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: 2023100501288
申请人: 南京邮电大学
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:

1.一种基于深度学习与知识迁移的物联网设备小样本识别方法,其特征在于,具体包括以下步骤:步骤一,构建初始化源域深度特征提取模型与特征识别模型,并以初始化源域深度特征提取模型的输出作为初始化源域特征识别模型的输入,利用源域物联网设备电磁信号数据集联合训练初始化源域深度特征提取模型与特征识别模型,得到源域深度特征提取模型与特征识别模型;

步骤二,将源域深度特征提取模型作为初始化目标域深度特征提取模型,并构建初始化目标域特征识别模型;

步骤三,评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异,实现知识由源域向目标域迁移,得到适用于目标域物联网设备识别的目标域深度特征提取模型与特征识别模型;

步骤四,将待识别物联网设备电磁信号输入目标域深度特征提取模型与特征识别模型,得到待识别物联网设备的识别结果所述步骤一中利用源域物联网设备电磁信号数据集联合训练初始化源域深度特征提取模型与特征识别模型,其中源域物联网设备电磁信号数据集由若干组源域物联网设备的s s复值基带信号x及其对应的独热编码形式的类别标签y构成,联合训练具体包括如下步骤:s

步骤1‑1,将源域物联网设备的复值基带信号x输入初始化源域深度特征提取模型,得s s,L‑2 s,L‑2 s到x 的深度特征记作x ,将x 输入初始化源域特征识别模型,得到x的预测概率值采用最小化交叉熵损失函数作为初始化源域深度特征提取模型与特征识别模型的目标函数,有

其中C为源域物联网设备类别数,

s s

为y 中的第i个码元, 为x 关于第i类别的预测概率值;

s

步骤1‑2,将源域物联网设备电磁信号数据集所得目标函数值z视为初始化源域深度特s,L征提取模型与特征识别模型的第L层误差,计算第L层误差对第L层参数ω 的导数 实s,L现第L层参数ω 的更新,有 其中μ为更新步长,L为初始化源域深度特征提取模型与特征识别模型的总层数;

s,L‑1

步骤1‑3,计算第L层误差对第L层输入数据x 的导数 将其视为第L层传递至第L‑1层的误差,如此反向传播,直至更新至第1层,实现初始化源域深度特征提取模型与特征识别模型的参数更新,得到源域深度特征提取模型与特征识别模型;

s

所述步骤三中,基于若干组源域物联网设备的复值基带信号x以及由若干组目标域物t t联网设备的复值基带信号x及其对应独热编码形式的类别标签y构成的目标域物联网设备电磁信号数据集,采用最大平均误差函数作为评估规则以评估源域深度特征提取模型所提取源域深度特征与初始化目标域深度特征提取模型所提取目标域深度特征的分布差异,实现知识由源域向目标域迁移,得到适用于目标域物联网设备识别的目标域深度特征提取模型与特征识别模型,具体包括如下步骤:s s

步骤3‑1,将源域物联网设备的复值基带信号x输入源域深度特征提取模型,得到x的s,L‑2 t深度特征x ;将目标域物联网设备的复值基带信号x输入初始化目标域深度特征提取模t t,L‑2 s,L‑2 t型,得到x 的深度特征x ,采用最小化最大平均误差函数作为评估规则以评估x 与x,L‑2 s,L‑2 t,L‑2的分布差异,有min||Φ(x )‑Φ(x )||H,其中H是指Hilbert空间,Φ(·)是高斯核函数;

t,L‑2 t,L‑2 t,L

步骤3‑2,将x 输入初始化目标域特征识别模型,得到x 的预测概率值x ,联合最小化最大平均误差函数与交叉熵损失函数作为初始化目标域深度特征提取模型和特征识别模型的目标函数,有t,L t s,L‑2 t,L‑2

min Lc(x ,y)+||Φ(x )‑Φ(x )||H;

t

步骤3‑3,将目标域物联网设备电磁信号数据集所得目标函数值z视为初始化目标域深t,L度特征提取模型和特征识别模型的第L层误差,计算第L层误差对第L层参数ω 的导数实现第L层参数的更新,有 其中μ为更新步长;

t,L‑1

步骤3‑4,计算第L层误差对第L层输入数据x 的导数 将其视为第L层传递至第L‑1层的误差,如此反向传播,直至更新至第1层,实现初始化目标域深度特征提取模型与特征识别模型的参数更新,得到目标域深度特征提取模型与特征识别模型。

2.根据权利要求1所述的一种基于深度学习与知识迁移的物联网设备小样本识别方法,其特征在于,所述步骤一中初始化源域深度特征提取模型包含依次连接的9层复值卷积操作、1层展平操作、1层全连接操作,源域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作。

3.根据权利要求2所述的一种基于深度学习与知识迁移的物联网设备小样本识别方法,其特征在于,所述步骤二中初始化目标域特征识别模型包含依次连接的1层随机失活操作与1层全连接操作。

4.根据权利要求1所述的一种基于深度学习与知识迁移的物联网设备小样本识别方法,其特征在于,所述步骤四中,将待识别物联网设备电磁信号输入目标域深度特征提取模型与特征识别模型,得到待识别物联网设备的识别结果,具体包括如下步骤:o

步骤4‑1,将待识别物联网设备的复值基带信号x 输入目标域深度特征提取模型,得到o,L‑2其深度特征x ;

o,L‑2 o,L

步骤4‑2,将x 输入目标域特征识别模型,得到其预测概率值x ,由下式得到待识别物联网设备的预测标签,o,L

arg maxix  i=1,2,...,C。

5.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,其特征在于,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至4中任一所述的方法。

6.一种电子设备,其特征在于,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至4中任一所述方法的指令。