CN116010804B - 基于深度学习与知识迁移的物联网设备小样本识别方法 - Google Patents
基于深度学习与知识迁移的物联网设备小样本识别方法 Download PDFInfo
- Publication number
- CN116010804B CN116010804B CN202310050128.8A CN202310050128A CN116010804B CN 116010804 B CN116010804 B CN 116010804B CN 202310050128 A CN202310050128 A CN 202310050128A CN 116010804 B CN116010804 B CN 116010804B
- Authority
- CN
- China
- Prior art keywords
- internet
- feature extraction
- things equipment
- source domain
- extraction model
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习与知识迁移的物联网设备小样本识别方法，以物联网设备识别为目标，首先搭建用于源域物联网设备识别的深度特征提取模型与特征识别模型，然后将源域深度特征提取模型作为目标域的初始化深度特征提取模型，并搭建用于目标域物联网设备识别的初始化特征识别模型，最后利用小样本目标域物联网设备电磁信号样本微调目标域的初始化深度特征提取模型与特征识别模型，以最大平均误差函数评估源域与目标域深层特征的分布差异，有效地实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的深度特征提取模型与特征识别模型，最终实现小样本场景下的物联网设备识别，解决了因样本量不足而无法准确识别设备类别的问题。
Description
技术领域
本发明涉及大数据、信号处理、物联网安全领域，具体涉及一种基于深度学习与知识迁移的物联网设备小样本识别方法。
背景技术
随着移动通信技术与物联网技术的发展，我国移动设备连接数已超过移动用户数，成为了“物超人”国家，物联网安全问题随之成为热点问题。基于深度学习的物联网设备识别方法可作为物联网安全的维护方案，但是该方法需要大规模目标域物联网设备电磁信号数据用于深度模型训练，需要花费大量人力与财力采集、注释、管理大规模目标域物联网设备电磁信号数据集，故实现小样本场景下的物联网设备识别方法具有很大的实用价值。
利用深度学习与源域物联网设备电磁信号数据集构建适用于源域物联网设备识别的深度特征提取模型与特征识别模型，再利用知识迁移实现知识由源域向目标域迁移，进而实现小样本场景下的目标域物联网设备识别。该方法可唯一地识别出物联网设备，用于物联网设备接入认证，避免恶意设备接入物联网，保障物联网安全。
发明内容
为解决现有技术中的不足，本发明提供一种基于深度学习与知识迁移的物联网设备小样本识别方法，解决了在如WiFi、LoRa等物联网设备识别中因目标域物联网设备电磁信号样本量少而不能准确识别的问题。
为了实现上述目标，本发明采用如下技术方案：
一种基于深度学习与知识迁移的物联网设备小样本识别方法，具体包括以下步骤：
步骤一，构建初始化源域深度特征提取模型与特征识别模型，并以初始化源域深度特征提取模型的输出作为初始化源域特征识别模型的输入，利用源域物联网设备电磁信号数据集联合训练初始化源域深度特征提取模型与特征识别模型，得到源域深度特征提取模型与特征识别模型；
步骤二，将源域深度特征提取模型作为初始化目标域深度特征提取模型，并构建初始化目标域特征识别模型；
步骤三，评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异，实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的目标域深度特征提取模型与特征识别模型；
步骤四，将待识别物联网设备电磁信号输入目标域深度特征提取模型与特征识别模型，得到待识别物联网设备的识别结果。
进一步地：所述步骤一中初始化源域深度特征提取模型包含依次连接的9层复值卷积操作、1层展平操作、1层全连接操作，源域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作。
进一步地：利用源域物联网设备电磁信号数据集联合训练初始化源域深度特征提取模型与特征识别模型，其中源域物联网设备电磁信号数据集由若干组源域物联网设备的复值基带信号xs及其对应的独热编码形式的类别标签ys构成。
进一步地：联合训练具体包括如下步骤：
步骤1-1，将源域物联网设备的复值基带信号xs输入初始化源域深度特征提取模型，得到xs的深度特征记作xs,L-2，将xs,L-2输入初始化源域特征识别模型，得到xs的预测概率值
，采用最小化交叉熵损失函数作为初始化源域深度特征提取模型与特征识别模型的目标函数，有
其中C为源域物联网设备类别数，
，/>
为ys中的第i个码元，/>
为xs关于第i类别的预测概率值；
步骤1-2，将源域物联网设备电磁信号数据集所得目标函数值zs视为初始化源域深度特征提取模型与特征识别模型的第L层误差，计算第L层误差对第L层参数
的导数
，实现第L层参数/>
的更新，有
其中
为更新步长，L为初始化源域深度特征提取模型与特征识别模型的总层数；
步骤1-3，计算第L层误差对第L层输入数据xs,L-1的导数
，将其视为第L层传递至第L-1层的误差，如此反向传播，直至更新至第1层，实现初始化源域深度特征提取模型与特征识别模型的参数更新，得到源域深度特征提取模型与特征识别模型。
进一步地：所述步骤二中初始化目标域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作。
进一步地：所述步骤三中，基于若干组源域物联网设备的复值基带信号xs以及由若干组目标域物联网设备的复值基带信号xt及其对应独热编码形式的类别标签yt构成的目标域物联网设备电磁信号数据集，采用最大平均误差函数作为评估规则以评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异，实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的目标域深度特征提取模型与特征识别模型。
进一步地，所述步骤三具体包括如下步骤：
步骤3-1，将源域物联网设备的复值基带信号xs输入源域深度特征提取模型，得到xs的深度特征xs,L-2；将目标域物联网设备的复值基带信号xt输入初始化目标域深度特征提取模型，得到xt的深度特征xt,L-2，采用最小化最大平均误差函数作为评估规则以评估xs,L-2与xt,L-2的分布差异，有
其中H是指Hilbert空间，
是高斯核函数；
步骤3-2，将xt,L-2输入初始化目标域特征识别模型，得到xt,L-2的预测概率值xt,L，联合最小化最大平均误差函数与交叉熵损失函数作为初始化目标域深度特征提取模型和特征识别模型的目标函数，有
步骤3-3，将目标域物联网设备电磁信号数据集所得目标函数值zt视为初始化目标域深度特征提取模型和特征识别模型的第L层误差，计算第L层误差对第L层参数
的导数/>
，实现第L层参数的更新，有
其中
为更新步长；
步骤3-4，计算第L层误差对第L层输入数据xt,L-1的导数
，将其视为第L层传递至第L-1层的误差，如此反向传播，直至更新至第1层，实现初始化目标域深度特征提取模型与特征识别模型的参数更新，得到目标域深度特征提取模型与特征识别模型。
进一步地：所述步骤四中，将待识别物联网设备电磁信号输入目标域深度特征提取模型与特征识别模型，得到待识别物联网设备的识别结果，具体包括如下步骤：
步骤4-1，将待识别物联网设备的复值基带信号xo输入目标域深度特征提取模型，得到其深度特征xo,L-2；
步骤4-2，将xo,L-2输入目标域特征识别模型，得到其预测概率值xo,L，由下式得到待识别物联网设备的预测标签，
本发明所达到的有益效果：本发明在如WiFi、LoRa等物联网设备识别中因目标域物联网设备电磁信号样本量少而不能准确识别的问题，创造性地引入知识迁移，有效地实现知识由源域向目标域迁移，在小样本目标域场景下能准确地识别出物联网设备类别，具有很高的准确性、稳定性和鲁棒性。
附图说明
图1是本发明知识迁移与识别流程图；
图2是本发明的模型框图；
图3是本发明的特征提取示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于深度学习与知识迁移的物联网设备小样本识别方法，具体包括以下步骤：
步骤一，利用深度学习相关知识构建初始化源域深度特征提取模型与特征识别模型，如图2所示，源域深度特征提取模型包含依次连接的9层复值卷积操作、1层展平操作、1层全连接操作，所述步骤一中源域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作，对应初始化源域深度特征提取模型与特征识别模型中第l层操作中的参数记作
，其中/>
，L表示初始化源域深度特征提取模型与特征识别模型的总层数，利用如WiFi、LoRa等源域物联网设备电磁信号数据集联合训练二者以得到源域深度特征提取模型与特征识别模型；
步骤二，将源域深度特征提取模型作为初始化目标域深度特征提取模型，并利用深度学习相关知识构建初始化目标域深度特征识别模型；
步骤三，评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异，实现知识由源域向目标域迁移，得到适用于如WiFi、LoRa等目标域物联网设备识别的深度特征提取模型与特征识别模型；
步骤四，将待识别如WiFi、LoRa等物联网设备电磁信号输入深度特征提取模型与特征识别模型，得到待识别物联网设备的识别结果。
步骤一中，利用深度学习相关知识构建初始化源域深度特征提取模型与特征识别模型，并利用如WiFi、LoRa等源域物联网设备电磁信号数据集训练二者以得到源域深度特征提取模型与特征识别模型，具体步骤包括：
步骤1-1，将如WiFi、LoRa等源域物联网设备的复值基带信号记作xs，将源域物联网设备的类别标签记作ys，将xs输入深度特征提取模型，得到其深度特征记作xs,L-2，将xs,L-2输入特征识别模型，得到其预测概率值xs,L，采用最小化交叉熵损失函数作为模型的目标函数，有
其中C为源域物联网设备类别数，将某批处理所得到的上式结果记为zs；
步骤1-2，利用所得zs视为第L层误差，计算第L层误差对第L层参数的导数
，实现第L层参数更新，有
如图3所示，假设复值基带信号xs的维度为（2，N），该复值基带信号经源域深度特征提取模型与特征识别模型处理后，被压缩成维度为（1，C）的矢量，该矢量可表示为
本发明中，物联网设备的类别标签采用独热编码形式，假设源域物联网设备类别数为10，则依次定义这10种物联网设备的类别标签为1-10，若某物联网设备的类别标签为2，并通过独热编码将其编译为010000000，即ys。
，/>
为ys中的第i个码元。
步骤二中，如图2所示，将源域深度特征提取模型作为初始化目标域深度特征提取模型，初始化目标域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作，对应初始化目标域深度特征提取模型和特征识别模型的第l层操作中的参数记作
。
步骤三中，评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异，实现知识由源域向目标域迁移，得到适用于如WiFi、LoRa等目标域物联网设备识别的深度特征提取模型与特征识别模型，具体步骤包括：
步骤3-1，将源域物联网设备的复值基带信号xs输入源域深度特征提取模型，得到其深度特征xs,L-2；将目标域物联网设备的复值基带信号记为xt，将xt输入初始化目标域深度特征提取模型，得到其深度特征xt,L-2，采用最小化最大平均误差函数作为评估规则以评估xs,L-2与xt,L-2的分布差异，有
步骤3-2，将深度特征xt,L-2输入初始化目标域特征识别模型，得到其预测概率值xt,L，联合最小化最大平均误差函数与交叉熵损失函数作为目标域模型的目标函数，有
其中yt为目标域物联网设备的独热编码形式的类别标签，将某批处理所得到的上式结果记为zt；
步骤3-3，利用所得zt视为目标域模型第L层误差，计算第L层误差对第L层参数
的导数/>
，实现第L层参数更新，有
其中
为更新步长；
步骤3-4，计算第L层误差对第L层输入数据xt,L-1的导数
，将其视为第L层传递至第L-1层的误差，如此反向传播，直至更新至第1层，实现目标域深度特征提取模型与识别模型的参数更新，得到目标域深度特征提取模型与特征识别模型。
步骤四中，将待识别物联网设备电磁信号输入深度特征提取模型与特征识别模型，得到待识别物联网设备的识别结果，具体步骤包括：
步骤4-1，将待识别物联网设备的复值基带信号记为xo，将xo输入目标域深度特征提取模型E3，得到其深度特征xo,L-2；
步骤4-2，将xo,L-2输入目标域特征识别模型，得到其预测概率值xo,L，由下式得到待识别物联网设备的预测标签，
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述基于深度学习与知识迁移的物联网设备小样本识别方法。
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述基于深度学习与知识迁移的物联网设备小样本识别方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于深度学习与知识迁移的物联网设备小样本识别方法，其特征在于，具体包括以下步骤：
步骤一，构建初始化源域深度特征提取模型与特征识别模型，并以初始化源域深度特征提取模型的输出作为初始化源域特征识别模型的输入，利用源域物联网设备电磁信号数据集联合训练初始化源域深度特征提取模型与特征识别模型，得到源域深度特征提取模型与特征识别模型；
步骤二，将源域深度特征提取模型作为初始化目标域深度特征提取模型，并构建初始化目标域特征识别模型；
步骤三，评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异，实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的目标域深度特征提取模型与特征识别模型；
步骤四，将待识别物联网设备电磁信号输入目标域深度特征提取模型与特征识别模型，得到待识别物联网设备的识别结果
所述步骤一中利用源域物联网设备电磁信号数据集联合训练初始化源域深度特征提取模型与特征识别模型，其中源域物联网设备电磁信号数据集由若干组源域物联网设备的复值基带信号xs及其对应的独热编码形式的类别标签ys构成，联合训练具体包括如下步骤：
步骤1-1，将源域物联网设备的复值基带信号xs输入初始化源域深度特征提取模型，得到xs的深度特征记作xs,L-2，将xs,L-2输入初始化源域特征识别模型，得到xs的预测概率值
采用最小化交叉熵损失函数作为初始化源域深度特征提取模型与特征识别模型的目标函数，有
其中C为源域物联网设备类别数，
步骤1-2，将源域物联网设备电磁信号数据集所得目标函数值zs视为初始化源域深度特征提取模型与特征识别模型的第L层误差，计算第L层误差对第L层参数ωs，L的导数
实现第L层参数ωs，L的更新，有/>
其中μ为更新步长，L为初始化源域深度特征提取模型与特征识别模型的总层数；
步骤1-3，计算第L层误差对第L层输入数据xs,L-1的导数
将其视为第L层传递至第L-1层的误差，如此反向传播，直至更新至第1层，实现初始化源域深度特征提取模型与特征识别模型的参数更新，得到源域深度特征提取模型与特征识别模型；
所述步骤三中，基于若干组源域物联网设备的复值基带信号xs以及由若干组目标域物联网设备的复值基带信号xt及其对应独热编码形式的类别标签yt构成的目标域物联网设备电磁信号数据集，采用最大平均误差函数作为评估规则以评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异，实现知识由源域向目标域迁移，得到适用于目标域物联网设备识别的目标域深度特征提取模型与特征识别模型，具体包括如下步骤：
步骤3-1，将源域物联网设备的复值基带信号xs输入源域深度特征提取模型，得到xs的深度特征xs,L-2；将目标域物联网设备的复值基带信号xt输入初始化目标域深度特征提取模型，得到xt的深度特征xt,L-2，采用最小化最大平均误差函数作为评估规则以评估xs,L-2与xt ,L-2的分布差异，有min||Φ(xs，L-2)-Φ(xt，L-2)||H，其中H是指Hilbert空间，Φ(·)是高斯核函数；
步骤3-2，将xt,L-2输入初始化目标域特征识别模型，得到xt,L-2的预测概率值xt,L，联合最小化最大平均误差函数与交叉熵损失函数作为初始化目标域深度特征提取模型和特征识别模型的目标函数，有
min Lc(xt，L，yt)+||Φ(xs，L-2)-Φ(xt，L-2)||H；
步骤3-3，将目标域物联网设备电磁信号数据集所得目标函数值zt视为初始化目标域深度特征提取模型和特征识别模型的第L层误差，计算第L层误差对第L层参数ωt，L的导数
实现第L层参数的更新，有/>
其中μ为更新步长；
步骤3-4，计算第L层误差对第L层输入数据xt,L-1的导数
将其视为第L层传递至第L-1层的误差，如此反向传播，直至更新至第1层，实现初始化目标域深度特征提取模型与特征识别模型的参数更新，得到目标域深度特征提取模型与特征识别模型。
2.根据权利要求1所述的一种基于深度学习与知识迁移的物联网设备小样本识别方法，其特征在于，所述步骤一中初始化源域深度特征提取模型包含依次连接的9层复值卷积操作、1层展平操作、1层全连接操作，源域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作。
3.根据权利要求2所述的一种基于深度学习与知识迁移的物联网设备小样本识别方法，其特征在于，所述步骤二中初始化目标域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作。
4.根据权利要求1所述的一种基于深度学习与知识迁移的物联网设备小样本识别方法，其特征在于，所述步骤四中，将待识别物联网设备电磁信号输入目标域深度特征提取模型与特征识别模型，得到待识别物联网设备的识别结果，具体包括如下步骤：
步骤4-1，将待识别物联网设备的复值基带信号xo输入目标域深度特征提取模型，得到其深度特征xo,L-2；
步骤4-2，将xo,L-2输入目标域特征识别模型，得到其预测概率值xo,L，由下式得到待识别物联网设备的预测标签，
arg maxixo，L i＝1，2，...，C。
5.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，其特征在于，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至4中任一所述的方法。
6.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至4中任一所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310050128.8A CN116010804B (zh) | 2023-02-01 | 2023-02-01 | 基于深度学习与知识迁移的物联网设备小样本识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310050128.8A CN116010804B (zh) | 2023-02-01 | 2023-02-01 | 基于深度学习与知识迁移的物联网设备小样本识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116010804A CN116010804A (zh) | 2023-04-25 |
| CN116010804B true CN116010804B (zh) | 2023-07-04 |
Family
ID=86028073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310050128.8A Active CN116010804B (zh) | 2023-02-01 | 2023-02-01 | 基于深度学习与知识迁移的物联网设备小样本识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116010804B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926547A (zh) * | 2021-04-13 | 2021-06-08 | 北京航空航天大学 | 飞行器电信号分类和识别的小样本迁移学习方法 |
| CN114554604A (zh) * | 2020-11-18 | 2022-05-27 | 辉达公司 | 用于第五代(5g)新无线电通信的控制数据带宽分配 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017213247A1 (de) * | 2017-06-30 | 2019-01-03 | Conti Temic Microelectronic Gmbh | Wissenstransfer zwischen verschiedenen Deep-Learning Architekturen |
| JP6913897B2 (ja) * | 2017-10-09 | 2021-08-04 | ボイス・ライフ・インコーポレーテッド | 無線給電の効率化 |
| US10108903B1 (en) * | 2017-12-08 | 2018-10-23 | Cognitive Systems Corp. | Motion detection based on machine learning of wireless signal properties |
| CN111709448B (zh) * | 2020-05-20 | 2023-05-12 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
| CN114218984B (zh) * | 2021-12-07 | 2024-03-22 | 桂林电子科技大学 | 一种基于样本多视图学习的射频指纹识别方法 |
| CN115062689A (zh) * | 2022-05-23 | 2022-09-16 | 中国矿业大学 | 一种面向多传感器融合信息的特征迁移方法 |
| CN115392326B (zh) * | 2022-10-27 | 2024-03-19 | 中国人民解放军国防科技大学 | 基于联合多模态信息与域对抗神经网络的调制识别方法 |
-
2023
- 2023-02-01 CN CN202310050128.8A patent/CN116010804B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114554604A (zh) * | 2020-11-18 | 2022-05-27 | 辉达公司 | 用于第五代(5g)新无线电通信的控制数据带宽分配 |
| CN112926547A (zh) * | 2021-04-13 | 2021-06-08 | 北京航空航天大学 | 飞行器电信号分类和识别的小样本迁移学习方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116010804A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555399B (zh) | 手指静脉识别方法、装置、计算机设备及可读存储介质 | |
| CN113139628B (zh) | 样本图像的识别方法、装置、设备及可读存储介质 | |
| CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
| JP6812086B2 (ja) | 網状パターン除去システムのトレーニング方法、網状パターン除去方法、装置、機器及び媒体 | |
| CN112016697A (zh) | 一种联邦学习方法、装置、设备及存储介质 | |
| CN111222336B (zh) | 一种识别未知实体的方法及装置 | |
| CN108959474A (zh) | 实体关系提取方法 | |
| CN113344079B (zh) | 一种图像标签半自动标注方法、系统、终端及介质 | |
| CN114677565A (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
| CN112861934A (zh) | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 | |
| CN113298152A (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
| CN117635998A (zh) | 用于多标签半监督分类的基于百分位数的伪标签选择 | |
| CN115859302A (zh) | 源代码漏洞检测方法、装置、设备及存储介质 | |
| CN111507297A (zh) | 一种基于度量信息矩阵的雷达信号识别方法及系统 | |
| CN116010804B (zh) | 基于深度学习与知识迁移的物联网设备小样本识别方法 | |
| CN106294115B (zh) | 一种应用系统迁移性的测试方法及装置 | |
| CN113592008A (zh) | 一种基于自编码器的图神经网络机制解决小样本图像分类的系统、方法、设备及存储介质 | |
| CN117252204A (zh) | 一种联邦对比对抗知识蒸馏的机器账号检测方法及装置 | |
| CN113627553B (zh) | 一种用于电能表异常标签识别的图像识别方法及系统 | |
| CN113536667B (zh) | 联邦模型训练方法、装置、可读存储介质及设备 | |
| CN116595189A (zh) | 基于两阶段的零样本关系三元组抽取方法及系统 | |
| US11609936B2 (en) | Graph data processing method, device, and computer program product | |
| CN115861312A (zh) | 基于风格迁移正样本生成的oled干膜缺陷检测方法 | |
| CN117975184A (zh) | 图像识别模型的训练方法及图像识别方法 | |
| Du et al. | A Knowledge Transfer Method for Unsupervised Pose Keypoint Detection Based on Domain Adaptation and CAD Models |
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 |