[發(fā)明專利]基于零次學(xué)習(xí)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(shè)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(quán)）人: 哈爾濱工程大學(xué)
• 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

本發(fā)明公開了一種零訓(xùn)練樣本下未知信號識別方法：數(shù)據(jù)采集及處理；構(gòu)建深度卷積自編碼器DCAEIM；采用加入恒等映射的深度卷積自編碼器的基礎(chǔ)上，引入類內(nèi)?類間損失函數(shù)，利用深度學(xué)習(xí)網(wǎng)絡(luò)自動提取語義屬性特征，引入類內(nèi)?類間損失函數(shù)；使用預(yù)處理好的訓(xùn)練數(shù)據(jù)集訓(xùn)練DCAEIM網(wǎng)絡(luò)；將預(yù)處理好的測試數(shù)據(jù)集送入訓(xùn)練好的DCAEIM網(wǎng)絡(luò)，得到輸入測試樣本的語義屬性特征；利用距離度量算法對信號進行分類。本發(fā)明無需人工定義信號語義屬性特征，而且模型在分類的過程中具有自進化的能力，突破了現(xiàn)有的未知雷達信號識別的局限性。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達調(diào)制信號識別領(lǐng)域，具體涉及一種零訓(xùn)練樣本下未知信號識別方法。

背景技術(shù)

雷達所代表的有源探測裝備是獲得目標信息的重要途徑，電子偵察若要實現(xiàn)對目標雷達的針對性分析與決策，就必須對截獲到的目標雷達信號實現(xiàn)精確識別。隨著深度學(xué)習(xí)理論的快速發(fā)展，在各領(lǐng)域表現(xiàn)出了優(yōu)異的性能。深度學(xué)習(xí)應(yīng)用于信號識別領(lǐng)域時，若訓(xùn)練數(shù)據(jù)不充足，會導(dǎo)致識別率急劇降低。同時，隨著數(shù)據(jù)量的迅猛增長，有限的類別標簽樣本訓(xùn)練出的分類模型亦無法識別新的類別。使用有標簽的數(shù)據(jù)訓(xùn)練出的網(wǎng)絡(luò)去識別無標簽的未知數(shù)據(jù)是識別領(lǐng)域不可忽略的問題。在稀缺樣本條件和零樣本下如何實現(xiàn)基于深度學(xué)習(xí)的雷達信號精準識別是現(xiàn)代電子中亟待解決的實質(zhì)性技術(shù)問題。因此，在圖像處理領(lǐng)域有著廣泛的應(yīng)用的零次學(xué)習(xí)(Zero-Shot Learning，ZSL)，對信號識別也非常重要。

通過對現(xiàn)有技術(shù)文獻的檢索發(fā)現(xiàn)，Li Zhang等在《Internaltional Conferenceon Computer Vision and Pattern Recogintion》(2017:3010-3019)上發(fā)表的“Learninga Deep Embedding Model for Zero-Shot Learning”把圖像特征空間作為聯(lián)合嵌入空間，同時該工作還結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，通過多模融合技術(shù)第一次實現(xiàn)了端到端的深度零次學(xué)習(xí)模型，但其識別的是可以用高級語義描述的動物圖像，語義屬性特征可以通過人工定義獲得，而雷達信號語義模糊，通過人工定義獲取語義特征十分困難。RyotaYoshihashi等在《Internaltional Conference on Computer Vision and PatternRecogintion》 (2019:4016-4025)上發(fā)表的“Classification-Reconstruction Learningfor Open-Set Recognition”利用Classification-Reconstruction learning for Open-Set Recognition (CROSR)網(wǎng)絡(luò)對提取到的特征進行了重構(gòu)，保留了能夠辨別出已知類別和未知類別的有用信息從而經(jīng)過訓(xùn)練的網(wǎng)絡(luò)可以在輸入數(shù)據(jù)中識別出未知類別，但當(dāng)未知類別有多種時，則無法具體識別出是未知類別中的哪一類別。Yihong Dong等在《Instituteof Electrical and Electronics Engineers》(2021：2316-2329)上發(fā)表的“SR2CNN:Zero-Shot Learning for Signal Recognition”通過對提取到的語義屬性特征進行距離度量，不僅可以識別已知類別信號，也可以識別未知類別信號，但網(wǎng)絡(luò)結(jié)構(gòu)過于簡單，在低信噪比下識別效果不理想。

已有文獻檢索結(jié)果表明，零次學(xué)習(xí)所識別信號的語義屬性特征主要通過人工定義獲取，而雷達信號的語義屬性十分模糊，很難進行人工定義，而且需要十分專業(yè)的研究人員豐富的先驗知識；僅少量文獻利用深度學(xué)習(xí)的方法自動提取雷達信號的語義屬性特征，而且大部分僅區(qū)分出未知類別，至于是未知類別中的哪一類別則沒有進行更近一步的研究。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種針對現(xiàn)有未知信號識別方法缺點的基于零次學(xué)習(xí)的未知信號識別方法。

本發(fā)明的目的通過如下技術(shù)方案來實現(xiàn)：

一種基于零次學(xué)習(xí)的未知信號識別方法，具體實驗步驟如下：

步驟一：數(shù)據(jù)采集及處理