[發(fā)明專利]基于零次學習的未知信號識別方法

在審

• 申請?zhí)枺?/td>: 202210178955.0
• 申請日: 2022-02-25
• 公開（公告）號: CN114839613A
• 公開（公告）日: 2022-08-02
• 發(fā)明（設計）人: 肖易寒;劉序斌;郭立民;陳濤;蔣伊琳;宋柯;于祥禎
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01S7/41
• 分類號: G01S7/41;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于零次學習的未知信號識別方法，其特征在于：

步驟一：數(shù)據(jù)采集及處理

雷達接收信號，篩選出信號類別，作為數(shù)據(jù)集；訓練集包括已知信號；測試集即包含已知信號，也包含未知信號；對所有信號打上數(shù)字標簽；

步驟二：采用加入恒等映射的深度卷積自編碼器自動提取信號語義屬性特征

2.1構建深度卷積自編碼器(DCAEIM)

深度卷積自編碼器由15個卷積層構成，解碼器由15個與編碼器卷積層對應的反卷積層構成，借鑒殘差網(wǎng)絡的思想在自編碼器網(wǎng)絡中加入恒等映射，即編碼器中每2個卷積層的輸出用恒等映射連接到對應解碼器的反卷積層的輸入；

2.2將語義屬性特征通過一個全連接層作為分類器，經(jīng)過映射后，得到預測標簽，利用預測標簽與其對應的真實標簽得到交叉熵損失函數(shù)其中x_i代表第i個輸入信號，F(xiàn)(x_i)為提取的第i個輸入信號的語義屬性特征，y_i為第i個樣本的真實標簽，N為輸入訓練樣本的數(shù)量，B是一個全連接層，是根據(jù)語義屬性特征對標簽的預測；

利用解碼器輸出的重構信號與原始信號得到重構損失函數(shù)其中D代表對語義屬性特征的解碼重構；

z_i＝F(x_i)，為獲取類內間距，首先計算類別k的語義屬性特征的均值，即已知類別k的語義中心其中z_i＝F(x_i)，z_i為第i個輸入信號的語義屬性特征，其中|C_k|為輸入數(shù)據(jù)中類別k的樣本數(shù)量，然后計算類內間距其中T代表輸入數(shù)據(jù)中類別的數(shù)量；類間距離為其中K表示已知類別信號的類別數(shù)量，o_b表示類別b的語義中心，o_a表示類別a的語義中心；類內-類間損失函數(shù)可以用類內距離與類間距離的差表示，即L_i-i＝intra_spread-inter_sparation；

2.3開始訓練過程，初始化所有參數(shù)，將訓練樣本送入DCAEIM網(wǎng)絡進行訓練，直至網(wǎng)絡收斂；

2.4全部訓練完成后，將測試集數(shù)據(jù)送入訓練好的DCAEIM，提取測試樣本的語義屬性特；

步驟三：利用距離度量算法對信號進行分類

3.1在測試階段，根據(jù)步驟二中得到的每種已知類別信號的語義中心o_k，進行距離度量識別；在提取到第τ個輸入的測試樣本的語義屬性特征F(τ)后，分別計算F(τ)與每種已知信號類別的語義中心的距離其中M_k是關于已知信號類別k的變換矩陣，M_k^-1代表矩陣M_k的逆矩陣；

3.2在不同信號類別對應的d(F(τ),o_k)中找到最小的當d₁＜θ₁時，判定對應的測試樣本屬于已知信號類別，其中θ₁為根據(jù)three-sigma準則設置的閾值。當d₁≥θ₁時，判定對應的測試樣本屬于未知信號類別；

3.3當測試樣本被判定為已知信號時，其預測標簽為即與測試樣本的語義屬性特征距離最近的語義屬性中心所對應的信號類別,由此可識別出測試樣本是已知信號中的具體類別；

當測試樣本被判定為未知信號類別時，首先計算每種未知類別信號的語義屬性中心

其中，u代表未知信號對應的類別，R代表輸入測試樣本中所有未知類別信號的數(shù)量，δ(·)是一個沖擊函數(shù)，當括號中的條件成立時，其值為1，括號里的條件不成立時，其值為0；在不同未知信號類別對應的d(F(τ),S_u)中找到最小的其中u_g代表第g種未知類別信號的標簽，代表第g種未知類別信號的語義屬性中心；設置閾值其中d_med代表所有d(F(τ),S_k)的中間距離，λ₂是平衡d₁與d_med的平衡系數(shù)；當d₂＜θ₂時，測試樣本對應的預測標簽為即與測試樣本的語義屬性特征距離最近的語義屬性中心所對應的未知信號類別。當d₂≥θ₂時，y_τ＝G+1，即表示出現(xiàn)了新的未知信號類別；其中G代表該測試樣本輸入之前出現(xiàn)過的未知信號的類別數(shù)量。