A Remote‐Sensing Scene Classification Network Aided by Local Window Attention

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