[發明專利]飛行器電信號分類和識別的小樣本遷移學習方法

有效

• 申請號: 202110395497.1
• 申請日: 2021-04-13
• 公開（公告）號: CN112926547B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 李可;彭卓清;張可立;王少凡;李竟語;楊順昆;陳曉丹;劉猛
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京金恒聯合知識產權代理事務所 11324
• 代理人: 李強

本發明涉及一種飛行器小樣本電信號分類識別的遷移學習方法,包括：將源域信號進行采集與傳輸(102)，送入特征提取基礎模塊源域多尺度殘差卷積模塊(103)和源域最大池化層(104)，將基礎模塊中的參數送入目標域的多尺度殘差卷積模塊(110)和目標域的最大池化層(111)，在訓練過程中目標域的全局平均池化層(112)，目標域的隨機丟棄層(113)和目標域的全連接層(114)均要進行反向傳播更新網絡參數(217)，直到迭代步數更新滿足目標域迭代步數判斷模塊條件(220)，從而結束訓練(221)。通過該方法，有效解決了實際測試過程中小樣本數據的深度學習問題，顯著提升了飛行器信號分類和識別的準確率。

技術領域

本發明涉及一種飛行器電信號分類和識別的小樣本遷移學習方法，可應用于小樣本信號的分類識別。

背景技術

在航空航天領域的一些領域,小樣本學習是深度學習領域中的一個重要前沿方向。由于深度學習依賴于大量標記數據，對飛行器進行實測實驗的時間和金錢成本極高，且無法采集得到大量的數據，數據標記工作依賴于人工標注；若進行仿真實驗，獲取的數據準確性也難以得到保證，所以深度學習容易出現過擬合現象且難以提取到足夠多的特征。然而，小樣本遷移學習可有效解決樣本數據量問題并且避免過擬合現象，可利用少量標注樣本提取高質量數據特征從而達到信號分類識別的目的。小樣本遷移學習的特性受到各個領域的廣泛認同，將成為未來小樣本信號分類識別的重要技術方法。

發明內容

現有技術的飛行器信號識別與分類方法中的傳統機器學習算法存在著局限性，即無法對飛行器的小樣本電信號進行分類識別與研究。而在飛行器電信號數據庫中，除了經過專家標注過的大數據集之外，還存在著許多標注數據樣本少、數據復雜的高維度電信號數據。

本發明提供了一種基于殘差膨脹卷積網絡算法的小樣本飛行器電信號分類識別的遷移學習方法，采用以殘差膨脹卷積神經網絡為基礎的遷移學習模型，對小樣本數據進行分類。本發明提出的遷移學習方法能對網絡中模型參數進行遷移，即可以把源域(源域應是一個數據量相對較大，且在數據形式和內容上與目標域數據集有所近似的數據集)模型中獲取的特征提取能力，遷移到目標域(目標域是一個標注數據樣本量少的電信號數據集)模型的分類當中，具有較好的抗過擬合能力，具有對小樣本信號的分類識別能力。

本發明通過殘差膨脹卷積網絡的遷移學習模型構建與訓練方法，克服傳統機器學習方法對于高維度、小樣本復雜數據處理難度大的問題，提高了特征提取能力上和泛化能力。

根據本發明的一個方面，提供了一種飛行器電信號分類和識別的小樣本遷移學習方法，其特征在于包括：

把源域信號送入源域多尺度殘差卷積模塊，從源域信號提取到源域樣本的特征圖；

再把源域多尺度殘差卷積模塊得到的特征圖送入源域最大池化層，以提高計算速度和特征圖的魯棒性；其中，源域多尺度殘差卷積模塊與源域最大池化層屬于特征提取的基礎模塊，基礎模塊的數目根據樣本數據的差異而設置；

把提取的源域樣本的特征送入源域全局平均池化層，以防止網絡過擬合；

再把源域全局平均池化層得到的每個通道的特征圖均值傳入到源域隨機丟棄層，從而通過隨機丟棄部分參數達到防止過擬合的目的，其中源域隨機丟棄層的公式如下：

x^l＝random_p(x^l-1) (1)

其中，p(x^l-1)為丟棄x^l-1的概率，random表示為隨機行為，x是源域數據樣本，l是隨機丟棄的層數；

然后把經過源域隨機丟棄層后的激活單元送入源域全連接層，將分布式特征映射到樣本標記空間，公式如下：

x^l＝f(u^l)