[發(fā)明專利]飛行器電信號(hào)分類和識(shí)別的小樣本遷移學(xué)習(xí)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110395497.1
• 申請(qǐng)日: 2021-04-13
• 公開(kāi)（公告）號(hào): CN112926547B
• 公開(kāi)（公告）日: 2022-03-29
• 發(fā)明（設(shè)計(jì)）人: 李可;彭卓清;張可立;王少凡;李竟語(yǔ);楊順昆;陳曉丹;劉猛
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京金恒聯(lián)合知識(shí)產(chǎn)權(quán)代理事務(wù)所 11324
• 代理人: 李強(qiáng)

1.一種飛行器電信號(hào)分類和識(shí)別的小樣本遷移學(xué)習(xí)方法，其特征在于包括：

把源域信號(hào)送入源域多尺度殘差卷積模塊(103)，從源域信號(hào)提取到源域樣本的特征圖；

再把源域多尺度殘差卷積模塊(103)得到的特征圖送入源域最大池化層(104)，以提高計(jì)算速度和特征圖的魯棒性；其中，源域多尺度殘差卷積模塊(103)與源域最大池化層(104)屬于特征提取的基礎(chǔ)模塊，基礎(chǔ)模塊的數(shù)目根據(jù)樣本數(shù)據(jù)的差異而設(shè)置；

把提取的源域樣本的特征送入源域全局平均池化層(105)，以防止網(wǎng)絡(luò)過(guò)擬合；

再把源域全局平均池化層(105)得到的每個(gè)通道的特征圖均值傳入到源域隨機(jī)丟棄層(106)，從而通過(guò)隨機(jī)丟棄部分參數(shù)達(dá)到防止過(guò)擬合的目的，其中源域隨機(jī)丟棄層(106)的公式如下：

x^l＝random_p(x^l-1) (1)

其中，p(x^l-1)為丟棄x^l-1的概率，random表示為隨機(jī)行為,x是源域數(shù)據(jù)樣本，l是隨機(jī)丟棄的層數(shù)；

然后把經(jīng)過(guò)源域隨機(jī)丟棄層(106)后的激活單元送入源域全連接層(107)，將分布式特征映射到樣本標(biāo)記空間，公式如下：

x^l＝f(u^l)

u^l＝w^lx^l-¹+b^l

其中，u^l為源域全連接層線性輸出的中間量，它等于前一層輸出特征圖x^l-1與源域全連接層的權(quán)重矩陣w^l相乘然后與偏差相加，w^l為源域全連接層的權(quán)重矩陣，b^l為源域全連接層的偏差矩陣；最后得到源域樣本分類結(jié)果(108)；其中，u為輸出，w是權(quán)重，b是偏差，f代表映射函數(shù)；

進(jìn)行源域網(wǎng)絡(luò)模型訓(xùn)練，

當(dāng)源域網(wǎng)絡(luò)模型訓(xùn)練結(jié)束后，將基礎(chǔ)模塊的源域多尺度殘差卷積模塊(103)與最大池化層(104)中的網(wǎng)絡(luò)參數(shù)與目標(biāo)域信號(hào)一起傳輸(109)；

隨后，把源域網(wǎng)絡(luò)模型中的基礎(chǔ)模塊中的數(shù)據(jù)遷移傳入目標(biāo)域的多尺度殘差卷積模塊(110)和目標(biāo)域的最大值池化層(111)；其中，在源域網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中，目標(biāo)域的多尺度殘差卷積模塊(110)和目標(biāo)域的最大值池化層(111)的參數(shù)被凍結(jié)，并且這些參數(shù)不參與反向傳播過(guò)程中的參數(shù)更新；

然后，將目標(biāo)域的最大值池化層(111)得到的每個(gè)通道特征圖最大值傳入到目標(biāo)域全局平均池化層(112)，再將目標(biāo)域全局平均池化層(112)得到的每個(gè)通道特征圖平均值送入目標(biāo)域的隨機(jī)丟棄層(113)，再將經(jīng)過(guò)目標(biāo)域的隨機(jī)丟棄層(113)的激活單元激活函數(shù)控制輸出送到目標(biāo)域的全連接層(114)，這些包括神經(jīng)元網(wǎng)絡(luò)的權(quán)重的參數(shù)將進(jìn)行隨機(jī)初始化，并在反向傳播過(guò)程中實(shí)時(shí)更新，最終得到目標(biāo)域的分類結(jié)果(115)，

其中，源域網(wǎng)絡(luò)模型訓(xùn)練包括：

首先將源域網(wǎng)絡(luò)模型的參數(shù)初始化，并且設(shè)定迭代步數(shù)s＝0(202)，

進(jìn)行一輪訓(xùn)練(203)，

輸入源域的批量樣本(204)，

通過(guò)前向傳播計(jì)算網(wǎng)絡(luò)輸出(205)，

利用源域損失函數(shù)進(jìn)行計(jì)算(206)，

其中，用交叉熵函數(shù)作為損失函數(shù)，衡量在給定的真實(shí)分布下使用非真實(shí)分布所指定的策略消除系統(tǒng)的不確定性所需要付出的努力大小，交叉熵?fù)p失函數(shù)被表示為：

其中，為根據(jù)標(biāo)簽分類器所求出的計(jì)算標(biāo)簽；y_n是飛行器信號(hào)的真實(shí)標(biāo)簽，n為索引的類別，

之后，利用損失函數(shù)進(jìn)行反向傳播更新網(wǎng)絡(luò)參數(shù)(207)，把源域樣本數(shù)目送入源域數(shù)據(jù)集判斷模塊，

判斷是否遍歷源域訓(xùn)練集(208)，若“否”則返回輸入源域批量樣本(204)，若“是”則迭代步數(shù)更新s＝s+1(209)，

再把迭代步數(shù)s送入迭代判斷模塊(210)，

再進(jìn)行判斷，若迭代步數(shù)s＝源域總迭代參數(shù)E則復(fù)制保存源域網(wǎng)絡(luò)參數(shù)(211)，若迭代步數(shù)s源域總迭代參數(shù)E則返回一輪訓(xùn)練(203)，

當(dāng)復(fù)制保存源域網(wǎng)絡(luò)參數(shù)(211)后，采用源域網(wǎng)絡(luò)參數(shù)初始化目標(biāo)域網(wǎng)絡(luò)模型參數(shù)(212)并重新設(shè)置迭代步數(shù)s＝0，

在目標(biāo)域網(wǎng)絡(luò)中進(jìn)行一輪訓(xùn)練(213)，

輸入目標(biāo)域批量樣本(214)，

在目標(biāo)域網(wǎng)絡(luò)中前向傳播計(jì)算輸出(215)，

再重新計(jì)算目標(biāo)域損失函數(shù)(216)，

在目標(biāo)域網(wǎng)絡(luò)中反向傳播更新網(wǎng)絡(luò)參數(shù)(217)，

把目標(biāo)域樣本數(shù)目送入目標(biāo)域數(shù)據(jù)集判斷模塊，判斷是否遍歷目標(biāo)域訓(xùn)練集(218)，若“否”則返回輸入目標(biāo)域批量樣本(214)，若“是”則迭代步數(shù)更新s＝s+1(219)，

隨后，再把迭代步數(shù)s送入目標(biāo)域迭代判斷模塊(220)，若“迭代步數(shù)s＝目標(biāo)域總迭代參數(shù)T”則結(jié)束訓(xùn)練(221)，若“迭代步數(shù)s目標(biāo)域總迭代參數(shù)T”則返回目標(biāo)域一輪訓(xùn)練(213)。