欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022112727721
申请人: 南昌航空大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多对抗域和度量学习的雷达工作模式识别算法,其特征在于:所述算法包括以下步骤,S1、源域含有标签的雷达数据序列与不含有标签的目标域雷达数据序列一同输入到特征提取器中;

S2、通过特征提取器提取出源域与目标域混合数据的特征和类间差异;

S3、特征提取器中得到的源域和目标域混合数据特征输入特征分类器中得到特征分类结果,得到不含有标签的目标域雷达数据序列的分类标签、域判别损失、源域分类损失;

S4、特征提取器中得到的源域和目标域混合数据特征输入给领域判别器中分别以数据片段的形式进行多特征领域判别,得到子域分类结果和子域分类损失;

S5、基于以上类间差异、域判别损失、源域分类损失、子域分类损失对模型进行迭代求解,最终得出高可信度的目标域雷达数据分类标签。

2.根据权利要求1所述的基于多对抗域和度量学习的雷达工作模式识别方法,其特征在于:所述S1中的特征提取器为Gf,是源域雷达数据序列上训练好的BiGRU循环神经网络与注意力机制结合的雷达工作模式识别网络,在输入为源域和目标域雷达序列的混合数据时,需要在网络特征输出层后增加一层权重层θf对特征提取网络进行微调。

3.根据权利要求1所述的基于多对抗域和度量学习的雷达工作模式识别方法,其特征在于:所述S2中的混合数据的特征为特征分类器循环网络BiGRU的输出特征向量,类间差异度量函数Llj公式如下式(1)所示:s

式(1)中IN×N表示特征提取器当前混合输出特征为N个特征,每个特征向量为N维;fi 表sT示源域第i个样本数据经过特征提取器后提取出的特征,fi 表示提取出的特征矩阵的转置,||·||2表示矩阵的2范数,m为雷达数据序列样本数目。

4.根据权利要求1所述的基于多对抗域和度量学习的雷达工作模式识别方法,其特征在于:所述S3中的特征分类器为Gy,其控制权重为θy,分类标签是经过带有权重的Softmax分类层得到雷达工作模式分类标签向量;域判别损失度量函数Ly公式如下式(2)所示:s

式(2)中m为雷达数据序列样本数目, 表示源域第i个数据,yi表示源域第i个数据的标签,Gf(·)表示对数据做特征提取处理,Gy(·)表示对数据进行特征分类处理,Lc为交叉熵函数;源域分类损失为改进型加性余弦间隔损失度量函数Lgams,其公式如下式(3)所示:式(3)中m表示雷达数据序列样本数目,C表示雷达序列分类数,S表示余弦系数,k表示余弦间隔,θyi表示源域雷达样本与其自身携带的标签权重的夹角,θj表示源域雷达样本与非其自身标签权重的夹角。

5.根据权利要求1所述的基于多对抗域和度量学习的雷达工作模式识别方法,其特征在于:所述S4中的领域判别器为Gdi,i=1,2,...,I,其控制权重为θdi,i=1,2,...,I,域分类结果为判断当前特征属于源域或目标域,其子域分类损失为Lll,其公式如下式(4)所示:式(4)中,Gdi为第i个域鉴别网络函数, 为样本xj伪标签向量的第n个分量。

6.根据权利要求1所述的基于多对抗域和度量学习的雷达工作模式识别方法,其特征在于:所述S5中的迭代求解过程如下:在训练初期使用灰色关联度函数计算源域样本Si与目标域样本Tj之间的灰色关联度,将目标域样本与源域样本的最大灰色关联度作为目标域样本的初始伪标签:每次迭代产生的标签为 其计算公式如下式(5)所示:其中,Nepoch为模型训练需要的迭代次数,q为当前迭代的次数, 为上一次迭代的伪标签, 为初始标签;

迭代过程①:特征提取器输入源域样本时,通过调节参数θf和θy,尽可能减小损失,改进型加性余弦间隔损失函数Lgams值,使其增大;

迭代过程②;输入源域和目标域混合数据后,为提高源域与目标域样本域鉴别准确率,通过调节参数θf,尽可能减小域分类损失Ly;

迭代过程③;为增大不同类别样本特征间的间隔,即增加可分性,通过调节参数θf,尽可能减小域分类损失Llj;

迭代过程④;为降低源域与目标域同类样本间的特征差异,即减小类内距离,通过调节参数θdi,i=1,2,...,I,尽可能增大域分类损失Lll;

调节参数θdi使得域分类损失Lll增大会让子域判别器更加容易判断数据来自源域或目标域,调节参数θf使域间差距变小,调节θf值与θdi值不断对抗,当调节θdi使得子域分类损失Lll达到最大值,此时若子域判别器Gdi无法判断雷达数据序列来自源域还是目标域时,此时特征提取器提取出的特征为目标域和源域雷达共同的特征,特征分类器可对无标签目标域雷达数据进较精确的分类预测。

7.根据权利要求6所述的基于多对抗域和度量学习的雷达工作模式识别方法,其特征在于:灰色关联度函数如下式(6)所示:式(6)中n表示雷达序列划分单元数, 表示源域与目标域的相似性的物理特征位移差,其公式如下式(7)所示:式(6)中 表示源域与目标域的相似性的物理特征速度差,其公式如下式(8)所示:式(6)中 表示源域与目标域的相似性的物理特征加速度差,其公式如下式(9)所示: