CN121350737A - 一种基于知识校准的增量式特定辐射源个体识别方法及系统 - Google Patents
一种基于知识校准的增量式特定辐射源个体识别方法及系统Info
- Publication number
- CN121350737A CN121350737A CN202511368291.4A CN202511368291A CN121350737A CN 121350737 A CN121350737 A CN 121350737A CN 202511368291 A CN202511368291 A CN 202511368291A CN 121350737 A CN121350737 A CN 121350737A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- knowledge
- memory
- individual
- identification
- 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
Landscapes
- Image Analysis (AREA)
Abstract
一种基于知识校准的增量式特定辐射源个体识别方法及系统，属于特定辐射源识别技术领域，解决长期增量学习过程中的旧类别特征稳定性衰退，导致识别性能下降的问题。包括：采集初始辐射源个体信号，分成训练集、验证集和测试集；构建辐射源识别模型，识别模型的初始权重；将记忆库容量均分至各辐射源类别，在每次增量学习时筛选代表性样本，补充并更新记忆库；采集新增辐射源个体信号，并划分成训练集、验证集和测试集；更新辐射源识别模型，扩展分类器，更新模型权重；采用更新后的辐射源个体识别模型在线检测辐射源信号；检测是否存在新的辐射源个体，当不存在时，完成识别。本发明适用于低空安防、空域监管、频谱博弈等场景。
Description
技术领域
本发明属于特定辐射源识别技术领域，具体涉及一种增量特定辐射源个体识别方法。
背景技术
特定辐射源识别技术通过解析机体硬件电路固有差异生成的射频指纹，实现对辐射源个体的身份唯一性鉴别。该技术在低空安防、空域监管、频谱博弈等场景中具有重要军事与民用价值。
然而，现有研究多聚焦于封闭场景下的模型优化，依赖固定类别数据集与全局模型更新机制，难以应对开放电磁环境中辐射源数量持续扩张的现实需求。因此仅使用新增辐射源信号更新模型，设计具有增量更新能力的特定辐射源识别方法具有现实意义。
通过对机器学习领域增量学习技术的文献调研发现，相关研究已取得阶段性进展，例如，S. A. Rebuffi等在Conference on Computer Vision and PatternRecognition (2017, 5533–5542)上发表的“iCaRL: Incremental classifier andrepresentation learning”中提出了一种结合样本记忆与知识蒸馏的类增量学习方法，该方法通过保存部分历史样本并采用logit蒸馏来实现旧类识别能力的维持。A. Douillard等在European Conference on Computer Vision (2020, 86–102)上发表的“PODNet:Pooled Outputs Distillation for Small-Tasks Incremental Learning”中提出了一种基于特征空间蒸馏的增量学习方法。该方法通过引入池化输出蒸馏机制，在多个尺度上对旧任务特征进行对齐，从而缓解灾难性遗忘问题。尽管上述方法在计算机视觉领域的类增量任务中表现优异，但其在特定辐射源识别场景中的应用仍面临诸多挑战。一方面，电磁信号的时变特性与硬件差异的复杂性远超图像数据，传统的基于特征空间的蒸馏方法难以直接适配射频指纹的动态变化；另一方面，辐射源增量更新的频率与规模远远超过计算机视觉任务的常规场景，对模型的实时性与记忆容量提出了更高要求。
当前增量学习方案在长期增量更新中普遍存在旧类知识灾难性遗忘加剧问题，其本质原因是记忆不可持续性，连续参数更新引发特征表示漂移，造成早期学习的类别的灾难性遗忘。
发明内容
本发明提供一种基于知识校准的增量式特定辐射源个体识别方法及系统，其目的是解决长期增量学习过程中的旧类别特征稳定性衰退，导致识别性能下降的问题。
本发明提出的一种基于知识校准的增量式特定辐射源个体识别方法包括以下步骤：
S1：采集初始辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
S2：基于深度卷积网络和线性分类器构建辐射源识别模型，采用S1获得的训练集训练所述辐射源识别模型的初始权重；
S3：基于类均衡原则，将记忆库容量在各辐射源类别间均分；在每次增量学习时，依据与类别原型的余弦相似度筛选代表性的样本，补充并更新记忆库；
S4：采集新增辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
S5：更新辐射源识别模型，扩展分类器，使其适应所有辐射源识别，新增辐射源个体信号的IQ序列和记忆样例IQ序列通过知识校准机制更新模型权重；
S6：采用更新后的辐射源个体识别模型在线检测辐射源信号；
S7：检测是否存在新的辐射源个体，若是，则重复进行S3—S7；若否，则完成识别。
更进一步地，提供优选方案：所述S1中：将初始辐射源个体信号的IQ序列按照0.8：0.1：0.1比例划分成训练集、验证集和测试集。
更进一步地，提供优选方案：所述S2包括：
S21：基于深度卷积网络和线性分类器构建辐射源识别模型，表示为：
，
其中表示特征提取器，表示分类器；
S22：将初始辐射源个体信号的IQ序列训练集进行数据增强，并输入到深度卷积网络中提取信号特征；
S23：将信号特征输入到线性分类器中分类，并定义损失函数；
S24：通过模型的梯度，计算卷积层中各通道参数对于辐射源分类的重要程度。
更进一步地，提供优选方案：所述S3包括：
S31：依据当前已学习类别总数，将固定容量的记忆库均等划分为个子集；
S32：对每个类别，计算其全体样本在特征空间中的平均映射向量；
S33：基于余弦相似度度量，从类别中选取与平均映射向量相似度最高的样本，构建具有类别代表性的记忆库样本集；
S34：将记忆库样本集聚合为记忆库，用于后续增量学习阶段的知识回放；
S35：在增量阶段，将新任务样例逐渐补充到记忆库中。
更进一步地，提供优选方案：所述S5包括：
S51：构建新辐射源识别模型，并采用辐射源识别模型的权重进行初始化；
S52：动态扩展线性分类器中的权重矩阵，使其适应所有辐射源识别；
S53：将新增辐射源个体信号的IQ序列训练集和记忆样例进行数据增强，并同时输入到新辐射源识别模型中，通过辐射源识别模型训练中产生的重要性权重进行弹性知识校准，并定义损失函数。
更进一步地，提供优选方案：所述S5还包括：
构建正负样本对，所述正样本对是从记忆样例库中采样的同一辐射源信号；所述负样本对是从记忆样例库和新增辐射源训练集中分别采样的不同辐射源信号，提升旧类辐射源特征的类内聚合度和新旧辐射源特征的类间分离度，进行对比式知识校准。
更进一步地，提供优选方案：所述S4中：将新增辐射源个体信号的IQ序列按照0.8：0.1：0.1比例划分成训练集、验证集和测试集。
本发明还提出一种基于知识校准的增量式特定辐射源个体识别系统，所述系统基于如上述任意一项或多项方案组合所述的一种基于知识校准的增量式特定辐射源个体识别方法实现，所述系统包括：
第一采集模块：用于采集初始辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
模型训练模块：用于基于深度卷积网络和线性分类器构建辐射源识别模型，采用S1获得的训练集训练所述辐射源识别模型的初始权重；
样本筛选模块：用于基于类均衡原则，将记忆库容量在各辐射源类别间均分；在每次增量学习时，依据与类别原型的余弦相似度筛选代表性的样本，补充并更新记忆库；
第二采集模块：用于采集新增辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
模型更新模块：用于更新辐射源识别模型，扩展分类器，使其适应所有辐射源识别，新增辐射源个体信号的IQ序列和记忆样例IQ序列通过知识校准机制更新模型权重；
信号识别模块：用于采用更新后的辐射源个体识别模型在线检测辐射源信号；
信号检测模块：用于检测是否存在新的辐射源个体，若是，则重复进行样本筛选模块至信号检测模块的步骤；若否，则完成识别。
本发明还提出一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述任意一项或多项方案组合所述的一种基于知识校准的增量式特定辐射源个体识别方法。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行上述任意一项或多项方案组合所述的一种基于知识校准的增量式特定辐射源个体识别方法。
与现有技术相比，本发明的优势在于：
1、本发明基于梯度敏感性分析动态评估网络参数对旧类辐射源识别的重要性，调控新旧知识交互过程中的参数演化，通过弹性知识校准有效缓解特征表示漂移；
2、本发明构建正负样本对并结合双分支对比损失函数同步约束类内聚合度与类间分离度，避免新旧类特征空间混淆冲突，通过对比式知识校准有效抑制新旧类特征空间拓扑畸变；
3、本发明的核心在于设计了一种面向长增量场景的特定辐射源个体识别框架，支持从初始部署到多阶段扩展的全周期应用，实现增量场景下识别精度的提升，工程可实现性强。
本发明适用于低空安防、空域监管、频谱博弈等场景。
附图说明
图1为本发明具体实施方式一所述的基于知识校准的增量式特定辐射源个体识别方法的流程图；
图2为本发明具体实施方式一所述的技术示意图；
图3为本发明具体实施方式二所述的增量识别准确率示意图；
图4为本发明具体实施方式二所述的增量识别遗忘率示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施方式中也可以实现本申请。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
下面结合本申请说明书附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请的一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施方式的限制。
实施方式一：
参照图1、图2说明本实施方式。
一种基于知识校准的增量式特定辐射源个体识别方法，包括以下步骤：
S1：采集初始辐射源个体信号，将初始辐射源个体信号的IQ序列按照0.8：0.1：0.1比例划分成训练集、验证集和测试集；
S2：基于深度卷积网络和线性分类器构建辐射源识别模型，采用S1获得的训练集训练所述辐射源识别模型的初始权重；
S21：基于深度卷积网络和线性分类器构建辐射源识别模型，表示为：
，（1）
其中表示特征提取器，表示分类器；
S22：将初始辐射源个体信号的IQ序列训练集进行数据增强，并输入到深度卷积网络中提取信号特征；
S23：将信号特征输入到线性分类器中分类，并定义损失函数，表示为：
，（2）
其中表示对数函数，表示指数函数，表示截断函数，表示训练批次中的样本数量，表示该训练批次中第个样本的真实标签，表示该训练批次中第个样本，为权重矩阵，表示第类的权重向量，表示真实类别对应的权重向量，为可学习缩放参数，为促进类间分离的可调节常量，表示转置
S24：通过模型的梯度，计算卷积层中各通道参数对于辐射源分类的重要程度，表示为：
，（3）
其中为数学期望，表示L2范数，表示第层卷积的第个通道的特征映射，表示深度卷积网络的卷积层数量，表示第个卷积层的通道数量，表示训练数据集，保存重要性权重，表示分类损失。
S3：基于类均衡原则，将记忆库容量在各辐射源类别间均分；在每次增量学习时，依据与类别原型的余弦相似度筛选代表性的样本，补充并更新记忆库；
S31：依据当前已学习类别总数，将固定容量的记忆库均等划分为个子集，表示为：
，（4）
其中表示集合中的样本数量，表示向下取整；
S32：对每个类别，计算其全体样本在特征空间中的平均映射向量，表示为：
，（5）
其中表示第类样本数量，表示第类的样本；
S33：基于余弦相似度度量：
，（6）
从类别中选取与平均映射向量相似度最高的前个样本，构建具有类别代表性的记忆库样本集；
S34：将记忆库样本集聚合为记忆库，表示为：
，（7）
用于后续增量学习阶段的知识回放，其中表示并集；
S35：在增量阶段，将新任务样例逐渐补充到记忆库中。
S4：采集新增辐射源个体信号，并将新增辐射源个体信号的IQ序列按照0.8：0.1：0.1比例划分成训练集、验证集和测试集；
S5：更新辐射源识别模型，扩展分类器，使其适应所有辐射源识别，新增辐射源个体信号的IQ序列和记忆样例IQ序列通过知识校准机制更新模型权重；
S51：构建新辐射源识别模型，并采用S2所述的辐射源识别模型的权重进行初始化；
S52：动态扩展线性分类器中的权重矩阵，使其适应所有辐射源识别；
S53：将新增辐射源个体信号的IQ序列训练集和记忆样例进行数据增强，并同时输入到新辐射源识别模型中，通过辐射源识别模型训练中产生的重要性权重进行弹性知识校准，并定义损失函数，表示为：
，（8）
其中表示Frobenius范数，和分别表示新旧模型中第层卷积的第个通道的特征映射；
S54：构建正负样本对，所述正样本对是从记忆样例库中采样的同一辐射源信号；
构造正样本对集合：
，（9）
其中为参考样本，为同类正样本，为已学习类别总数；
所述负样本对是从记忆样例库和新增辐射源训练集中分别采样的不同辐射源信号，表示为：
，（10）
其中为不同类负样本，表示新增辐射源总数。
提升旧类辐射源特征的类内聚合度和新旧辐射源特征的类间分离度，进行对比式知识校准，定义损失函数，表示为：
，（11）
其中为余弦相似度计算函数，为温度系数。
采用公式（2）、（8）、（11）联合优化，获得总损失函数，表示为：
，（12）
其中为可调节超参数。
采用公式（3）重新计算重要性权重，作为下一次增量更新时的权重。
S6：采用更新后的特定辐射源个体识别模型在线检测辐射源信号；
S7：检测是否存在新的辐射源个体，若是，则重复进行S3—S7；若否，则完成识别。
实施方式二：
参照图3、图4说明本实施方式。
本实施方式是对实施方式一所述的一种基于知识校准的增量式特定辐射源个体识别方法的进一步举例说明。
本实施方式采用来自ADS-B特殊航空监测系统的真实无线电信号数据集，数据集的采样频率为50 MHz。
本实施方式从数据集中选择了100种不同类型的长信号，每个信号包含4,800个采样点。
本实施方式将初始辐射源数量设置为20类，每次增加5个新类，直到总辐射源类别达到100，共增量更新16次。
本实施方式设置实验参数如下：常量设为4，温度系数设为0.1，可调节超参数设为1.0，设为0.05，记忆样例库中最多可存放2000条信号样本。
如图3图4所示，对比识别准确率曲线和遗忘率曲线，体现了本发明提出的方法相对于传统方法在长期增量更新场景下的优势，突破了传统增量学习方法的一些应用局限。
实施方式三：
基于知识校准的增量式特定辐射源个体识别系统，所述系统基于如实施方式一所述的一种基于知识校准的增量式特定辐射源个体识别方法实现，所述系统包括：
第一采集模块：用于采集初始辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
模型训练模块：用于基于深度卷积网络和线性分类器构建辐射源识别模型，采用S1获得的训练集训练所述辐射源识别模型的初始权重；
样本筛选模块：用于基于类均衡原则，将记忆库容量在各辐射源类别间均分；在每次增量学习时，依据与类别原型的余弦相似度筛选代表性的样本，补充并更新记忆库；
第二采集模块：用于采集新增辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
模型更新模块：用于更新辐射源识别模型，扩展分类器，使其适应所有辐射源识别，新增辐射源个体信号的IQ序列和记忆样例IQ序列通过知识校准机制更新模型权重；
信号识别模块：用于采用更新后的特定辐射源个体识别模型在线检测辐射源信号；
信号检测模块：用于检测是否存在新的辐射源个体，若是，则重复进行样本筛选模块至信号检测模块的步骤；若否，则完成识别。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (10)
1.一种基于知识校准的增量式特定辐射源个体识别方法，其特征在于，包括以下步骤：
S1：采集初始辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
S2：基于深度卷积网络和线性分类器构建辐射源识别模型，采用S1获得的训练集训练所述辐射源识别模型的初始权重；
S3：基于类均衡原则，将记忆库容量在各辐射源类别间均分；在每次增量学习时，依据与类别原型的余弦相似度筛选代表性的样本，补充并更新记忆库；
S4：采集新增辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
S5：更新辐射源识别模型，扩展分类器，使其适应所有辐射源识别，新增辐射源个体信号的IQ序列和记忆样例IQ序列通过知识校准机制更新模型权重；
S6：采用更新后的辐射源个体识别模型在线检测辐射源信号；
S7：检测是否存在新的辐射源个体，若是，则重复进行S3—S7；若否，则完成识别。
2.根据权利要求1所述的一种基于知识校准的增量式特定辐射源个体识别方法，其特征在于，所述S1中：将初始辐射源个体信号的IQ序列按照0.8：0.1：0.1比例划分成训练集、验证集和测试集。
3.根据权利要求1所述的一种基于知识校准的增量式特定辐射源个体识别方法，其特征在于，所述S2包括：
S21：基于深度卷积网络和线性分类器构建辐射源识别模型，表示为：
，
其中表示特征提取器，表示分类器；
S22：将初始辐射源个体信号的IQ序列训练集进行数据增强，并输入到深度卷积网络中提取信号特征；
S23：将信号特征输入到线性分类器中分类，并定义损失函数；
S24：通过模型的梯度，计算卷积层中各通道参数对于辐射源分类的重要程度。
4.根据权利要求1所述的一种基于知识校准的增量式特定辐射源个体识别方法，其特征在于，所述S3包括：
S31：依据当前已学习类别总数，将固定容量的记忆库均等划分为个子集；
S32：对每个类别，计算其全体样本在特征空间中的平均映射向量；
S33：基于余弦相似度度量，从类别中选取与平均映射向量相似度最高的样本，构建具有类别代表性的记忆库样本集；
S34：将记忆库样本集聚合为记忆库，用于后续增量学习阶段的知识回放；
S35：在增量阶段，将新任务样例逐渐补充到记忆库中。
5.根据权利要求1所述的一种基于知识校准的增量式特定辐射源个体识别方法，其特征在于，所述S5包括：
S51：构建新辐射源识别模型，并采用辐射源识别模型的权重进行初始化；
S52：动态扩展线性分类器中的权重矩阵，使其适应所有辐射源识别；
S53：将新增辐射源个体信号的IQ序列训练集和记忆样例进行数据增强，并同时输入到新辐射源识别模型中，通过辐射源识别模型训练中产生的重要性权重进行弹性知识校准，并定义损失函数。
6.根据根据权利要求5所述的一种基于知识校准的增量式特定辐射源个体识别方法，其特征在于，所述S5还包括：
构建正负样本对，所述正样本对是从记忆样例库中采样的同一辐射源信号；所述负样本对是从记忆样例库和新增辐射源训练集中分别采样的不同辐射源信号，提升旧类辐射源特征的类内聚合度和新旧辐射源特征的类间分离度，进行对比式知识校准。
7.根据权利要求1所述的一种基于知识校准的增量式特定辐射源个体识别方法，其特征在于，所述S4中：将新增辐射源个体信号的IQ序列按照0.8：0.1：0.1比例划分成训练集、验证集和测试集。
8.一种基于知识校准的增量式特定辐射源个体识别系统，其特征在于，所述系统基于如权利要求1-7中任一项所述的一种基于知识校准的增量式特定辐射源个体识别方法实现，所述系统包括：
第一采集模块：用于采集初始辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
模型训练模块：用于基于深度卷积网络和线性分类器构建辐射源识别模型，采用S1获得的训练集训练所述辐射源识别模型的初始权重；
样本筛选模块：用于基于类均衡原则，将记忆库容量在各辐射源类别间均分；在每次增量学习时，依据与类别原型的余弦相似度筛选代表性的样本，补充并更新记忆库；
第二采集模块：用于采集新增辐射源个体信号，并将其IQ序列划分成训练集、验证集和测试集；
模型更新模块：用于更新辐射源识别模型，扩展分类器，使其适应所有辐射源识别，新增辐射源个体信号的IQ序列和记忆样例IQ序列通过知识校准机制更新模型权重；
信号识别模块：用于采用更新后的辐射源个体识别模型在线检测辐射源信号；
信号检测模块：用于检测是否存在新的辐射源个体，若是，则重复进行样本筛选模块至信号检测模块的步骤；若否，则完成识别。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-7中任一项所述的一种基于知识校准的增量式特定辐射源个体识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行权利要求1-7中任一项所述的一种基于知识校准的增量式特定辐射源个体识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202511368291.4A CN121350737A (zh) | 2025-09-24 | 2025-09-24 | 一种基于知识校准的增量式特定辐射源个体识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202511368291.4A CN121350737A (zh) | 2025-09-24 | 2025-09-24 | 一种基于知识校准的增量式特定辐射源个体识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN121350737A true CN121350737A (zh) | 2026-01-16 |
Family
ID=98392615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202511368291.4A Pending CN121350737A (zh) | 2025-09-24 | 2025-09-24 | 一种基于知识校准的增量式特定辐射源个体识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN121350737A (zh) |
-
2025
- 2025-09-24 CN CN202511368291.4A patent/CN121350737A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
| CN110969250B (zh) | 一种神经网络训练方法及装置 | |
| CN109460793A (zh) | 一种节点分类的方法、模型训练的方法及装置 | |
| CN114565807A (zh) | 训练目标图像检索模型的方法和装置 | |
| CN110298663A (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| CN111366820A (zh) | 局部放电信号的模式识别方法、装置、设备及存储介质 | |
| CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
| CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
| CN115910217B (zh) | 一种碱基确定方法、装置、计算机设备及存储介质 | |
| CN105608329A (zh) | 一种基于社团演化的组织行为异常检测方法 | |
| Chertenkov et al. | Finite-size analysis in neural network classification of critical phenomena | |
| EP4012578A1 (en) | Face retrieval method and device | |
| CN115471750B (zh) | 基于超像素引导判别森林的高光谱异常检测方法 | |
| CN111123232A (zh) | 一种具有任务适应性的雷达个体识别系统 | |
| CN114547365A (zh) | 一种图像检索方法和设备 | |
| CN111242266B (zh) | 一种运行数据管理系统 | |
| CN116070713B (zh) | 一种基于可解释性联邦学习缓解Non-IID影响的方法 | |
| Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information | |
| CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 | |
| CN115344728A (zh) | 图像检索模型训练、使用方法、装置、设备和介质 | |
| CN118944087B (zh) | 一种基于改进TPE-CatBoost的光伏发电功率预测方法及系统 | |
| CN113486202A (zh) | 小样本图像分类的方法 | |
| CN116996527B (zh) | 一种汇聚分流器数据同步的方法及存储介质 | |
| CN107132268A (zh) | 一种用于识别肺癌组织的数据处理装置及系统 | |
| CN118300825A (zh) | 一种基于改进原型网络的小样本威胁流检测方法 |
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 |