[發(fā)明專利]基于小樣本機器學習模型的ads-b信號目標識別方法

有效

• 申請?zhí)枺?/td>: 201911157084.9
• 申請日: 2019-11-22
• 公開（公告）號: CN110879989B
• 公開（公告）日: 2022-04-15
• 發(fā)明（設計）人: 張伊慧;李勝軍;王正偉;曾蜜藝
• 申請（專利權）人: 四川九洲電器集團有限責任公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N20/00
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 胡曉麗

1.一種基于小樣本機器學習模型的ads-b信號目標識別方法，其特征在于，包括以下步驟：

S1、采集不同機型飛機的ads-b信號，建立樣本庫；

S2、對步驟S1獲得的數(shù)據(jù)進行預處理后，構建小樣本訓練集、驗證集和測試集；

S3、構建基于卷積神經(jīng)網(wǎng)絡和度量學習的小樣本機器學習模型；

S4、用步驟S2構建的訓練集對機器學習模型進行訓練；

S5、用步驟S2構建的驗證集定期驗證機器學習模型，當驗證訓練達到設定準確率后，固化模型；

S6、測試模型，向固化模型輸入ads-b信號，輸出相應的分類標簽，最終獲得目標飛機所屬的類別；

所述步驟S2包括以下步驟：

S21、刪除步驟S1建立的原始樣本庫中的無效數(shù)據(jù)、重復數(shù)據(jù)，處理缺失值、異常值；

S22、取長度為L的矩形框，對步驟S21預處理后獲得的樣本庫的每條ads-b信號進行截取，信號的長度不超過矩形框長度，并對長度不足L的信號進行填充，使每個樣本保留同樣長度；

S23、對步驟S23獲得的樣本添加標簽進行標記，所述標簽為設定的目標機型類別；

S24、對標記樣本進行特征提取；

所述S22中，根據(jù)ads-b數(shù)字信號編碼協(xié)議，以絕對幅值檢測法對清洗后的數(shù)據(jù)進行同步頭檢測，閾值設為±0.75，再進行同步頭截??；其中，截取長度L同步頭長度；

所述特征提取手段包括時域特征提取、頻域特征提取和特征融合；

所述步驟S3中，機器學習模型的目標是最大化支持樣本集S和預測查詢樣本集B中標簽的概率，目標函數(shù)為：

θ＝argmax_θE_L～T[E_S～L,B～L[∑_(x,y∈B)logP_θ(y|x,S)]]；

其中，S和B分別為訓練集中隨機抽取的支持樣本集和查詢樣本集，θ為模型的參數(shù)集合，x表示查詢樣本集B中的樣本，y表示x的預測標簽，T表示小樣本識別任務；

所述步驟S6中，通過構建小樣本帶標簽數(shù)據(jù)集M((x_i,y_i)∈M)，輸入一個未知ads-b信號輸出的分類標簽為

其中，a為步驟S4訓練得到的注意力核函數(shù)，k為數(shù)據(jù)集M的類別數(shù)，x_i表示數(shù)據(jù)集M中的標記樣本，y_i表示x_i的標簽。

2.根據(jù)權利要求1所述的一種基于小樣本機器學習模型的ads-b信號目標識別方法，其特征在于，所述步驟S1中，目標ads-b信號包括目標飛機的經(jīng)度、緯度、高度和時間信息、以及飛機的識別信息和類別信息。

3.根據(jù)權利要求1所述的一種基于小樣本機器學習模型的ads-b信號目標識別方法，其特征在于，所述步驟S3中，卷積神經(jīng)網(wǎng)絡是信號檢測識別的特征描述子，包括卷積層、池化層、批量歸一化層。

4.根據(jù)權利要求3所述的一種基于小樣本機器學習模型的ads-b信號目標識別方法，其特征在于，所述步驟S3中，度量學習是學習一個最鄰近分類器，用于使同類樣本的相似度大而異類樣本的相似度??；通過卷積神經(jīng)網(wǎng)絡將樣本映射到高維度量空間，在所述高維度量空間度量樣本間的相似性；度量手段包括曼哈頓距離、歐式距離、馬氏距離、切比雪夫距離、余弦距離。